某程序员爆料：没买房被组长针对了，他自己的房估计亏了五百万，现在对我总阴阳怪气，说我不买房干嘛，还说我的存款就算背星～

刚看到个贴子，说有程序员因为没买房，被自己组长阴阳怪气了。大概意思就是组长房子亏了五百万，现在看谁不买房就不顺眼，还拿“背星毕业”“存款多少”这种话来戳人。

说到底不是房不房的问题，是有些人把自己的情绪往别人身上倒。

亏钱是他的风雨，不能成了你背的锅。

换个角度想，职场里最怕这种拿私事当公事的人，情绪一不好就开始找人撒气。你不买房关他啥事？你的人生，又不是他的投资组合。

再说了，每个人节奏不同，你能稳稳工作、把钱攒好，本身就很清醒了。

嗯…反正这种阴阳怪气的职场人哪里都有，别被带节奏，也别被情绪绑架。做好自己的事，走自己的路。【备注:文末可领最新资料】

面试题：查询回答率最高的问题

在公司内网问答系统里干过活的同学，应该都有这种痛苦体验：一堆问题堆在那里，有的没人看，有的下面密密麻麻几十条回答，产品说一句“帮我查一下哪些问题回答率最高，我们要做个知识沉淀页”，你一听就知道，这八成又要你写个小算法了。

咱今天就用 Python，把这个“查询回答率最高的问题”从嘴上的一句话，变成一段能跑的代码。

我先假设一个比较常见的业务场景，不搞特别学术的定义：

• 系统里有很多问题，每个问题有一个 question_id
• 每次有人发问或者触发一次“需要被回答”的场景，我们都记一条日志
• 日志里会带上：这个 question_id，以及本次是不是被成功回答了（比如 answered=1 表示有人答了，answered=0 表示没人理）

比如一条日志长这样（用 Python 里常见的字典 / 元组表示）：

(问题ID, 是否回答成功)
(101, 1)
(101, 0)
(102, 1)
(103, 0)
...

产品要的“回答率最高的问题”，本质就是：对每个问题算一个：回答率 = 被回答成功次数 / 出现总次数，然后找出回答率最大的那几个问题。

这里有两个细节顺手约定一下：

1. 出现总次数为 0 的问题直接忽略（没出现过就不算嘛）
2. 回答率一样高的，可以一并返回，多给运营一点选择空间

思路别装复杂，就是一遍遍历

这个题其实是典型的统计类问题，别上来就想 SQL 大数据那套，先用最普通的办法把思路走通：

1. 用一个字典 stats 按 question_id 聚合统计

• asked_count：这个问题一共出现了多少次
• answered_count：多少次是回答成功的

整体复杂度是 O(N)，N 就是日志条数，一次遍历统计，一次遍历找最大，数据量再大也还挺能扛。

用 Python 写一段能直接塞进项目的代码

直接上代码，简单点，方便你往自己的项目里挪：

from typing import List, Tuple, Dict


deffind_best_questions(logs: List[Tuple[int, int]]):
"""
    logs: 每条记录是 (question_id, answered)
          answered: 1 表示被回答成功，0 表示未回答
    返回：
      max_rate: 最高回答率（0~1 之间的小数）
      best_questions: 回答率最高的 question_id 列表
      detail: 每个问题的统计明细，方便调试或展示
    """
ifnot logs:
return0.0, [], {}

# 1. 聚合统计
    stats: Dict[int, Dict[str, int]] = {}
for qid, answered in logs:
if qid notin stats:
            stats[qid] = {"asked": 0, "answered": 0}
        stats[qid]["asked"] += 1
if answered:
            stats[qid]["answered"] += 1

# 2. 计算回答率 + 找出最大值
    max_rate = -1.0
    best_questions: List[int] = []

for qid, s in stats.items():
        asked = s["asked"]
# 正常来说 asked 不会是 0，这里还是防一下
if asked == 0:
continue
        rate = s["answered"] / asked

# 顺手把 rate 存回去，方便外面用
        s["rate"] = rate

if rate > max_rate:
            max_rate = rate
            best_questions = [qid]
elif rate == max_rate:
            best_questions.append(qid)

# 没有有效问题的兜底
if max_rate < 0:
        max_rate = 0.0

return max_rate, best_questions, stats

随手搞个小测试，你在本地丢进 Python 里跑一跑就有感觉了：

if __name__ == "__main__":
    logs = [
        (101, 1),
        (101, 0),
        (101, 1),
        (102, 1),
        (102, 1),
        (103, 0),
        (103, 0),
    ]

    max_rate, best_questions, detail = find_best_questions(logs)
    print("最高回答率：", max_rate)
    print("回答率最高的问题：", best_questions)
    print("详情：", detail)

这组数据里：

• 101：3 次出现，2 次被回答，回答率 2/3 ≈ 0.67
• 102：2 次出现，2 次被回答，回答率 1.0
• 103：2 次出现，0 次被回答，回答率 0

所以程序应该打印：最高回答率是 1.0，对应的问题是 [102]，细节统计里每个问题的 asked / answered / rate 都能看到。

真正项目里会遇到的几个小坑

算法本身不难，坏就坏在业务细节，经常有人跟你“临时加需求”：

1. 时间窗口可能不是算全量历史，而是“最近 7 天回答率最高的问题”。 这种情况把日志里加个 timestamp，先过滤时间再统计就行。

2. 最低曝光门槛有的问题只出现过 1 次，被回答了 1 次，回答率 100%，但这种问题对业务没啥价值。 可以加一个门槛，比如 asked >= 5 才参与排名。

3. 权重问题有时候产品会说：“回答率高但问题太冷门不想要，看看回答率+总回答数的综合情况”。 那就可以改成：score = rate * alpha + answered_count * beta再按 score 排序，本质上就是把“回答率”换成“综合得分”。

4. 大数据场景如果日志量大到单机内存放不下，这一套逻辑照搬到 SQL / Spark / Flink 里就是了：

• 先按 question_id group by
• count 总数、sum answered
• 再算 rate 排序取 TopN 算法思想是一模一样的，只是“字典 + for”变成了“group by + 聚合算子”。

这个题表面看起来是个“刷题算法”，但你会发现，它其实就是业务里最常见的那种：先按某个维度聚合统计，再算指标，再挑出最优项。

做日志分析、接口成功率、MQ 消费成功率、数据库慢查询占比的时候，套路都是一样的： 先想清楚你要统计什么，再乖乖写一遍“聚合 + 计算 + 比较最大值”的循环就完事了。