某军工研究所网友爆料:一个月加班接近 20个小时，被同事警告说加班太少。。

刚看到个贴子，说某军工所的网友一个月加班不到20小时，结果被同事“善意警告”说太少了。底下还有网友补刀：我们这边都是60、70小时起步……无语住了。

有些单位把加班当忠诚度考核，甚至当成竞争筹码，不卷不行。

军工确实任务重、节奏快，可再怎么忙也得有人性边界吧。把加班当基本操作，只会恶性循环，该干的活没变，内耗情绪倒是涨了。

从我的角度看，不怕加班，就怕把“加班文化”当成正确答案。

还是希望大家都能在努力和生活之间找到平衡。工作再重要，也得给自己留口气。愿每个人都能少点被动卷，多点自愿干，心态稳，生活也能稳。【备注:文末可领最新资料】

面试题：2016年的投资

这题其实本质不难，就是名字听起来有点“金融大佬”那味儿😂，我们先把题目用人话说清楚，再慢慢用 Python 拼出算法。

有一张 Insurance 表，大概长这样

• pid：投保人编号（主键，唯一）
• tiv_2015：这个人 2015 年一共投了多少钱
• tiv_2016：这个人 2016 年投了多少钱
• lat：所在城市纬度
• lon：所在城市经度

要干的事是：把 2016 年“成功投资”的金额加起来，保留两位小数。

一个人算“成功投资”，要同时满足两个条件：

1. 他的 tiv_2015 至少和别的某一个人是一样的（也就是说，这个 2015 投保额在表里出现次数 ≥ 2）
2. 他的城市是“独一份”的，也就是 (lat, lon) 这个坐标在表里只出现一次

满足这俩条件的人，把他们的 tiv_2016 全部加起来，最后保留两位小数就行。

原题一般用 SQL 写，这里我们换个角度，用“算法 + Python”来搞。

算法思路拆一拆

你可以把这题当成一个“两次统计 + 一次筛选”的小数据处理题。

直觉版本是这样：

1. 先遍历一遍所有记录

• 数一数每个 tiv_2015 出现了几次
• 再数一数每个 (lat, lon) 出现了几次 这个最自然的结构就是哈希表（Python 里的 dict）

• 它的 tiv_2015 对应的计数是不是 ≥ 2
• 它的 (lat, lon) 对应计数是不是 == 1

• 对于每条记录，看：

• 两个条件都成立，就把它的 tiv_2016 加进总和里

时间复杂度就是两遍遍历 O(n)，空间就是两个哈希表，也是 O(n) 级别，很稳。

用 Python 写一个“纯算法版”

先假定我们把一行数据读成一个 dict，类似这样：

record = {
"pid": 1,
"tiv_2015": 10.0,
"tiv_2016": 5.0,
"lat": 10.0,
"lon": 10.0
}

整张表就是一个 list[dict]：

records = [
    {"pid": 1, "tiv_2015": 10.0, "tiv_2016": 5.0, "lat": 10.0, "lon": 10.0},
    {"pid": 2, "tiv_2015": 20.0, "tiv_2016": 20.0, "lat": 20.0, "lon": 20.0},
    ...
]

然后实现函数：

from collections import defaultdict
from typing import List, Dict, Any


definvestment_2016(records: List[Dict[str, Any]]) -> float:
"""
    计算 2016 年成功投资金额总和，保留两位小数。
    records: 每一项是一个 dict，包含
        pid, tiv_2015, tiv_2016, lat, lon
    """
# 1. 统计 2015 投保额出现次数
    cnt_2015 = defaultdict(int)
# 2. 统计城市坐标出现次数
    cnt_city = defaultdict(int)

for r in records:
        tiv_2015 = r["tiv_2015"]
        lat = r["lat"]
        lon = r["lon"]

        cnt_2015[tiv_2015] += 1
        cnt_city[(lat, lon)] += 1

# 3. 第二遍筛选 & 求和
    total = 0.0
for r in records:
        tiv_2015 = r["tiv_2015"]
        lat = r["lat"]
        lon = r["lon"]
        tiv_2016 = r["tiv_2016"]

# 条件1：2015 年投保额，至少和别人一样一次
        cond_2015 = cnt_2015[tiv_2015] >= 2
# 条件2：城市坐标是独一份
        cond_city = cnt_city[(lat, lon)] == 1

if cond_2015 and cond_city:
            total += tiv_2016

# 4. 四舍五入到两位小数
return round(total, 2)


if __name__ == "__main__":
    example = [
        {"pid": 1, "tiv_2015": 10, "tiv_2016": 5, "lat": 10, "lon": 10},
        {"pid": 2, "tiv_2015": 20, "tiv_2016": 20, "lat": 20, "lon": 20},
        {"pid": 3, "tiv_2015": 10, "tiv_2016": 30, "lat": 20, "lon": 20},
        {"pid": 4, "tiv_2015": 10, "tiv_2016": 40, "lat": 40, "lon": 40},
    ]
    print(investment_2016(example))  # 输出 45.0

你可以对照一下示例数据：

• tiv_2015 = 10 的有 pid=1,3,4，确实“至少有一个人跟我一样”，所以条件1 对他们都成立

• 但城市坐标 (20, 20) 出现了两次（pid=2,3），所以 pid=2 和 pid=3 的城市不是独一份

• pid=2：条件1 不成立（2015=20 只有他一个），条件2 也不成立（城市重复）
• pid=3：条件1 成立（2015=10），条件2 不成立（城市重复）

• 只有 pid=1 和 pid=4 同时满足两个条件，所以 tiv_2016 是 5 + 40 = 45

上面代码跑出来 45.0，就对上题目的示例结果了([CSDN博客][1])。

顺便和 SQL 的思路对个频

原题在 SQL 里一般会用两次 GROUP BY：

• 一次按 tiv_2015 分组，找出出现次数 ≥ 2 的金额
• 一次按 (lat, lon) 分组，找出出现次数 == 1 的城市
• 然后把这两个结果跟原表“联立”，最后 SUM(tiv_2016)

你会发现，我们刚才用 Python 的两张哈希表，其实就是把这两个 GROUP BY 的结果“缓存”在内存里了，然后在第二次遍历里做“过滤 + 求和”。

所以这题本质上不是什么高深算法，就是一个很标准的“两次扫描 + 计数 + 过滤”套路： 以后碰到类似“满足若干全局条件，再把某个字段加起来”的题，大概率都可以用这一套模板来写 Python 版。

如果你后面想再扩展，比如用 pandas 来写一个更“表格化”的版本，也可以在这个思路上直接平移过去：groupby 两次、打标记、再过滤求和就行了。