1、上一份实习了4个月之后为什么不继续实习了？

2、我看你上一份实习主要是做机器学习是吧？你机器学习使用的是什么模型？

（1）具体调用哪些算法你有研究过吗？

（2）你的这个项目主要是做什么工作？

（3）是不是大概就是从数据库拿数据，然后对数据进行清洗，然后在进行自动化调度、自动化训练对吧？

（4）你数据库拿数据是使用sql拿吗，还是使用Python拿？

（5）mysql和heidisql的区别是什么？

（6）你实习当中最多的是使用python对吧

3、你这个大语言模型是调研还是在公司里面准备使用？

（1）那就是这个大语言模型已经使用上了对吧？

对，有嵌入系统

（2）你们这个大语言模型的问答主要是做什么问答？

代码提示、文档查询方面的

（3）面试官点评：这个相当于是大语言模型的使用

（4）你有使用过文心一言吗？你觉得文心一言和你们部署的大模型有什么差别？你有没有做过一些对比？

（5）写过shell脚本吗？linux使用过一些对吧？

4、SQL用的多吗？Python用的多？

5、有没有写过一些面向对象的Python脚本库？

6、数据库你用过哪些？

7、大数据你用过哪些？

8、你spark用过多长时间？

9、接下来是4道sql的题目

（1）100*（b-a）/a

（2）我想把查询出来最近7天的日期，返回值是一列，并且将最近的倒数第三天的日期返回在第一行，我要返回七行数据，并且第一行是第三天的日期。

SELECT DATE_FORMAT(date_column, '%Y-%m-%d') AS recent_dates
FROM your_table
WHERE date_column >= CURDATE() - INTERVAL 7 DAY
ORDER BY date_column DESC
LIMIT 7;

10、开始问一些关于SQL的问题

（1）你知道SQL的执行顺序是什么吗？

书写顺序：

SELECT -> DISTINCT -> FROM -> JOIN -> ON -> WHERE -> GROUP BY -> HAVING -> ORDER BY -> LIMIT

执行顺序：

FROM -> JOIN -> ON -> WHERE -> GROUP BY -> HAVING -> SELECT -> DISTINCT -> ORDER BY -> LIMIT

执行顺序解释：

1.from 要做数据分析，得先有个表

2.join 一个表可能还不够，两个表甚至多个表都可以，关联条件啥也先不用，可以都来个笛卡儿积先

3.on 在诸多表左右连接后，设定两个表之间的关联键，把不符合条件的全部筛掉

4.where 上三步整合各表，形成一个统一大表；在此大表上，设置筛选条件

5.group by 把指定字段相同的行组合在一起，其余没有加入group by的字段，可以用聚合函数如max/min等合并

6.having 在group by了之后，再度指定筛选条件；注意where和having是不同的，主要在于中间多了group by

7.select 在行层面的处理暂告一段落，在列层面再来一波

8.distinct 指定字段去重

9.order by 指定字段排序，升降序

10.limit 指定哪些行

（2）窗口函数主要做什么？

窗口函数是OLAP函数，是对数据库数据进行实时分析处理。每条记录都要在此窗口内执行函数。

（3）你主要用过哪些窗口函数？

聚合、跨行取值、排名函数

（4）rank、row_number、dense_rank三者的区别？

（5）count(*)和count(列名)和count(1)的区别？

执行效果上：

• count(*)包括了所有的列，相当于行数，在统计结果的时候，不会忽略为NULL的值。
• count(1)包括了忽略所有列，用1代表代码行，在统计结果的时候，不会忽略为NULL的值。
• count(列名)只包括列名那一列，在统计结果的时候，会忽略列值为空（这里的空不是指空字符串或者0，而是表示null）的计数，即某个字段值为NULL时，不统计。

执行效率上：

• 列名为主键，count(列名)会比count(1)快
• 列名不为主键，count(1)会比count(列名)快
• 如果表多个列并且没有主键，则 count(1 的执行效率优于 count（*）
• 如果有主键，则 select count（主键）的执行效率是最优的
• 如果表只有一个字段，则 select count（*）最优。

（6）你有使用过mysql索引吗？

（7）mysql如何查看索引？

查看表的索引：

show index from table_name（表名）

（8）写了一个sql，如何查看是否有命中索引？

MySQL提供了EXPLAIN语句来查看查询的执行计划，通过执行计划我们可以判断索引是否被命中。EXPLAIN语句可以使用以下方式执行:

explain select * from table_name where column_name='value';

执行上述语句后，MySQL会返回一张表，其中包含执行计划的相关信息。我们可以通过查看表中的一些字段来判断索引是否被命中。

根据返回的执行计划，我们可以采用以下几种方法来判断索引是否命中:

• 检查type字段:如果type字段的值是index或range，表示索引被命中;如果type字段的值是ALL，则表示索引未被命中。
• 检查possible_keys字段和key字段:如果possible_keys字段和key字段都不为空，且其值相同，表示索引被命中;如果possible_keys字段和key字段都为空，表示索引未被命中。
• 检查Explain Extra字段:如果Extra字段中包含Using index或Using where，表示索引被命中;如果Extra字段中包含Using temporary或Using filesort，表示索引未被命中。

（9）联合索引你知道吗？联合索引的匹配原则是什么？

联合索引（Compound Index）是一个包含多个列的索引。联合索引可以在多个列上同时进行查询优化，有助于提高多列查询的性能。在创建联合索引时，需要考虑列的顺序，因为索引的使用受到最左前缀原则的限制。

对于索引中的字段，mysql会一直向右匹配直到遇到范围查询(>、<、between、like)就停止匹配，比如a = 1 and b = 2 and c > 3 and d = 4 如果建立(a,b,c,d)顺序的索引，d是用不到索引的，如果建立(a,b,d,c)的索引则都可以用到，a,b,d的顺序可以任意调整。

11、问一些Python的问题

（1）Python的局部变量和全局变量？

• 全局变量：所有函数之外定义的变量
• 局部变量：函数内部定义的变量 或者代码块里的变量

1.函数内部的变量名如果第一次出现，且出现在=前面，即被视为定义了一个局部变量，不管全局域中有没有该变量名，函数中使用的将是局部变量。

(即声明了一个新的局部变量。如果这个变量名字和全部变量名字相同，那么局部变量名字会覆盖全局变量名字。

#[demo1]
num = 100  
def func():  
    newValue = 123   #一个全新的局部变量newValue 
    print(newValue)  

func()  #输出局部变量newValue 即新的局部变量


#[demo2]
num = 100  
def func():  
    num= 123  #声明一个全新的局部变量num，虽然名字和外界的全部变量相同 但是是新的一个变量且是局部有效的。屏蔽了外面的同名的全部变量
    print(num)  

func()  #输出局部变量num=123 即新的局部变量。

（2）并发和并行的区别？（spark或者Python基本都会涉及这两个概念）

并发是指一个处理器同时处理多个任务。

并行是指多个处理器或者是多核的处理器同时处理多个不同的任务。

并发是逻辑上的同时发生（simultaneous），而并行是物理上的同时发生。

来个比喻：并发是一个人同时吃三个馒头，而并行是三个人同时吃三个馒头。

（3）Python里面迭代器和生成器的理解？

生成器是一种特殊类型的迭代器，但它的定义更为简单，可以直接使用函数语法。

（4）Python当中yield关键词解释一下？（是和迭代器有关的）

（5）Python正则表达式当中match和search的区别是什么？

re.match(pattern, string):

• 这个方法从字符串的开头开始匹配模式。
• 只在字符串的开头位置进行匹配，如果字符串开头没有匹配的模式，则返回None。
• 适合用于检查字符串是否以特定模式开头。

import re

pattern = re.compile(r'\d+')
result = pattern.match('123abc')

if result:
    print("Match found:", result.group())
else:
    print("No match at the beginning of the string.")

re.search(pattern, string):

• 这个方法在整个字符串中搜索匹配的模式。
• 可以在字符串的任意位置找到匹配，而不仅仅是在开头。
• 返回第一个匹配的对象，如果没有找到匹配的模式，则返回None。

import re

pattern = re.compile(r'\d+')
result = pattern.search('abc123xyz')

if result:
    print("Match found:", result.group())
else:
    print("No match in the entire string.")

（6）正则表达式当中的贪婪匹配和非贪婪匹配的区别？

贪婪匹配：

• 在贪婪匹配模式下，量词会尽可能多地匹配字符。例如，* 将匹配尽可能多的字符，+ 也会尽可能多地匹配，而 ? 会尽可能匹配。

import re

text = "abc123def456"
pattern = re.compile(r'\d+')
match = pattern.search(text)

print(match.group())  # 输出: 123

在上面的例子中，\d+ 是贪婪匹配，它尽可能多地匹配数字字符，因此匹配到了整个数字序列 “123”。

非贪婪匹配：

• 在非贪婪匹配模式下，量词会尽可能少地匹配字符。在量词后加上 ? 可以使其变成非贪婪匹配。

import re

text = "abc123def456"
pattern = re.compile(r'\d+?')
match = pattern.search(text)

print(match.group())  # 输出: 1

• 在上面的例子中，\d+? 是非贪婪匹配，它会尽可能少地匹配数字字符，因此只匹配到了第一个数字 “1”。

总体来说，贪婪匹配尽可能多地匹配字符，而非贪婪匹配尽可能少地匹配字符。这在处理模糊匹配时，特别是需要匹配最短或最长字符串时非常有用。

（7）类和面向对象的区别？

类（Class）：

• 类是一种抽象的数据类型，是对相似对象的共同特征和行为的抽象描述。它定义了对象的属性（数据成员）和方法（成员函数）。
• 类可以看作是创建对象的模板或蓝图，它定义了对象应该具有的属性和行为。
• 类本身并不占用内存空间，而是通过类创建的对象占用内存空间。

示例代码：

class Car:
    def __init__(self, brand, model):
        self.brand = brand
        self.model = model

    def drive(self):
        print(f"{self.brand} {self.model} is driving.")

# 创建一个Car类的对象
my_car = Car("Toyota", "Camry")

# 调用对象的方法
my_car.drive()

对象（Object）：

• 对象是类的实例，是类的具体实体。它是根据类的定义创建的，拥有类定义的属性和行为。
• 对象是具体的、实际存在的，占用内存空间。
• 一个类可以创建多个对象，每个对象都是独立的，拥有自己的属性值。

示例代码：

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def speak(self):
        print(f"{self.name} is speaking.")

# 创建两个Person类的对象
person1 = Person("Alice", 25)
person2 = Person("Bob", 30)

# 调用对象的方法
person1.speak()
person2.speak()

总体而言，类是一种抽象的概念，描述了对象的属性和行为；而对象是类的实例，是具体存在的实体，拥有类定义的属性和行为。类和对象的使用使得代码更加模块化、可维护，同时提高了代码的重用性。

（8）Python当中在写class的时候，有一个self，这个你见过吗？

（9）dataframe当中如果要查看所有的数据要怎么写？

在使用 pandas 库中的 DataFrame 时，要查看所有的数据，可以使用 print() 函数或直接输入 DataFrame 的名称。如果 DataFrame 中的数据量较大，为了方便查看，可以使用以下方法：

使用 print() 函数：

import pandas as pd

# 假设 df 是你的 DataFrame
df = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6]})

# 使用 print() 函数查看所有的数据
print(df)

（10）Python当中的异常，try,catch

（11）python当中异常，如果想定位到具体的哪一行报错了，我需要怎么办？

1. 查看异常信息：

当程序发生异常时，Python会打印出异常信息，包括异常的类型、描述以及发生异常的行号。例如：

try:
    # 你的代码
except Exception as e:
    print(f"An error occurred: {e}")

在异常信息中，会有类似于 File "your_file.py", line 10 的信息，其中 your_file.py 是发生异常的文件名，而 line 10 是异常发生的行号。通过这些信息，你可以迅速定位到具体报错的位置。

1. 使用调试器：你可以使用Python的调试器（如pdb）来逐行执行代码并查看每一步的执行情况。在发生异常的地方设置断点，然后逐步执行，直到发现报错的行。以下是一个简单的例子：

import pdb

try:
    # 你的代码
except Exception as e:
    pdb.post_mortem()

当异常发生时，程序会停在异常发生的地方，然后你可以使用调试器命令（如 n 表示下一步，c 表示继续执行，等等）来逐步查看代码的执行过程。

1. 使用日志记录：在程序中添加适当的日志记录语句，以便在运行时查看程序执行的详细信息。通过查看日志，你可以了解程序执行到哪一步时发生了异常。例如：

import logging

logging.basicConfig(level=logging.DEBUG)

try:
    # 你的代码
except Exception as e:
    logging.exception("An error occurred")

运行后，你可以查看日志输出，找到异常发生的位置。

注：面试官想要招一个写Python脚本和pyspark的人，周五中午HR突然打电话问了一下基本情况，下午就一面，比较突然，没啥准备，也是自己基础不行。