招商银行信用卡中心2019秋招IT笔试（数据挖掘方向第二批）

用户表Table中含有100万条数据，其中号码字段phone为字符型，并创建了唯一索引，且电话号码全部由数字组成，要统计号码头为158的电话号码的数量，下面写法执行速度最慢的是（）

考虑两队间的足球比赛：队0和队1。假设65%的比赛队0胜出，剩余的比赛队1获胜。队0获胜的比赛中只有30%是在队1的主场，而队1取胜的比赛中75%是主场获胜。如果下一场比赛在队1的主场进行队1获胜的概率为（）

考虑下面的频繁3-项集的集合：{1. 2. 3}，{1. 2. 4}，{1. 2. 5}，{1. 3. 4}， {1. 3. 5}，{2. 3. 4}，{2. 3. 5}，{3. 4. 5}。假定数据集中只有5个项，采用合并策略，由候选产生过程得到4-项集不包含（）

下表是用户是否使用某产品的调查结果。
USRID 性别 城市 学历 收入 是否会办理信用卡
1 男 上海 本科 低 是
2 女 北京 本科 中 否
3 男 北京 研究生 高 否
4 女 上海 研究生 中 是
5 女 上海 研究生 中 是
性别、地区、学历、收入中对用户是否会办理信用卡信息增益最大的属性是哪一个（）

信用卡坏账是指信用卡发行银行无法收回或收回的可能性极小的应收款项。假设某市有A、B两个区域人口比例为3：5。据历史统计A区的坏账率为0.01%，B区的坏账率为0.015%。现有一起坏账发生在某市，那么该笔坏账发生在A区的可能性为（）

 使用逻辑回归算法对样本进行分类，得到训练样本的准确率和测试样本的准确率。现在，在数据中增加一个新的特征，其它特征保持不变。然后重新训练测试。则下列说法正确的是（）

假设使用逻辑回归进行 n 多类别分类，使用 One-vs-rest 分类法。下列说法正确的是（）

Naive Bayes是一种特殊的Bayes分类器，特征变量是X，类别标签是C，它的一个假定是（）

在Logistic Regression 中,如果同时加入L1和L2范数,会产生什么效果（）

在二分类问题中，当测试集的正负例数量不均衡时，以下评价方案哪个是相对不合理的（假设 precision=TP/(TP+FP)，recall=TP/(TP+FN)）？

在基本K均值算法里，当邻近度函数采用（  ）的时候. 合适的质心是簇中各点的中位数。

数据库中现有一张信用卡交易流水表T，共有三个字段：用户ID（usr_id）、交易城市（trx_cty）、交易金额（trx_amt）
    +---------+------------+------------+
    | usr_id  | trx_cty    | trx_amt    |
    +---------+------------+------------+
    | 100001  | beijing    | 120.00     |
    | 100001  | shanghai   | 1500.00    |
    | 100002  | shanghai   | 122.00     |
    | 100001  | shenzhen   | 30.00      |
    | 100001  | guangzhou  | 1600.50    |
    | 100001  | shenzhen   | 1500.00    |
    | 100003  | shanghai   | 7.80       |
    | 100003  | shenzhen   | 550.20     |
    | 100001  | beijing    | 8923.70    |
    +---------+------------+------------+
    现在需要利用sql语句统计：
    （1）统计每个用户最高消费额
    （2）统计每个用户最高消费额所对应的消费城市
    （3）由于建模的需要，现在需要对数据进行预处理。对每个用户ID，需要统计每个用户分别是否在北京、上海、广州、深圳消费过，有过该城市消费记录为1，否则为0。输出表如下：
    +---------+---------+---------+----------+----------+
    | usr_id  | beijing | shanghai| guangzhou| shenzhen |
    +---------+---------+---------+----------+----------+
    | 100001  |   1     |    1    |      1   |      1   |
    | 100002  |   0     |    1    |      0   |      0   |
    | 100003  |   0     |    1    |      0   |      1   |
    +---------+---------+---------+----------+----------+

（2）可供使用的模型有Logistic模型和xgboost模型，请简述这两个模型的原理，并比较这两个模型的特点。
（3）训练模型后在线下的离线评价效果很好，但上线使用后发现效果极差，请分析可能的原因及解决方案。

简述曼哈顿距离、欧式距离、明式距离、余弦距离、皮尔森相关系数的原理及定义，并在此基础上说明不同距离适合的应用场景。