**Контекст:** Задание с собеса в финтех (antifraud). Дано: таблица транзакций с несколькими фичами. Нужно написать детектор, который помечает подозрительные транзакции — многомерные аномалии, которые классический z-score не ловит (например, нормальная сумма + нормальный мерчант + необычный merchant+сумма+время вместе).
**Данные:**
[см. код в задании]
**Задание:**
1. Написать функцию `detect_anomalies(df, contamination=0.02)` возвращающую df с колонкой `anomaly_score` (float) и `is_anomaly` (bool).
2. Использовать Isolation Forest из sklearn.
3. One-hot encode категориальную `merchant_cat`.
4. Контаминация по умолчанию 2% — ожидаем что ~2% транзакций аномальны.
5. Возвращать отсортированный по score DataFrame (самые подозрительные сверху).
Структура для ориентира — реальные значения из эталонного решения.
df = pd.DataFrame({
'user_id': ...,
'amount': ..., # float
'merchant_cat': ..., # 'food', 'electronics', 'entertainment', ...
'hour': ..., # 0-23
'is_weekend': ..., # 0/1
'is_foreign': ..., # 0/1 (иностранный мерчант)
'days_since_signup': ...,
})anomaly-detection isolation-forest sklearn fraud
Это задание для уровня Senior. Senior-уровень — глубокое понимание темы, опыт решения нестандартных задач, обсуждение trade-off на собеседовании.
Подобные задания в категории «Python» регулярно дают на собеседованиях аналитика данных в Яндекс, Сбер, Ozon, Авито, Тинькофф, Wildberries, T-Bank, X5, ВТБ и других крупных IT-компаниях. Тематика: anomaly-detection, isolation-forest, sklearn, fraud.
На реальном собеседовании на подобную задачу отводится 30-60 минут с обсуждением подходов, оптимизаций и trade-off. Для тренировки рекомендуем сначала решить самостоятельно, потом сверить с эталонным решением и подсказками.
На zasqlpython.ru есть 530+ Python задачи с проверкой через Pyodide, конспекты Python и pandas, AI мок-собеседование с разбором ваших ответов.
← Все задания