最近刚刷完 Two Sigma OA Questions ，在 HackerRank 平台上进行。三道题整体有一定水平，比之前做的 TikTok、Amazon 等正常一些，我大概花了 40 分钟左右就全部写完并通过了所有测试用例。之前做过不少大厂 OA，这次感觉还算稳。
Two Sigma 的 OA 题型偏工程实现和统计建模，考察点比较全面。下面把三道题的详细描述和我的解题思路分享给大家，供准备 Two Sigma 或者其他量化/金融科技公司 OA 的同学参考。
Two Sigma OA Questions 独家整理
第一题：Linear Interpolator（线性插值）
题目描述： 给定 n 个点（x_knots, y_knots），实现线性插值函数。当输入 x 在点范围内时进行分段线性插值，当 x 在范围外时进行外推。如果有重复 x 点，需要合并处理。
解题思路： 我先把点按 x 坐标排序，遇到重复 x 就合并（取最后一个 y 或按要求处理）。然后用二分查找找到输入 x 所在的区间。如果 x 刚好等于某个 knot，直接返回对应 y 值；否则用前后两个点构建直线公式计算插值值。若 x 越界，就用最左或最右的区间进行外推。这个方法时间复杂度主要是排序 O(n log n) + 二分 O(log n)，效率很高。
第二题：Daily Temperature By Town
题目描述： 给定多个城镇和 NYC 的每日温度数据，需要回答多个统计问题，包括温差最大地区、条件中位数、单变量回归系数、最佳单/双变量组合，以及通过贪心选择 5 个城镇预测 NYC 温度等。
解题思路： 这题需要分模块处理。Q1 用标准差找出波动最大的列；Q2 先筛选 Town2 在 90~100 之间的数据，再计算 NYC 温度的中位数；Q3 对每对资产计算单变量回归系数并求绝对值之和；Q4 遍历所有单变量选 MSE 最小的；Q5 遍历所有双变量组合选 MSE 最小的；Q6 用贪心前向选择，每轮加入使当前模型 MSE 下降最多的特征，共选 5 个。整体思路清晰，注意处理好数据清洗和边缘情况。
第三题：Efficient Regression V5
题目描述： 实现资产回报 X 与 Y 的无截距回归系数 beta，支持批量计算和流式在线更新。
解题思路： 批量计算时，对每对列分别计算 sum_xy 和 sum_xx，然后 beta = sum_xy / sum_xx。在线更新部分维护累积的 sum_xy 和 sum_xx，每来一批新数据就更新累积值并重新计算 beta。这样既支持批量处理，也能高效处理流式数据，时间和空间复杂度都很友好。
最后想分享一下我的备战心得
Two Sigma 的 OA 题量和难度都挺实在的，尤其是统计建模和在线更新相关的题，如果没提前系统练过，现场容易卡时间或者思路不清晰。我在准备过程中找 Interview Aid 做了 OA 辅助，如果你也马上要面 Two Sigma 或者其他量化公司 OA，时间又比较紧，提前找专业辅助真的能省很多弯路。