覆盖各水平的29道数据科学家面试题

在本指南中，我整理了数据科学家面试中最常见的问题，涵盖统计学、机器学习、编码（Python、SQL）以及产品思维。练习这些问题将帮助您通过所有技术面试环节——无论您是在校学生寻求实习，还是职场人士谋求下一份工作。

要点速览

• 数据科学家面试考察五大方面：统计与概率、机器学习、编码（Python/SQL）、行为面试，以及产品思维。
• 关键技术主题：线性回归假设、防止过拟合、特征选择方法（过滤、包裹、嵌入）、降维，以及 A/B 测试。
• 编码环节重点练习 Python（pandas、正则、列表操作）与 SQL（聚合、日期过滤、窗口函数）。
• 行为问题使用 STAR 法准备关于沟通、冲突解决和处理不确定性的答案。
• 大型科技公司（Meta、Google、Amazon）除了核心技术技能外，还考核指标分析、产品感知与应用统计。
• 使用我们的数据科学面试准备指南来为各阶段制定学习计划。

非技术类数据科学面试问题

先从一些您在面试中可能遇到的通用能力问题开始。这些问题考察作为数据科学家所需的软技能：

请谈谈您向非技术背景的人解释复杂数据概念的经历。您如何确保对方听懂？

此题评估您的沟通能力和简化复杂主题的能力。示例回答：

在上一份工作中，我需要向市场团队解释机器学习的概念。我用了教孩子识别不同水果的类比。就像您会给孩子看很多例子来帮助他们学习一样，机器学习模型也是用数据来训练的。这个类比让复杂概念更贴近日常，也更易理解。

请描述一个与难相处的团队成员合作的项目。您是如何处理的？

这考察您的团队协作与冲突解决能力。示例回答：

在一个项目中，我与一位同事的工作风格差异很大。为了解决分歧，我发起会议去理解他的视角。我们在项目目标上找到共同点，并约定了共享的方法。这次经历让我认识到开放沟通与同理心在团队合作中的价值。

请分享一次在紧迫期限下工作的经历。您如何管理任务并按时交付？

此题关于时间管理与优先级。示例回答：

有一次我需要在非常紧的期限内完成分析。我优先处理项目的关键部分，把计划告知团队，并专注于高效执行。通过拆分任务并设定小里程碑，我在不牺牲质量的前提下按时完成了项目。

您是否在分析中犯过重大错误？您如何处理，并从中学到了什么？

面试官关注您承担错误并从中学习的能力。示例回答：

有一次我误读了一个数据模型的结果。意识到错误后，我立即通知团队并重新分析了数据。这次经历让我明白复核结果的重要性，以及职场透明度的价值。

您如何保持对数据科学最新趋势与进展的了解？

这体现您对持续学习和保持专业性的投入。示例回答：

我通过阅读行业期刊、参加网络研讨会、参与线上社区来保持更新。我也每周预留时间尝试新工具与技术。这不仅让我保持前沿，也持续提升了技能。

请讲述一次在需求不清或频繁变化的项目中工作的经历。您如何适应？

此题评估适应力与问题解决能力。示例回答：

在一个项目中，需求频繁变化。我通过与利益相关方保持开放沟通来理解他们的需求，并采用敏捷方法提高灵活性，从而更有效地应对变化。

描述一个需要在数据驱动决策与其他考量（如伦理、业务需求等）之间平衡的情境。

这考察您在数据之外兼顾多方面因素的能力。示例回答：

在上一个岗位，我需要在数据驱动与伦理考量之间取得平衡。我确保所有数据使用符合伦理标准与隐私法规，并在必要时提出替代方案。这种做法既保障合规，也支持了明智决策。

通用数据科学面试问题

线性回归需要满足哪些假设？

线性回归的四个假设为：

1. 线性关系：自变量 x 与因变量 y 之间应存在线性关系。
2. 独立性：相邻残差之间不应相关，多见于时间序列数据。
3. 同方差性：在每个 x 水平，方差应保持恒定。
4. 正态性：残差应服从正态分布。

图片来源：Statology

您可以通过我们的Python 线性建模入门课程深入学习线性模型的概念及应用。

如何处理缺失值较多的数据集？

处理缺失数据的方法多种多样。您可以：

1. 删除包含缺失值的行。
2. 删除缺失值较多的列。
3. 用字符串或数值常量填充缺失值。
4. 用该列的均值或中位数替换缺失值。
5. 使用多元回归分析估计缺失值。
6. 利用多列以平均模拟值与随机误差来替换缺失。

通过完成用插补处理 R 中的缺失数据课程，学习如何诊断、可视化与处理缺失数据。

如何向非技术背景的利益相关方解释结果的技术细节？

首先，了解对方背景并据此调整措辞。如果对方有金融背景，先熟悉金融常用术语，并用这些术语解释复杂方法。

其次，多使用可视化与图表。多数人偏好视觉学习，创意化的沟通工具能显著提升理解。

图片作者自制

第三，以结果为核心。不要拘泥于方法或统计本身，着重强调他们如何用分析信息改进业务或流程。

最后，鼓励他们提问。人们常因陌生主题而不敢提问。通过主动互动营造双向沟通的氛围。

通过我们的SQL 报表课程学习如何构建自己的 SQL 报表与仪表板。

什么是 p 值？应如何解读？

在原假设为真的前提下，p 值衡量的是观测到至少与已收集数据同等极端结果的概率。

当 p 值低于显著性水平（通常为 0.05）时，说明有证据拒绝原假设。比如在一次 A/B 测试中，若 p 值为 0.03，则在原假设成立时仅有 3% 的概率会出现如此结果，暗示变体确有真实影响。

常见误解：p 值并不表示原假设为真的概率，只反映数据与原假设的相容程度。

I 型错误与 II 型错误有何区别？

这是假设检验中的两类错误：

• I 型错误（假阳性）：原假设为真却被拒绝。由显著性水平（α）控制。示例：得出新模型更优的结论，实际并非如此。
• II 型错误（假阴性）：原假设为假却未被拒绝。由统计功效（1 − β）控制。示例：认为模型无改进，实际存在改进。

降低 α 可减少 I 型错误，但会增加 II 型错误。合适的权衡取决于您场景中各类错误的代价——在欺诈检测、医学诊断或 A/B 决策中尤为关键。

更多内容参见我们的轻松掌握假设检验教程。

数据科学技术面试问题

选择合适变量的特征选择方法有哪些？

特征选择主要有三类方法：过滤法（filter）、包裹法（wrapper）和嵌入法（embedded）。

过滤法

过滤法通常用于预处理步骤。它独立于任何机器学习算法来选择特征。此类方法速度快、资源占用少，并能去除重复、相关或冗余特征。

图片作者自制

常见技术包括：

• 方差阈值
• 相关系数
• 卡方检验
• 互信息

包裹法

包裹法通过在特征子集上迭代训练模型，根据结果增删特征。其计算成本高于过滤法，但通常能获得更好的模型准确率。

图片作者自制

常见技术包括：

• 前向选择
• 后向消除
• 双向消除
• 递归消除

嵌入法

嵌入法结合了过滤法与包裹法的优点。将特征选择算法融入学习算法之中，为模型提供内置的特征选择。它既具备过滤法的速度，又兼有包裹法的准确性，并能考虑特征组合。

图片作者自制

常见技术包括：

• 正则化
• 基于树的方法

在我们的Python 特征选择教程中学习最常被考察的特征选择技术。

如何避免模型过拟合？

过拟合指模型在训练集上学习得过于充分，但在测试与验证集上表现欠佳。

避免过拟合的方法包括：

1. 保持模型简单，降低复杂度、减少考虑的变量，并在神经网络中减少参数数量。
2. 使用交叉验证技术。
3. 用更多数据训练模型。
4. 使用数据增强以增加样本量。
5. 使用集成方法（Bagging 与 Boosting）。
6. 采用正则化技术，对可能导致过拟合的参数进行惩罚。

欲了解防止过拟合的深入指南，请阅读什么是过拟合？以及我们的机器学习中的正则化教程。

列出 SQL 中不同类型的关系

SQL 关系主要有四种类型：

• 一对一：一张表中的每条记录仅关联另一张表中的一条记录。
• 一对多与多对一：最常见的关系，一张表中的每条记录关联到另一张表中的多条记录。
• 多对多：第一张表中的每条记录可关联第二张表中的多条记录，反之亦然。
• 自引用关系：一张表需要与自身建立关联。

通过完成我们的SQL 中的探索性数据分析课程，学习如何探索数据表、表间关系及其存储的数据。

什么是降维？它有哪些好处？

降维是将数据集从高维转换为低维，同时尽量保留相近信息的过程。

图片作者自制 | 图表来自 howecoresearch

降维的益处：

1. 压缩数据，减少存储空间。
2. 降低计算时间，加快数据处理。
3. 消除冗余特征（若存在）。

通过练习我们的Python 降维课程，理解降维概念并掌握相关技术。

A/B 测试的目标是什么？

图片作者自制

A/B 测试消除拍脑袋决策，帮助我们做出数据驱动的优化产品或网站的决定。它也称为分流测试，通过随机化实验来分析两个或多个变量版本（网页、应用功能等），以确定哪个版本能带来最大流量与业务指标提升。

通过我们的Python 客户分析与 A/B 测试课程学习如何创建、运行与分析 A/B 测试。

数据科学编码面试问题

给定由多个词根组成的字典和一个句子，将句子中的词替换为生成它的词根。

词干提取在文本与情感分析中很常用。本题要求您编写一个 Python 函数，将列表中的特定词替换为其词根——Interview Query。

输入：

函数接收两个参数：词根列表和句子。

roots = ["cat", "bat", "rat"]
sentence = "the cattle was rattled by the battery"技术支持

输出：

返回替换为词根后的句子。

"the cat was rat by the bat"技术支持

在编写代码前，需明确两步：检查单词是否有词根并进行替换。

1. 将句子拆分为单词。
2. 外层循环遍历每个单词，内层循环遍历词根列表。
3. 检查单词是否以该词根开头。Python 字符串提供 startswith() 来完成此任务。
4. 若单词以词根开头，使用列表索引用词根替换该单词。
5. 将所有单词重新拼接为句子。

roots = ["cat", "bat", "rat"]
sentence = "the cattle was rattled by the battery"


def replace_words(roots, sentence):
    words = sentence.split(" ")

    # looping over each word
    for index, word in enumerate(words):
        # looping over each root
        for root in roots:
            # checking if words start with root
            if word.startswith(root):
                # replacing the word with its root
                words[index] = root
    return " ".join(words)


replace_words(roots, sentence)


# 'the cat was rat by the bat'技术支持

检查字符串是否为回文

给定字符串 text，若其为回文返回 True，否则返回 False。

在将所有字母转为小写并移除所有非字母数字字符后，该词应正反读相同。

图片作者自制

Python 提供了简便方法解决该问题。您可以将字符串视为可迭代对象，并使用 text[::-1] 反转，或使用内置的 reversed(text) 方法。

1. 先将文本转为小写。
2. 使用正则去除非字母数字字符清洗文本。
3. 使用 [::-1] 反转文本。
4. 将清洗后的文本与反转文本比较。

import re

def is_palindrome(text):
    # lowering the string
    text = text.lower()
   
    # Cleaning the string
    rx = re.compile('\W+')
    text = rx.sub('',text).strip()
   
    # Reversing and comparing the string
    return text == text[::-1]技术支持

第二种方法中，仅需用 ''.join(reversed(text)) 替换反转步骤，再与清洗后的文本比较。

两种方法都很直接。

def is_palindrome(text):
    # lowering the string
    text = text.lower()
   
    # Cleaning the string
    rx = re.compile('\W+')
    text = rx.sub('',text).strip()
   
    # Reversing the string
    rev = ''.join(reversed(text))
    return text == rev技术支持

结果：

我们将单词列表传给 is_palindrome() 并打印结果。可以看到，即使包含特殊字符，函数也能识别 “Level” 和 “Radar” 为回文。

# Test cases
test_words = ['Anna', '**Radar****', 'Abid', '(Level)', 'Data']

for text in test_words:
    print(f"Is {text} a palindrome? {is_palindrome(text)}")


# Is Anna a palindrome? True
# Is **Radar**** a palindrome? True
# Is Abid a palindrome? False
# Is (Level) a palindrome? True
# Is Data a palindrome? False技术支持

通过我们的交互式课程练习 Python 编码面试题为下一次编码面试做好准备。若需更深入的 Python 编码准备，请参阅2026 年顶级 41 道 Python 面试题与答案。

查找第二高薪资

找最高和最低值很容易，但找第二高或第 n 高的值则更难。

题目给出包含 id 和 base_salary 的表。您需要编写 SQL 查询以找出第二高的薪资。

图片作者自制

在该查询中，先找出唯一值并按从高到低排序。然后使用 LIMIT 1 只显示最高值，最后通过将 OFFSET 设为 1 来显示第二高的数值。

您也可以调整 OFFSET 的值来获取第 n 高薪资。

SELECT DISTINCT base_salary AS "Second Highest Salary"
FROM employee
ORDER BY base_salary DESC
LIMIT 1
OFFSET 1;技术支持

第二高的基础薪资是 8,500。

查找重复的邮箱

本题要求您写出查询，显示所有重复的邮箱。

图片作者自制

在查询中，显示 email 列并按 email 分组。之后用 HAVING 子句找出出现次数超过一次的邮箱。

HAVING 与聚合一起使用，用于替代 WHERE。

SELECT email
FROM employee_email
GROUP BY email
HAVING COUNT(email) > 1;技术支持

只有 “[email protected]” 出现超过一次。

通过将 SQL 应用于真实问题课程学习编写可维护的 SQL 代码来回答业务问题。

大型科技公司数据科学面试问题

Meta 数据科学面试题

Facebook 发帖工具（composer）的人均发帖占比从上月的 3% 降到今天的 2.5%。您会如何调查原因？

图片作者自制

相比一个月前从 3% 降至 2.5%。在下结论前，您需要先澄清问题背景。

您需要提出问题：

• 今天是否是工作日？
• 一个月前的今天是否是周末？
• 是否存在特殊节日、活动或季节性因素？
• 是逐步下滑的趋势，还是一次性波动？

第二部分，需要阐述导致下降的驱动因素。是用户数量变化，还是发帖数量减少？随后，面试官会让您基于其中一种或两种推理展开讨论。

您认为 Facebook 用户每日使用时长的分布是什么样的？用哪些度量来描述该分布？

就 Facebook 的每日使用时长分布而言，可假设存在两类人群：

1. 快速刷信息流、停留时间较短的人。
2. 在 Facebook 上花大量时间的重度用户。

第二部分，您需要用统计术语描述该分布，例如：

1. 中心：均值、中位数、众数
2. 离散程度：标准差、四分位距、极差
3. 形状：偏度、峰度、单峰或双峰
4. 异常值

给定一组测试分数的数据集，编写 pandas 代码返回在 <50、<75、<90、<100 档位内的学生累计百分比。

本题要求您用 pandas 代码先将分数分桶，再计算各档位学生所占百分比。

输入：

数据集包含 user_id、grade 和 test_score 列。

图片作者自制

输出：

编写函数使用 grade 与 test_score 列，输出包含年级、分数档位和累计百分比的数据框。

图片作者自制

1. 使用 pandas.cut() 函数结合 bins 与 labels 将分数转换为分数档位。
2. 按（grade，test_score）计算每组大小。
3. 计算百分比所需的分子（累计和）与分母（总和）。
4. 将分数转换为百分比：乘以 100 并加上 “%”。
5. 重置索引并将列命名为 "percentage"。

def bucket_test_scores(df):
    bins = [0, 50, 75, 90, 100]
    labels = ["<50", "<75", "<90", "<100"]

    # converting the scores into buckets
    df["test_score"] = pd.cut(df["test_score"], bins, labels=labels, right=False)

    # Calculate size of each group, by grade and test score
    df = df.groupby(["grade", "test_score"]).size()

    # Calculate numerator and denominator for percentage
    NUM = df.groupby("grade").cumsum()
    DEN = df.groupby("grade").sum()

    # Calculate percentage, multiply by 100, and add %
    percentage = (NUM / DEN).map(lambda x: f"{int(100*x):d}%")

    # reset the index
    percentage = percentage.reset_index(name="percentage")
    return percentage


bucket_test_scores(df)技术支持

您已得到包含分数档位与百分比的理想结果。

通过pandas 数据处理课程学习如何清洗数据、计算统计量并创建可视化。若需更深入内容，请参阅我们的2026 年顶级 35 道机器学习面试题指南。

Amazon 数据科学面试题

解释置信区间

置信区间是对未知参数的一组区间估计。当您重复实验或以相似方式重采样总体时，期望有一定百分比的次数该参数会落在该区间内。

图片来源：omnicalculator

在统计实验中常用 95% 的置信水平，即您期望在该比例的重复实验中复现该参数估计。置信区间具有由 α 值设定的上下界。

您可以将置信区间用于多种统计估计，如比例、总体均值、总体均值或比例之差，以及各组间变异的估计。

通过完成我们的Python 的统计思维（第 1 部分）课程夯实统计基础。

如何处理不平衡数据集？

在不平衡数据集中，各类别分布不均。例如在欺诈检测数据集中，可能只有 400 条欺诈样本，而非欺诈样本有 300,000 条。不平衡数据会让模型在检测欺诈时表现较差。

图片作者自制

处理不平衡数据，您可以使用：

1. 欠采样
2. 过采样
3. 合成数据
4. 过采样与欠采样结合

欠采样

对多数类进行重采样，使其数量与少数类相等。

在欺诈检测数据集中，两个类别都会被调整为 400 个样本。您可以使用 imblearn.under_sampling 便捷地重采样数据集。

from imblearn.under_sampling import RandomUnderSampler
RUS = RandomUnderSampler(random_state=1)
X_US, y_US = RUS.fit_resample(X_train, y_train)技术支持

过采样

对少数类进行重采样，使其数量与多数类相等。常见方法包括重复或加权重复少数类特征。简言之，两个类别都会有 30 万个样本。

from imblearn.over_sampling import RandomOverSampler

ROS = RandomOverSampler(random_state=0)
X_OS, y_OS = ROS.fit_resample(X_train, y_train)技术支持

合成数据

重复并不会带来额外信息，可能导致模型表现不佳。为此可使用 SMOTE（合成少数类过采样技术）来生成合成数据点。

from imblearn.over_sampling import SMOTE

SM = SMOTE(random_state=1)
X_OS, y_OS = SM.fit_resample(X_train, y_train)技术支持

过采样与欠采样结合

为改进模型偏差与性能，可结合过采样与欠采样。我们将使用 SMOTE 进行过采样，并用 EEN（Edited Nearest Neighbours）进行清洗。

imblearn.combine 提供了多种函数，可自动执行两种采样。

from imblearn.combine import SMOTEENN

SMTN = SMOTEENN(random_state=0)
X_OUS, y_OUS = SMTN.fit_resample(X_train, y_train)技术支持

写一个查询，返回 2022 年 3 月每个产品的销售总数。

作为数据科学家，您会编写类似的查询来抽取数据并进行分析。本题中，您可以使用带比较符的 WHERE 子句，或配合 BETWEEN 的 WHERE 子句进行过滤。

表：orders

图片作者自制

示例输出：

图片作者自制

1. 从 orders 表中显示 product_id 并汇总数量。
2. 使用 WHERE 与 AND 子句过滤日期在 ‘2022-03-01’ 到 '2022-04-01' 之间的数据。也可用 BETWEEN 实现类似操作。
3. 按 product_id 分组，获取每个产品的销售总数。

SELECT product_id,
      SUM(qty)
FROM orders
WHERE order_dt >= '2022-03-01'
  AND order_dt < '2022-04-01'
GROUP BY product_id;技术支持

Google 数据科学面试题

若在聚类项目中已知标签，您会如何评估模型性能？

在无监督学习中，评估聚类项目的性能并不容易。良好聚类的标准是组内相似、组间差异。

聚类模型没有“准确率”这样的度量，因此我们使用组间相异度或组内相似度来评估性能。

图片来源：scikit-learn 文档

三种常用指标为：

• 轮廓系数（Silhouette Score）
• Calinski-Harabasz 指数
• Davies-Bouldin 指数

轮廓系数

由平均簇内距离和最近簇间距离计算得到。

可用 scikit-learn 计算。轮廓系数介于 -1 到 1，值越高表示组间相似度越低、簇越分明。

from sklearn import metrics


model = KMeans().fit(X)
labels = model.labels_

metrics.silhouette_score(X, labels)技术支持

Calinski-Harabasz 指数

基于类间离散度与类内离散度评估组间区分度。该指标无固定范围，类似轮廓系数，数值越大越好。

metrics.calinski_harabasz_score(X, labels)技术支持

Davies-Bouldin 指数

计算每个簇与其最相似簇之间的平均相似度。与其他指标不同，数值越小越好，表示更好的聚类分离度。

metrics.davies_bouldin_score(X, labels)技术支持

通过我们的R 语言聚类分析课程学习如何应用层次聚类与 k-means 聚类。

一栋楼有四层，电梯里有四个人。每个人在不同楼层下电的概率是多少？

图片作者自制

我们将使用：

• F = 楼层数
• P = 人数

首先求每个人任意下电的总可能数：4⁴ = 4x4x4x4 = 256 种。

再计算每个人都在不同楼层下电的种数：4! = 24。

所求概率为两者之比：

24/256 = 3/32

通过我们的R 概率谜题课程学习应对棘手概率问题的策略。

编写函数从正态分布生成 N 个样本并绘制直方图。

生成正态分布的 N 个样本，可用 Numpy 的 (np.random.randn(N)) 或 SciPy 的 (sp.stats.norm.rvs(size=N))。

绘制直方图可选择 Matplotlib 或 Seaborn。

1. 使用 Numpy 的 randn 函数生成正态分布样本。
2. 使用 Seaborn 绘制带 KDE 的直方图。
3. 对 1 万个样本绘制直方图并返回 Numpy 数组。

import numpy as np
import seaborn as sns

N = 10_000

def norm_dist_hist(N):
    # Generating Random normal distribution samples
    x = np.random.randn(N)
    # Plotting histogram
    sns.histplot(x, bins = 20, kde=True);
    return x
   
X = norm_dist_hist(N)技术支持

通过完成Seaborn 数据可视化入门课程，学习如何快速创建信息丰富、外观美观的可视化。

如何准备数据科学面试

图片作者自制

数据科学面试通常分为四到五个阶段。您将被问到统计与机器学习、编码（Python、R、SQL）、行为面试、产品思维，有时还包括领导力问题。

您可以通过以下方式为各阶段做好准备：

1. 研究公司与岗位职责：这将帮助您在某一数据科学领域（data science）优先投入精力。
2. 回顾过往作品集项目：招聘经理会围绕您的项目提问以评估您的能力。
3. 复习数据科学基础：概率、统计、假设检验、描述与贝叶斯统计、降维。速查表是快速掌握基础的最佳方式。
4. 练习编码：参加测评、刷在线编程题、回顾高频编码问题。
5. 实操端到端项目：通过数据清洗、处理、分析与可视化来打磨技能。
6. 阅读常见面试问题：产品思维、统计、分析、行为与领导力问题。
7. 进行模拟面试：与朋友演练，提升统计表达，增强自信。

阅读数据科学面试准备博文，了解面试期望与应对思路。