乐信2020数据笔试题拆解：数据岗四维能力模型与解题攻略

“乐信2020校园招聘数据笔试题”这个标题，乍一看只是一场校招的技术考核，但把它拆开看，其实能琢磨出不少东西。金融科技公司招数据分析师，笔试题目往往不是单纯考“会不会写代码”，而是考“能不能用数据解决业务问题”。2020年那会儿，乐信的笔试题目在应届生圈子里流传得挺广，核心考察点集中在SQL、Python、统计学基础和业务敏感度几个方向。这篇文章不打算做“真题复读机”，而是结合我的实际经验，把这套题背后真正想考察的能力模型拆给你看，同时附上对应的解题思路和实操要点，帮准备数据岗校招的朋友们少走弯路。

1. 这套题到底在考什么：拆解数据岗笔试背后的能力模型

数据岗位的笔试，本质上是一次“低成本的能力筛选”。面试官一天要筛几十上百份简历，笔试是效率最高的第一道关卡。乐信这套题之所以让我印象深刻，是因为它没有堆砌偏题怪题，而是老老实实地考察四个维度的基本功——数据处理能力、编程实现能力、统计推断能力、业务理解能力。

1.1 从题目类型反推岗位要求

数据岗分很多种，有偏数仓的、偏算法的、偏分析的，但校招笔试往往是一套题通吃，因为它考察的是“通用底座”。把这个逻辑抽象出来，你就知道复习该往哪个方向使劲了：

考察维度	典型题型	考察目的
数据处理	SQL查询、表关联、窗口函数	能否高效取数，这是日常工作的地基
编程实现	Python写函数、处理列表/字典、简单算法	是否具备用代码解决重复性工作的能力
统计推断	概率计算、假设检验、AB实验设计	能否用统计思维区分“运气”和“真实效果”
业务理解	场景题、指标异动分析、策略设计	能否把数据翻译成业务动作，这是分析师的高级价值

1.2 为什么2020年这套题值得反复看

2020年有个特殊背景——线上消费金融业务进入精细化运营阶段，行业对数据人才的需求从“会跑数”升级到“懂业务”。乐信的业务核心是分期消费，这意味着它对用户风险识别、转化漏斗分析、存量用户运营这些能力格外看重。所以那几年的笔试题，业务场景往往和信贷相关，比如“逾期率上升怎么分析”“不同渠道的获客质量怎么对比”等。这类题目放在今天依然不过时，因为底层逻辑没变——用数据驱动金融业务决策。

那么，接下来我就把这四个维度的核心考点逐一掰开来讲，每个模块都会给出具体的解题框架和实操建议。

2. SQL实操考点与解题思路：取数能力是数据人的饭碗

SQL是数据岗笔试的绝对重头戏，占比通常在30%到40%。乐信这套题的SQL部分，题目量不大，但每道题都有“陷阱”埋在细节里。很多同学LeetCode刷了几百题，结果栽在SQL上，原因只有一个——刷题刷的是逻辑，实际考的是场景。

2.1 常考的SQL题型与解题模板

从我收集到的信息和历年考生的反馈来看，这套题SQL部分出现了几种典型的题型：

第一类：多表关联与聚合统计。这类题一般会给订单表、用户表、商品表，让你统计某个时间窗口内的GMV、订单量、用户数。看起来简单，但失分点往往在“去重”上——一个用户可能在同一天下了多笔订单，如果直接COUNT(用户ID)，数字就虚高了。正确答案通常需要用COUNT(DISTINCT 用户ID)来算用户数。

第二类：窗口函数的应用。这是拉开差距的地方。比如“计算每个用户最近一笔订单的金额”“找出每个品类销量排名前3的商品”。这类题需要用ROW_NUMBER()或RANK()配合PARTITION BY来解。2020年那会儿Hive SQL在互联网公司已经普及，窗口函数几乎是必考点。

注意：写窗口函数时，ORDER BY和PARTITION BY的顺序经常有人搞混。PARTITION BY是先分区，ORDER BY是在分区内排序。如果你要取每个分组内的最新一条记录，经典写法是ROW_NUMBER() OVER (PARTITION BY 用户ID ORDER BY 下单时间 DESC) AS rn，然后外层再WHERE rn = 1。

第三类：留存率计算。留存率是金融类产品的核心指标，笔试也爱考。比如“计算新用户次日留存率、7日留存率”。很多人的第一反应是把用户表和活跃表做关联，但在实际操作中，更建议先构造“用户首次活跃日”临时表，再关联后续活跃记录，这样思路清晰、不容易错。

WITH first_active AS ( SELECT user_id, MIN(dt) AS first_dt FROM user_active_log GROUP BY user_id ) SELECT a.first_dt, COUNT(DISTINCT a.user_id) AS new_users, COUNT(DISTINCT b.user_id) AS retained_users, ROUND(COUNT(DISTINCT b.user_id) / COUNT(DISTINCT a.user_id), 4) AS retention_rate FROM first_active a LEFT JOIN user_active_log b ON a.user_id = b.user_id AND b.dt = DATE_ADD(a.first_dt, 1) -- 次日留存，计算7日留存时改为7 GROUP BY a.first_dt

2.2 SQL题的高分策略：读懂业务场景比写对代码更重要

我见过不少考生，SQL语法倒背如流，但一碰到实际的业务描述就懵了。比如题目说“统计近30天有借款行为但近7天无借款行为的用户数”，这本质上是一个“差集”问题——先用近30天的用户集合，再剔除近7天的活跃用户。如果你能先把这个场景翻译成集合逻辑，再落到SQL上，就不容易漏条件。

这里分享两个我总结的实战技巧：

• 先写逻辑，再写语法。动手写SQL前，先用两句话说完这段逻辑在做什么——“先按用户分组找出第一次活跃日期，再关联后续活跃记录算留存”。逻辑对了，SQL基本就对了。
• 注意日期的开闭区间。很多SQL题查不出数据，不是因为语法错，而是因为边界条件搞错了。“近7天”到底是dt >= DATE_SUB(CURDATE(), INTERVAL 7 DAY)还是dt > DATE_SUB(CURDATE(), INTERVAL 7 DAY)，差一天结果就不同。建议在答题时先把区间条件写清楚，甚至注释出来，面试官看到这种习惯会加分。

3. Python、pandas与数据清洗实操：从数据到结论的必经之路

乐信这套题里，Python部分除了考基础语法，还会给一个实际的数据处理场景。常见的形式是：给你一张用户信息表，里面有缺失值、重复值、异常值，让你用Python完成清洗加工。这其实对应了热搜词里的“pandas+数据清洗和处理”“数据质量”等概念——在真实业务中，分析师70%的时间都花在“洗数据”上，而不是做分析。

3.1 pandas清洗数据的标准流程

假设题目给你一个DataFrame，包含用户的注册时间、借款金额、手机号、年龄等字段，要求你处理缺失值和异常值。我的处理套路通常是这样：

第一步，了解数据全貌。用df.info()看字段类型，用df.isnull().sum()看缺失值分布，用df.describe()看数值列的分布情况。这一步能帮你快速判断哪些列需要重点处理。

第二步，处理缺失值。缺失值不是全都要删，也不是全都要填。对于用户ID这种键值字段，缺失了只能删掉；对于年龄、金额这种数值字段，可以用均值、中位数或众数填充；对于类别字段，可以单独填充一个“未知”类别。关键原则是：填充方式要符合业务逻辑。

第三步，处理重复值。用df.drop_duplicates(subset=['user_id'])去重，但要先想清楚去重的保留逻辑——保留第一条还是最后一条，取决于业务上哪个记录更有价值。

第四步，处理异常值。比如借款金额出现了负数、身份证号长度不对、注册时间在未来等。这三个都是典型的判断异常的场景。处理方式可以是直接删除、替换为缺失值、或者用上下限进行截断。

import pandas as pd import numpy as np # 常见清洗流程 df = pd.read_csv('user_info.csv') # 1. 处理缺失值：年龄用中位数填充 df['age'] = df['age'].fillna(df['age'].median()) # 2. 处理重复值：按user_id去重，保留注册时间最早的一条 df = df.sort_values('register_time').drop_duplicates(subset=['user_id'], keep='first') # 3. 处理异常值：借款金额为负的，视为异常记录，剔除 df = df[df['loan_amount'] >= 0] # 4. 日期格式统一 df['register_time'] = pd.to_datetime(df['register_time'])

3.2 Python编程题常见的出题方式

除了pandas操作，Python部分还会考一些偏基础编程的题目，比如“统计一个字符串里每个字符出现的次数”“合并两个有序数组”“实现一个简单的二分查找”。这些题看着简单，但笔试时间是有限的，速度就是分数。我的建议是平时多练collections.Counter、itertools这类高频内置库的用法，能省不少时间。

另外有一类题容易被忽视——手写代码解决一个自动化需求。比如“监控一个数据文件是否在每天凌晨定时更新，如果超时没更新就发送告警”。这类题在2020年的数据分析笔试题里已经出现了，用Python的os.path.getmtime()判断文件修改时间，配合smtplib发送邮件，逻辑并不复杂，考的是你能否用编程解决实际问题。

3.3 做题时的两个“隐形杀手”

超时和内存溢出。如果题目要求处理的数据量很大，比如几百万行数据，你用for循环去遍历，速度会非常感人。这时候要考虑向量化操作——能靠pandas内置函数实现的，就不要用循环。

提示：处理大数据量时，pd.concat的性能往往不如pd.merge；用apply逐行处理，不如用np.where向量化处理。笔试时虽然不强制要求写出最优解，但优秀答案和及格答案的差距就在这里体现。

4. 统计概率与机器学习考点：区分“相关”与“因果”的科学武器

统计概率题在数据岗笔试里永远不会缺席，因为它直接决定分析师能不能给出靠谱的结论。乐信这套题在这个模块有个特点——不考死记硬背的公式推导，而是考你能否用统计思维解决业务问题。

4.1 概率题常考的两个知识点

第一个是条件概率与贝叶斯公式。比如“一批用户中违约率为5%，风控模型预测违约的准确率为90%，误报率为10%，现有一用户被模型预测为违约，问其真实违约的概率是多少”。这道题的陷阱在于很多人会把“预测准确率”等同于“真实违约概率”，实际上需要用贝叶斯公式计算后验概率。根据题目给出的数字，先写出事件和条件：

• 违约率：P(违约)=0.05
• 模型预测真阳性率：P(预测违约|违约)=0.9
• 模型误报率：P(预测违约|不违约)=0.1

那么P(违约|预测违约)=0.050.9 / (0.050.9 + 0.95*0.1)≈0.321。也就是说，即使模型说某用户会违约，真实概率也才三成左右。这类题考的不是计算，而是是否理解“前置概率”对结论的影响。

第二个是期望值计算。比如“一个营销活动赠品分三种，成本不同，转化率不同，问期望收益是多少”。这类题只要把概率和收益相乘再求和就行，重点在于决策树思维——在不确定性面前，用期望值来指导决策。

4.2 AB实验设计题的答题套路

AB实验是数据分析师日常接触最多的统计方法，笔试也几乎必考。常见的问法包括：“某功能上线后，实验组转化率比对照组高0.5个百分点，能判断功能有效吗？”、“样本量怎么确定？”、“实验周期设多久合适？”

答这类题要特别注意“动手能力”。我看到很多同学的答案只写“用t检验”就结束了，这远远不够。更好的回答是给出完整的检验流程：

1. 提出原假设和备择假设（H0：转化率无差异；H1：转化率有差异）
2. 确定显著性水平（通常取0.05）和检验功效（通常取0.8）
3. 根据预期效应量计算最小样本量
4. 实验结束后，对两组转化率做两独立比例z检验，计算p值
5. 如果p < 0.05，拒绝原假设，认为差异显著
6. 再补充一步：对比两组在关键分层维度上的差异，防止辛普森悖论

这里有个细节很多人忽略——实验周期要覆盖一个完整的业务周期。比如贷款产品，至少要覆盖一个完整的还款周期，否则你看到的转化率差异可能是“新功能新鲜感”带来的，而不是真实效果。我在实际工作中就踩过这个坑，实验跑了三天就出了显著结果，结果放到两周后看，效果完全消失了。

4.3 机器学习基础题：从“调包”到“懂原理”

2020年的校招笔试题里，机器学习通常只占一小部分，但不代表可以完全放弃。考察方向一般包括：过拟合的解决办法、特征选择的方法、数据不平衡的处理手段、PCA的原理等。这类题的考察目的不是让你手推梯度下降，而是看你是否具备特征工程意识。

最近两年，随着大模型和深度学习的热度起来，很多同学一上来就研究复杂模型，反而忽略了“结构化数据建模”的基本功。笔试面试中，面试官更看重的是你能不能用逻辑回归、决策树这类基础模型解决业务问题，因为这类模型有可解释性，在风控领域尤其重要。所以复习机器学习时，优先掌握基础模型的核心原理和适用场景，再用XGBoost、LightGBM这些进阶模型做补充。

5. 业务理解与场景题：数据人是如何用数据支持金融决策的

业务场景题是整套题里最容易拉分、也最考验“数据思维”的部分。乐信的业务是消费金融，所以场景题往往会围绕“风控”“增长”“运营”等方向展开。这类题没有标准答案，但有一套完整的分析框架会让你的答案明显高出别人一截。

5.1 指标异动类题目：用“拆解+归因”代替“我觉得”

典型的问法是：“某月平台新增借款用户数环比下降了20%，请分析原因。”

很多人的第一反应是“可能因为大环境不好”“可能因为竞争对手抢客户”。这类回答太笼统，面试官看了只会觉得你没有分析框架。一个及格的答案应该做到“先拆解、再归因”：

• 维度拆解：先按渠道拆（不同广告渠道的新增用户变化分别是什么），再按城市等级拆（一线/二线/三线），再按产品类型拆（不同分期产品的用户量变化）。通过拆解，你把一个宏观的“20%下降”转化成了若干微观的“哪里降了”。
• 归因分析：找出下降幅度最大的几个维度后，再进一步分析是“曝光量下降”还是“转化率下降”。如果是曝光量下降，大概率是渠道投放策略或预算调整导致的；如果是转化率下降，则可能和产品流程、利率调整、用户资质审核变严有关。
• 数据验证：结合外部数据交叉验证，比如竞品同期数据、行业大盘数据。如果全行业在跌，那你的下降可能是共性问题；如果只有你在跌，那内部原因的可能性更大。

这个分析框架在职场上也同样适用。我见过一个实习生，刚来的时候只会说“数据下降了”，后来带他跑完一次完整的拆解归因，他就学会了用结构化的方式表达问题——这才是数据思维的核心。

5.2 策略设计类题目：从“想到”到“想到可落地”

另一类常见题是：“如何提升平台老用户的复借率？”这类题考的是运营思维和落地能力。

“发优惠券！做活动！”这种答案太天真。现实中的策略设计需要考虑成本、用户分层、触达方式、效果评估等多个环节。参考的实现思路：

1. 先分层：按用户历史借款行为，把老用户分为高活跃、低活跃、流失边缘等客群。不同客群的诉求完全不同——高活跃用户不需要太多刺激，流失边缘用户则需要大力度的召回策略。
2. 再定向策略：对低活跃用户，可以设计“限时免息”或“提额”策略；对流失边缘用户，可能要用“新品体验”或“专属客服”的方式触达。
3. 再定评估方式：策略上线前，先设计好AB实验方案，明确实验组和对照组的拆分逻辑，以及核心评估指标和护栏指标。
4. 最后考虑成本约束：营销预算有限，要用有限的成本撬动最大的增量，因此必须按用户价值排序来分配预算。

这类题的得分点在于：你有没有把策略想完整，而不是只说出一个点子。

5.3 金融数据岗特有的敏感点：风险与合规意识

在金融科技公司做数据，还有一个特别的考察点——风险合规意识。笔试中可能会问：“如果让你分析用户的消费行为数据，有哪些需要注意的地方？”这个问题其实是在考察你对用户隐私和数据安全的态度。作答时应该提到：数据脱敏、最小可用原则、权限管控等。2020年后，数据合规的要求越来越高，面试官非常看重候选人有没有这个意识。

这几年我在带校招生的时候，也发现了一个现象——技术能力强的人不少，但能同时把“懂业务”和“有合规意识”落到实处的稀缺。如果你能在笔试中就展现出这种意识，会是一个非常加分的差异化优势。

6. 笔试复盘与备考建议：把一套题的价值榨干

题目本身是有限的，但一套好题背后反映的能力要求是长期的。乐信这套2020年的笔试题，放到现在看依然很有参考价值。想把这套题的价值榨干，我在备考和带人的过程中总结了几点经验，供你参考。

6.1 刷题不是目的，构建知识体系才是

很多同学喜欢大量刷题，刷完一套忘了上一套，这种“题海战术”对数据岗笔试并不高效，因为数据岗的考点范围相对固定，重要的是把每个知识点的原理搞懂。我自己复习时的习惯是：每做完一道题，不管对错，都写一个“考点卡片”——这道题考的是什么知识点、解题的关键路径是什么、如果我做错了错在哪里。这样复习到最后，你会发现题目千变万化，但考点就是那么几十个。

6.2 平衡刷题与业务理解

还有一个常见的误区是只看技术题，不关注业务。我经常对准备校招的同学说：数据岗笔试和技术岗笔试最大的区别，在于它永远有“业务场景”这个维度。纯代码题可以通过刷题解决，但业务场景题需要平时积累——比如多关注一些数据分析社区、多看行业分析报告、在实习中有意识地思考业务逻辑。这些东西不是考前突击能补上的。

6.3 时间分配与答题节奏

笔试的时间通常比较紧张，合理的时间分配能让你多拿不少分。我的建议是：先快速浏览所有题目，按“会做的题 > 有思路的题 > 需要硬啃的题”的顺序答题。SQL和Python题如果卡壳了，不要死磕超过10分钟，先跳过做后面的统计和业务题——这些题更容易拿分。一套试题，最重要的是“总分最大化”，而不是“单题完美”。

关于答题节奏，我还有一个独门技巧：在笔记本上把每个模块的预估用时先列出来，比如SQL 30分钟、Python 20分钟、统计概率20分钟、业务场景20分钟，留下10分钟检查。这样做的好处是，你不会在前面的难题上耗费太久，导致后面的送分题都没时间做。

6.4 从笔试题看职业方向：数据这条路怎么走

最后说点题外的。这套笔试题的背后，其实映射了数据岗位的职业发展方向。从热搜词里能看到“数据分析师”和“数据科学与大数据技术就业方向”被大量搜索——这反映出很多同学对数据岗的职业路径还不清晰。数据岗细分下来，有偏底层建设的数据工程师、偏分析洞察的数据分析师、偏模型算法的机器学习工程师，还有近几年越来越重要的数据治理工程师。

不同方向，笔试侧重点完全不同。如果你想做分析师，那就多练业务场景和统计学；如果你想做算法，那机器学习和数据结构就要多花功夫；如果你想做数仓工程师，那SQL和底层原理就是重中之重。先想清楚方向，再针对性准备，效率远高于无差别刷题。

写在最后：一些实操体会

现在回头看乐信2020年这套校园招聘数据笔试题，最大的感受是：它考察的很多东西，不只是“能不能进面试”的门槛，更是你未来在职场上能不能站稳脚跟的基本功。SQL、Python、统计学、业务思维，这四个能力里，前三项可以通过短期内的高强度训练快速提升，但业务思维需要长期积累和刻意练习——多看、多想、多拆解身边的业务案例。

最后分享一个小技巧：准备笔试的时候，不要只看题目本身，最好把题目当成一个“项目”来做。每道题做完后，问自己一句“如果这是一个真实需求，我会不会做得更好？”带着这种心态刷题，收获会比单纯刷题多出一倍。希望这套拆解能帮你在数据岗校招的路上少踩几个坑。数据这条路很长，方向对了，每一步都算数。