Pytania do wywiadu SQL dla doświadczonych profesjonalistów

Wprowadzenie

 
Jeśli jesteś doświadczonym analitykiem danych i szukasz pracy, nie mogłeś wybrać lepszego czasu. W tej chwili wiele organizacji o ugruntowanej pozycji poszukuje analityków danych, którzy znają się na swoim fachu od podszewki. Jednak wysoki popyt nie oznacza, że ​​możesz lub powinieneś przeskoczyć przez obręcze i ubiegać się o wyższe stanowiska bez określonego zestawu umiejętności. Firmy zatrudniając doświadczonych analityków danych, oczekują od nich pracy nad najtrudniejszymi zadaniami. Pracownicy ci powinni dobrze znać nawet najbardziej niejasne funkcje, aby móc z nich korzystać w razie potrzeby.

Nie powinno dziwić, że podczas rozmów kwalifikacyjnych na wyższe stanowiska doświadczonym analitykom danych często zadawane są znacznie trudniejsze pytania. Często pracując nad jednym stanowiskiem przez kilka lat, analitycy danych stają się bardzo wykwalifikowani w wykonywaniu pewnych powtarzalnych zadań. Specjaliści muszą zdać sobie sprawę, że SQL nie kończy się na ich dotychczasowej wiedzy. Jeśli chodzi o zaawansowane koncepcje SQL, nadal mogą istnieć pewne luki w ich wiedzy. Więc nie zaszkodzi uzyskać pomoc, aby odnieść sukces podczas rozmowy kwalifikacyjnej z naukowcami danych. 

SQL jest podstawowym językiem do zarządzania bazami danych, więc wykonywanie operacji SQL jest sercem pracy analityków danych. Większość rozmów kwalifikacyjnych z naukowcami danych jest organizowana w celu ustalenia znajomości języka SQL przez kandydata. 

Codzienna praca może nie obejmować pisania skomplikowanych zapytań, ale musisz pokazać, że jeśli takie umiejętności są potrzebne, jesteś osobą, która to potrafi. Nie powinno więc dziwić, że ankieterzy pytają o zróżnicowany zestaw Pytania do wywiadu SQL aby przetestować biegłość kandydata w języku SQL.

W tym artykule chcieliśmy podsumować niektóre złożone pytania i koncepcje zadawane podczas wywiadów z doświadczonymi profesjonalistami. Nawet jeśli masz pewność co do swojej wiedzy na temat SQL, nie zaszkodzi przeskanować słowa kluczowe i upewnić się, że wszystko zostało omówione.

Podstawowe koncepcje dla doświadczonych profesjonalistów

PRZYPADEK / KIEDY

 
Dokładne zrozumienie koncepcji CASE (i towarzyszącej jej instrukcji When) jest niezbędne do osiągnięcia pełnej znajomości języka SQL. Instrukcja case pozwala nam sprawdzić określone warunki i zwrócić wartość na podstawie tego, czy warunki te są prawdziwe czy fałszywe. W połączeniu z klauzulami, takimi jak WHERE i ORDER BY, CASE pozwala nam wprowadzić logikę, warunki i porządek do naszych zapytań SQL.

Wartość instrukcji CASE nie ogranicza się do zapewnienia prostej logiki warunkowej w naszych zapytaniach. Doświadczeni naukowcy zajmujący się danymi powinni mieć więcej niż tylko powierzchowną wiedzę na temat stwierdzenia CASE i jego zastosowań. Ankieterzy mogą zadawać pytania dotyczące różnych typów wyrażeń CASE i tego, jak je pisać. 

Doświadczeni kandydaci powinni być przygotowani do odpowiedzi na pytania teoretyczne, takie jak wyjaśnienie różnic między wypowiedziami Valued i Searched CASE, jak działają i jak je pisać. Wymaga to dobrego zrozumienia ich składni i typowych praktyk. Nie trzeba dodawać, że obejmuje to również prawidłowe użycie klauzuli ELSE.

Oczekuje się, że doświadczeni analitycy danych będą wiedzieć, jak używać CASE z funkcjami agregacji. Możesz również zostać poproszony o napisanie skróconego wyrażenia CASE, które jest mniej powtarzalne i łatwiejsze do zrozumienia. Powinieneś być w stanie inteligentnie mówić o zastrzeżeniach i możliwym ryzyku używania skróconych instrukcji CASE.

Ogólnie rzecz biorąc, doświadczony analityk danych musi umieć używać CASE do pisania bardziej wydajnych zapytań. W końcu całym celem instrukcji CASE jest uniknięcie pisania zbyt wielu pojedynczych zapytań w celu skonsolidowania danych.

Oto przykład pytania, które można rozwiązać za pomocą instrukcji CASE / WHEN: https://platform.stratascratch.com/coding/9634-host-response-rates-with-cleaning-fees?python= 

To trudne pytanie zadawane podczas rozmów kwalifikacyjnych Airbnb, w których kandydaci muszą znaleźć średni wskaźnik odpowiedzi gospodarza, kod pocztowy i odpowiednią opłatę za sprzątanie.

W tym przypadku instrukcja CASE/WHEN służy do formatowania wyniku jako liczby i przedstawiania go jako wartości procentowej, oprócz kodu pocztowego.

Połączenia SQL

 
Łatwo jest mieć pewność co do swojej wiedzy na temat złączeń SQL, ale im więcej zgłębisz tego tematu, tym więcej odkryjesz, że nie wiesz. Ankieterzy często pytają wywiad pytania dotyczące zaawansowanych aspektów SQL Joins które są często pomijane. Dlatego ważne jest, aby zagłębić się w tę koncepcję i dokładnie ją opanować.
 
Oprócz podstawowych pojęć, ankieterzy mogą zapytać, czym są połączenia krzyżowe, i dowiedzieć się, jaka jest Twoja wiedza, prosząc o rozwiązanie praktycznych pytań. Powinieneś znać wszystkie różne typy sprzężeń, w tym bardziej złożone typy, takie jak sprzężenia mieszające lub sprzężenia złożone. Możesz również zostać poproszony o wyjaśnienie, czym są sprzężenia naturalne i kiedy są najbardziej przydatne. Czasami będziesz musiał wyjaśnić różnice między sprzężeniami naturalnymi i wewnętrznymi.
 
Ogólnie rzecz biorąc, powinieneś mieć duże doświadczenie i biegłość w używaniu łączeń w połączeniu z innymi stwierdzeniami, aby osiągnąć pożądane rezultaty. Na przykład powinieneś wiedzieć, jak używać klauzuli WHERE, aby używać łączenia krzyżowego tak, jakby było to połączenie wewnętrzne. Oczekuje się również, że będziesz wiedzieć, jak używać złączeń do tworzenia nowych stołów bez wywierania zbyt dużej presji na serwerze. Lub jak używać sprzężeń zewnętrznych do identyfikowania i uzupełniania brakujących wartości podczas wykonywania zapytań do bazy danych. Lub wewnętrzne działanie połączeń zewnętrznych, takie jak fakt, że zmiana kolejności może zmienić wynik. 

Oto przykład pytania, które polega na napisaniu wewnętrznego wspólnego oświadczenia. 

To dość trudne pytanie, w którym kandydaci proszeni są o wyświetlenie wielkości zamówienia jako procentu całkowitych wydatków.
 
 

Koncepcja zaawansowana N1: Manipulacja data-czas

Bazy danych często zawierają daty i godziny, więc każdy doświadczony analityk danych powinien mieć głęboką wiedzę na temat pracy z nimi. Tego typu dane pozwalają nam śledzić kolejność występowania zdarzeń, zmiany częstotliwości, obliczać interwały i uzyskiwać inne ważne informacje. Wiele razy wykonywanie tych operacji wymaga pełnego opanowania manipulacji datą i czasem w SQL. Tak więc profesjonaliści z takim zestawem umiejętności będą mieli przewagę nad konkurującymi kandydatami. Jeśli nie jesteś w 100% pewny swoich umiejętności, przejrzyj pojęcia opisane poniżej i zobacz, ile z nich brzmi znajomo.

Ponieważ istnieje wiele różnych (ale poprawnych) podejść do formatowania danych w SQL, świetni programiści powinni przynajmniej znać je wszystkie. Podczas wywiadów menedżerowie ds. rekrutacji oczekują znajomości podstawowych pojęć dotyczących formatowania danych oraz umiejętności inteligentnego mówienia o wyborze odpowiedniej funkcji do zadania. Obejmuje to znajomość ważnej funkcji FORMAT() i związanej z nią składni, aby w pełni wykorzystać tę funkcję. Oczekuje się również znajomości innych podstawowych funkcji, takich jak NOW(). Ponadto doświadczonym profesjonalistom nie byłoby nic dziwnego, gdyby zapytano ich o podstawowe pojęcia, takie jak dane szeregów czasowych i ich cel.

Ważne jest również, aby wziąć pod uwagę kontekst pracy, o którą się ubiegasz. Firma AI lub IoT byłaby bardziej zainteresowana śledzeniem danych zebranych z czujników, podczas gdy aplikacja do handlu akcjami może wymagać śledzenia wahań cen w ciągu dnia, tygodnia lub miesiąca.

W niektórych przypadkach pracodawcy mogą zapytać o bardziej zaawansowane funkcje daty/czasu w SQL, takie jak CAST(), EXTRACT() lub DATE_TRUNC(). Te funkcje mogą być nieocenione podczas pracy z dużą ilością danych zawierających daty. Doświadczony analityk danych powinien znać cel każdej funkcji i jej zastosowania. W idealnym scenariuszu powinien mieć doświadczenie w używaniu ich w przeszłości.

Najbardziej złożona manipulacja data-czas w SQL będzie obejmować kombinację funkcji podstawowych i zaawansowanych. Dlatego konieczne jest poznanie ich wszystkich, zaczynając od bardziej podstawowych FORMAT(), NOW(),CURRENT_DATE i CURRENT_TIME, a także włączając bardziej zaawansowane funkcje wymienione powyżej. Jako doświadczony analityk danych powinieneś również wiedzieć, czym zajmuje się INTERVAL i kiedy z niego korzystać.

Oto przykład pytania zadanego w wywiadach Airbnb, gdzie kandydaci muszą wykorzystać dostępne dane do śledzenia rozwoju Airbnb.
 
 

Przesłanka:

 
W tym pytaniu kandydaci są proszeni o śledzenie rozwoju Airbnb w oparciu o zmiany liczby hostów rejestrowanych każdego roku. Innymi słowy, użyjemy liczby nowo zarejestrowanych hostów jako wskaźnika wzrostu w każdym roku. Tempo wzrostu uzyskamy, obliczając różnicę w liczbie hostów między poprzednim a bieżącym rokiem i dzieląc tę ​​liczbę przez liczbę hostów zarejestrowanych w poprzednim roku. Następnie znajdziemy wartość procentową, mnożąc wynik przez 100.

W tabeli wyjściowej powinny znajdować się kolumny i odpowiadające im dane dotyczące liczby hostów w roku bieżącym, w roku poprzednim oraz procentu wzrostu z roku na rok. Procent należy zaokrąglić do najbliższej liczby całkowitej, a wiersze należy ułożyć w porządku rosnącym w zależności od roku.
 
 

Rozwiązanie:

 
Aby odpowiedzieć na to pytanie, kandydat musi pracować z tabelą o nazwie „airbnb_search_details”, która zawiera wiele kolumn. Kolumna, której potrzebujemy, jest oznaczona etykietą „host_since”, co oznacza rok, miesiąc i dzień, w którym host zarejestrował się po raz pierwszy w witrynie. W tym ćwiczeniu miesiąc i dzień są nieistotne, więc pierwszą rzeczą, którą musimy zrobić, jest wyodrębnienie roku z wartości. Następnie będziemy musieli utworzyć widok, który zawiera oddzielne kolumny dla bieżącego roku, poprzedniego roku i całkowitej liczby hostów w tym roku. 

Wybierz wyciąg (rok OD host_since::DATA) Z airbnb_search_details GDZIE host_since NIE JEST NULL

Do tej pory zrobiliśmy dwie rzeczy:

1. Upewniliśmy się, że uwzględniamy tylko te wiersze, w których kolumna host_since nie jest pusta.
2. Wyodrębniliśmy rok z danych i odrzuciliśmy go jako wartość DATE.

Wybierz wyciąg(rok OD host_since::DATE) count(id) jako current_year_host FROM airbnb_search_details GDZIE host_since NIE JEST NULL GROUP BY extract(year FROM host_since::DATE) KOLEJNOŚĆ WEDŁUG roku rosnąco

Następnie przystępujemy do liczenia identyfikatorów i ustawiamy klauzulę GROUP BY dla każdego roku. I spraw, aby wyświetlał się w kolejności rosnącej. 

Powinno to dać nam tabelę z dwiema kolumnami: rok i liczbę hostów zarejestrowanych w tym roku. Nadal nie mamy pełnego obrazu potrzebnego do rozwiązania tego pytania, ale to krok we właściwym kierunku. Potrzebujemy również oddzielnych kolumn dla hostów zarejestrowanych w poprzednim roku. Tutaj wkracza funkcja LAG().

SELECT Year, current_year_host, LAG(current_year_host, 1) OVER (ORDER BY year) as prev_year_host Wybierz extract(year FROM host_since::DATE) count(id) as current_year_host FROM airbnb_search_details GDZIE host_since NIE JEST NULL GROUP BY extract(year FROM host_since: :DATA) KOLEJNOŚĆ WEDŁUG roku rosnąco

Tutaj dodaliśmy trzecią kolumnę, która będzie oznaczona jako „prev_year_host”, a jej wartości będą pochodzić z „current_year_host”, z wyjątkiem opóźnienia jednego wiersza. Oto, jak to może wyglądać:

Ułożenie tabeli w ten sposób sprawia, że ​​bardzo wygodnie jest obliczyć ostateczną stopę wzrostu. Dla każdej wartości w równaniu mamy osobną kolumnę. Docelowo nasz kod powinien wyglądać mniej więcej tak:

SELECT year, current_year_host, prev_year_host, round(((current_year_host - prev_year_host)/(cast(prev_year_host AS numeric)))*100) oszacowany_wzrost FROM (SELECT rok, current_year_host, LAG(current_year_host, 1) OVER (ORDER BY year) AS prev_year_host FROM (WYBIERZ wyciąg(rok FROM host_since::data) AS rok, count(id) current_year_host FROM airbnb_search_details WHERE host_since NIE JEST NULL GROUP BY wyciąg(rok FROM host_od::data) KOLEJNOŚĆ BY rok) t1) t2

Tutaj dodajemy kolejne zapytanie i kolejną kolumnę, w której obliczamy tempo wzrostu. Wynik początkowy musimy pomnożyć przez 100 i zaokrąglić, aby spełnić wymagania zadania. 

To jest rozwiązanie tego zadania. Oczywiste jest, że funkcje manipulacji datą i godziną były niezbędne do wykonania zadania. 
 
 

Koncepcja zaawansowana N2: Funkcje okien i partycje

Funkcje okna SQL to jedna z najważniejszych koncepcji pisania złożonych, ale wydajnych zapytań SQL. Od doświadczonych specjalistów oczekuje się głębokiej wiedzy praktycznej i teoretycznej na temat funkcji okien. Obejmuje to znajomość klauzuli over i opanowanie jej użycia. Ankieterzy mogą zapytać, w jaki sposób klauzula OVER może przekształcić funkcje agregujące w funkcje okna. Możesz również zostać zapytany o trzy funkcje agregujące, które mogą być używane jako funkcje okna. Doświadczeni naukowcy zajmujący się danymi powinni być również świadomi innych, niezagregowanych funkcji okien.

Aby jak najlepiej wykorzystać funkcje okna, trzeba także wiedzieć, czym jest klauzula PARTITION BY i jak jej używać. Możesz zostać poproszony o wyjaśnienie tego i podanie przykładów kilku przypadków użycia. Czasami będziesz musiał zorganizować wiersze w partycjach za pomocą klauzuli ORDER_BY.

Kandydaci, którzy potrafią wykazać się dogłębną znajomością każdej funkcji okna, takiej jak ROW_NUMBER(), będą mieli przewagę. Nie trzeba dodawać, że sama wiedza teoretyczna nie wystarczy – profesjonaliści powinni mieć również doświadczenie w ich praktycznym stosowaniu, z przegrodami lub bez. Na przykład doświadczony profesjonalista powinien być w stanie wyjaśnić różnice między RANK() i DENSE_RANK(). Idealny kandydat powinien znać niektóre z najbardziej zaawansowanych pojęć, takich jak ramki w partycjach, i być w stanie je jasno wyjaśnić.

Świetni kandydaci powinni również wyjaśnić użycie funkcji NTH_VALUE(). Nie zaszkodzi wspomnieć o alternatywach dla tej funkcji, takich jak funkcje FIRST_VALUE() i LAST_VALUE(). Firmy często lubią ogólnie mierzyć kwartyle, kwantyle i percentyle. Aby wykonać tę operację, analitycy danych muszą również wiedzieć, jak korzystać z funkcji okna NTILE().

W SQL zazwyczaj istnieje wiele sposobów podejścia do zadania. Mimo to funkcje okien zapewniają najłatwiejszy sposób wykonywania typowych, ale złożonych operacji. Dobrym przykładem takiej funkcji okna jest LAG() lub LEAD(), więc powinieneś się z nimi również zapoznać. Na przykład spójrzmy na przykład z poprzedniego rozwiązania trudnego pytania do rozmowy kwalifikacyjnej Airbnb:

Aby wyświetlić liczbę hostów w poprzednim roku, użyliśmy funkcji LAG() z instrukcją OVER. Można to było zrobić na wiele innych sposobów, ale funkcje okna pozwoliły nam uzyskać pożądany wynik w zaledwie jednym wierszu kodu SQL:

LAG(host_bieżący_rok, 1) OVER (ORDER BY rok) jako host_prev_year

Wiele firm musi obliczać wzrost w określonym czasie. Funkcja LAG() może być nieoceniona przy wykonywaniu takich zadań.
 
 

Zaawansowana koncepcja N3: wzrost z miesiąca na miesiąc

Wiele organizacji wykorzystuje analizę danych do mierzenia własnej wydajności. Może to wiązać się z pomiarem skuteczności kampanii marketingowych lub zwrotu z inwestycji w konkretną inwestycję. Przeprowadzenie takiej analizy wymaga dogłębnej znajomości języka SQL, takiej jak data, godzina i funkcje okien.

Analitycy danych będą również musieli wykazać się umiejętnościami formatowania danych i wyświetlania ich w procentach lub w dowolnej innej formie. Ogólnie rzecz biorąc, aby rozwiązać praktyczne pytania, w których musisz obliczyć wzrost z miesiąca na miesiąc, musisz użyć kombinacji wielu zestawów umiejętności. Niektóre wymagane koncepcje będą zaawansowane (funkcje okienne, manipulacja datami i godzinami), podczas gdy inne będą podstawowe (funkcje agregujące i typowe instrukcje SQL).

Spójrzmy na przykładowe pytanie zadane przez ankieterów w Amazon.

Przesłanka:

 
W tym pytaniu musimy popracować z tabelą zakupów i obliczyć miesięczny wzrost lub spadek przychodów. Wynik końcowy musi być sformatowany w określony sposób (format RRRR-MM), a wartości procentowe zaokrąglone do drugiego najbliższego miejsca po przecinku. 

Rozwiązanie:

 
Pracując nad takim zadaniem, pierwszą rzeczą, którą musisz zrobić, jest zrozumienie tabeli. Powinieneś również określić kolumny, z którymi musisz pracować, aby odpowiedzieć na pytanie. I jak będzie wyglądać twoje wyjście.

W naszym przykładzie wartości danych mają typ obiektu, więc będziemy musieli użyć funkcji CAST(), aby przekształcić je w typy dat.

WYBIERZ to_char(cast(stworzone_w dacie), 'RRRR-MM') FROM sf_transactions

Pytanie określa również format dat, więc możemy użyć funkcji TO_CHAR() w SQL, aby wyprowadzić datę w tym formacie.

Aby obliczyć wzrost, powinniśmy również wybrać funkcję agregującą created_at i SUM(), aby uzyskać wielkość całkowitej sprzedaży na ten dzień. 

SELECT to_char(cast(stworzony_w dacie), 'RRRR-MM'), utworzony_w, sum(wartość) FROM sf_transactions

W tym momencie musimy ponownie użyć funkcji okna. W szczególności użyjemy funkcji LAG(), aby uzyskać dostęp do wolumenu z zeszłego miesiąca i wyświetlić go jako oddzielną kolumnę. W tym celu potrzebujemy również klauzuli OVER.

SELECT to_char(cast(stworzony_w dniu), 'RRRR-MM') AS rok_miesiąc, utworzony_w, sum(wartość) lag(sum(wartość), 1) OVER (ORDER BY utworzony_w::data) FROM sf_transactions GROUP BY utworzony_w

Na podstawie kodu, który do tej pory napisaliśmy, nasza tabela będzie wyglądać mniej więcej tak:

Tutaj mamy daty i odpowiadające im wartości sumaryczne w kolumnie sum oraz wartości ostatniej daty w kolumnie lag. Teraz możemy wstawić wartości do formuły i wyświetlić tempo wzrostu w osobnej kolumnie.

Powinniśmy również usunąć niepotrzebną kolumnę created_at i zmienić klauzule GROUP BY i ORDER BY na rok_miesiąc.

SELECT to_char(cast(stworzone_w dacie), 'RRRR-MM') AS year_month, sum(value), lag(sum(value), 1) OVER (ORDER BY to_char(cast(stworzone_w dniu)) FROM sf_transactions GROUP BY rok_miesiąc

Po uruchomieniu kodu nasza tabela powinna zawierać tylko te kolumny, które są niezbędne do naszych obliczeń.

Teraz możemy wreszcie znaleźć rozwiązanie. Oto jak wyglądałby ostateczny kod:

SELECT to_char(created_at::date, 'YYYY-MM') AS year_month, round(((suma(wartość) - opóźnienie(suma(wartość), 1) OVER w) / (opóźnienie(suma(wartość), 1) OVER w)) * 100, 2) AS przychód_diff_pct FROM sf_transactions GROUP BY rok_miesiąc OKNO w AS ( ORDER BY to_char(created_at::date, 'RRRR-MM')) ORDER BY rok_miesiąc ASC

W tym kodzie bierzemy dwie wartości kolumn z poprzedniego przykładu i obliczamy różnicę między nimi. Zauważ, że używamy również aliasów okien, aby zmniejszyć powtarzalność naszego kodu.

Następnie zgodnie z algorytmem dzielimy go przez przychód bieżącego miesiąca i mnożymy przez 100, aby otrzymać wartość procentową. Na koniec zaokrąglamy wartość procentową do dwóch miejsc po przecinku. Dochodzimy do odpowiedzi, która spełnia wszystkie wymagania zadania. 

Koncepcja zaawansowana N4: Wskaźniki rezygnacji

 
Mimo że jest to przeciwieństwo wzrostu, churn jest również ważnym wskaźnikiem. Wiele firm śledzi wskaźniki churn, zwłaszcza jeśli ich model biznesowy opiera się na subskrypcji. W ten sposób mogą śledzić liczbę utraconych subskrypcji lub kont i przewidywać przyczyny, które je spowodowały. Oczekuje się, że doświadczony specjalista ds. danych będzie wiedział, jakich funkcji, instrukcji i klauzul użyć do obliczenia współczynnika rezygnacji.

Dane subskrypcji są bardzo prywatne i zawierają prywatne informacje o użytkownikach. Dla analityków danych ważne jest również, aby wiedzieć, jak pracować z takimi danymi bez ich ujawniania. Często obliczanie współczynników odejść wiąże się z typowymi wyrażeniami tabelowymi, które są stosunkowo nową koncepcją. Najlepsi analitycy danych powinni wiedzieć, dlaczego CTE są przydatne i kiedy ich używać. Podczas pracy ze starszymi bazami danych, gdzie CTE są niedostępne, idealny kandydat nadal powinien być w stanie wykonać zadanie.

Oto przykład trudnego zadania. Kandydaci na rozmowę kwalifikacyjną w Lyft otrzymują to zadanie, aby obliczyć wskaźnik rezygnacji kierowców w firmie.

Aby rozwiązać ten problem, analitycy danych muszą używać instrukcji case/when, funkcji okien, takich jak LAG(), a także FROM/WHERE i innych podstawowych klauzul. 

Wnioski

 
Wieloletnia praca jako data scientist z pewnością wygląda imponująco w CV i zapewni Ci wiele rozmów kwalifikacyjnych. Jednak gdy już postawisz stopę w drzwiach, nadal musisz wykazać się wiedzą, aby uzupełnić wieloletnie doświadczenie. Nawet jeśli masz szerokie doświadczenie w pisanie zapytań w SQL, nie zaszkodzi korzystać z zasobów takich jak StrataScratch aby odświeżyć swoją wiedzę.

 
 
Nate'a Rosidiego jest analitykiem danych i strategii produktu. Jest także adiunktem wykładającym analitykę i jest założycielem StrataScratch, platforma pomagająca analitykom danych przygotować się do rozmów kwalifikacyjnych z prawdziwymi pytaniami do wywiadów z czołowymi firmami. Połącz się z nim dalej Twitter: StrataScratch or LinkedIn.

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