Распределения и выбросы: вопросы для собеседования (часть 4)
Гистограмма, box plot, violin plot — инструменты для визуализации распределений и обнаружения выбросов. На собеседовании спрашивают, как визуализировать распределение времени загрузки страницы или как обнаружить и обработать выбросы. Выбор между гистограммой и box plot зависит от того, что именно нужно показать аудитории.
Вопросы 16–20 из 20
16Какой признак скорее говорит о том, что аномальные значения метрики — это ошибка данных, а не редкий реальный случай?
AЗначения превышают физически возможные пределы метрики или явно имеют неправильные единицы, например миллисекунды вместо секунд.
BАномальные значения встречаются почти исключительно у платящих пользователей и не связаны с техническими сбоями или единицами измерения.
CАномальные значения сосредоточены в выходные дни, при этом распределение в будни выглядит ожидаемым и без отклонений.
DРаспределение метрики имеет выраженный правый хвост, что считается достаточным признаком ошибки в данных без других проверок.
Ответ: Нарушение физических или логических ограничений метрики часто указывает на ошибку данных, а не на редкое реальное наблюдение.
Если значение невозможно по смыслу метрики, это сильный сигнал проблем с качеством данных, например перепутанные единицы измерения. Редкие реальные случаи обычно остаются в пределах возможного, даже если они экстремальны. Сегментные совпадения и форма распределения сами по себе не доказывают ошибку. Поэтому полезно иметь инварианты и проверки диапазонов для каждой ключевой метрики.
Подробный разбор → 17Какой риск чаще всего возникает при использовании логарифмической шкалы без явного объяснения в отчёте?
AГрафик становится менее точным математически, потому что значения логарифмируются с округлением до целого
BДанные автоматически теряют выбросы, и крупные значения визуально занижаются по сравнению с медианой
CЧитатель может неверно интерпретировать расстояния и относительные изменения, потому что ось не линейная
DПерцентили нельзя совмещать с логарифмической шкалой, и подписи на оси перестают работать
Ответ: На логарифмической шкале визуальные расстояния соответствуют мультипликативным, а не аддитивным изменениям.
Логарифмическая шкала меняет смысл расстояний: равные отрезки по оси означают одинаковые множители. Если это не обозначить, читатель может перепутать рост в 2 раза с ростом на фиксированную величину. Поэтому ось и подписи должны явно указывать на логарифмическую шкалу.
Подробный разбор → 18В метрике регулярно встречаются выбросы, которые совпадают по времени с пиками нагрузки. Какое действие наиболее корректно с точки зрения интерпретации?
AУдалять экстремальные значения из выборки: они мешают среднему и портят графики распределения метрики
BСчитать выбросы ошибкой инструментирования и попросить инженеров отфильтровать такие наблюдения на сборе
CЗаменить ящик с усами на гистограмму без разбора причин хвоста: новый тип графика снимет вопросы у читателей
DСчитать выбросы частью реального поведения системы и анализировать их через `p95`/`p99` и срезы по нагрузке
Ответ: Повторяющиеся `outliers` могут отражать реальные условия, а не ошибки.
Если экстремальные значения систематичны и связаны с нагрузкой, это сигнал качества сервиса, а не мусор. Тогда полезно показывать хвосты через `p95`/`p99` и сегментировать по уровню трафика. Удаление таких наблюдений может скрыть важную проблему.
Подробный разбор → 19Какой технический нюанс важно учесть при использовании логарифмической шкалы для метрики, у которой бывают нули?
AЛогарифм нуля не определён, поэтому нужна трансформация (`log1p`) или отдельный показ доли нулей
BЛогарифмическая шкала автоматически заменяет нули на среднее по выборке и сглаживает распределение
CНули превращаются в выбросы и сильно искажают форму распределения на логарифмической шкале
DЛогарифмическая шкала корректно работает только с целыми числами, дробные значения ломают визуализацию
Ответ: На логарифмической шкале значение 0 не определено, поэтому нули нужно явно обработать.
Логарифм нуля не определён, поэтому прямое применение логарифмической шкалы ломает визуализацию. Обычно используют сдвиг (например, `log1p`) или отдельно показывают долю нулей. Утверждения про автоматическую замену нулей средним и про работу только с целыми числами неверны. Важно описать выбранный подход, чтобы не исказить интерпретацию распределения.
Подробный разбор → 20Вы решили ограничить значения метрики сверху (например, каппинг `outliers`) перед визуализацией. Какое сообщение в отчете наиболее корректно?
AУказать порог каппинга и показать его влияние на ключевые перцентили или итоговые выводы по метрике
BНе упоминать каппинг: техническая деталь подготовки данных не влияет на интерпретацию визуализации
CНаписать только, что выбросы удалены и проблема решена, без указания порога и влияния на распределение
DУказать в комментарии, что логарифмическая шкала на графике эквивалентна каппингу значений сверху
Ответ: Любая обработка выбросов должна быть прозрачной и воспроизводимой.
Каппинг меняет распределение и может влиять на сравнения, поэтому его нужно явно документировать. Хорошая практика — указать порог и показать влияние на ключевые перцентили или на вывод. Это помогает избежать недоверия и неправильной интерпретации результатов.
Подробный разбор → Другие темы: Визуализация данных