数据分析面试题及答案 .pdfVIP

数据分析面试题及答案

数据分析面试题及答案

1．问题描述

在大规模数据处理中，常遇到的一类问题是，在海量数据中找出

出现频率最高的前K个数，或者从海量数据中找出最大的前K个数，

这类问题通常称为“topK”问题，如：在搜索引擎中，统计搜索最热

门的10个查询词；在歌曲库中统计下载率最高的前10首歌等等。

2．当前解决方案

针对topk类问题，通常比较好的方案是【分治+trie树/hash+小

顶堆】，即先将数据集按照hash方法分解成多个小数据集，然后使用

trie树或者hash统计每个小数据集中的query词频，之后用小顶堆求

出每个数据集中出频率最高的前K个数，最后在所有topK中求出最

终的topK。

实际上，最优的解决方案应该是最符合实际设计需求的方案，在

实际应用中，可能有足够大的内存，那么直接将数据扔到内存中一次

性处理即可，也可能机器有多个核，这样可以采用多线程处理整个数

据集。

本文针对不同的应用场景，介绍了适合相应应用场景的解决方案。

3．解决方案

3.1单机+单核+足够大内存

设每个查询词平均占8Byte，则10亿个查询词所需的内存大约是

10^9*8=8G内存。如果你有这么大的内存，直接在内存中对查询词进

行排序，顺序遍历找出10个出现频率最大的10个即可。这种方法简

单快速，更加实用。当然，也可以先用HashMap求出每个词出现的

频率，然后求出出现频率最大的10个词。

3.2单机+多核+足够大内存

这时可以直接在内存中实用hash方法将数据划分成n个partition，

每个partition交给一个线程处理，线程的处理逻辑是同3.1节类似，

最后一个线程将结果归并。

该方法存在一个瓶颈会明显影响效率，即数据倾斜，每个线程的

处理速度可能不同，快的线程需要等待慢的线程，最终的处理速度取

决于慢的线程。解决方法是，将数据划分成c*n个partition（c1），

每个线程处理完当前partition后主动取下一个partition继续处理，

直到所有数据处理完毕，最后由一个线程进行归并。

3.3单机+单核+受限内存

这种情况下，需要将原数据文件切割成一个一个小文件，如，采

用hash(x)%M，将原文件中的数据切割成M小文件，如果小文件仍大

于内存大小，继续采用hash的方法对数据文件进行切割，直到每个小

文件小于内存大小，这样，每个文件可放到内存中处理。采用3.1节的

方法依次处理每个小文件。

3.4多机+受限内存

这种情况下，为了合理利用多台机器的资源，可将数据分发到多

台机器上，每台机器采用3.3节中的策略解决本地的数据。可采用

hash+socket方法进行数据分发。

从实际应用的角度考虑，3.1~3.4节的方案并不可行，因为在大规

模数据处理环境下，作业效率并不是首要考虑的问题，算法的扩展性

和容错性才是首要考虑的。算法应该具有良好的扩展性，以便数据量

进一步加大（随着业务的发展，数据量加大是必然的）时，在不修改

算法框架的前提下，可达到近似的线性比；算法应该具有容错性，即

当前某个文件处理失败后，能自动将其交给另外一个线程继续处理，

而不是从头开始处理。

Topk问题很适合采用MapReduce框架解决，用户只需编写一个

map函数和两个reduce函数，然后提交到Hadoop（采用mapchain

和reducechain）上即可解决该问题。对于map函数，采用hash算

法，将hash值相同的数据交给同一个reducetask；对于第一个

reduce函数，采用HashMap统计出每个词出现的频率，对于第二个

reduce函数，统计所有reducetask输出数据中的topk即可。

4．总结

TopK问题是一个非常常见的问题，公司一般不会自己写个程序进

行计算，而是提交到自己核心的数据