数据分析和编程一样，是有模式的。其实大部分业务分析题，扒开外壳看内核，就那7个套路。
你遇到的那些所谓"新问题"，90%都能套进下面这7个框架。
不管你是在字节、阿里、拼多多，还是一个小创业公司做增长--数据就是数据，逻辑永远不会骗你。
🎯 模式1：连接+筛选 = 精准找人找事
业务场景 ：
春运期间，12306联合抖音推"旅途内容包"，想给用户推荐时长≤当前车次剩余时间的短视频，提升乘车体验。
核心逻辑 ：
先连表（车次信息+视频库），再筛选（时长匹配+车次ID），最后排序（优先推荐完播率高的）。
Python代码示例：
python
import pandas as pd
# 车次表 & 视频库（模拟数据）
train_df = pd.DataFrame({
'train_id': [101, 102],
'remaining_minutes': [45, 90] # 剩余分钟数
})
video_df = pd.DataFrame({
'video_id': ['v1', 'v2', 'v3'],
'duration_min': [30, 60, 120],
'completion_rate': [0.85, 0.72, 0.91] # 完播率
})
# 连接+筛选+排序（核心三步）
result = (
train_df[train_df['train_id'] == 101] # 筛选目标车次
.merge(video_df[video_df['duration_min'] <= 45], how='cross') # 连接+时长过滤
.sort_values('completion_rate', ascending=False) # 优先推荐高完播
[['train_id', 'video_id', 'duration_min']]
)
print(result)💡** 业务复用场景**：
- 美团：骑手+订单匹配，筛选3公里内可接单骑手
- 小红书：笔记+用户标签匹配，精准推送美妆内容
- 滴滴：车型+用户需求匹配，筛选符合"宠物友好"的车辆
🎯 模式2：窗口函数 = 排名排序神器
业务场景 ：
美妆品牌想监控各KOL账号下，点赞最高的3篇笔记，用于复盘内容策略。
核心逻辑 ：
按账号分组（PARTITION BY），按点赞降序排（ORDER BY），用RANK()打标，再筛前3。
Python代码示例：
python
# 模拟笔记数据
notes_df = pd.DataFrame({
'account': ['A', 'A', 'A', 'B', 'B', 'B'],
'note_id': [1,2,3,4,5,6],
'likes': [1200, 3500, 2800, 900, 4100, 3900]
})
# 窗口函数排名（pandas 2.1+ 支持 rank）
notes_df['rank'] = notes_df.groupby('account')['likes']\
.rank(method='min', ascending=False) # method='min' 等价 SQL RANK()
# 筛选各账号前3
top3 = notes_df[notes_df['rank'] <= 3][['account', 'note_id', 'likes', 'rank']]
print(top3)
## 运行结果：
'''
account note_id likes rank
0 A 1 1200 3.0
1 A 2 3500 1.0
2 A 3 2800 2.0
3 B 4 900 3.0
4 B 5 4100 1.0
5 B 6 3900 2.0
'''💡** 业务复用场景**：
- 淘宝直播：各主播场均GMV排名，找头部潜力股
- 学而思：各班级学员进步榜，激励+复盘双用
- 顺丰：各片区骑手准时率排名，优化运力调度
🎯 模式3：聚合+分组 = 数据卷王必备
业务场景 ：
分析"用户当天打开APP+当天完成下单"的行为，计算人均订单数&客单价，评估"即时需求"转化效率。
核心逻辑 ：
先按用户+日期去重（确保一人一天只算一次会话），再连订单表，最后GROUP BY聚合求和/计数。
Python代码示例：
python
# 会话表 & 订单表
session_df = pd.DataFrame({
'user_id': [101,101,102],
'session_date': ['2024-06-01','2024-06-02','2024-06-01']
}).drop_duplicates() # 去重：一人一天只算一次
order_df = pd.DataFrame({
'user_id': [101,101,102],
'order_date': ['2024-06-01','2024-06-01','2024-06-01'],
'order_value': [35.5, 28.0, 52.0]
})
# 连接+聚合
result = (
session_df.merge(order_df,
left_on=['user_id','session_date'],
right_on=['user_id','order_date'])
.groupby(['user_id','session_date'])
.agg(total_orders=('order_value','count'),
total_value=('order_value','sum'))
.reset_index()
)
print(result)
## 运行结果：
'''
user_id session_date total_orders total_value
0 101 2024-06-01 2 63.5
1 102 2024-06-01 1 52.0
'''💡** 业务复用场景**：
- 京东到家：用户日活+下单转化，评估"小时达"粘性
- 得到APP：用户日登录+课程购买，分析知识付费路径
- 银行APP：用户日打开+理财申购，追踪金融转化漏斗
🎯 模式4：透视表 = 把行变列，一眼看懂趋势
业务场景 ：
HR想横向对比各职级员工在2021-2024年的调薪幅度，快速识别"涨薪黑马"和"滞涨群体"。
核心逻辑 ：
用CASE WHEN（或pandas pivot）把"年份"从行变列，再用MAX/SUM聚合，最后按员工分组输出。
Python代码示例：
python
# 模拟调薪数据
salary_df = pd.DataFrame({
'employee': ['张三','张三','张三', '李四','李四'],
'year': [2021,2022,2023, 2021,2022],
'salary': [15, 18, 22, 20, 21] # 单位：万
})
# 透视：年份变列（方法1：pivot_table）
pivot = salary_df.pivot_table(
index='employee',
columns='year',
values='salary',
aggfunc='max' # 同年份多条取最高
).fillna(0) # 缺失年份补0
print(pivot)
# 输出：
# year 2021 2022 2023
# employee
# 张三 15.0 18.0 22.0
# 李四 20.0 21.0 0.0💡** 业务复用场景**：
- 财务：各事业部季度营收对比，一眼看出谁在拖后腿
- 运营：各渠道月度ROI透视，快速分配下月预算
- 产品：各功能模块周活对比，决定迭代优先级
🎯 模式5：累计指标 = 看趋势，别只看单点
业务场景 ：
投资人想看"剔除退款后的真实增长"，计算3个月滚动平均GMV，平滑大促波动，看清长期趋势。
核心逻辑 ：
先按月聚合（剔除负值退款），再用rolling().mean()算滑动平均，最后按时间排序输出。
Python代码示例：
python
# 模拟采购数据（含退款负值）
purchase_df = pd.DataFrame(
{
"date": pd.date_range("2023-01", periods=13, freq="ME"), # 生成13期
"amount": [120, -15, 135, 142, -8, 158, 165, 170, -20, 185, 192, 200, 210],
}
)
# 1. 按月聚合 + 剔除退款
monthly = (
purchase_df[purchase_df["amount"] > 0]
.groupby(pd.Grouper(key="date", freq="ME"))
.agg(monthly_gmv=("amount", "sum"))
.reset_index()
)
# 2. 计算3期滚动平均
monthly["rolling_3m"] = monthly["monthly_gmv"].rolling(window=3).mean()
print(monthly[["date", "monthly_gmv", "rolling_3m"]])
## 运行结果：
'''
date monthly_gmv rolling_3m
0 2023-01-31 120 NaN
1 2023-02-28 0 NaN
2 2023-03-31 135 85.000000
3 2023-04-30 142 92.333333
4 2023-05-31 0 92.333333
5 2023-06-30 158 100.000000
6 2023-07-31 165 107.666667
7 2023-08-31 170 164.333333
8 2023-09-30 0 111.666667
9 2023-10-31 185 118.333333
10 2023-11-30 192 125.666667
11 2023-12-31 200 192.333333
12 2024-01-31 210 200.666667
'''💡** 业务复用场景**：
- B站：UP主粉丝7日滚动增长，识别内容爆发点
- 蔚来：门店周订单滚动均值，评估新车型热度
- 阿里云：客户月消耗滚动趋势，预判续费风险
🎯 模式6：漏斗分析 = 用户去哪了？
业务场景 ：
分析用户从"首次登录"→"周活5次+"→"月观看10h+"的转化路径，计算各阶段流失率，优化新手引导。
核心逻辑 ：
用CTE（或pandas多步筛选）定义每阶段用户，再用LEFT JOIN串联，最后算转化率=末阶段/首阶段。
Python代码示例：
python
# 模拟用户行为数据
user_df = pd.DataFrame({
'user_id': range(1,101),
'country': ['CN']*100,
'sessions_30d': np.random.poisson(8, 100), # 30天会话数
'watch_hours': np.random.exponential(5, 100) # 观看小时数
})
# 定义三阶段（向量化筛选，高效！）
stage1 = user_df[user_df['sessions_30d'] > 0] # 活跃用户
stage2 = user_df[user_df['sessions_30d'] >= 5] # 深度活跃
stage3 = user_df[(user_df['sessions_30d'] >=5) & (user_df['watch_hours']>=10)] # 核心用户
# 计算转化（按国家分组）
funnel = pd.DataFrame({
'country': ['CN'],
'active_users': len(stage1),
'engaged_users': len(stage2),
'power_users': len(stage3),
'conversion_rate': round(len(stage3)/len(stage1)*100, 2)
})
print(funnel)
## 运行结果：
'''
country active_users engaged_users power_users conversion_rate
0 CN 100 93 14 14.0
'''💡** 业务复用场景**：
- 淘宝：浏览→加购→支付，优化购物车流失
- 得到：试听→购课→完课，提升知识付费转化
- 微信支付：绑卡→首刷→复刷，加速支付习惯养成
🎯 模式7：时间对比 = 今天比昨天好在哪？
业务场景 ：
城管局想监控"每日违规开单量"的日环比变化，快速发现执法强度波动或居民配合度变化。
核心逻辑 ：
先按日聚合违规数，再用shift()取前一天值，最后相减得差值，正数=变严，负数=变松。
Python代码示例：
python
# 模拟违规数据
violation_df = pd.DataFrame(
{
"date": np.random.choice(
pd.date_range("2024-01-01", periods=10, freq="D"), # 10个候选日期
size=100, # 生成100条记录
replace=True, # 允许同一天多条
),
"violation_id": range(1, 101),
}
)
# 1. 按日聚合
daily = violation_df.groupby("date").size().reset_index(name="daily_count")
# 2. 计算日环比变化（shift取前一天）
daily["diff"] = daily["daily_count"] - daily["daily_count"].shift(1)
print(daily[["date", "daily_count", "diff"]])
## 运行结果：
'''
date daily_count diff
0 2024-01-01 3 NaN
1 2024-01-02 5 2.0
2 2024-01-03 14 9.0
3 2024-01-04 10 -4.0
4 2024-01-05 9 -1.0
5 2024-01-06 7 -2.0
6 2024-01-07 12 5.0
7 2024-01-08 8 -4.0
8 2024-01-09 15 7.0
9 2024-01-10 17 2.0
'''💡** 业务复用场景**：
- 抖音：日活用户日环比，监控内容热点效应
- 美团：日订单量波动，快速响应天气/节日影响
- 招商银行：日理财申购变化，捕捉市场情绪拐点
🎁 总结
这7个模式，真不是啥高深算法。
但90%的业务分析题，拆开看，就是它们的排列组合。
面试前刷一遍，工作中套一遍，效率直接拉满。
✨ 记住：数据是死的，套路是活的。掌握模式，才能以不变应万变。