毕业后工作也继续在牛客汲取养分，输出能量

晃眼间，毕业从事数分也有快半年了。初入数据分析师的这个行业（非纯互联网），也存在一段时间的适应期。刚开始会发现工作内容和想象中的互联网数据分析师有比较大的区别。工作中比较少专题分析、ab测试等印象中常见大厂数分的工作内容。实际上更多的是准确的取数、计算指标、落表、维护和定位数据异常、分析异常原因并最终修复异常。刚开始也会觉得现实与想象差距较大，不时陷入沉思。渐渐的，我发现数据分析师工作的重点还应该在于合理地设计复用性强、业务兼容性广的指标以满足不同业务的需求，这样可以从根源上减少机械取数的繁复。这也是我近期找寻到的破局之路：优化指标灵活度，减少重复劳动，兼顾不断变化的业务需求。给定一个场景，业...

在业务中，我们常要基于全量历史结果来计算得出所需的结果，如：最早时间，最新时间，历史峰值等。正常逻辑我们会获取用户的全量历史数据来进行聚合计算得到最后所需的结果。   但如果用户人数多（千万、亿级），历史数据多（年），计算频率大（日度、小时），则无法用全量历史数据来进行聚合，因为这种计算逻辑会消耗很多时间和计算资源。那么对于这种场景，我们需要如何兼顾计算效率和计算结果呢？  其中一种可行的方式是用“增量”逻辑来更新数据。何谓“增量”逻辑？增量逻辑就是在计算初始日，先基于用户的全量历史数据，计算一次所需指标（最早时间，最新时间，历史峰值）此处命名为x0之后时间每向前滚动一个单位（小时、天），我们...

在工作中，我们常会接触时间序列（价格序列、指数序列、经济变量序列等），对于时间序列我们常会通过计算其描述性统计指标来初步描述序列的特征。除此之外，我们还会   用最大回撤比率来描述时间序列从局部高点下滑至局部低点的幅度。下面通过一例子来进一步阐述最大回撤的含义：任一高点到其后续最低点的下跌幅度的最大值。说起来很拗   口，举个例子就明白了。下图是一个简化版的策略收益曲线图（纵轴是收益，横轴是时间），它的最大回撤是从C点到F点。    计算上述最大回撤的步骤一般如下：   ①找到图中的局部高点：有A、C、E、G、I五个点；   ②找到局部高点对应的后续最低点，分别是A→F、C→F、E→F、G→H...

欢迎投递

在实际业务中，我们常会采用sum （case when） group by 的语法来实现行转列。行转列的好处在于对逻辑主键进行关联时，我们可以大大压缩关联后的行数，   仅用数列字段换来多行记录。而常规的行转列中的聚合函数sum仅能处理字段为数值类型的数据。如果我们需要对字符串类型数据进行行转列处理，则需要一定   的技巧。   首先我们来看一个常规的数值类型行转列的例子：   我们有一张学生各科成绩的表     SELECT userid, SUM( CASE subjectName WHEN '语文' THEN score ELSE 0 END ) '语文', SUM( CASE subj...

在某些业务场景下，我们需要找到与客户信息相同（号码、地址等）的客户。这时我们很直观的想法是对表进行自关联。   我们本地建表来看一个例子：         由于这里的关联条件是或条件，我们采取等值拆分的方法来进行条件拆解。具体过程和数据业务札记01：https://www.nowcoder.com/discuss/999011类似。   这里我们运行的代码是：   select a.cu_id as id1 ,a.tele as tele1,a.place as place1,  b.cu_id as id2 ,b.tele as tele2,b.place as place2 from cu...

在某些业务场景下，我们需要找到与客户信息相同（号码、地址等）的营销人员。而有时我们不仅仅局限与且条件，我们需要找到与客户号码或地址或其他信息相同的营销人员，   这个之后，比较直观的想法是关联客户表和营销表，之后在关联条件里面用or来体现或条件。   具体点，我们可以在测试环境建表来操作一下：   客户表：      营销表：      可以看到 客户id 营销人员id有重复，且二者的号码或地址都多少出现重复的情况。   下面我们给出两个版本的代码   ①直接在关联条件里面出现or   ②将或关联条件拆分成两个等值条件（号码相同、地址相同）之后再把结构union起来。      代码①   s...

有点想和在兴业数金数分岗（上海，福州，广州）的朋友交流下，你们工作氛围怎么样哇，有了解的朋友嘛?

很高兴第二次给本科的学弟学妹分享，很高兴看到大一大二的你们进群，开始觉醒规划未来。希望自己可以一直坚持分享，五年，十年，二十年……希望母校母院越来越好。

初次踏出象牙塔，我们要在入职前需要解决的一件事就是租房子。   如果我们想租到性价比高的房子且尽量避开中介，房东的一些坑的话，变需要提前做好功课。   下面分享我在租房前中后不同时期的经验汇总，希望可以带大家避坑！

数据岗里面比较热门的包括数据分析、数据开发、数据挖掘。   之前跟一个网易的朋友聊天，目前参与网易课堂上数据分析课程的应届生和在校生在比例上已经持平。   不难理解，对于数分基础准备的前移，伴随的就是数分实习的前移，对应的就是同期毕业竞争者平均实   习数量的增加，以及大家面试笔试基础能力的同质化增强。虽然目前看来数分招聘已经挺卷了的，面试   和笔试之前是学校、学历、实习的筛选。由于岗位数量、求职者数量供需不平衡，求职者平均基础提升，   这意味着后续数分招聘会有两大趋势：首先笔试和面试的难度会提升，然后对投递者实习的数量和质量   都会有更高的要求。   基于对于上述趋势的预判，拿本科生为...

首先我们要清楚两个事情：   1.实习和秋招的关系。   2.目前个人实习禀赋。   首先实习是大多数（互联网）岗位的申请门槛，实习经历越丰富的简历越容易通过校招的第一关，也就是简历筛选关。   此外，需要平衡实习和秋招，说明我们已经需要在时间和精力兼顾这两者了。对于秋招前有相关岗位2-3段实习的朋友（且其中有中大厂实习）   你们可以选择全心投入到秋招的准备。对于同时准备实习和秋招的朋友（楼主也是这种情况），你们也不用过于紧张，实际情况是可以利用好   下班后的半小时到一小时来准备秋招相关的笔试、面试内容，周末可以集中用来和伙伴进行模拟面试。实际秋招面试时间大部分是约在实习下   班时间的。...