摩拜2018校招数据分析工程师笔试卷
时长:120分钟 总分:100分
214浏览 0人已完成答题
题型介绍
| 题型 | 单选题 | 简答题 |
|---|---|---|
| 数量 | 25 | 5 |
A表字段a 类型int中有100条记录，值分别为1至100。如下语句 SELECT a FROM A WHERE a BETWEEN 1 AND 50 OR (a IN (25,70,95) AND a BETWEEN 25 AND 75) 则如下哪个值在这个sql语句返回的结果集中?
某人在被诊断为癌症后，他真正患癌症的概率为()
求一个被检查成合格品的产品确实为合格品的概率?
执行以下 SQL ，下面哪个名字会被查询出来（） SELECT Fir...
执行以下 SQL ，下面哪个名字会被查询出来（）
SELECT FirstName FROM StaffList WHERE FirstName LIKE’_A%’
There are 3 doors, behind which are t...
There are 3 doors, behind which are two goats and a car.
You pick a door (call it door A). You’re hoping for the car of course.
The game show host examines the other doors (B & C) and always opens one of them with a goat (Both doors might have goats he’ll randomly pick one to open)
So what is the chance of winning the game if you switch doors?
有如下两张表格Orders， City_conf，表格结构如下 ...
| Id | Coupon_fee | Order_fee | Citycode |
| 1 | 2.0 | 1.0 | 010 |
| 2 | 1.0 | 0.5 | NA |
| 3 | 1.0 | 2.0 | 021 |
| 4 | 2.0 | 0.5 | 182 |
| 5 | 1.0 | 1.5 | *&……%￥# |
| 6 | 0 | 1.0 | 99999 |
| ...... | ...... | ...... | ...... |
| Name | Citycode | Area |
| 北京 | 010 | North |
| 苏州 | 0512 | East |
| 深圳 | 0755 | South |
| 成都 | 027 | West |
| ...... | ...... | ...... |
Orders表示订单表，包括优惠券金额，订单金额及产生订单的城市代码（注：城市代码包括已开城市Citycode及乱码/NA/不在已开城市代码中的数字）。City_conf表示摩拜所开城市列表，包括城市名称，城市代码及所属大区。请统计每个城市优惠券cover的订单费用。（注：1. 如果优惠券金额大于订单金额则cover的是订单费，否则为优惠券金额。2. 所有归不到城市列表中的订单统一为others）
有如下两张表格Metro，Orders，表格结构如下 Metro ...
有如下两张表格Metro，Orders，表格结构如下
Metro
| Lng | Lat | |
| 中关村地铁站 | 121.442132 | 24.22421 |
| 望京地铁站 | 121.0284938 | 24.09839 |
| 。。。。 | 。。。。 | 。。。。 |
Orders
| Id | Lng | Lat | Time |
| 1 | 121.442132 | 24.22421 | 2017-07-01 22:11:14 |
| 2 | 121.0284938 | 24.09839 | 2017-07-01 22:11:15 |
| 。。。。 | 。。。。 | 。。。。 |
|
Metro表示地铁站列表，包括地铁站站名及经纬度坐标等字段。Oders表示订单表，包括开锁经纬度坐标及开锁时间等字段。 请统计每个地铁站周边1km范围内的订单，找出7月1日早上7:00-9:00期间 出行量最大的前10个地铁站。（先验知识：经度和纬度的小数点后两位相等即表示在一公里范围内）
请写出在数据预处理过程中如何处理以下问题 1) 为了预测摩拜每天订单...
请写出在数据预处理过程中如何处理以下问题
1) 为了预测摩拜每天订单数，我们建立了一个线性回归模型，其中有一个自变量为天气类型（分类变量），分为晴、阴、雾霾、沙尘暴、雨、雪等6种类型，请问如何处理这种变量
<o:p> </o:p>
<o:p> </o:p>
2) 仍然是1) 中的线性回归模型，其中有一个自变量为每天红包车的数量，但是这个变量有1/4的数据是缺失值，请写出至少两种处理缺失值的方法
<o:p> </o:p>
<o:p> </o:p>
请问是否有问题？如有，请写出解决方法
摩拜单车的车锁寿命（以小时计）为一随机变量，服从以标准差为300的正态分布...
摩拜单车的车锁寿命（以小时计）为一随机变量，服从以标准差为300的正态分布。在一批样品中随机抽取 n = 25个车锁进行测试，得出平均寿命为10380小时。
1) 请计算总体平均车锁寿命miu的95%置信区间（confidence interval）
<o:p> </o:p>
2) 在上面的研究中，假设我们有99%的信心认为误差界限（margin of error）不大于60小时，则需要随机抽取多少个车锁才能达到这一结果。
你在公交车站A等3路车，公交车到达车站符合泊松过程，且平均到达时间为10分...
你在公交车站A等3路车，公交车到达车站符合泊松过程，且平均到达时间为10分钟（lambda = 0.1/min）。假设公交车已经运营了一段时间，并且你在随机一个时间到达公交车站，请问
1) 等下一辆车来，你平均需要等多长时间？写出等车时间的概率密度函数
<o:p> </o:p>
2) 等第a辆车来，你平均需要等多长时间？写出等车时间的概率密度函数
<o:p> </o:p>
3) 接2)，你在公交车站A等到第a辆3路车来，坐车到公交车站B等6路车，再等b辆6路车来，假设6路公交车到达车站也符合泊松过程，且平均到达时间也为10分钟。设第一阶段等待时间为T1，第二阶段等待时间为T2，则第一阶段等车时间占总共等车时间的比例为W = T1/（T1+T2），请写出W的概率密度函数。
