Подготовка к собеседованию — Аналитик данных

Короткий ответ: Среднее — сумма, делённая на количество, чувствительно к выбросам. Медиана — центральное значение упорядоченного ряда, устойчива к выбросам. Мода — самое частое значение. Для скошенных данных медиана точнее отражает «типичное» наблюдение.

Подробно:

1. Среднее (mean) — хорошо для симметричных данных и для дальнейших расчётов (дисперсия, регрессия), но один выброс сдвигает его.
2. Медиана — 50-й перцентиль; делит данные пополам и почти не реагирует на экстремумы.
3. Мода — единственная метрика для категориальных данных («самый частый тариф»).

Метрика	Когда применять	Чувствительность к выбросам
Среднее	симметричные данные, дальнейшие расчёты	высокая
Медиана	скошенные данные: доход, время отклика, цены	низкая
Мода	категориальные данные, самое частое значение	низкая

⚠️ Частая ошибка: отчитываться средним по доходу или времени отклика. Длинный правый хвост тянет среднее вверх, и оно перестаёт описывать типичного пользователя — берите медиану.

Короткий ответ: A/B-тест — это рандомизированный эксперимент: пользователей случайно делят на контроль и тритмент, показывают разные версии и сравнивают одну заранее выбранную первичную метрику по фиксированному правилу решения.

Подробно:

1. Гипотеза — что меняем, на какую метрику влияем и почему.
2. Метрика и MDE — одна первичная метрика плюс минимально детектируемый эффект (MDE).
3. Рандомизация — случайное и устойчивое разбиение на контроль/тритмент.
4. Размер выборки и длительность — считаем и фиксируем до старта.
5. Запуск до N — крутим до набора выборки, не подглядывая в промежуточные итоги.
6. Анализ — сравниваем метрику, считаем p-значение и доверительный интервал лифта.
7. Решение — выкатываем или откатываем по заранее заданному правилу.

Гипотеза → Рандомизация → Запуск до N → Анализ → Решение
              │                                    │
       контроль / тритмент              выкатить ✓ / откатить ✗

⚠️ Частая ошибка: менять интерфейс по ходу теста или останавливать его в первый момент «значимости» — и то и другое ломает выводы.

Короткий ответ: Хорошая метрика измерима, сравнима, понятна и трудно поддаётся накрутке (gameable), а главное — actionable: по ней можно принять решение. KPI — это та же метрика, но привязанная к цели и целевому значению на период; KPI — подмножество метрик, а не синоним.

Подробно:

1. Actionable, а не vanity — метрика должна менять чьё-то решение. Если число выросло, но никто не знает, что делать, — это vanity-метрика.
2. Сравнимость — используй ставки и отношения (конверсия, retention %), а не абсолютные счётчики: они сопоставимы между периодами и сегментами.
3. Устойчивость к накрутке — спрашивай «как это можно нагнать, не создав ценности?». «Клики» легко накрутить, «активированные пользователи» — труднее.
4. Ясное определение — один числитель, один знаменатель, окно и фильтры зафиксированы, иначе две команды считают по-разному.

Свойство	Метрика	KPI
Что это	любое измеримое число	метрика с целью
Привязка к цели	не обязательно	обязательно (target)
Сколько штук	много	единицы, отобранные
Пример	время на странице	activation rate ≥ 40% к Q3

⚠️ Частая ошибка: называть KPI всё подряд. KPI — это 3–5 метрик, по которым команду реально оценивают; остальное — диагностические метрики.

Короткий ответ: Тип графика диктует не вкус, а характер связи в данных: сравнение категорий — столбики, динамика во времени — линия, корреляция двух величин — диаграмма рассеяния, доля немногих частей в целом — круговая. Если сомневаешься между круговой и чем-то ещё — почти всегда выбирай столбики.

Подробно:

Сначала формулируешь, какую связь показываешь, и только потом выбираешь визуализацию:

Связь в данных	Тип графика	Почему
Сравнение категорий	Столбчатая	глаз точно сравнивает длину; ось обязана начинаться с 0
Динамика во времени	Линейная	линия подчёркивает тренд и непрерывность
Корреляция X и Y	Точечная (scatter)	видно облако, кластеры и выбросы
Доля частей в целом	Круговая / стек	только при 2–4 частях, сумма = 100%
Распределение	Гистограмма / boxplot	видно форму, разброс, хвосты

• Столбики — рабочая лошадка для категорий; ось Y начинается с нуля, иначе разница в высоте врёт.
• Линия — только для упорядоченной непрерывной оси (время, дни); не соединяй линией несвязанные категории.
• Scatter — для «связаны ли X и Y», добавь линию тренда при необходимости.

⚠️ Частая ошибка: круговая диаграмма с 8 секторами — доли на ней неразличимы; замени на горизонтальные столбики, отсортированные по величине.

Короткий ответ: Series — это одномерный массив с индексом (один столбец), DataFrame — двумерная таблица из колонок-Series с общим индексом строк. Данные грузят через pd.read_csv() / pd.read_sql(), а первичный осмотр делают через .head(), .info(), .describe(), .dtypes, .shape.

Подробно:

1. Series vs DataFrame — df['col'] возвращает Series; df[['col']] (двойные скобки) — DataFrame из одной колонки. У обоих есть .index.
2. Загрузка — read_csv (файл/URL), read_sql (SQL-запрос + соединение), read_parquet (быстрый колоночный формат).
3. Осмотр — .head()/.tail() смотрят края, .info() даёт типы и пропуски, .describe() — статистику числовых колонок, .dtypes — типы, .shape — размер.

import pandas as pd

df = pd.read_csv("sales.csv", parse_dates=["order_date"])
df.shape          # (10000, 8) — строки, колонки
df.info()         # типы колонок и число непустых значений
df.describe()     # count/mean/std/min/quartiles/max по числовым
df["revenue"].head()   # Series — одна колонка

⚠️ Частая ошибка: забыть parse_dates= при чтении — колонка с датами останется object (строкой), и арифметика по датам/resample() работать не будут.