北美这边的 BCGX 已经开始陆续发 DS OA 了。这次的版本是四道主观题，加一套三题的 multiple choice。整体感受比欧洲那边稍微“工程化”一点，更强调数据清洗、字段命名统一、日期处理是否规范。我之前做了不少 EU/UK 的 BCGX 题库，这次拿到北美版本之后基本一路顺滑，一次过，顺便把关键点整理给你们。
整体节奏还是大家熟悉的 Pandas 实战路线：读数据、清洗、过滤、合并、聚合。90 分钟时间给得很足，只要别被 bug 卡死，稳过。
Q1：Calculate the average property price, the proportion of waterfront properties, and the 30-day average page views.
这一题是最典型的 BCGX 风格：
要求本身就三部分：
- 平均房价
- 水景房比例
- 最近 30 天的浏览均值
逻辑都是老朋友：
- 平均价直接对
price求 mean，同时注意过滤掉明显异常值（负数、空值等）。 - 水景比例，
waterfront通常是 0/1，直接 sum / count。 - 30 天浏览量需要先把
dateparse 成 datetime，然后找max(date)，向前过滤 30 天，只对views求平均。
这一题容易扣分的地方几乎都是格式问题：日期没转换、waterfront 不是 int 导致 sum 错、过滤没加上 dropna()，导致最终答案偏差。
Q2：Standardize inconsistent column names, perform time-based filtering, and merge the cleaned datasets.
第二题就是北美版 BCGX 的特色：把脏列名统一成标准格式，然后再做日期过滤和 merge。
通常你会看到：
"Page Views""page-views"" pageviews "
全都得在读文件时变成规范命名，例如统一成小写、下划线分隔、去空格、去特殊字符。只要你开局写一段：
df.columns = (
df.columns
.str.lower()
.str.strip()
.str.replace(" ", "_")
.str.replace(r"[^a-z0-9_]", "", regex=True)
)
后面所有 merge、filter 都顺到没脾气。
这一题真正的难点不是逻辑，而是你能不能意识到：字段名不对，后面所有 groupby / join / filter 都是错的。
而北美这版比欧洲那版更强调“列名严谨性”。有的学员逻辑写得很好，但因为 join key 名不一致直接挂掉，这也是我们平时提醒最多的坑点。
Q3 / Q4
后两题内容类型都属于 BCGX 的老传统：
- 多条件数据过滤
- 对多个指标做 groupby 聚合
- 两个数据集的 multi-key merge
- 构造一些衍生特征（rolling、lag、ratio）
- 做一点轻量质量检查（duplicates、missing pattern）
基本都是中等难度，熟悉 Pandas 的话是能快写出来的；不熟的话会被 merge、日期、衍生列卡住。
整体上，经验能提供明显优势：你知道他们爱怎么考、爱在什么地方给小坑，就不会在 debug 上浪费时间。
Multiple Choice（3 题）
三题全是基本功：
- 统计学判断（variance、sampling、correlation）
- 实验逻辑（A/B 对照、偏差来源）
- SQL / Python 判断题
难度适中，只要你平时稍有接触数据工作，基本不会费力。
OA 实际难点总结
BCGX 北美 OA 的难点从来不是“逻辑很难”，而是：
- 列名、日期、数据类型必须极度干净
- merge key 一旦写错，整题报废
- 要有良好习惯：先 clean，再计算
- 代码不能乱，读者必须能看懂你的思路
时间其实很够，但细节一旦漏掉，结果就偏了。做多了你会发现他们的考点非常统一：
真实世界数据会脏，而你能不能在短时间里快速把它变成“可分析格式”。
ProgramHelp | 让你在 BCGX OA 里不再被小 bug 送走
BCGX 这种实战型 OA，最怕的是“逻辑对，但输出错”，而这些错误几乎都是小细节，比如字段名不一致、日期 parse 写漏、merge 顺序反了。我们这边的 VO 协助是全程语音提示，不动你的环境、不干预你的代码，完全无痕，只在关键步骤提醒你别踩坑，让整个 OA 写得更稳、更快。
有同学从 80 分钟写完、bug 一堆，被我们调整成 40 分钟完成+满分 AC。OA 这类考试，本质就是手稳和细节稳。
