滴出行首席数据科学家面试题集.docxVIP

第PAGE页共NUMPAGES页

2026年滴出行首席数据科学家面试题集

一、统计学与机器学习基础（5题，每题10分）

1.描述性统计与数据预处理

题目：某城市滴滴出行2025年10月的订单数据中，部分用户年龄数据缺失（占5%），订单金额存在异常值（如1000元以上的订单占比1%）。请提出至少两种处理方法，并说明各自的优缺点及适用场景。

答案：

-缺失值处理：

-均值/中位数填充：适用于年龄数据分布近似正态分布时，简单易实现但可能扭曲真实分布。

-KNN填充：根据用户订单特征（如消费频次、时段等）寻找相似用户填充，更合理但计算量更大。

-异常值处理：

-截断法：将订单金额超过1000元的值设为998（或第95百分位数），避免极端影响模型。

-分箱后处理：将金额按区间分组（如0-50元、50-200元等），用组内均值替换。

解析：需结合业务场景（如高端商务订单可能真实存在）选择方法，KNN适用于用户画像分析，截断法适用于需求预测模型。

2.过拟合与正则化

题目：在滴滴出行优惠券推荐系统中，发现LR模型准确率较高但召回率低，而随机森林模型召回率好但过拟合明显。如何优化？

答案：

-LR优化：增加特征工程（如用户历史优惠券使用时长、商圈热度等），调整L1/L2正则化系数。

-随机森林优化：设置`max_depth`限制树深，增加`min_samples_split`降低树分裂粒度，使用Bagging减少模型方差。

解析：需平衡模型复杂度与业务需求，LR适合高准确实时推荐，随机森林适合探索性召回。

3.特征选择与评估

题目：滴滴出行司机端APP新增“司机在线时长”特征，但A/B测试显示对订单转化率无显著影响。如何判断该特征是否可用？

答案：

-统计检验：使用t检验比较实验组/对照组转化率差异，p值0.05则显著。

-特征重要性：结合XGBoost输出特征权重，若在线时长未进入Top10，可考虑剔除。

解析：需排除偶然因素（如测试期天气影响），结合多维度验证特征价值。

4.模型选择与调优

题目：滴滴顺风车需预测行程是否能成功匹配，数据集包含司机/乘客画像、路线信息等。选择哪种模型，如何调优？

答案：

-模型选择：逻辑回归（实时性要求高）或XGBoost（高复杂度场景）。

-调优策略：交叉验证调整参数（如LR的`C`值，XGBoost的`eta`），用ROC-AUC评估性能。

解析：顺风车匹配依赖短时交互，需快速响应，逻辑回归更优；XGBoost可处理非线性关系。

5.数据分布与假设检验

题目：滴滴外卖夜间订单金额分布是否显著高于白天？如何验证？

答案：

-假设检验：用t检验比较两组均值差异，H0：无显著差异，H1：夜间均值更高。

-可视化辅助：箱线图可直观对比分布差异，若P0.05则拒绝原假设。

解析：需排除异常订单影响，建议分时段分段验证（如18-22点单独检验）。

二、大数据技术与应用（5题，每题10分）

6.分布式计算框架

题目：滴滴大数据平台使用Hadoop+Spark处理订单日志，若Spark任务频繁失败，可能原因有哪些？如何排查？

答案：

-内存不足：调高`spark.executor.memory`，启用动态资源分配。

-数据倾斜：检查订单ID哈希键分布，用`salting`策略重分区。

-依赖问题：检查JAR包版本冲突，使用`--jars`参数指定依赖。

解析：需结合集群日志定位问题，倾斜问题在滴滴订单场景常见（如热门区域订单ID重复）。

7.实时计算与流处理

题目：滴滴出行需实时监控司机接单率，选择Flink或SparkStreaming，如何设计？

答案：

-Flink优势：低延迟（毫秒级），支持事件时间处理，适合接单率计算。

-设计：使用`ProcessFunction`计算窗口内接单数/活跃司机数，设置`sideOutputLateData`处理延迟数据。

解析：Flink更适合高吞吐实时场景，需考虑网络抖动导致的乱序问题。

8.数据仓库与ETL

题目：滴滴出行订单数据分库存储（ODS-DW-DM），若DM层用户画像更新延迟，如何优化？

答案：

-增量同步：使用Kafka推送ODS变更日志，SparkFlink实时计算画像。

-分层优化：在DM层增加预聚合表，加速报表查询。

解析：需平衡实时性与资源消耗，滴滴场景下用户画像需快速响应推荐系统。

9.大数据存储与优化

题目：滴滴支付数据量每日增长10亿行，HBase列族设计如何优化？

答案：

-列族划分：将高频查询字段（如交易金额）单独列族，使用Compaction策略减少SSTable数量。

-读写分离：配置RegionServer集群，热点列族分片存储。

解析：支付数据更新频繁，需