Amgen Data Engineer面试题和答案
Amgen Data Engineer面试题和答案 (English Translation Coming Soon)
这家的面试流程真的让我无语，从海投到捞我起来都快两个月了，我还以为我简历早就石沉大海了。结果突然一个电话过来，HR小姐姐声音倒是很甜，但一上来就问我什么时候有空，说要安排一个technical phone screen。我当时还在图书馆赶due，整个人都懵了。说实话，Amgen这种大药厂，我本来也没抱太大希望，毕竟我一个New Grad，没啥惊天动地的项目经验。
好不容易约好了下周的phone screen，结果面试官迟到了十分钟，我一个人对着屏幕尴尬地等。面试官是个印度大叔，口音有点重，不过人还挺nice的。问了一些简历上的东西，然后就开始上强度了。上来就是一道SQL题，还好我刷题还算勤快，磕磕绊绊地答上来了。然后又问了几个Python的知识点，比如generator和decorator的区别，还让我现场写一个简单的function。整个过程大概40分钟，感觉自己答得一般般，面完就觉得凉了。
结果过了两天，HR又来邮件了，说我过了phone screen，要约virtual Onsite。我当时的心情，怎么说呢，就是那种“我竟然还没挂？”的惊喜。Onsite是连续三轮，每轮45分钟，中间没有休息。第一个是hiring manager，第二个是两个senior Data Engineer，第三个是另一个team的manager。不得不说，这个强度真的很大，面完我感觉身体被掏空。
下面给大家分享一下我还记得的一些面试题，希望能帮到后面面试的同学。
第一题：SQL - 药品销售数据分析
给你两个table，一个是sales，记录了每笔销售的药品ID、销售日期和销售额；另一个是drugs，记录了药品ID、药品名称和所属类别。让你写一个SQL query，找出2024年上半年每个药品类别的总销售额，并按销售额从高到低排序。
这题其实不难，主要考察SQL的基本功，特别是JOIN和GROUP BY的使用。我当时是这么写的：
SELECT d.category, SUM(s.sales_amount) AS total_sales FROM sales s JOIN drugs d ON s.drug_id = d.drug_id WHERE s.sale_date >= '2024-01-01' AND s.sale_date < '2025-07-01' GROUP BY d.category ORDER BY total_sales DESC;
写完之后，面试官还追问了一些问题，比如如果数据量很大，这个query怎么优化。我就提到了可以在sale_date和drug_id上加index，来加快JOIN和WHERE的速度。他还问了关于window function的应用场景，比如我想看每个类别里销售额最高的药品，就可以用ROW_NUMBER()或者RANK()。
第二题：Python - 数据清洗
给你一个pandas DataFrame，里面有一列是'dosage'，记录了药品的剂量，但是格式很乱，比如'10mg', '20 ml', '5g'等等。让你写一个Python function，把这一列清洗干净，统一单位成mg。
这题考察的是Python的string manipulation和regular expression。踩过坑的人都知道，这种数据清洗的活儿，在实际工作中特别常见。我当时用了一个apply a lambda function的方法，结合regex来提取数字和单位。
import pandas as pd
def clean_dosage(df): def convert_to_mg(dosage_str): if isinstance(dosage_str, str): dosage_str = dosage_str.lower() num = float(re.findall(r'\d+.?\d*', dosage_str)[0]) if 'g' in dosage_str: return num * 1000 elif 'ml' in dosage_str: # 假设 1ml = 1mg return num else: return num return None
df['dosage_mg'] = df['dosage'].apply(convert_to_mg)
return df
面试官看了我的代码，点了点头，然后问我如果单位的种类非常多，有没有更scalable的方法。我就说可以建一个conversion map，把所有可能的单位和换算系数都存进去，这样以后有新的单位也方便扩展。这个小小的follow-up，感觉给自己加了不少分。
第三题：Data Modeling - 设计一个临床试验数据模型
让你为一个新的临床试验设计一个简单的Data Model，需要存储患者信息、试验药物、给药记录和不良反应事件。你会怎么设计Schema？
这题就比较开放了，主要考察对Schema Design的理解。我当时画了一个简单的ER图，设计了四个主要的table：Patients, Drugs, DosingRecords, AdverseEvents。Patients table里有patient_id, age, gender等基本信息。Drugs table里有drug_id, drug_name。DosingRecords table是一个linking table，有patient_id, drug_id, dosing_time, dosage。AdverseEvents table也有patient_id, event_type, event_time。我还特意强调了primary key和foreign key的设置，来保证data integrity。
面试官追问，如果一个患者可能同时参与多个试验，或者服用多种药物，我的模型要怎么调整。我说可以在DosingRecords里加一个trial_id，来区分不同的试验。对于多种药物，目前的模型已经可以支持了，因为DosingRecords里每次给药都是一条新记录。他还问了关于Data Warehouse和Data Lake的选择，我说对于这种structured data，用传统的Data Warehouse可能更合适，因为可以更好地支持ad-hoc query和reporting。
第四题：ETL/Data Pipeline
描述一下你理解的ETL过程。如果你要设计一个每天从多个源系统（比如医院的EHR系统）抽取数据，然后加载到Data Warehouse的Data Pipeline，你会考虑哪些关键点？
这题是典中典了，基本上Data Engineer面试必考。我先解释了ETL是Extract, Transform, Load的缩写。然后结合一个具体的场景，比如从EHR系统里抽数据，讲了我的设计思路。我说我会用Airflow来做workflow orchestration，每天定时触发ETL Job。Extract阶段，我会用API或者直接连数据库的方式去拿数据。Transform阶段，我会用Spark来做大规模的数据转换，比如数据清洗、格式统一、业务逻辑计算等。Load阶段，我会把处理好的数据写入到AWS Redshift这样的Data Warehouse里。我还提到了error handling和monitoring的重要性，比如要设置alert，当pipeline失败的时候能及时收到通知。
第五题：Behavioral Question
讲一个你遇到的最challenging的技术难题，你是怎么解决的？
BQ题也是必不可少的环节。我讲了一个之前在学校项目里遇到的问题，当时我们的Data Pipeline在处理一个很大的数据集时，经常因为内存不足而失败。我先是通过logging和monitoring定位到是Spark的某个transformation操作导致的OOM。然后我尝试了多种优化方法，比如增加partition数量来提高并行度，用cache()来缓存中间结果，以及用更高效的数据结构。最后发现是因为一个join操作导致了data skew，我就用了salting的方法来解决。我着重强调了自己是如何一步步分析问题、寻找解决方案，并最终解决问题的过程。
总的来说，Amgen的面试还是挺有挑战的，既考察了technical的深度，也考察了解决问题的能力。虽然流程有点折磨人，但不得不说，面试官的水平都很高，问的问题也都很实在，不是那种为了考你而考你的偏题怪题。
这次面试经历也让我反思了很多。以前总觉得刷题就是一切，但其实对于Data Engineer这个岗位来说，对整个Data Pipeline的理解，以及解决实际问题的能力，可能比单纯会写一个复杂的SQL或者算法更重要。像Data Modeling, Schema Design, ETL workflow这些东西，在面试中占的比重越来越大。还有就是cloud platform的经验，特别是AWS，现在基本上是DE的标配了。
希望我的这点经验能帮到大家吧。求职季都不容易，一起加油！
#北美求职 #数据工程师 #DataEngineer #面试经验 #Amgen #药厂 #NG #newgrad #SQL #Python