Johdatus R-haastatteluun liittyviin kysymyksiin ja vastauksiin

R on kaikkialla. Riippumatta siitä onko tutkija yrittänyt koota numeerista tietoa kokeistaan ​​tai analyytikko, joka suorittaa regression ratkaistakseen yrityskäytön, R on ensisijainen ohjelmointikieli. Itse asiassa R voi tehdä paljon muutakin kuin tilastotyökaluja, sitä voidaan käyttää tietojenkäsittelyyn, visualisointiin ja grafiikkaan. Tänä tietokautena R on Data Science -työkalupakin tärkein kieli, ja sillä on valtava kysyntä.

Joten olet vihdoin löytänyt unelmatyösi R: stä, mutta ihmettelet, miten R-haastattelu saadaan halki ja mitkä voisivat olla todennäköiset 2018 R -haastatteluun liittyvät kysymykset. Jokainen haastattelu on erilainen ja myös työn laajuus on erilainen. Pitäen tämän mielessä olemme suunnitelleet yleisimmät 2019 R -haastatteluun liittyvät kysymykset ja vastaukset auttaaksesi sinua menestymään haastattelussa.

Alla on luettelo 2019 R -haastatteluun liittyvistä kysymyksistä ja vastauksista, joita voidaan kysyä haastattelun aikana. Nämä top haastattelukysymykset on jaettu kahteen osaan:

Osa 1 - R-haastattelukysymykset (perus)

Tämä ensimmäinen osa kattaa R-haastattelun peruskysymykset ja vastaukset

1. Mitä hyötyä on lm () -toiminnosta?

Vastaus:
'lm' tarkoittaa lineaarista mallia. Kun R lm () -toimintoa käytetään regressiomallien luomiseen. Kaksi tärkeintä argumenttia, joka annetaan funktiolle lm (), ovat kaava ja data. Kaava määrittelee regressiomallin ja data on tietojoukko, jolla regressio suoritetaan.

2. Anna esimerkki tapply () -menetelmän käytöstä

Vastaus:
Tarkastellaan kahta tilattua vektoria
1) oppilaat jaotellaan eri kouluihin (s1 on ensimmäisen oppilaan koulu, s2 on toisen oppilaan koulu jne.)
> opiskelijat <- c (“s1 ″, ” s2 ″, ”s1 ″, ” s3 ″, ”s3 ″, ” s2 ”)

2) Prosentti kunkin opiskelijan pisteistä
> merkit <- c (80, 90, 75, 67, 96, 67)
> tarkoittaa <- tapply (merkit, opiskelijat, keskiarvo)
> tarkoittaa
s1 s2 s3
77, 5 78, 5 81, 5

Toiminto tapply () lisää funktion 'mean ()' ensimmäiseen argumenttiin 'merkit', joka on ryhmitelty toisella argumentilla 'opiskelijat'

Siirrytään seuraavaan R-haastattelukysymykseen.

3. Kuinka muokata ja rakentaa luetteloita? Näytä esimerkillä.

Vastaus:
Listat Rakentaminen:
> Lst <- luettelo (nimi = ”Jack”, ikä = 23, ei autoa = 3, autot.nimet = c (“Wagon”, “Puskuri”, “Jazz”))

Luettelon muokkaus:
> Lst $ autot.nimet (1) Lst ((4)) (1) <- “WagonR”

4.Mitä R: ssä on erilaisia ​​tietorakenteita?

Vastaus:
Tämä on haastattelussa esitetyt perushaastattelun peruskysymykset. R: llä on 5 tietorakennetta: vektori, ryhmä, matriisi, luettelo ja tietokehykset. Joista vektorit, ryhmät ja matriisit ovat homogeenisia.
- Vektorit ovat yleisin tietorakenne R: ssä. Se on yksiulotteinen objekti, joka kuvaa joukko arvoja. Matriisi on vektorien moniulotteinen yleistys. Matriisi on taulukon erikoistapaus, se on 2-ulotteinen.
- Luettelo koostuu tilatusta joukosta esineitä, jotka voivat olla erityyppisiä tai -tiloisia. Tietokehys on kuin taulukko tai matriisi, jossa on eri moodien sarakkeet.

5. Kuinka puuttua puuttuviin arvoihin summa (), prod (), min (), max () funktioissa?

Vastaus:
Tarkastellaan vektoria:
> x <- c (3, 6, 2, NA, 1)

Sen summa johtaa:
> summa (x)
(1) NA

Voimme kuitenkin asettaa na.rm-argumentiksi True, jotta puuttuvat arvot jätetään huomioimatta
> summa (x, na.rm = Tosi)
(1) 12

6. Mitä eroa on NA: n ja NaN: n välillä? Kuinka tiedämme, sisältääkö vektori jompaakumpaa niistä?

Vastaus:
NA vastaa puuttuvaa arvoa. Tapauksissa, joissa vektorien komponentteja ei tunneta kokonaan, puuttuvat elementit merkitään NA: lla.
Toisaalta laskelmissa syntyvät määrittelemättömät arvot merkitään NaN: llä. Esimerkki NaN-tuloksesta voisi olla 0/0.
Voimme tarkistaa, onko arvo NA tai NaN, käyttämällä is.na () -toimintoa. Is.nan (X) -toiminto palaa totta vain NaN: lle.

7. Kuinka kirjoittaa omat toiminnot?

Vastaus:
R-funktio voidaan kirjoittaa seuraavasti:
> funktio_nimi <- funktio (arg1, arg2, …) lauseke_in_R
lauseke_in_R on yleensä joukko erilaisia ​​lausekkeita, jotka on kerätty yhteen.

Osa 2 - R-haastattelu (Advanced)

Katsokaamme nyt edistyneitä R-haastattelukysymyksiä.

8. Mitä ovat matriisit R: ssä?

Vastaus:
Matriisi on taulukko, jossa on kaksi alaindeksiä. Se on tärkeä erityinen tapaus matriisista ja R tarjoaa paljon matriiseille ominaisia ​​toimintoja.
Esimerkiksi t (X) antaa matriisin X siirron, operaattoria% *% käytetään matriisin kertomiseen, nrow (X) ja ncol (X) antavat rivien ja sarakkeiden lukumäärän jne.

9. Kuinka ratkaista lineaariset yhtälöt käyttämällä matriisin inversiota?

Vastaus:
Lineaariset yhtälöt matriisimuodossa voidaan esittää:
M * X = C, jossa M on kertoimien nxn-matriisi, X on koon n vektorimuuttuja ja C on koon n vakiovektori.
Voit ratkaista tämän yhtälön R: ssä käyttämällä ratkaisu () -toimintoa seuraavasti:
X = ratkaise (M, C)

Siirrytään seuraavaan R-haastattelukysymykseen.

10. Mikä on kvartiilien välinen alue (IQR) ja kuinka se lasketaan R: ssä?

Vastaus:
Neljäiset ovat arvoja, jotka jakavat tietojoukon. Jokaista kvartiilia, joka perustuu asemaansa tilatussa tietojoukossa, kutsutaan ensimmäiseksi (Q1), toiseksi (Q2) ja kolmanneksi (Q3) kvartiiliksi. Q2 on tietojoukon mediaani. Q1 on ensimmäisen puolikkaan mediaani, kun taas Q3 on tilatun tietojoukon ylemmän puolen mediaani. IQR = Q3-Q1

R: ssä IQR lasketaan kutsumalla IQR-toiminto:
> IQR (tietojoukko)

11. Mitä kuvaaja () toimii?

Vastaus:
Tämä on haastattelussa usein kysyttyjä R-haastattelukysymyksiä. Lohko on yleinen funktio, ja sen perusteella, minkä tyyppisistä argumenteista se muodostuu, kuvaajatyyppi. Esimerkiksi,
Jos x ja y ovat vektoreita, kuvaaja (x, y) tuottaa y: n sirontain x: ta vastaan.
Jos z on luettelo, joka sisältää kaksi elementtiä x ja y tai kaksisarakkeisen matriisin, kuvaaja (z) toimii samalla tavalla kuin yllä.

12. Kuinka soveltaa toimintoa kaikkiin tietokehyksen sarakkeisiin?

Vastaus:
Voimme käyttää toimintoa Käytä (). Siinä on kaksi argumenttia - tietokehys ja käytettävä toiminto.

13.Miten muuntaa tietokehykset matriiseiksi ja miksi sitä tarvitaan?

Vastaus:
Funktiota as.matrix () käytetään muuntamaan tietokehys matriisiksi. R tarjoaa tehokkaita kirjastoja, jotka ovat ominaisia ​​matriiseille. Siksi matriiseiksi muunnetut tietokehykset voidaan analysoida näitä matriisikaavoja käyttämällä.

Siirrytään seuraavaan R-haastattelukysymykseen.

14. Kuinka muotoilla merkkijono päivämääriksi R: ssä?

Vastaus:
Voit käyttää funktiota as.Date (), joka vie merkkijonojen vektorin ja muodon muuntaakseen ne päivämääräobjektiin.
Esimerkiksi,
> as.Date (”22: 2: 2001 ″, muoto =”% d:% m:% Y ”)

(1) ”2001-02-22”

15. Löydä pienin ja suurin luku välillä 7000 - 70000, joka on jaettavissa 233: lla.

Vastaus:
> Etsi (toiminto (x) x %% 233 == 0, 7000: 70000)
(1) 7223

> Etsi (toiminto (x) x %% 233 == 0, 7000: 70000, oikea = Tosi)
(1) 69900

johtopäätös

Olemme käsitellyt haastattelukysymyksiä, jotka liittyvät R.: n yleisimpiin käsitteisiin. Koska R tukee laajaa kirjastoa, R: n parissa työskenteleminen on usein jatkuvaa oppimisprosessia. Lisäksi voit pitää yhteyttä R-yhteisöön ja tutustua CRAN: n lisäresursseihin. Kaikkea hyvää haastattelullesi!

Suositeltava artikkeli

Tämä on ollut opas R-haastattelua koskevien kysymysten ja vastausten luetteloon, jotta hakija voi helposti hajottaa nämä R-haastattelukysymykset. Voit myös katsoa seuraavia artikkeleita saadaksesi lisätietoja -

  1. Informatica-skenaarioihin perustuvat haastattelukysymykset
  2. Hyödyllisiä 10 Tableau -haastattelukysymystä
  3. 10 hämmästyttävää Data Engineer -haastattelukysymystä
  4. Ohjelmistotestaushaastattelukysymykset
  5. SAP vs Oracle Mitkä ovat edut?