Data Science SQL 面试完全指南 2026：高频题型 + 窗口函数 + 真题精讲

为什么 SQL 是 DS 面试的核心考点？

Data Science 面试中，SQL 的考察比例远超大多数候选人的预期。 根据 Glassdoor 和 LeetCode 的数据统计，Meta DS 面试中 SQL 占技术环节的 40%，Google 的 DS 岗位 SQL 考察比例高达 50%，Amazon 的 Business Intelligence Engineer 和 Data Scientist 岗位几乎每轮都有 SQL 题。

原因很简单：DS 的日常工作 80% 以上都在与数据库打交道——从数据提取、清洗、聚合，到构建分析 Pipeline，SQL 是最核心的工具。面试官需要确认你能在真实业务场景中独立完成数据分析任务。

UK 市场的特殊性：英国的 DS 岗位（尤其是金融科技、银行、咨询等行业）对 SQL 的要求往往比美国更高，因为英国公司的数据基础设施更多依赖传统关系型数据库（PostgreSQL、SQL Server、Oracle），而非 Spark/Hive 等大数据工具。

DS SQL 面试的四大核心题型

题型一：窗口函数（Window Functions）

窗口函数是 DS SQL 面试中最高频的考察点，也是区分初级和高级候选人的关键。几乎所有 Top 10 科技公司的 DS 面试都会考察窗口函数。

核心窗口函数速查表：

| 函数 | 用途 | 典型场景 | |------|------|----------| | ROW_NUMBER() | 行号（不重复） | 去重、取 Top N | | RANK() | 排名（并列跳号） | 成绩排名、销售排行 | | DENSE_RANK() | 密集排名（并列不跳号） | 薪资分级、用户分层 | | LAG(col, n) | 取前 n 行的值 | 环比计算、趋势分析 | | LEAD(col, n) | 取后 n 行的值 | 预测下一步行为 | | SUM() OVER() | 累计求和 | 累计收入、留存率 | | AVG() OVER() | 移动平均 | 7 日均线、平滑趋势 | | NTILE(n) | 分桶（等分） | 用户分位数分析 |

真题示例（Meta DS 面试）：给定一张用户登录表 user_logins(user_id, login_date)，找出连续登录 7 天及以上的用户。

1WITH ranked AS (
2  SELECT
3    user_id,
4    login_date,
5    ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY login_date) AS rn
6  FROM user_logins
7),
8grouped AS (
9  SELECT
10    user_id,
11    login_date,
12    DATE_SUB(login_date, INTERVAL rn DAY) AS grp
13  FROM ranked
14)
15SELECT user_id, MIN(login_date) AS streak_start, MAX(login_date) AS streak_end, COUNT(*) AS streak_len
16FROM grouped
17GROUP BY user_id, grp
18HAVING COUNT(*) >= 7;

解题思路：利用 ROW_NUMBER() 生成行号，通过 login_date - rn 的差值将连续日期映射到同一个 grp 值，再按 grp 分组统计连续天数。

题型二：复杂 JOIN 与数据清洗

JOIN 是 DS 面试中最容易出错的题型，尤其是当涉及多表 JOIN、自连接（Self JOIN）和不等值 JOIN 时。

高频 JOIN 题型：

1. 自连接（Self JOIN）：找出薪资高于同部门平均薪资的员工。

1SELECT e.employee_id, e.name, e.salary, dept_avg.avg_salary
2FROM employees e
3JOIN (
4  SELECT department_id, AVG(salary) AS avg_salary
5  FROM employees
6  GROUP BY department_id
7) dept_avg ON e.department_id = dept_avg.department_id
8WHERE e.salary > dept_avg.avg_salary;

2. 不等值 JOIN：找出价格在同类商品中排名前 20% 的产品。

1SELECT p1.product_id, p1.category, p1.price
2FROM products p1
3JOIN products p2
4  ON p1.category = p2.category AND p1.price <= p2.price
5GROUP BY p1.product_id, p1.category, p1.price
6HAVING COUNT(p2.product_id) <= 0.2 * (
7  SELECT COUNT(*) FROM products p3 WHERE p3.category = p1.category
8);

3. 多表 JOIN 数据清洗：这类题目通常给出 3-4 张表，要求候选人在 JOIN 的同时处理 NULL 值、重复数据和数据类型不一致等问题。面试官考察的不仅是 SQL 语法，更是候选人对数据质量的敏感度。

题型三：CTE 与递归查询

CTE（Common Table Expression） 是现代 SQL 的核心特性，也是 DS 面试中展示代码可读性和结构化思维的重要机会。

• CTE 的核心优势：
• 将复杂查询拆分为可读的逻辑单元
• 避免重复子查询，提升性能
• 支持递归查询（处理层级数据）

真题示例（Google DS 面试）：给定一张组织架构表 org_chart(employee_id, manager_id, name)，找出 CEO（manager_id 为 NULL）到每个员工的完整汇报链。

1WITH RECURSIVE hierarchy AS (
2  -- 基础情况：CEO
3  SELECT employee_id, manager_id, name, CAST(name AS VARCHAR(1000)) AS path, 0 AS level
4  FROM org_chart
5  WHERE manager_id IS NULL
6  
7  UNION ALL
8  
9  -- 递归步骤：逐层向下
10  SELECT e.employee_id, e.manager_id, e.name,
11         CONCAT(h.path, ' -> ', e.name) AS path,
12         h.level + 1 AS level
13  FROM org_chart e
14  JOIN hierarchy h ON e.manager_id = h.employee_id
15)
16SELECT * FROM hierarchy ORDER BY level, employee_id;

题型四：A/B Test 数据分析 SQL

这是 DS 面试中最贴近实际工作的题型，考察候选人能否用 SQL 完成完整的 A/B Test 分析流程。

典型题目结构：给定实验分配表 experiment(user_id, variant, assignment_date) 和行为数据表 events(user_id, event_type, event_date, revenue)，计算实验组和对照组的关键指标（转化率、ARPU、留存率）及统计显著性。

1WITH experiment_users AS (
2  SELECT user_id, variant
3  FROM experiment
4  WHERE assignment_date >= '2026-01-01'
5),
6user_metrics AS (
7  SELECT
8    eu.user_id,
9    eu.variant,
10    COUNT(DISTINCT CASE WHEN e.event_type = 'purchase' THEN e.event_date END) AS purchase_days,
11    SUM(CASE WHEN e.event_type = 'purchase' THEN e.revenue ELSE 0 END) AS total_revenue,
12    MAX(CASE WHEN e.event_type = 'purchase' THEN 1 ELSE 0 END) AS converted
13  FROM experiment_users eu
14  LEFT JOIN events e ON eu.user_id = e.user_id
15    AND e.event_date >= '2026-01-01'
16  GROUP BY eu.user_id, eu.variant
17)
18SELECT
19  variant,
20  COUNT(*) AS user_count,
21  AVG(converted) AS conversion_rate,
22  AVG(total_revenue) AS arpu,
23  SUM(total_revenue) AS total_revenue
24FROM user_metrics
25GROUP BY variant;

DS SQL 面试的备考策略

第一阶段（第 1-2 周）：夯实基础

重点掌握：GROUP BY + HAVING、多表 JOIN（INNER/LEFT/RIGHT/FULL）、子查询（相关子查询 vs 非相关子查询）、基础聚合函数。推荐资源：LeetCode SQL 题库（Easy + Medium 共 100 题）、Mode Analytics SQL Tutorial。

第二阶段（第 3-4 周）：攻克窗口函数

窗口函数是 DS SQL 面试的核心难点，需要专项训练。推荐：LeetCode SQL Hard 题（专注窗口函数类）、StrataScratch 的 DS 专项 SQL 题库（按公司分类，包含 Meta/Google/Amazon 真题）。

第三阶段（第 5-6 周）：模拟真实场景

找一个真实数据集（如 Kaggle 的电商数据集），自己设计 A/B Test 分析场景，用 SQL 完成完整的数据分析流程。这个过程能帮助你建立 DS 思维，而不仅仅是 SQL 语法。

备考资源推荐：

| 资源 | 类型 | 适用阶段 | 特点 | |------|------|----------|------| | LeetCode SQL | 题库 | 全阶段 | 覆盖最广，社区解答丰富 | | StrataScratch | 题库 | 中高级 | DS 专项，按公司分类 | | DataLemur | 题库 | 中高级 | 专注 DS/Analytics 场景 | | Mode Analytics | 教程 | 基础 | 免费，可视化友好 | | pgexercises.com | 练习 | 基础 | PostgreSQL 专项 |

AT&T Career Data Science Track 的 SQL 备考支持

我们的 Tech Track（Data Science 方向） 提供系统化的 SQL 面试备考支持，包括：DS SQL 真题题库（200+ 道按公司分类的真题）、一对一 SQL 诊断和提升辅导、A/B Test 数据分析实战训练，以及 Meta/Google/Amazon DS 岗位的完整面试流程模拟。我们的导师均来自 Bloomberg、Meta、Google 等顶级科技公司的 DS 团队，能够提供最真实的 Insider 视角。如需了解详情，请访问 www.attcareer.com/tech 或扫描页面二维码联系我们。