21、简单说一下说说置信区间、置信度。

①置信区间是指由样本统计量所构成的总体参数的估计区间。通常以一个样本统计量的估计值为中心，加减一个标准误差的倍数，构成一个区间。

②置信度是对置信区间的信心程度的度量，通常以百分比的形式表示。

举例来说，如果我们通过对一个样本数据进行统计分析，得到了某个参数的置信区间为(10, 20)，并且置信度为95%，那么我们就可以说，在95%的情况下，真实的参数值位于10到20之间。

22、概率和似然是什么？

①概率通常用来描述已知的情况下，某个事件发生的可能性。概率的取值范围是0~1之间，其中0表示不可能事件，1表示必然事件。

②似然描述了在已知观测数据的情况下，参数值的可能性。

总的来说，概率是在已知参数的情况下描述事件发生的可能性，而似然是在已知观测数据的情况下描述参数取值的可能性。概率通常用于事件的预测和描述，而似然通常用于参数的估计和推断。

 23、讲一下Union和Join的区别？

①Union操纵用于合并两个查询的结果集，并去除重复的行。

②join操作用于根据连接条件在多个表之间建立关联，从而将相关的行组合在一起。join操作分为内连接、外连接、左连接、右连接等。

24、原专业（计算机技术）与数据分析的哪些内容相关？

①编程技能P（如ython）。数据分析通常需要编写代码来处理、分析和可视化数据。

②数据清洗、缺失值处理、异常值检测等。

③数据存储和管理的技术。包括数据库管理系统（如MySQL等）、数据仓库和数据湖等。

④机器学习和深度学习。用于数据建模，挖掘数据特征。

25、在abtest的应用 p值的意义，第一类和第二类错误的定义是什么？

①在 A/B 测试的应用中，p 值是指在假设检验中用来衡量观察到的样本数据与原假设之间差异的概率。通常情况下，p 值越小，表示观察到的数据与原假设之间的差异越显著，从而更有可能拒绝原假设。

②第一类错误是指当原假设为真时，拒绝原假设的错误，也称为假阳性。在 A/B 测试中，这意味着错误地认为实验组和对照组之间存在显著差异，而实际上这种差异是由于随机变异或其他因素引起的。

③第二类错误是指当原假设为假时，接受原假设的错误，也称为假阴性。在 A/B 测试中，这意味着未能检测到实验组和对照组之间的真实差异，而实际上这种差异是存在的。

26、有没有接触过ABtest/经验，请说说对他的理解。

①AB 测试是一种常用的实验设计方法，用于评估两个或多个版本之间的差异。AB 测试的基本原理是将受众随机分成几个群体，每个群体观察不同版本的变化，然后分析这些版本之间的差异是否显著。

②我对AB测试的理解是：

        1、随机分组：AB测试需要将受众随机分成几个组，以保证实验的公平性和统计意义。

        2、对比不同版本：AB测试通常对比两个或多个版本，例如旧版和新版网页设计、广告策略、产品功能等。

        3、设置目标指标：在AB测试中，需要明确评估的目标指标，例如点击率、转化率、用户留存率等。

        4、收集数据：通过分析用户行为数据或其他相关指标，收集实验数据。

        5、统计分析：使用统计方法对实验数据进行分析，判断不同版本之间的差异是否显著。

        6、决策优化：根据实验结果，确定哪个版本更优，从而做出相应的决策和优化。

27、谈谈对游戏行业的理解

①多元化的游戏类型：游戏类型多种多样，包括休闲游戏、角色扮演游戏、射击游戏、策略游戏等，满足了不同玩家群体的需求。 

②社交和竞争性：许多游戏具有社交性和竞争性，玩家可以与朋友一起玩游戏，也可以参加竞技比赛。

③商业模式多样：游戏行业的商业模式多种多样，包括付费下载、免费下载加内购、广告收入等，其中以免费游戏和收费道具的销售为主的模式越来越普遍。

28、常用pandas哪个包？

常用的 pandas 包就是pandas，它是一个开源的Python数据分析库，提供了丰富的数据结构和数据处理功能，用于数据清洗、转换、分析和可视化等任务。

29、简单说一下两类错误

①第一类错误（Type I Error）：在假设检验中，第一类错误指的是错误地拒绝了原假设，即错误地认为存在效应或差异，实际上不存在。第一类错误的概率通常表示为 α（alpha），也称为显著性水平。通常情况下，α 的取值为0.05或0.01，表示了犯第一类错误的概率。

②第二类错误（Type II Error）：第二类错误指的是错误地接受了原假设，即未能发现实际上存在的效应或差异。第二类错误的概率通常用 β（beta）表示。

30、如何估计样本量？

①基于效应大小（Effect Size）的方法： 效应大小是指两组之间的差异大小，可以根据实际情况或以往研究的结果来估计。根据所期望的效应大小，显著性水平和统计功效，可以使用统计软件或在线计算器来计算所需的样本量。

②基于统计功效（Statistical Power）的方法： 统计功效是指正确地拒绝一个错误的原假设的概率，通常取值为80%或90%。通过设定所需的统计功效、显著性水平和预期效应大小，可以计算所需的样本量。

③基于显著性水平（Significance Level）的方法： 显著性水平通常取值为0.05或0.01，它表示拒绝原假设的临界值。通过设定显著性水平、统计功效和预期效应大小，可以计算所需的样本量。

④基于预测精度（Precision）的方法： 在一些情况下，研究者可能更关心估计值的精度而不是效应大小或显著性水平。可以根据所需的预测精度和置信水平来估计样本量。