下表是某金融App的数据，请结合Excel数据集中的数据完成下列问题（某金融公司面试题，文末有数据下载）

原始数据如下所示：

为方便后期分析，我们对数据进行分类。数据通常分为3类：用户数据、行为数据、产品数据。

用户数据指用户基本情况，行为数据指用户做过什么，产品数据是指平台卖的东西。

原始数据中年龄、性别、手机省份、手机城市、注册时间、用户注册终端、用户注册渠道、会员级别等信息为用户数据，其余数据为行为数据，无产品数据。

因为行为数据过多不利于分析，我们把行为数据中与最近一次登陆相关的信息提取出来，列为最近登录数据。

把是否...7天内...类的问题提取出来，作为活跃数据。

行为数据如下：

问题：

1.理解数据

如果将该数据建立一个数据库，有哪些表，各表之间的关系是什么？

2.数据整理

假设该Excel数据是一个数据表（Datatable），请用SQL写出：

（1）最近一次登录城市各有多少用户在表中？

（2）“用户ID”之间的可能关系？（比如家庭成员，情侣等）

（3）请找出数据表中的异常值，并以此阐述你如何控制数据质量并以本数据为例设计数据质量报表。

1.理解数据

如果将该数据建立一个数据，有哪些表，各表之间的关系是什么？

和面试官沟通该金融App后，了解了该产品的业务流程，画出下图：

拆分为4个表（也就是Excel对应的各个sheet表）：

（1）“用户信息”表中包含用户id，年龄，性别等基本信息。

其中用户id已进行加密，手机省份和手机城市是注册所在地，用户注册终端是注册时的终端（电脑端web、苹果手机、安卓手机），用户注册渠道展示的是渠道ID。

（2）“最近登录”表中是最近一次登陆ip，展示的是已加密的ip。

（3）“行为数据”表中，投资金额经过等比例放大。

表中字段含义，首投距今时间（天）是固收(含债转)_首次投资时间距今天的时间。

最近一次投资距今时间（天）是固收(含债转)_最近一次投资时间距今天的时间。

首投距注册时长（天）是首次投资距离注册时间，以天为单位。

用户浏览产品期限倾向是指固收含转让区（产品期限：1-3,4-6,7-12,12以上（PC+H5+APP））。

用户浏览产品利率倾向是指固收含转让区（利率：(0,4%],(4%,5.5%],(5.5%,6%],(6%,7.5%],7.5%以上（PC+H5+APP））。

（4）“活跃数据”表中，本月是否有大额回款指本月回款额度1万及以上。

表中字段含义，

是否访问7天内未注册：首次访问到注册时间7天，或有访问已超过7天但未注册。

是否注册7天内未充值：注册到首次充值时间7天，或有注册已超过7天但未充值。

是否注册7天内未投资：注册到首次投资时间7天，或有注册已超过7天但未投资。

是否托管7天内未充值：托管到首次充值时间7天，或有托管已超过7天但未充值。

是否托管7天内未投资：托管到首次投资时间7天，或有托管已超过7天但未投资。

是否充值7天内未投资：最近一次充值到最近一次投资时间7天，或最近一次充值已超过7天但未投资。

根据上面的业务分析，建立数据库，建立4个表有用户数据、行为数据、最近登录数据、活跃数据表，各表之间以用户id为主键联结，关系如下图。

2.数据整理

（1）最近一次登录城市各有多少用户在表中？

“最近一次登录”在“最近登陆数据“表中。

“各有”，翻译过来就是“每个城市”。涉及到“每个”到业务问题，要想到《猴子从零学会SQL》里讲过的用“分组汇总”来实现。

这里分组按用户id，汇总使用count函数进行计数。

select最近一次登录城市,count(用户id)as人数from最近登陆数据groupby最近一次登录城市;

输出结果（数据过多仅展示前8行数据）：

（2）“用户ID”之间的可能关系？（比如家庭成员，情侣等）

使用多维度拆解分析方法来拆解问题：当最近登录ip相同时，用户之间可能会存在关系。因此，分两步解决该业务问题。

（1）找出ip重复的数据；

（2）找出重复ip对应的用户信息。也就是输出用户id、性别、年龄，最近一次登陆ip等信息，并对最近一次登陆ip进行升序排列。

第1步：找出ip重复的数据

“最近一次登录ip”在“最近登陆数据表“中。

该问题是“找重复数据”类问题，按“最近一次登陆ip”分组（groupby），然后使用having来筛选出每组里面次数1次的就是重复数据。

select最近一次登陆ipfrom最近登陆数据groupby最近一次登陆iphavingcount(最近一次登陆ip)1;

第2步：找出重复ip对应的用户信息

输出用户id、性别，年龄，最近一次登陆ip等信息。

select用户id,最近一次登陆ipFROM最近登陆数据where最近一次登陆ipin(select最近一次登陆ipfrom最近登陆数据groupby最近一次登陆iphavingcount(最近一次登陆ip)1);

第3步：联结用户数据表，输出信息

把用户数据作为临时表a，第二步得出的结果作为临时表b，并对所有数据进行升序排列。

selecta.用户id,a.性别,a.年龄,b.最近一次登陆ipfrom用户数据asarightjoin(select用户id,最近一次登陆ipfrom最近登陆数据where最近一次登陆ipin(select最近一次登陆ipfrom最近登陆数据groupby最近一次登陆iphavingcount(最近一次登陆ip)1))asbona.用户id=b.用户idorderbyb.最近一次登陆ipasc;

查询结果：

可以看出用户id（1、2）具有相同ip地址，都为女性，年龄相差20岁，可以推测是母女关系。

用户id（3、4）具有相同ip地址，性别一男一女，年龄相差6岁，可以推测是夫妻关系。

用户id（5、6）具有相同ip地址，性别一男一女，年龄相差8岁，可以推测是夫妻关系。

用户id（7、8）具有相同ip地址，性别一男一女，年龄相差3岁，可以推测是夫妻关系。

（3）请找出数据表中的异常值，并以此阐述你如何控制数据质量并以本数据为例设计数据质量报表。

根据《描述统计分析》里讲过的异常值方法，我们可以使用Tukeystest方法找出宜昌至的范围。

我们以该案例中的“年龄”为例，展示如何找出异常值。

第一步：计算出上四分位数

首先我们增加一列行号，使用“

select

结果如下：

然后，我们使用内联结把原表格和新增的一列联结在一起，形成新的表格，记为临时表r。

select年龄,

结果如下：

然后，用赋值运算符“：=”赋值行号为“

select年龄,

最后，使用sql的floor函数来计算下四分位数，floor函数：向下舍入为指定小数位数。

selectavg(年龄)as下四分位数from(select年龄,

同理，使用3*（n+1）/4可以用来计算上四分位数。查询结果如下：

第二步，用Tukeystest方法中k=1.5来找出中度异常值。

可以使用where函数找出异常值——在最大估算值和最小估算值之外的数据。

select年龄,count(*)as人数,count(*)/as人数占比from用户数据where年龄(48+1.5*(48-32))or年龄(32-1.5*(48-32))groupby年龄;

查询结果如下：

用同样的方法我们可以计算出投资金额的异常值。结果如下（因数据较多只选取部分数据呈现）：

第三步：制作数据质量报表，以年龄数据为例。

把第二步中得到的结果作为临时表e，用sum函数计算出年龄异常值的总人数与总人数占比。

select年龄,sum(人数)as总人数,sum(人数)/as总人数占比from临时表e;

结果如下：

按照上述步骤可得投资金额异常值的总人数与总人数占比，结果如下：

数据质量报表如下：

异常值的发生原因可以分为两类：人为异常值和自然异常值。

自然异常值不是由于错误产生的，无需避免。

人为异常值可能由于数据输入错误，故意填写错误，数据处理错误等原因产生，这些情况是可以尽量避免的，这就要求我们做到以下几点：

认真细心。避免数据输入错误。

做好用户宣传，尽量填写真实信息。

提高提取数据的正确率，确保数据来源准确。

1.考察对业务的理解能力，拿到数据以后，不是立马开始分析，而是要先理解数据，对数据分类。

2.“每个问题”要想到用分组汇总来实现。

3.查找出重复数据。对数据项进行分组，找出数量大于2的数据即为重复值。

4.利用sql计算四分位数，找出异常值。增加一列行号并升序排列，利用公式取出上四分位数和下四分位数，找出最小和最大估计值，在此范围外的即为异常值。

5.excel观察数据特征：平均数、中位数、众数。

6.掌握常用的分析方法解决问题的能力。

推荐：人工智能时代的必学技能