1. 2023秋招小红书数据岗第二批笔试：先弄清楚它到底考什么
2023年秋招的小红书数据岗第二批笔试，是很多应届生和初级数据从业者绕不开的一道坎。相比第一批笔试，第二批的题量更大、题型更杂，而且部分题目会故意设置一些“看起来能做、上手就错”的坑。当时我在准备这批笔试时，最强烈的感受是：它不像传统互联网大厂那种“两道算法题定生死”的风格，而是把数据处理全流程拆成选择题、SQL题、Python题、业务分析题放在同一套卷子里，时间还压得比较紧。正因如此，很多人不是败在知识储备上，而是败在时间分配和答题节奏上。
这篇复盘想解决的核心问题是：第二批发数据岗笔试到底在考什么，以及应该按什么优先级复习。不管你是刚投完简历准备笔试的应届生，还是想跳槽到社区类产品做数据分析的初级打工人，这篇文章都会尽量按照我当时“踩过坑之后整理出来的复习框架”来讲，尽量少说废话，多给能直接落地的思路。
先说结论：这类笔试复习真正的权重排序应该是——SQL > 数据结构与算法 > Python数据处理基础 > 业务分析思维 > 数据治理等概念题。不是说你每个岗位都要按这个顺序，而是从“投入产出比”来看，SQL是单位时间内提分最快的，算法题决定了你能不能过系统筛选，Python题则直接影响你在面试官印象里的专业度。接下来的章节就把这些模块逐一拆开，结合具体的场景和题型来说。
2. 核心考点拆解：从数据结构到业务题的复习优先级
2.1 数据结构与算法题：该刷到什么程度？
数据岗的算法题没有纯后端岗那么硬核，但也不能完全不准备。我观察到的普遍情况是，小红书这类偏业务和内容生态的公司，笔试里的算法题会刻意“场景化”。比如给你一段用户日志，让你统计连续登录天数；给你一批订单记录，让你找出金额最大的Top N用户。这些题本质上还是在考察数组、哈希表、排序、双指针、动态规划等基础能力，但包装了一层业务外衣。
我当时给自己定的目标是 LeetCode 前 200 题里，简单题稳定过关，中等题能写出暴力解并尽可能优化。尤其是哈希表这种数据结构，在数据岗笔试里出现频率极高，因为很多题最后都会落到“去重”或“计数”上，哈希表是最直接的工具。图的遍历虽然出现频率不高，但一旦出现就会很致命。像“判断两个用户是否是好友关系链上的闭环”这类题，如果没复习过 BFS/DFS，现场很容易卡住。
为什么不建议花大量时间刷 hard 题？因为数据岗笔试时间有限，算法题往往只占 30% 左右的分数，你把 90 分钟全耗在一道 hard 题上，后面的 SQL 题可能连题面都没看。我当时就犯过这个错误，在第一道算法题上硬刚了 40 分钟，结果后面有两个 SQL 表结构题没写完，直接拉低了整体得分。复盘之后我才意识到，算法题的目的是“筛掉完全不会写代码的人”，而不是“筛出竞赛选手”。
2.2 SQL数据提取：窗口函数练到条件反射
SQL 是数据岗笔试里的绝对大头。如果给各模块估分，我倾向于认为 SQL 题能占 30% 到 40%，比算法题更重。小红书这类以内容和社区为基本盘的平台，业务场景天然适合出 SQL 题：用户发布的笔记、浏览记录、点赞评论、订单转化、直播互动等，每个场景都能衍生出一堆查询题。
考察重点集中在几类：分组聚合、条件筛选、多表关联、子查询，以及最重要的窗口函数。窗口函数几乎成了互联网数据岗笔试的标配考点，尤其是 ROW_NUMBER()、RANK()、DENSE_RANK()、LAG()、LEAD()、SUM() OVER(PARTITION BY ...) 这类写法，必须练到能盲写的程度。
举一个很典型的例子，假设题目是“统计近30天内，连续3天以上发布笔记的用户数量”，你会怎么做？很多人的第一反应是用自连接或者子查询，但更高效的思路是用 LAG() 函数构造出每个用户的前两次发布日期，再判断当前日期和这两个日期之间是否连续。代码大概是这样的：
WITH t AS ( SELECT user_id, publish_date, LAG(publish_date, 1) OVER(PARTITION BY user_id ORDER BY publish_date) AS prev_date_1, LAG(publish_date, 2) OVER(PARTITION BY user_id ORDER BY publish_date) AS prev_date_2 FROM user_publish_log WHERE publish_date >= DATE_SUB(CURRENT_DATE, INTERVAL 30 DAY) ) SELECT user_id FROM t WHERE DATEDIFF(publish_date, prev_date_1) = 1 AND DATEDIFF(publish_date, prev_date_2) = 2;这类题看起来不难，但考场上容易漏掉去重环节，也就是同一个用户同一天发布多条笔记时应先聚合一次。这个细节我需要重点提醒，因为我在练习时就踩过：如果不加DISTINCT，结果会多出一堆重复行，最后的计数自然就偏了。SQL 题给分往往看最终结果，一道题结果不对，中间过程写得再漂亮也拿不到多少分。
2.3 Python与pandas数据清洗与处理：实操题重灾区
pandas 数据清洗和处理是笔试里比较能拉开分差的模块。有的同学觉得 SQL 好写，Python 难写；有的同学正好相反。但小红书这批笔试的画像更偏向“数据分析和数据运营候选人”，所以 pandas 题目的难度一般控制在：拿到一个 DataFrame，做缺失值填充、重复值去除、字段类型转换、时间处理、多表合并等操作。
我当时遇到过一类很典型的题型：给你一份用户表和一份订单表，订单表里有一些下单时间为空、用户ID重复、金额字段是字符串类型的数据，需要你把两份表合并成一份宽表，再按用户维度统计每个用户的订单数、订单总额、最近一次下单时间。这个题有完整的操作链条，每一个中间步骤都有明确的分数点。
其中最重要的心法不是背 API，而是理解每一步在做什么。缺失值填充用fillna不稀奇，但什么时候用method='ffill'，什么时候用中位数填充，是根据业务含义决定的。用户ID重复时要用drop_duplicates，但也要注意是保留第一个还是保留最后一个，这会影响统计口径。字段类型转换用astype，但不能硬转，遇到异常值要先处理。时间处理用pd.to_datetime，但很多笔试环境里的 pandas 版本可能不支持新参数，建议优先用最基础的方法，比如：
df['order_time'] = pd.to_datetime(df['order_time'], errors='coerce') df = df.dropna(subset=['order_time']) df['order_date'] = df['order_time'].dt.date这种写法简洁、兼容性好，也能清楚表达你的处理逻辑。我个人的经验是，不要在这种题里写“过于聪明”的代码，比如用一堆高阶函数或者列表推导式，阅卷人（或者自动判分脚本）更看重的是你能不能把逻辑写清楚，而不是炫技。
3. 从热词反推笔试考点：数据治理、数据集与业务分析的隐藏分
3.1 数据治理与数据质量：概念题也能看出工程素养
很多人在准备数据岗笔试时，会忽略数据治理和数据质量这类偏“工程规范”的概念题。这类题目不会直接要求你写代码，但会以一种背景题的形式出现，比如“给你一个数据仓库，怎么设计数据质量监控方案”“怎么处理重复上报的埋点数据”等。如果你只是在刷 LeetCode 和 SQL 题，看到这些题时很容易懵。
我复习时把这部分当成“补工程常识”来处理，重点理解几个关键词：数据血缘、数据标准、数据质量监控、数据备份与恢复。尤其是“数据备份与恢复”，在业务场景里非常重要，笔试中常以“如果某一天的数据缺失，如何通过备份恢复或者重新计算得到”的形式出现。虽然不要求你写出恢复脚本，但你要能说出可行的方案，比如离线备份表、增量备份、全量重跑等。
数据治理题的高分答题思路是：先定义问题，再拆解分层，最后落到可执行的动作。比如“如何保证埋点数据的准确性”，我会这样回答：先看埋点上报链路，确认是否存在延迟和丢失；再看数据仓库的清洗规则，是否有去重和空值过滤；最后加一个监控预警，基于同环比波动来触发告警。这样的回答既有工程视角，又不会空泛。
3.2 数据集构建与数据标注：算法向笔试的高频场景
如果你的意向方向是算法数据岗，那“数据集构建”“数据标注”“数据增强方法”这类关键词的命中概率会显著提升。这些题往往考察你对训练数据源头和特征工程的理解。比如给你一组小红书笔记文本，要求你做文本分类任务，你怎么构建训练集？怎么处理类别不平衡问题？怎么选择数据增强方法？
我自己复盘时发现，数据增强并不是简单地说“加噪声”“做同义词替换”就能拿分，笔试更看重的是你有没有考虑过“增强后的数据是否符合原始数据分布”。以文本分类为例，如果直接对短文本做随机删除，很可能会把核心语义删掉，反而让模型学到错误信息。更好的做法是先定位关键词，再做局部扰动。如果你能写出类似“按实体替换 + 回译 + 最小编辑”的组合策略，分数会比干巴巴列一堆术语高很多。
另外，“yolov8训练自己的数据集”“mmrotate训练dota数据集”这类偏视觉的热词也说明，算法方向的笔试或者加分题，可能会涉及数据标注格式、类别不平衡、数据增强策略等问题，并不要求你上手训练模型，但至少要知道标注数据结构长什么样，比如 COCO、VOC、YOLO 格式的区别，以及如何从一份原始数据构造出符合训练要求的标注文件。这里不需要特别深入，但概念不能是空的。
3.3 业务分析与数据可视化：把统计结果讲成决策建议
数据岗笔试最后往往有一道业务分析题，通常不会提供真实的数据，而是给一个开放性业务场景，比如“小红书笔记的平均曝光量下降了，请你分析可能的原因，并给出数据验证方案”。这类题没有标准答案，但非常能看出一个人是不是只会跑数、不会思考。
我的建议是，答题时采用“先拆维度、再给假设、最后给验证方法”的结构。先拆维度，把曝光量下降拆成渠道、内容类型、用户分群、时间周期等；再给假设，比如“某一天推荐策略变更导致低质内容曝光占比上升”“某类作者发布频率下降导致供给不足”；最后落到验证方法，比如看分桶实验、对比历史同期、分析用户行为漏斗。不要一上来就写“加强内容审核”“提升推荐准确性”这种正确的废话。
数据可视化也是容易被忽略的点。笔试里不一定会让你画图表，但可能会给你一组数据，问你“用什么图表最合适”。比如“连续30天DAU趋势”应该用折线图；“不同品类笔记占比”应该用饼图或堆叠柱状图；“用户阅读时长和点赞量的关系”要用散点图。你要能说清楚为什么选这个图表，而不是把所有图表类型都列一遍。数据可视化的本质是把信息编码成视觉元素，选错图表等于编码错误，即使数据没错，读者也读不出结论。
4. 实操过程中的时间分配与常见翻车点
4.1 笔试环境与时间分配：先做哪类题更划算？
笔试时的时间分配，往往比多刷几道题更重要。我自己的经验是，拿到卷子后不要立刻从第一题开始做，而是先花两分钟把整张卷子的题型、题量和分值分布扫一遍。如果分数占比最高的是 SQL，那就先保证 SQL 有时间做完；如果你明显擅长 Python，也可以先做 Python 热身，再回来啃算法题。
常见的考试配置可能是四部分：选择题10-15道、编程题2-3道、SQL题2-3道、业务分析题1道。我的策略是：先做选择题，因为选择题往往是最花时间但单位分值偏低的，而且答案是从几个选项里选，纠结太久会崩心态。建议每道选择题控制在2分钟以内，拿不准的做个标记后立刻跳过，最后再回头补。
编程题和 SQL 题建议分开做，中间穿插一两个简单选择题换换脑子。业务分析题虽然主观性强，但只要写下结构化思路，得分往往比较稳定，所以宁愿编程题AC率低一点，也要给业务题留出15到20分钟。另一个容易被忽略的点是，笔试系统断点续做的兼容性不一定好，开考之前一定要测试网络环境，关闭所有自动更新和弹窗，避免写代码时被系统打断。
4.2 代码细节导致AC低的三个典型原因
我复盘过一批数据岗笔试，发现很多同学明明思路正确，但代码就是AC率很低。最常见的原因有三个：变量名拼写错误、列表越界、忘记处理边界条件。这三类问题都非常隐蔽，因为在本地编辑器里你可能已经通过了大部分测试用例，但在笔试系统的隐藏用例里就会暴露。
第一个是变量名拼写错误。笔试时间一紧张，很多人会把user_id和userID混着写，Python 对这种大小写敏感，一旦写错就直接完蛋。我建议在写代码之前先统一命名风格，想清楚用什么变量名，再开始写。
第二个是列表越界，尤其是在处理指针和排序问题时。比如双指针的循环条件，如果你只写了while left < right，但没考虑left和right在边界处的更新顺序，很容易出现数组越界或死循环。更好的做法是先把边界条件写清楚，再写循环体。
第三个是忘记处理空值或者空数组。数据岗笔试题给的输入往往是模拟的“表数据”，如果你在代码里假设列表一定非空、字典一定包含某个键，那一旦出现None或空行，代码就会崩。解决方案是在数据读入阶段，先做一次必要的空值检查，不要指望测试用例里全部都是干净数据。
4.3 业务题答题陷阱：答得越多得分越低？
业务分析题最容易犯的错误，不是答得太少，而是答得太多、太散。很多同学为了显得专业，会把所有知道的指标和术语都堆上去，比如转化率、留存率、ARPU、LTV、DAU、MAU。但面试官其实最反感这种“名词堆砌”式的答案，因为它没有体现逻辑链条，只是证明你知道这些词。
正确的答法是选一个最核心的分析路径，讲透。比如题目问“为什么推荐流人均时长下降了10%”，你可以选“分位点分析 + 新老用户差异”这一个切入点，先看时长下降是否集中在某个分位点，再看新用户和老用户是否有显著差异，然后给出假设和验证方案。一条清晰的逻辑线，比你列十个指标但没有结论要强得多。
另一个业务题陷阱是忽视成本约束。比如你说“我们可以上线A/B实验来验证”，但题目背景里如果写了“当前资源有限，无法做长期实验”，那就要考虑用历史数据模拟或者同期群分析来替代。能意识到约束条件并用合适方法回应，才是业务分析师区别于普通跑数员的加分点。
5. 给后来者的一条条实干建议
回顾这批笔试，我最想强调的一句话是：数据岗笔试考的不是某个单独的知识点，而是你面对一个不熟悉的业务数据问题时，能不能快速拆解、找到数据入口、给出可执行的分析方案。这个能力通过短期刷题不一定能突飞猛进，但可以通过刻意练习慢慢建立起来。
具体来说，我建议在接下来两周内做三件事。第一，把SQL窗口函数刷到闭眼能写，尤其是ROW_NUMBER()和LAG()，这是性价比最高的提分点。第二，用一份真实的业务数据模拟笔试流程，给自己定90分钟，做完之后严格对照答案复盘，重点看有没有因为代码细节扣分。第三，把常见业务分析题整理成自己的答题框架，每次答题先分维度再给假设，最后落到验证方案，形成肌肉记忆。
我在实际准备过程中还有一个体会：不要迷信“面经里的原题”。笔试题目每年都在变，但考察底层能力是稳定的。如果你能把数据结构、SQL、数据清洗、业务分析这四个模块都过一遍，即使题目换成新的业务场景，你也知道该从哪下手。这时候再回头看小红书数据岗第二批笔试，你会发现它没有那么神秘，它就是一份“业务+技术”的融合型试卷，认真准备的人都能拿到一个体面的结果。
