面灵AI→

熙牛医疗 数据开发实习一面:数据治理、数仓建模与 SQL 口头作答

轮次
一面
时间
2026-11
来源
牛客网

《面试题目》

项目与动机

  1. 先做个自我介绍。
  2. 上一段实习了多久,为什么只有两个月?
  3. 上一段实习离学校很远,为什么去那里实习?
  4. 你们部门多少人,你的角色是什么?
  5. 你说的 285 个目录,审核标准是谁定的?
  6. 不合规的目录怎么处理,闭环怎么走?
  7. 三源台账比对,具体是哪三个来源,怎么比?
  8. 你怎么看待偏治理、偏文档这类工作?

数据治理概念

  1. 数据源、元数据、数据血缘分别是什么?
  2. 你们做数据治理,具体治理的是什么问题?
  3. 数据质量怎么衡量,有没有指标?
  4. 口径不一致怎么处理,举个例子。
  5. 业务部门不配合整改怎么办?
  6. 数据标准、数据目录、元数据这三者是什么关系?

数仓与建模

  1. 事实表和维表有什么区别?
  2. 举个例子,医院场景里哪个是事实表?
  3. 缓慢变化维了解吗?有几种类型?
  4. 星型模型和雪花模型的区别是什么?
  5. 为什么要分 ODS / DWD / DWS / ADS 四层?
  6. ODS 层要不要做清洗?
  7. 拉链表是什么,什么场景下用?
  8. 一个表有 108 列,你怎么处理?

SQL 手写(口头作答)

  1. 统计 2026 年 10 月各科室的就诊人次和就诊人数。
  2. 在上面的基础上,只要人次大于 100 的科室。
  3. 用一行输出「已就诊人数」和「总人数」两列。
  4. 要输出所有科室,10 月没有就诊的显示 0。
  5. where 和 having 的区别是什么?
  6. 窗口函数是什么?row_number、rank、dense_rank 的使用场景有什么区别?

大数据组件

  1. Hadoop 三件套分别是什么?
  2. HDFS 上一个 500MB 的文件怎么存,块多大,几个副本?
  3. Hive 内部表和外部表的区别是什么?

《参考解析》

数据源、元数据与数据血缘:数据源是数据的产生地,包括业务库、日志与埋点、第三方接口、文件与手工报表;元数据是描述数据的数据,通常分三类——技术元数据(表结构、字段类型、分区、存储位置、任务依赖)、业务元数据(指标口径、业务含义、责任人)、管理元数据(权限、生命周期、质量规则);数据血缘是表与字段之间的上下游加工关系,由解析 SQL 或采集执行计划得到,能落到表级与字段级。三者的关系是:元数据是底座,血缘是元数据之上的关系图。血缘的实际用途有三块:变更影响分析(改字段前先看下游有哪些任务和报表)、故障定位(报表异常时沿上游回溯到第一个出错节点)、成本与冗余治理(识别无人使用的表和重复加工链路)。

数据质量怎么衡量:常用六个维度——完整性(非空率、关联缺失率)、唯一性(主键与业务键重复)、准确性(与权威源比对、值域校验)、一致性(跨表同一指标是否相等、明细与汇总是否对得上)、及时性(分区产出时间与延迟)、有效性(格式、枚举、业务规则)。落地方式是在各层配置稽核规则:空值率与波动率阈值、环比突变、主外键一致性、枚举越界、金额勾稽,产出质量分并按表与主题域汇总,异常进告警工单并绑定责任人。只报「质量分」而不给失败明细与影响范围,业务侧不会认。

口径不一致与业务不配合:先定位口径定义在何处(指标字典、元数据、还是某个人的口头约定),再比对四件事:过滤条件(是否含退款、是否只算有效账户)、时间窗(自然日还是账期、时区)、去重键(按订单还是按用户)、维表关联方式(内连接会丢未匹配数据)。找到差异项后用同一份数据双跑验证,把结论固化成指标定义并由业务确认 owner,而不是每次争议重新算一遍。业务部门不配合整改时,把问题翻译成业务后果(报表对不上会影响结算、错误口径会影响考核),给出整改成本与替代方案,并通过制度层(发布流程、指标准入)把校验前置,靠个人催办无法持续。

事实表、维表与分层:事实表记录业务过程的可度量事件,行多列少,带维度外键与度量值;维表描述实体属性,行少列多,用于过滤与分组。医院场景中,就诊记录、挂号、收费明细、检验报告是事实表;患者、科室、医生、药品、时间、机构是维表。星型模型是事实表直接连一组不再规范化的维表,join 层级浅、查询快、易理解;雪花模型把维表继续拆成规范化的子维表(科室 → 院区 → 城市),省存储、口径更清晰,但 join 多、查询复杂。通常以星型为主,只对大维表做适度雪花。分层的目的在于职责单一与可回溯:ODS 贴源保留原始结构与增量;DWD 做清洗与规范化(去重、空值处理、维度退化、一致性维表);DWS 按主题与粒度轻度汇总;ADS 面向报表与接口。ODS 原则上不做业务清洗,只做技术处理(类型统一、编码转换、分区、脱敏、去重);提前做业务清洗会丢掉原始证据,口径变更时无法复算。

缓慢变化维与拉链表:SCD1 直接覆盖,不保留历史,实现最简单但无法回溯;SCD2 新增一行并用 start_date、end_date 与当前标志保留版本,能回答「某时刻的状态」;SCD3 增加一列「上一版本值」,只保留有限历史。拉链表是 SCD2 在 Hive 场景的落地:每条记录带 start_date 与 end_date,未失效记录的 end_date 取极大值(如 9999-12-31);更新时把旧记录的 end_date 改为变更日前一天并插入新记录,查询某日快照用 start_date <= dt and end_date >= dt。适用场景是数据量大、变更不频繁又需要历史回溯的实体,如用户、商家、商品、账户。注意点是分区表按变更日增量合并而不是全量重写、开链闭链保证不重叠不空洞、与事实表关联时按业务日期取对应版本。

SQL:人次、人数与补零:人次是行数,人数是去重患者数:

SELECT d.dept_name,
       COUNT(*) AS visit_cnt,
       COUNT(DISTINCT v.patient_id) AS patient_cnt
FROM visit v
JOIN dept d ON d.id = v.dept_id
WHERE v.visit_time >= '2026-10-01' AND v.visit_time < '2026-11-01'
GROUP BY d.dept_name
HAVING COUNT(*) > 100;

where 在聚合前过滤行、不能引用聚合函数;having 在 group by 之后过滤分组。能下推到 where 的条件应尽量下推,减少参与聚合的数据量,两者混用时先想清楚过滤的是「行」还是「组」。一行输出「已就诊人数」与「总人数」用条件聚合:

SELECT COUNT(DISTINCT CASE WHEN v.patient_id IS NOT NULL THEN v.patient_id END) AS visited_cnt,
       COUNT(DISTINCT p.patient_id) AS total_cnt
FROM patient p
LEFT JOIN visit v
  ON v.patient_id = p.patient_id
 AND v.visit_time >= '2026-10-01' AND v.visit_time < '2026-11-01';

全科室补零要以科室表为主表左连接事实表,计数写 COUNT(v.id) 而不是 COUNT(*)——后者会把补出来的空行算成 1;时间条件必须写在 on 里,写到 where 会把左连接退化成内连接。窗口函数用于在不改变行数的前提下做组内排名与累计:row_number 同值不并列(1、2、3),rank 同值并列且跳号(1、1、3),dense_rank 同值并列不跳号(1、1、2);取每组最新一条通常用 row_number() over (partition by 键 order by 时间 desc) 再筛 rn = 1。

108 列宽表的处理:先判断问题来源——是查询只需要少数列却 select *、还是表本身职责过多。优化顺序是:查询侧只取必要列(列式存储下能显著减少 IO);按访问频率与主题做垂直拆分(主表放高频核心字段,扩展属性放子表或 KV);低基数字段用字典编码;冷字段归档到历史表;必要时用宽表模型服务分析场景,但要在 ETL 层明确粒度与更新方式。直接对 108 列做水平拆分通常不是首选,因为业务主键仍是同一个。