时间：90分钟 2022年京东算法工程师笔试题（23届）
1 单选题1、MySQL内部存储代码的优势
- 服务器上执行还可以节省带宽和网络延迟
- 代码重用。可以方便的统一业务规则，保证某些行为的一致性，所以也可以提供一定的安全性
- 简化代码的维护和版本更新
- 帮助提升安全，比如提供更细粒度的权限控制
- 备份、维护都可以在服务器端完成，所以存储程序的维护工作会很简单。他没有什么外部依赖，不需要依赖外部程序的部署。
2、MySQL 中Seperate by ’ | '的使用
题目是SQL语句的使用，查询回来的多个字段组成一个字符串，以|分开，判断’|‘和’ | ‘（有空格）两种方法，哪种正确
答案：不知
3、全微分(ay^2 -3xy)dx = (bx^2+3xy+2)dy，求a，b
答案：a = 3/2 ,b= -3/2
积分相等求a,b
∫ a y 2 − 3 x y d x = ∫ b x 2 + 3 x y + 2 d y \int ay^2-3xy dx = \int bx^2+3xy+2 dy ∫ay2−3xydx=∫bx2+3xy+2dy
$ ay^2x -\frac{3}{2}x^2y = bx2y+\frac{3}{2}xy2+2y$
a = 3 2 ， b = − 3 2 a = \frac{3}{2}，b=-\frac{3}{2} a=23，b=−23
4、判断：ReLu在R上可导，可以反向传播？
错误：relu在零点处不可导
5、栈S1，S2,大小分别是2，1。先进栈A，再进栈B。栈满再出，A、B、C、D一次进栈，则出栈顺序是？
答案：B 、C、D、A
6、label = [A、A、A、A、B、B、B、B、C、C]
预测的结果pred = [A、A、B、C、C、A、C、C、C、C]
求macro的F1-Score
答案：
原label和预测值
y_true = [0,0,0,0,1,1,1,1,2,2] y_pred = [0,0,1,2,2,1,2,2,2,2]
根据P/R的计算规则，
Precision = (预测为1且正确预测的样本数)/(所有预测为1的样本数) = TP/(TP+FP) Recall = (预测为1且正确预测的样本数)/(所有真实情况为1的样本数) = TP/(TP+FN) F1 = 2×(Precision×Recall)/(Precision+Recall) 下面计算过程中，若除法过程中，分子分母同时为零，则最终结果也为0.
则Macro Average F1的计算过程如下：
（1）如下，将第1个类别设置为True（1），非第1个类别的设置为False（0），计算其P1,R1
y_true=[1,1,1,1,0,0,0,0,0,0] y_pred=[1,1,0,0,0,0,0,0,0,0]
TP = 2/10,FN= 2/10,FP = 0,TN = 6/10
P1 = (预测为1且正确预测的样本数)/(所有预测为1的样本数) = TP/(TP+FP) = 1 R1 = (预测为1且正确预测的样本数)/(所有真实情况为1的样本数) = TP/(TP+FN)=1/2 F1_1 = 2×(Precision×Recall)/(Precision+Recall)=2/3 （2）如下，将第2个类别设置为True（1），非第2个类别的设置为False（0），计算其P2,R2
y_true=[0,0,0,0,1,1,1,1,0,0] y_pred=[0,0,1,0,0,1,0,0,0,0]
P2 = (预测为1且正确预测的样本数)/(所有预测为1的样本数) = TP/(TP+FP) =1/2 R2 = (预测为1且正确预测的样本数)/(所有真实情况为1的样本数) = TP/(TP+FN)= 1/4 F1_2 = 1/3 （3）如下，将第3个类别设置为True（1），非第3个类别的设置为False（0），计算其P3,R3
y_true=[0,0,0,0,0,0,0,0,1,1] y_pred=[0,0,0,1,1,0,1,1,1,1]
P3 = (预测为1且正确预测的样本数)/(所有预测为1的样本数) = TP/(TP+FP) = 1/3 R3 = (预测为1且正确预测的样本数)/(所有真实情况为1的样本数) = TP/(TP+FN)= 1 F1_3 = 1/2 （4）对P1/P2/P3取平均为P，对R1/R2/R3取平均为R，对F1_1/F1_2/F1_3取平均F1 F1 =（F1_1+F1_2+F1_3）/3 = 1/2 = 0.5 最后这个取平均后的得到的P值/R值，就是Macro规则下的P值/R值。
对这个3类别模型来说，它的F1就是0.5。
from sklearn.metrics import f1_score
y_true = [0,0,0,0,1,1,1,1,2,2]
y_pred = [0,0,1,2,2,1,2,2,2,2]
print(f1_score(y_true, y_pred, average='macro'))
输出：0.5
7、LSTM中两个激活函数的作用
解析：
sigmoid 用在了各种gate上，产生0~1之间的值。
tanh 用在了状态和输出上，是对数据的处理，这个用其他激活函数或许也可以。
8、有一个正整数n=10,每次可以花费3个金币让n除以2，向上取整，或者花费一个金币让n减去1，想知道让n变成1，最少要多少金币?
答案：7 当n/2>3时跨度，选择花3金币的方法 当n/23，选择3金币的方法，花费3个金币 [5/2] = 3 ,跨度5-3 = 2n: ans.append(i) t = int(n/i) if t!=i and t*t>n: ans.append(t) return min(ans) N = int(input()) for _ in range(N): j = int(input()) print(low_fac(j))
2、括号匹配问题：
定义一个括号串的权值为，它的最长合法括号子序列的长度，例如()())的权值是4，因为它的最长合法括号子序列为()(),求一个给定括号串的所有子串权值之和。
注意，我忘了题目，自己理解的题意是，先求一个字符串的所有子串，并计算子串的权值（即最长合法括号子序列）
并且，权值的计算，我忘记了，不确定是否是这么计算的，我记得的题目给中())())的权值是4。我理解不通。我把题目改成了()())。
from itertools import combinations
# 求最长合法括号子序列的长度，即权值
def Process(s):
# resl记录最长合法子串的长度
w = 0
stack = list()
for i in range(len(s)):
if stack and s[i] == ")" and s[stack[-1]] == "(":
stack.pop()
# 将当前的右括号加入到栈中, 可以充当分割的作用
else:
stack.append(i)
# 栈非空的时候更新当前的长度, 说明已经匹配完所有的左括号了
if stack:
r = i - stack[-1]
else:
# 说明当前的左括号已经全部消除掉了
r = i + 1
# 合法序列的长度更大则更新, 相等则数目加1
if r > w:
w = r
return w
# 生成所有子串
def generate_s(s):
substring = []
for i in range(1,len(s)+1):
substring.extend(list(combinations(s,i)))
substring = [''.join(i) for i in substring]
return substring
if __name__ == '__main__':
s = '()()())'
score = 0
for i in generate_s(s):
score +=Process(s)
print(score)
