题目重点：Technology Intern Power Day coding 给不同返现费率和交易，计算一个月各商户获得的 Cashback；明确金额口径、退款与排序。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 训练版交易含 id、customerId、merchantId、amountCents、timestamp、status；只计算指定月份且成功的正向购买。
- 费率按 merchantId 查找，缺商户费率用 defaultRate；若真实题给类别/时间段/叠加优惠，优先级需重新定义。
- 返现按每笔交易以整数最小单位计算并指定舍入；训练版每笔向下取整，不把浮点误差混入金额。
- 输出按商户返现总额降序、商户 ID 升序；题目只说‘哪些商家多’，排序格式为训练约定。
解题路线
- 先向面试官列出 rate 适用范围、有效月份/时区、成功/退款交易、金额舍入和是否按用户/商户查询。
- 遍历交易，先用 transactionId 去重并过滤月份/状态；按适用 rate 算 cashbackCents，再在 map[merchantId] 汇总。
- 若退款单独出现，需要关联原交易并按当时费率反向冲销，不能用退款时的新费率；题目未明确此约束，作为追问讨论。
- 最终把商户汇总转数组排序；若只需 Top K，可用大小为 K 的堆降低排序成本。
- 写可追溯测试：月边界、重复 ID、同商户多交易、0 费率、不同 rate、同分、退款和舍入误差。
手动走一遍
训练示例：商户 A 费率 2%、两笔成功购买 1000/500 cents，各返 20/10，总 30；商户 B 费率 5%、一笔 400 cents，返 20，则 A 排在 B 前。金额、费率与商户均为本文训练数据，题目未明确。
规模与取舍
t 笔交易、m 个不同商户：去重和汇总预期 O(t) 时间、O(t+m) 空间（保留全部 ID）；全排序 O(m log m)。若源日志已保证唯一，可不保留 ID；Top K 为 O(m log K)。
易错点与追问
容易失分的边界
- 把用户消费额直接当 Cashback，没乘费率。
- 交易金额用二进制浮点累加产生分差。
- 退款/重复交易按购买再加一次。
- 用结算月份与发生月份混用却不说明。
- 费率改变后重算历史交易而未保留适用版本。
继续深挖
- 不同商户类别、活动加成同时适用如何定优先级？
- 千万级交易如何流式聚合？
- 迟到退款怎样更正已出月报？
- 只需 Top K 如何优化？
