Data Analyst也考coding吗？Data Scientist的coding要掌握到什么程度？
很多求职的朋友反馈，不少公司在analytic data scientist 甚至data analyst 的岗位面试中居然考coding 了。大家不免很紧张，问：准备data analyst 的面试，是不是也要去刷leetcode。下面会在回答这个问题的同时讲讲coding 在data science 领域几个不同层次的应用。
Level1: DA/Analytic DS 对于分析类的岗位，一般来说是不需要什么coding 的。日常工作用的都是用 SQL处理各种数据，还有Tableau 之类的软件来做data visualization。极少能用的上coding。但是，为什么还会考呢。据了解，一个主要原因是现在python coding 在数据科学领域应用越来越普遍，大家总感觉 atsome point 会需要用到。所以，hiringmanager 会希望candidate 最好是能有一点coding 的能力，在将来需要用到的时候，至少不会发怵。
在这些组里，工作主要还是做数据分析。所以，他们所说的coding 指的是能够用python 来弥补 SQL和Tableau 这些工具一些功能上的不足。考题侧重的不是算法，更多的是一些python的基本应用。比如用python 来做一些简单的数据处理，或者调用pandas 之类的软件包做一些数据分析。偶尔也会考一些非常简单的算法题。这些题在leetcode 的easy 题中也是属于简单的。当然，考点也仍不在于算法，而是在于解决问题的能力。面试官最希望看见的是你之前并没有见过这个题，但是经过一番思考得到一个合理的解决方案，并且把solution 用代码写出来。 面对这种面试，并不需要去刷leetcode，但是只看一些python 入门之类的教学视频也是不够的。因为coding 需要练习，有一个熟能生巧的过程。针对这个问题，可以在准备面试的时候去做一些python coding 练习题。 Level2: General Data Scientist 一般的Data Scientist 是需要经常用python 来处理分析数据和建模的。这些岗位不仅需要能够建立customized functions 来处理各种问题，还需要能够把代码模块化（简单地说也就是写class）和搭建pipeline。所以，在面试中，在这些岗位是肯定会考coding 算法题的。candidates在准备的过程中也会需要去刷一些leetcode 的题目。在刷题的时候，我觉得应该把重点放在那些经常用到的一些数据结构上，比如list、string、array和dictionary。难度以easy 为主，尽量涵盖medium。如果学有余力，也可以看看一些简单的tree 相关的题目。 总的来说，这些岗位的日常工作也就是用python 来写scripts。代码在质量上离production code 还有一定的距离。面试的时候，哪怕是engineer 来考，一般也不会考的太难。只要逻辑清晰，代码能跑也就让过了。 Level3: Machine Learning Engineer
MLE本身就是engineer，只是侧重点在machine learning 而已。所以，没什么可商量的，coding肯定会考，leetcode肯定得刷，而且是全方位地刷。于此同时，也要准备system design，只是这里的system 是recommender system 一类的 AIsystem。
在这些岗位上，是需要写production code 的。代码要求简洁流畅，层次分明。很多时候，面试官从一些很小的细节（比如空格、variable命名方式）就能一眼看得出这个candidate 的coding 习惯好不好。这也是自己刷leetcode 一个很难解决的问题。因为leetcode 主要是通过test cases 来保证代码的正确性和效率，但是并没有办法enforce coding style。所以还是得进行专门的coding 训练项目，一方面是为了形成好的coding style，另一方面则是快速建立系统的知识体系，避免做一题忘一题的低效重复。 所以，如果发现面试要考coding 的时候不要慌，要理性地针对岗位需求进行准备。虽然从理论上讲，如果把coding 算法题全部做熟，自然就可以应对所有coding 相关的面试，但实际上coding 练习是一个需要大量时间和精力的积累过程。不可能一蹴而就。而且，对于数据科学的很多岗位来说，coding只是所需要的技术之一，过度准备coding 会影响别的技术的学习掌握，也不利于有效地找工作。
| 
发表于 2022-11-16 17:12:09