联想的数据分析岗笔试难不难？如果只看题目本身，我的答案是不算难；但如果你问我“能不能顺利通过”，那就很难一句话说清。我在2024年春招期间参加了联想的数据分析岗在线笔试，整场做下来最深的感受是：题目范围没有跳出统计、SQL、Python、业务分析这四块常规内容，但它对时间压力、模块拆分、细节审题，以及业务题里隐含的公司背景要求都不低，任何一个短板都可能让你丢分。
这篇文章不是官方真题，是我自己4月那场笔试的完整复盘。我会从笔试前的准备讲起，拆解在线测评系统的使用规则，逐类分析统计、SQL、Python和业务思维题的考法，最后整理一份避坑清单。无论你是大三准备暑期实习，还是研二、大四正在冲春招，只要投的是数据分析、商业分析、经营分析这类岗位，这篇复盘都值得当作参考资料。
1. 笔试前的情报与准备
1.1 先搞清楚联想数据分析岗挂在哪条业务线
投联想的时候，我第一个疑惑是：联想到底有多少个数据分析岗？后来在官网翻了一圈，发现联想的数据分析相关岗位并不都叫“数据分析师”，有的叫“经营分析专员”，有的叫“商业分析”，有的挂在销售运营体系下，有的挂在中后台供应链和职能体系里。它们的笔试大概率是同一套题，但进入面试之后，业务方向完全不同。
联想当前的业务盘子大致分成三块：IDG智能设备业务集团，做PC、平板、手机和智能家居；ISG基础设施方案业务集团，做服务器、存储和网络设备；SSG方案服务业务集团，做支持服务、运维服务和解决方案。另外还有集团层面的财务、人力、战略等职能部门，也会招分析类岗位。不同业务对数据分析的诉求差异很大：IDG最关心市占率、渠道库存、产品定价和促销效果；ISG更关心订单交付、配置报价、供应链计划；SSG更关心客户满意度、服务响应时效、续约率和耗材复购。
了解这些不是为了在笔试里背出来，而是为了做业务题时能踩到点子上。联想这种制造型企业非常看重渠道和库存的联动，分析销量时你要能想到sell-in和sell-out两个口径：sell-in是厂商卖给渠道的量，sell-out是渠道最终卖给消费者的量。很多时候业务反馈的“销量下滑”，其实是两个口径在打架。笔试业务题不一定会直接考这个术语，但能把这类视角写进分析思路里的候选人，明显比只会讲“看点击率转化率”的人更对味。
1.2 从岗位JD倒推笔试要考什么
等笔试通知那几天，我反复看了几遍岗位JD。联想数据分析岗的JD一般会写：熟悉统计学基本方法，具备数据清洗和建模能力，熟练掌握SQL，熟悉Python或R，使用过Excel和至少一种BI工具，有较强的业务理解和沟通能力。看完JD再去看历年笔试题型，你会发现出题逻辑非常简单：JD要求什么，笔试就考什么。这也是大厂数据分析岗笔试的共通规律。
所以笔试准备的第一步不是急着找题库刷题，而是把目标岗位JD里的每一条硬技能，翻译成具体的考察形式。“熟悉统计”翻译过来就是描述统计、推断统计、假设检验和回归分析的客观题；“熟练SQL”翻译过来就是一个多小时里写完几道查询并得出正确结果；“具备数据清洗能力”翻译过来就是pandas相关操作的结果判断题，不排除给你一段数据处理代码让你补全；“业务理解”翻译过来就是情景分析题，让你写一段归因思路。
把JD翻译成考点之后，复习范围会清晰很多。我见过太多人准备数据分析笔试时一头扎进力扣刷算法题，结果在大厂数据分析岗笔试里，纯算法题的权重并不高。与其花时间啃动态规划，不如把统计概念、SQL窗口函数、pandas聚合操作这些真正高频的考点过一遍，性价比高得多。
1.3 我笔试前两周的复习清单
从收到笔试通知到正式开考，中间隔了大约一周，加上我之前已经为春招做了一些基础准备，真正用来冲刺的时间是两周。我的复习计划是按板块拆的，一块一块过，不走大而全的题海战术。
统计学板块，我把描述统计、概率论基础、假设检验、置信区间、线性回归过了一遍。重点不是背公式，而是理解概念，尤其是p值、置信区间、贝叶斯公式、中心极限定理这类选择题高频考点。统计概念题的特点是：你公式背熟了，概念理解错了照样答错。所以每看完一个概念，我就找出对应题目做几道验证。
SQL板块，我没有从零刷基础题，因为平时做项目经常写，重点放在窗口函数和业务场景查询上。每天找几道留存率、TopN、同环比、连续行为的题目，限定时间手写出来，写完再丢到数据库里跑一遍，看结果和预期是否一致。手写和编辑器里边看提示边写，状态完全不同，前者逼着你把语法彻底想清楚。
Python板块，我把pandas和numpy的常用操作过了一遍，重点看merge和join的区别、groupby之后索引的变化、apply函数的执行逻辑、缺失值处理的几种方式。这些操作在真实项目里经常用，但笔试的代码输出题非常抠细节，稍不留神就会在“你以为你懂”的操作上翻车。
Excel和BI工具我没有专门刷题，因为笔试里很少直接考工具界面操作，但我在平板上重新过了一遍数据透视表和常用图表，目的是应付面试中可能出现的“你用Excel做过什么”这类问题。很多团队现在都在尝试用dify这类Agent工具做数据清洗自动化和可视化分析，但笔试基本不会考Agent工具的配置，它考的还是你懂不懂清洗逻辑。工具会变化，背后处理数据的思路不会变，别被工具热词带偏了复习节奏。
2. 联想笔试系统与时间分配：这几个细节最容易丢分
2.1 在线测评系统的使用规则与考场纪律
我参加的那批联想春招数据分析笔试，用的在线测评平台是北森系统。收到邮件通知后，需要自备一台带摄像头的电脑，准备好稳定网络，提前安装最新版Chrome或Edge浏览器。北森系统在正式答题前有一个设备检测环节，会检测摄像头、麦克风、网络延迟，同时提示你关闭屏幕共享类软件和远程控制软件。
考试过程中系统会全程录像，并且有切屏监测。切屏的定义不只是切换浏览器标签页，只要鼠标移出答题窗口，系统都会记录一次。切屏次数过多会被自动判定作弊，所以考试前一定要把所有无关软件关掉，微信、QQ、邮件客户端全部退出，尤其要小心杀毒软件偶尔弹出的更新提醒，这种弹窗也可能被算作一次切屏。我身边有同学因为系统弹窗被警告过，直接影响后面答题的心态。
另外，北森的笔试一般是分模块计时的，每个模块单独倒计时，时间到了系统自动交卷，不存在“整个考试统一交卷”的说法。也就是说，你在第一个模块上多花的时间，不可能从第二个模块里补回来。开始答题前应该先看清楚整个流程有几个模块、每个模块多少分钟，做到心里有数，再决定各段落的节奏。
2.2 模块分布、题量与时间分配策略
我这场笔试的模块安排大致是：通用能力测评、专业能力测评、性格测评三大部分。通用能力测评里主要是言语理解、数字推理、逻辑判断、资料分析这类题，风格有点像考公的行测，题量不小，每题只有一分钟左右。专业能力测评才是数据分析岗的核心，统计、SQL、Python、数据处理相关的题都集中在这个模块，时间同样紧张。性格测评放在最后，题量很大，但没有标准答案，按真实情况作答就好。
拿到试卷后，不要急着从第一题顺着往下写。我先花了两三分钟把专业模块所有题目快速浏览了一遍，把一眼有把握的题和明显没思路的题在草稿纸上做标记。正式作答时先解决有把握的题，再回头啃没思路的题，最后处理计算量大的资料分析题。这个顺序不是绝对的，但能保证最容易拿的分先进口袋。
时间分配上，我给自己定的原则是：单选题平均每题不超过一分钟，多选题控制在两分钟内，碰到完全没有思路的题，先蒙一个答案并标记，最后有时间再验证。不要在一道题上死磕，笔试算的是总分通过率，一道题磨五分钟，和直接放弃这道题相比，前者亏太多。性格测评部分不需要纠结太久，保持前后一致、不刻意伪装，比追求所谓的“完美人格”更安全。
3. 统计、SQL、Python核心题型拆解：到底考到什么程度
3.1 统计学与概率题：考概念，不考计算器
专业模块里最先遇到的一批题就是统计学和概率论。这部分题不要求你使用复杂计算工具，给的数据也都很整齐，多数时候是送分题，但前提是概念真的理解透了。我考下来的感觉是，它不会让你硬算一个多变量回归，反而喜欢考那些“听起来很简单但特别容易被误解”的概念。
高频考点集中在几个方向。描述统计里的均值、中位数、众数、方差、标准差、偏度、峰度，以及什么时候用中位数比均值更合适；概率论里的条件概率、独立性、贝叶斯公式、期望和方差；推断统计里的抽样分布、中心极限定理、置信区间、假设检验和p值、一类错误和二类错误；相关与回归里的相关系数含义、线性回归基本假设、R平方的解释。从这些考点分布就能看出来，笔试考的不是你模型做得多复杂，而是你对基础概念的把握是否准确。
这里面的坑往往是概念性的。比如p值，很多人在项目里跑模型时天天看，但真问你“p值是什么”，能说清楚的人不多。p值不是原假设为真的概率，而是假定原假设为真时，观测到当前结果或更极端结果的概率。再比如置信区间，“95%置信区间”不等于“参数有95%的概率落在区间内”，参数是固定的，随机的是区间本身。还有相关系数为0不代表两个变量独立，只能说明它们之间没有线性关系。
笔试里有一道让我印象很深的题：某个异常交易识别系统的误报率为5%，实际交易中异常交易占比2%，当系统给出报警时，这笔交易是异常交易的概率是多少？很多人第一反应是95%，实际上需要用贝叶斯公式算，结果不是95%，而是不到30%。刷再多的题，不如把每个概念吃透，这种题一旦理解到位就是白送分。
3.2 SQL题：窗口函数是分水岭
SQL在笔试里的权重比我预想的高。题型一般是给你一张或两张表结构，要求写查询或选择正确的查询结果。表结构通常很简单，字段名、主键、外键关系都标得很清楚，不会故意堆一堆乱表来为难人。
考察的难度层级很明确。基础层面是select、where、group by、having、order by、join、case when，这些属于必须拿满分的题。进阶层面几乎必考窗口函数，尤其是row_number、rank、dense_rank三者之间的区别，以及lag、lead、sum() over(partition by ...)这类在分组内做排序和累计的用法。如果只会group by但没练过窗口函数，遇到“求每个品类销量排名前三的商品”“求每个用户最近一笔订单时间”这类题会非常吃力。
举一个典型的题目写法。假设有一张销售表sales，包含item_id、category_id、sales_qty、dt字段，要求找出每个品类销量排名前三的商品，SQL可以这样写：
WITH ranked AS ( SELECT item_id, category_id, sales_qty, ROW_NUMBER() OVER ( PARTITION BY category_id ORDER BY sales_qty DESC ) AS rn FROM sales WHERE dt = '2024-03-31' ) SELECT category_id, item_id, sales_qty FROM ranked WHERE rn <= 3;这个查询用CTE先算出分组排名，再在外层过滤出排名前三的行。如果考试不要求手写SQL，考法会变成“下面哪个查询能正确返回结果”或者“执行之后返回多少行”，但核心考察点还是窗口函数。
SQL题的时间压力比统计题更大，因为写完查询还要推演数据变化。我的习惯是先确认表结构和连接条件，尤其留意一对多、多对一时会不会产生行数膨胀，再审题看它要的是明细还是汇总。平时练习时别只在编辑器里跑题，多手写SQL，把窗口函数、行数变化这些细节变成肌肉记忆，考场上才不会慌。
3.3 Python与数据处理题：考的是pandas结果直觉
Python在笔试里很少让你手写一个完整函数来解决算法题，更多是给你一段pandas或者numpy代码，问你输出结果是什么，或者给你一个数据处理需求，让你选择正确的写法。和我一起备考的朋友也考了其他大厂的数据分析岗，反馈类似，pandas操作结果题是目前数据分析笔试的主流考法。
常见考点包括：DataFrame的merge、join、concat三者区别；groupby之后得到的是DataFrame还是Series，索引会发生什么变化；apply函数和lambda表达式的执行逻辑；numpy数组的广播机制；dropna与fillna在缺失值处理中的行为差异；时间序列处理里的to_datetime和resample；重复值判断duplicated和去重drop_duplicates。
举个例子，给定这样一个DataFrame：
import pandas as pd df = pd.DataFrame({ 'user_id': [1, 1, 2, 2], 'item': ['A', 'B', 'C', 'D'], 'price': [10, 20, 15, 30] }) print(df.groupby('user_id')['price'].agg(['sum', 'mean']))输出是按user_id分组后的每个用户消费总额和平均消费金额。看起来是基础操作，但如果平时不常看groupby的输出格式，很容易在“这里到底有没有默认索引”“聚合列是什么类型”上犹豫。笔试不考多高深的算法，但非常考细节。
我的一个建议是，把pandas的常用操作在本地环境里亲手跑一遍，亲眼看一下
