Uber VO Coding 面经｜三题全拆解 + 实战避坑总结

这场 Uber 的 Virtual Onsite（Coding 环节）是我近期带过印象最深的一场之一。
45 分钟、三道题，题型从算法基础到 SQL & Pandas 再到 cohort 分析，全程几乎没有废话题。对于任何想冲 Uber DS / Scientist / DE 岗的人，这套题都值得仔细拆一遍。

第一题：Implement sqrt() without using any external library

题目要求：不用任何库函数，实现一个计算平方根的函数 sqrt(x)。

学员当时卡在这里，直接写了个从 0 到 x/2 的 grid search，虽然逻辑没问题，但复杂度 O(n)，在大数输入下跑不动。面试官虽然没立刻打断，但脸上表情已经说明问题了。

正确思路应该是：

用 binary search 做二分查找。
每次取 mid = (left + right) / 2，判断 mid * mid 与 x 的关系，不断收缩区间直到误差足够小。
若允许小数，设精度 1e-6。

这题其实不在于实现平方根，而是看你会不会自己构造出算法思路。Uber 很喜欢出这种 “禁止用库函数” 的手写题，比如 log()、pow()、sqrt()、abs()，全靠你脑内算法逻辑。

第二题：找出上个月每个城市赚最多的前三名司机

表结构如下：

(driver_id, date, trip_id, payment, city_id, is_completed)

要求用 SQL 或 pandas 找出「上个月每个城市赚得最多的前三名司机」。

这题一看就有强烈的 Uber 味儿——很业务导向，但其实考的是你数据分组 + 排名函数的熟练度。

SQL 写法：

WITH monthly AS (
  SELECT 
    city_id,
    driver_id,
    SUM(payment) AS total_payment
  FROM trips
  WHERE date >= DATE_TRUNC('month', CURRENT_DATE - interval '1 month')
    AND date < DATE_TRUNC('month', CURRENT_DATE)
    AND is_completed = TRUE
  GROUP BY city_id, driver_id
)
SELECT *
FROM (
  SELECT 
    city_id, driver_id, total_payment,
    ROW_NUMBER() OVER(PARTITION BY city_id ORDER BY total_payment DESC) AS rn
  FROM monthly
) t
WHERE rn <= 3;

面试官重点看：

你对窗口函数（ROW_NUMBER, RANK, DENSE_RANK）是否熟练
是否能在 Pandas 中灵活复现 SQL 的逻辑
是否考虑过过滤条件（如 is_completed = TRUE）

第三题：每月 signup 的司机中，找出各城市赚得最多的前三名

新增一张表：

(driver_id, signup_date)

要求：

找出在每个月 sign-up 的司机中，在各城市里赚得最多的前三名司机。

这题是第二题的进阶版，多了 “signup_month” 的 cohort 维度。Uber 很喜欢考这类 cohort 题，特别在 Scientist 岗面试里。

SQL 解法：

WITH cohort AS (
  SELECT 
    s.driver_id,
    DATE_TRUNC('month', s.signup_date) AS signup_month,
    d.city_id,
    SUM(d.payment) AS total_payment
  FROM trips d
  JOIN signup s
    ON d.driver_id = s.driver_id
  WHERE d.is_completed = TRUE
  GROUP BY 1,2,3
),
ranked AS (
  SELECT 
    *,
    ROW_NUMBER() OVER(PARTITION BY signup_month, city_id ORDER BY total_payment DESC) AS rn
  FROM cohort
)
SELECT *
FROM ranked
WHERE rn <= 3;

这一题考的核心是：

你能否理解 “每月注册司机” 的 cohort 逻辑
能否正确结合两张表（join + 分组 + 窗口函数）
有没有业务 sense，比如过滤掉未完成订单

很多候选人写完第二题后就卡死在这里了，其实只要先聚合再分组排序，逻辑是一样的。

Uber 面试的考点逻辑

这 45 分钟里，Uber 实际上在考三个能力：

算法思维 —— 不依赖库函数的数学实现
SQL / Pandas 实战功底 —— 处理大规模交易数据的能力
Cohort 分析意识 —— 结合注册、订单数据做 cohort performance

整体难度中上，但对熟练度要求极高。如果没有提前刷过类似题，45 分钟内很难全写完。

Programhelp 为你的成功保驾护航

这场 VO 我们全程远程助攻陪跑，尤其在第二、三题部分。

当学员一开始在 pandas 排序逻辑写混时，我们语音提醒了 groupby + rank 的用法，立刻拉回节奏；
第三题 cohort 部分，我们提示了 “要用 signup_month + city_id 双维度分区”，避免了 rank 错误。

最后成功三题全过。

Programhelp 的远程语音助攻服务，专注 Uber / DoorDash / Lyft / Amazon / Instacart 等数据和算法岗的 OA + VO 实战陪练。
通过实时语音提示和无痕联机辅助，帮你在关键时刻稳定输出，让你从“知道怎么写”变成“面试现场真能写出来”。

jor jor

See Full Bio