SQL interjúkérdések tapasztalt szakembereknek

Bevezetés

 
Ha Ön egy tapasztalt adattudós, aki munkát keres, nem is választhatott volna jobb időpontot. Jelenleg számos működő szervezet keres olyan adattudósokat, akik kívül-belül ismerik mesterségüket. A nagy kereslet azonban nem jelenti azt, hogy bizonyos készségkészlet nélkül lehet, vagy érdemes átugrani és vezető pozíciókra pályázni. Amikor tapasztalt adattudósokat alkalmaznak, a vállalatok elvárják, hogy a legnehezebb feladatokon dolgozzanak. Ezeknek az alkalmazottaknak még a leghomályosabb funkciókat is jól ismerniük kell, hogy szükség esetén használni tudják azokat.

Nem lehet meglepő, hogy a vezető állások megválasztásakor a tapasztalt adattudósoknak sokkal nehezebb kérdéseket tesznek fel. Amikor néhány évig egyetlen munkán dolgoznak, az adatkutatók gyakran nagyon ügyessé válnak bizonyos ismétlődő feladatok elvégzésében. Elengedhetetlen, hogy a szakemberek felismerjék, hogy az SQL nem áll meg, és nem ér véget a meglévő tudásukkal. Ha a fejlett SQL-koncepciókról van szó, még mindig lehetnek hiányosságok a tudásukban. Tehát nem árt segítséget kérni az adattudós interjú sikeréhez. 

Az SQL az adatbázisok kezelésének elsődleges nyelve, így az SQL-műveletek végrehajtása az adattudósok munkájának középpontjában áll. A legtöbb adattudós-interjút azért szerveznek, hogy meghatározzák a jelölt SQL-ismeretét. 

Lehet, hogy a mindennapi munkához nem tartozik összetett lekérdezések írása, de meg kell mutatnia, hogy ha ilyen készségekre van szükség, akkor Ön képes rá. Nem lehet tehát meglepő, hogy a kérdezők sokféle kérdést tesznek fel SQL interjú kérdések hogy tesztelje a jelölt SQL nyelvtudását.

Ebben a cikkben a tapasztalt szakemberekkel készített interjúk során feltett összetett kérdéseket és fogalmakat szerettük volna összefoglalni. Még ha bízik is az SQL tudásában, nem árt átvizsgálnia a kulcsszavakat, és megbizonyosodni arról, hogy mindenre kiterjed.

Minimum fogalmak tapasztalt szakemberek számára

ESET / MIKOR

 
A CASE (és a hozzá tartozó When utasítás) fogalmának alapos megértése elengedhetetlen az SQL teljes elsajátításához. Az esetleírás lehetővé teszi számunkra, hogy ellenőrizzünk bizonyos feltételeket, és az alapján adjunk vissza értéket, hogy ezek a feltételek igaznak vagy hamisnak minősülnek-e. A CASE olyan záradékokkal kombinálva, mint a WHERE és ORDER BY, lehetővé teszi számunkra, hogy logikát, feltételeket és sorrendet vigyünk be SQL-lekérdezéseinkbe.

A CASE utasítások értéke nem korlátozódik egy egyszerű feltételes logika biztosítására a lekérdezésekben. A tapasztalt adattudósoknak a CASE-nyilatkozat és annak felhasználási területeinek felületi szintű megértésével kell rendelkezniük. Az interjúztatók valószínűleg kérdéseket tesznek fel Önnek a CASE kifejezések különböző típusairól és azok megírásáról. 

A tapasztalt jelölteknek fel kell készülniük arra, hogy elméleti kérdéseket válaszoljanak meg, például elmagyarázzák a Valued és Searched CASE kijelentések közötti különbségeket, működésüket és megírásukat. Ez megköveteli szintaxisuk és általános gyakorlatuk alapos megértését. Mondanunk sem kell, hogy ez magában foglalja az ELSE záradék megfelelő használatát is.

A tapasztalt adattudósoktól elvárható, hogy a CASE-t aggregált függvényekkel is tudják használni. Arra is felkérést kaphat, hogy írjon egy rövidített CASE utasítást, amely kevésbé ismétlődik és könnyebben érthető. Képesnek kell lennie intelligensen beszélni a figyelmeztetésekről és a gyorsított CASE utasítások használatának lehetséges kockázatairól.

Általában egy tapasztalt adattudósnak képesnek kell lennie a CASE használatával hatékonyabb lekérdezések írásához. Végül is a CASE utasítás teljes célja az, hogy elkerülje a túl sok egyéni lekérdezés írását az adatok konszolidálásához.

Íme egy példa arra a kérdésre, amely a CASE / WHEN utasításokkal megoldható: https://platform.stratascratch.com/coding/9634-host-response-rates-with-cleaning-fees?python= 

Ez egy nehéz kérdés az Airbnb-interjúkon, ahol a jelölteknek meg kell találniuk az átlagos fogadói válaszarányt, az irányítószámot és a hozzá tartozó takarítási díjat.

Ebben az esetben a CASE/WHEN utasítással az eredmény számként formázható, és százalékos értékként jelenik meg, az irányítószám mellett.

SQL csatlakozások

 
Könnyen magabiztosnak érezheti magát az SQL Joins ismereteiben, de minél jobban megvizsgálja ezt a témát, annál inkább rájön, hogy nem ismeri. Az interjúztatók gyakran kérdezik interjúkérdések az SQL Joins speciális szempontjairól amelyeket gyakran figyelmen kívül hagynak. Ezért fontos, hogy elmélyedjünk ebben a koncepcióban, és alaposan elsajátítsuk.
 
Az alapfogalmak mellett a kérdezőbiztosok érdeklődhetnek, hogy mi is az a saját keresztcsatlakozás, és gyakorlati kérdések megoldásával megtudhatja tudásának mélységét. Ismernie kell az összes különböző típusú összekapcsolást, beleértve az összetettebb típusokat is, például a hash illesztéseket vagy az összetett csatlakozásokat. Azt is megkérhetik, hogy magyarázza el, mik azok a természetes illesztések, és mikor a leghasznosabbak. Néha meg kell magyaráznia a természetes és a belső csatlakozások közötti különbségeket.
 
Általánosságban elmondható, hogy alapos tapasztalattal és elsajátítással kell rendelkeznie az illesztések más állításokkal kombinált használatában, hogy elérje a kívánt eredményt. Például tudnia kell, hogyan kell használni a WHERE záradékot a Cross Join használatához, mintha az belső csatlakozás lenne. Azt is elvárják tőled, hogy tudd, hogyan lehet összekapcsolásokat használni új táblák létrehozásához anélkül, hogy túl nagy nyomás nehezedne a szerverre. Vagy hogyan használhatunk külső összekapcsolásokat a hiányzó értékek azonosítására és kitöltésére az adatbázis lekérdezésekor. Vagy a külső illesztések belső működése, például az, hogy a sorrendjük átrendezése megváltoztathatja a kimenetet. 

Íme egy példa arra a kérdésre, amely egy belső közös nyilatkozat megírásával jár. 

Ez egy meglehetősen nehéz kérdés, ahol a pályázóknak a rendelés nagyságát a teljes költés százalékában kell feltüntetni.
 
 

Advanced Concept N1: Dátum-idő manipuláció

Gyakori, hogy az adatbázisok dátumokat és időpontokat tartalmaznak, ezért minden tapasztalt adatkutatónak alapos ismeretekkel kell rendelkeznie a velük való munkavégzésről. Az ilyen típusú adatok lehetővé teszik, hogy nyomon kövessük az események bekövetkezésének sorrendjét, a gyakoriság változásait, kiszámítsuk az intervallumokat, és más fontos betekintést nyerjünk. Sokszor ezeknek a műveleteknek a végrehajtása megköveteli a dátum-idő manipuláció teljes elsajátítását az SQL-ben. Tehát az ilyen készségekkel rendelkező szakemberek előnyt élveznek a versengő jelöltekkel szemben. Ha nem vagy 100%-ig biztos a képességeidben, nézd át az alábbiakban leírt fogalmakat, és nézd meg, hányan csengenek ismerősen.

Mivel sok különböző (de érvényes) megközelítés létezik az adatok SQL-ben történő formázására, a nagyszerű kódolóknak legalább ismerniük kell mindegyiket. Az interjúk során a munkaerő-felvételi vezetők elvárják az alapvető adatformázási fogalmak ismeretét, valamint azt, hogy intelligensen beszéljenek a feladathoz megfelelő funkció kiválasztásáról. Ez magában foglalja egy fontos FORMAT() függvény és a kapcsolódó szintaxis ismeretét a funkció teljes kihasználásához. Más alapfüggvények, például a NOW() ismerete is elvárt. Az sem lenne véletlen, hogy tapasztalt szakembereket olyan alapfogalmakról kérdezzenek, mint az idősoros adatok és azok célja.

Fontos figyelembe venni a megpályázott állás kontextusát is. Egy mesterséges intelligencia- vagy IoT-cég jobban foglalkozna az érzékelőktől gyűjtött adatok nyomon követésével, míg egy tőzsdei alkalmazás esetében előfordulhat, hogy nyomon kell követnie az áringadozásokat a nap, a hét vagy a hónap során.

Egyes esetekben a munkáltatók rákérdezhetnek az SQL fejlettebb dátum/idő függvényeire, mint például a CAST(), EXTRACT() vagy DATE_TRUNC(). Ezek a funkciók felbecsülhetetlen értékűek lehetnek, ha nagy mennyiségű, dátumokat tartalmazó adattal dolgozik. Egy tapasztalt adattudósnak ismernie kell az egyes funkciók célját és alkalmazásait. Ideális forgatókönyv esetén a felhasználónak tapasztalattal kell rendelkeznie ezek használatában.

Az SQL legbonyolultabb dátum-idő manipulációja az alapvető és a speciális funkciók kombinációját fogja tartalmazni. Tehát mindegyiket ismerni kell, kezdve az alapvető FORMAT(), NOW(), CURRENT_DATE és CURRENT_TIME formátumoktól, beleértve a fent említett fejlettebb függvényeket is. Tapasztalt adattudósként Önnek is tudnia kell, mit csinál az INTERVAL, és mikor kell használni.

Íme egy példa az Airbnb-interjúkban feltett kérdésre, ahol a jelentkezőknek a rendelkezésre álló adatok alapján kell nyomon követniük az Airbnb növekedését.
 
 

Az előfeltétel:

 
Ebben a kérdésben a jelentkezőket arra kérik, hogy kövessék nyomon az Airbnb növekedését az évente bejelentkezett házigazdák számának változása alapján. Más szóval, az újonnan regisztrált házigazdák számát használjuk a növekedés mutatójaként minden évben. A növekedési ütemet úgy kapjuk meg, hogy kiszámítjuk az előző és az aktuális év közötti hostok számának különbségét, és elosztjuk ezt a számot az előző évben regisztrált házigazdák számával. Ezután az eredményt 100-zal megszorozva megkapjuk a százalékos értéket.

A kimeneti táblázatnak oszlopokat és a megfelelő adatokat kell tartalmaznia az adott évi, az előző évi hostok számáról és az évről évre történő növekedés százalékos arányáról. A százalékot a legközelebbi egész számra kell kerekíteni, és a sorokat évtől függően növekvő sorrendben kell rendezni.
 
 

Megoldás:

 
A kérdés megválaszolásához a jelöltnek az „airbnb_search_details” nevű táblázattal kell dolgoznia, amely sok oszlopot tartalmaz. Az oszlop, amelyre szükségünk van, a „host_since” címkével rendelkezik, amely azt az évet, hónapot és napot jelöli, amikor a gazdagép először regisztrált a webhelyre. Ennél a gyakorlatnál a hónap és a nap irreleváns, ezért az első dolog, amit tennünk kell, hogy kivonjuk az évszámot az értékből. Ezután létre kell hoznunk egy nézetet, amely külön oszlopokat tartalmaz az aktuális évre, az előző évre és az adott év hostjainak teljes számára. 

Válassza a       kivonatot (év FROM host_since::DATE) FROM airbnb_search_details WHERE host_since IS NOT NULL

Eddig két dolgot tettünk:

1. Gondoskodtunk arról, hogy csak azokat a sorokat tartalmazza, ahol a host_ince oszlop nem üres.
2. Kivontuk az évet az adatokból, és DÁTUM értékként adtuk meg.

Válassza ki a következőt:       kivonat(year FROM host_ince::DATE)       count(id) as current_year_host FROM airbnb_search_details WHERE host_since IS NOT NULL GROUP BY kivonat(year FROM host_since::DATE) ORDER BY year asc

Ezután folytatjuk az azonosítók megszámolását, és minden évre beállítjuk a GROUP BY záradékot. És tedd növekvő sorrendben megjeleníteni. 

Ez egy két oszlopot tartalmazó táblázatot kaphat: az évszámot és az abban az évben regisztrált házigazdák számát. Még mindig nincs teljes képünk a kérdés megoldásához, de ez egy lépés a helyes irányba. Külön oszlopokra van szükségünk az előző évben regisztrált házigazdák számára is. Itt jön be a LAG() függvény.

SELECT       Év,       aktuális_év_gazda,       LAG(jelenlegi_év_gazda, 1) OVER (ORDER BY year) as prev_year_host Válassza ki a(z)       kivonatot (year FROM host_sine::DATE)         count(id) FROM arch_year_air_nnbsceROM, mint aktuális_air_év_nbsst. LL GROUP BY kivonat(év FROM host_ince: :DÁTUM) RENDELÉS év szerint emelkedő

Itt hozzáadtuk a harmadik oszlopot, amely „prev_year_host” lesz, és értékei a „current_year_host”-ból származnak, kivéve egy sor késleltetését. Íme, hogy nézhet ki:

A táblázat ilyen módon történő elrendezése nagyon kényelmessé teszi a végső növekedési ütem kiszámítását. Külön oszlopunk van az egyenlet minden értékéhez. Végül a kódunknak valahogy így kell kinéznie:

SELECT év,       aktuális_év_gazda,       előző_év_gazda,       round((((jelenlegi_év_gazda - előző_év_gazda)/(cast(prev_year_host AS numeric)))*100) becsült_növekedés FROM   (SELECT__, aktuális év, aktuális év _year_host, 1) OVER (ORDER BY év) AS prev_year_host FROM     (SELECT kivonat(év                     FROM host_sine::date) AS év,             count(id) current_year_host       FROM airbnb_search_details   GROUP GROUP kivonat                  FROM host_ince::date)       RENDEZÉS év szerint) t1) t2

Itt hozzáadunk egy másik lekérdezést és egy másik oszlopot, ahol kiszámítjuk a növekedési ütemet. A kezdeti eredményt meg kell szorozni 100-zal, és kerekíteni kell, hogy a feladat követelményei teljesüljenek. 

Ez a megoldás erre a feladatra. Nyilvánvaló, hogy a dátum-idő manipulációs funkciók elengedhetetlenek voltak a feladat elvégzéséhez. 
 
 

Advanced Concept N2: Ablakfunkciók és partíciók

SQL ablak függvények Az összetett, mégis hatékony SQL-lekérdezések írásának egyik legfontosabb fogalma. A tapasztalt szakemberektől elvárják az ablakfunkciók mély gyakorlati és elméleti ismereteit. Ebbe beletartozik annak ismerete, hogy mi az over záradék, és elsajátítani a használatát. Az interjúztatók feltehetik a kérdést, hogy az OVER záradék hogyan tudja az összesített függvényeket ablakfüggvényekké alakítani. A három összesítő függvényről is megkérdezhetik, amelyek ablakfüggvényként használhatók. A tapasztalt adattudósoknak tisztában kell lenniük más, nem összesített ablakfunkciókkal is.

Az ablakfunkciók legjobb kihasználásához ismernünk kell azt is, hogy mi az a PARTITION BY záradék, és hogyan kell használni. Előfordulhat, hogy megkérik, hogy magyarázza el, és adjon példát néhány felhasználási esetre. Néha a sorokat partíciókon belül kell rendeznie az ORDER_BY záradék használatával.

Előnyben részesülnek azok a pályázók, akik bizonyítani tudják az egyes ablakfunkciók alapos ismeretét, például a ROW_NUMBER()-t. Mondanunk sem kell, hogy az elméleti tudás önmagában nem elég – a szakembereknek tapasztalattal is kell rendelkezniük ezek gyakorlati használatában, partíciókkal vagy anélkül. Például egy tapasztalt szakembernek képesnek kell lennie elmagyarázni a RANK() és a DENSE_RANK() közötti különbségeket. Az ideális jelöltnek ismernie kell a legfejlettebb fogalmakat, például a partíciókon belüli kereteket, és képesnek kell lennie azokat világosan elmagyarázni.

A kiváló jelölteknek el kell magyarázniuk az NTH_VALUE() függvény használatát is. Nem ártana megemlíteni a függvény alternatíváit, például a FIRST_VALUE() és LAST_VALUE() függvényeket. A vállalatok gyakran szeretik a kvartiliseket, kvantiliseket és általában a percentiliseket mérni. A művelet végrehajtásához az adattudósoknak tudniuk kell az NTILE() ablakfüggvény használatát is.

Az SQL-ben általában sokféleképpen lehet megközelíteni egy feladatot. Ennek ellenére az ablakfüggvények biztosítják a legegyszerűbb módot a gyakori, de összetett műveletek végrehajtására. Jó példa az ilyen ablakfüggvényekre a LAG() vagy a LEAD(), tehát ezeket is ismernie kell. Nézzünk például egy példát egy nehéz Airbnb-interjúkérdés előző megoldásából:

Az előző évi gazdagépek számának megjelenítéséhez a LAG() függvényt használtuk az OVER utasítással. Ezt sok más módon is meg lehetett volna tenni, de az ablakfüggvények lehetővé tették, hogy az SQL-kód egyetlen sorában elérjük a kívánt eredményt:

LAG(jelenlegi_év_gazda, 1) OVER (RENDEZÉS év szerint) mint előző_év_gazda

Sok vállalatnak ki kell számítania a növekedést egy bizonyos időszakra. A LAG() függvény felbecsülhetetlen értékű lehet az ilyen hozzárendelések elvégzésében.
 
 

Advanced Concept N3: Hónapos növekedés

Sok szervezet adatelemzést használ saját teljesítményének mérésére. Ez magában foglalhatja a marketingkampányok hatékonyságának vagy egy adott befektetés ROI-jának mérését. Az ilyen elemzés elvégzéséhez az SQL alapos ismeretére van szükség, mint például a dátum, az idő és az ablak függvények.

Az adattudósoknak az adatok formázásában és százalékos vagy bármilyen más formában való megjelenítésében is bizonyítaniuk kell képességeiket. Általánosságban elmondható, hogy a gyakorlati kérdések megoldásához, ahol a havi növekedést kell kiszámítani, több készségkészlet kombinációját kell használni. A szükséges fogalmak egy része fejlettebb lesz (ablakfüggvények, dátum-idő manipuláció), míg mások alapvetőek (összesítő függvények és általános SQL utasítások).

Nézzünk egy példakérdést, amelyet az Amazon Interviewers-ei tettek fel.

Az előfeltétel:

 
Ebben a kérdésben a vásárlások táblázatával kell dolgoznunk, és kiszámítanunk kell a bevétel havi növekedését vagy csökkenését. A végeredményt meghatározott módon kell formázni (ÉÉÉÉ-HH formátum), és a százalékokat a második legközelebbi tizedesjegyre kell kerekíteni. 

Megoldás:

 
Amikor egy ilyen feladaton dolgozik, az első dolog, amit meg kell tennie, hogy megértse a táblázatot. Meg kell határoznia azokat az oszlopokat is, amelyekkel a kérdés megválaszolásához dolgoznia kell. És hogy fog kinézni a kimeneted.

Példánkban az adatértékek objektumtípussal rendelkeznek, ezért a CAST() függvényt kell használnunk, hogy dátumtípusokká alakítsuk át őket.

SELECT   to_char(cast(létrehozva_dátumként), 'ÉÉÉÉ-HH') FROM sf_transactions

A kérdés a dátumok formátumát is megadja, így az SQL-ben a TO_CHAR() függvényt használhatjuk a dátum ebben a formátumban történő kiadására.

A növekedés kiszámításához ki kell választanunk a Created_at és a SUM() összesítő függvényt is, hogy megkapjuk az adott dátumra vonatkozó teljes értékesítés volumenét. 

SELECT   to_char(cast( létrehozva

Ezen a ponton ismét ablakfüggvényeket kell használnunk. Pontosabban, a LAG() függvényt fogjuk használni a múlt havi kötet eléréséhez és külön oszlopként való megjelenítéséhez. Ehhez szükségünk lesz egy OVER záradékra is.

SELECT   to_char(cast(létrehozva_dátumként), 'ÉÉÉÉ-HH') AS év_hónap,   Created_at,   sum(value)   lag(sum(value), 1) OVER (ORDER BY create_at::date) FROM sf_transactions GROUP BY Created_at

Az eddig megírt kód alapján a táblázatunk valahogy így fog kinézni:

Itt az összeg oszlopban a dátumok és a megfelelő összértékek, a késleltetés oszlopban pedig az utolsó dátum értékei találhatók. Most beilleszthetjük az értékeket a képletbe, és külön oszlopban jeleníthetjük meg a növekedési ütemet.

Ezenkívül el kell távolítanunk a felesleges Create_at oszlopot, és módosítanunk kell a GROUP BY és ORDER BY záradékot év_hónapra.

SELECT   to_char(cast(létrehozva_dátumként), 'ÉÉÉÉ-HH') AS év_hónap,   összeg(érték),   lag(összeg(érték), 1) OVER (ORDER BY to_char(cast(létrehozva_dátumként)) FROM sf_transactions GROUP BY év_hónap

A kód futtatása után a táblázatunk csak azokat az oszlopokat tartalmazza, amelyek a számításunkhoz elengedhetetlenek.

Most végre elérkezhetünk a megoldáshoz. Így nézne ki a végső kód:

SELECT to_char(létrehozva w)) * 1, 1) AS bevétel_különbség_pct FROM sf_transactions CSOPORT BY év_hónap WINDOW w AS (         ORDER BY to_char(created_at::date, 'YYYY-MM')) ORDER BY év_hónap ASC

Ebben a kódban két oszlopértéket veszünk az előző példából, és kiszámítjuk a köztük lévő különbséget. Ne feledje, hogy ablak álneveket is használunk, hogy csökkentsük kódunk ismétlődését.

Ezután az algoritmusnak megfelelően elosztjuk az aktuális havi bevétellel, és megszorozzuk 100-zal, hogy megkapjuk a százalékos értéket. Végül a százalékértéket két tizedesjegyre kerekítjük. A feladat minden követelményét kielégítő válaszhoz jutunk. 

Advanced Concept N4: Lemorzsolódási arány

 
Bár a növekedés ellentéte, a lemorzsolódás is fontos mérőszám. Sok vállalat nyomon követi lemorzsolódási arányát, különösen, ha üzleti modellje előfizetés alapú. Így nyomon követhetik az elveszett előfizetések vagy fiókok számát, és megjósolhatják az okokat, amelyek ezt okozták. Egy tapasztalt adattudósnak tudnia kell, mely függvényeket, kijelentéseket és záradékokat kell használnia a lemorzsolódási arány kiszámításához.

Az előfizetési adatok nagyon privátak, és személyes felhasználói információkat tartalmaznak. Az is fontos, hogy az adattudósok tudják, hogyan dolgozhatnak ilyen adatokkal anélkül, hogy felfednék azokat. A lemorzsolódási arányok kiszámítása gyakran gyakori táblázatkifejezéseket foglal magában, amelyek viszonylag új fogalmak. A legjobb adattudósoknak tudniuk kell, miért hasznosak a CTE-k, és mikor kell használni őket. Ha régebbi adatbázisokkal dolgozik, ahol a CTE-k nem állnak rendelkezésre, az ideális jelöltnek továbbra is el kell tudnia végezni a munkát.

Íme egy példa egy nehéz feladatra. A Lyftnél interjút készítő jelöltek megkapják ezt a feladatot, hogy kiszámítsák a járművezetők lemorzsolódási arányát a vállalatnál.

A probléma megoldásához az adattudósoknak case/when utasításokat, ablakfüggvényeket, például LAG(), valamint FROM / WHERE és egyéb alapvető kitételeket kell használniuk. 

Következtetés

 
Az, hogy sok éven át adattudósként dolgozol, minden bizonnyal lenyűgözőnek tűnik az önéletrajzon, és sok interjút fog kapni. Ha azonban beteszi a lábát az ajtón, akkor is meg kell jelenítenie a tudást, hogy kiegészítse több éves tapasztalatát. Még akkor is, ha széleskörű tapasztalattal rendelkezik lekérdezések írása SQL-ben, nem árt olyan erőforrásokat használni, mint StrataScratch hogy felfrissítse tudását.

 
 
Nate Rosidi adattudós és termékstratégia. Emellett analitikát tanító adjunktus, és az alapítója StrataScratch, egy platform, amely segíti az adattudósokat az interjúkra való felkészülésben a vezető cégektől származó valódi interjúkérdések segítségével. Kapcsolatba lépni vele Twitter: StrataScratch or LinkedIn.

Forrás: https://www.kdnuggets.com/2022/01/sql-interview-questions-experienced-professionals.html