Pythonは、パンダ、Numpy、Matplotlib、Scipy、Scikit-Learnなどのライブラリの豊富なエコシステムのおかげで、ほとんどのデータ分析ワークフローを使用しています。雇用主は、Pythonのコアコンストラクト、データの操作、視覚化、およびアルゴリズムの問(wèn)??題解決を使用して、習(xí)熟度について候補(bǔ)者を頻繁に評(píng)価します。この記事は、初心者、中級(jí)、および高度なレベルに分類(lèi)されたインタビューの質(zhì)問(wèn)と回答を慎重に作成したPythonコーディングの質(zhì)問(wèn)と、新入生やベテランのデータアナリストにも役立ちます。これらの質(zhì)問(wèn)には、概念的な明確さと応用理解の両方を示す詳細(xì)な説明的な答えが付屬しています。

データアナリスト向けの初心者レベルPythonインタビューの質(zhì)問(wèn)

Q1。 Pythonとは何ですか、なぜそれがデータ分析でそれほど広く使用されているのですか？

回答： Pythonは、そのシンプルさと読みやすさで知られる多目的で高レベルのプログラミング言語(yǔ)です。 Pandas、Numpy、Matplotlib、Seabornなどの強(qiáng)力なライブラリにより、データ分析で広く使用されています。 Pythonは、迅速なプロトタイピングを可能にし、他のテクノロジーやデータベースと簡(jiǎn)単に統(tǒng)合して、データアナリストにとって頼りになる言語(yǔ)になります。

Q2。 Pythonで外部ライブラリをインストールし、環(huán)境を管理するにはどうすればよいですか？

回答： PIPを使用してライブラリをインストールできます。

 <span>PIPインストールPANDAS Numpy</span>

環(huán)境と依存関係を管理するには、 venvまたはcondaを使用してください。

 <span>python -m venv env</span>
<span>ソースenv/bin/activate＃linux/macos</span>
<span>env \ scripts \ activate＃windows</span>

これにより、孤立した環(huán)境が保証され、依存関係の競(jìng)合が回避されます。

Q3。 Pythonの重要なデータ型は何ですか？それらはどのように異なりますか？

回答： Pythonの重要なデータ型には以下が含まれます。

• int 、 float ：數(shù)値タイプ
• STR ：テキスト用
• ブール：true/false
• リスト：注文、可変
• タプル：注文、不変
• セット：順序付けられていない、ユニーク
• DICT：キー価値のペア

これらのタイプにより、データを効果的に構(gòu)築および操作できます。

Q4。リスト、タプル、セットを區(qū)別します。

回答：基本的な違いは次のとおりです。

• リスト：可変および注文。例： [1、2、3]
• タプル：不変で注文された。例： （1、2、3）
• セット：秩序化していないユニーク。例：{1、2、3}データを更新する必要があるときにリストを使用し、固定データのタプル、一意性チェックのセットを使用します。

Q5。 Pandasシリーズとデータフレームとは何ですか？

回答： Pandasシリーズは、1次元ラベル付き配列です。 Pandas DataFrameは、列を備えた2次元ラベルのデータ構(gòu)造です。単一列データにはシリーズを使用し、表形式データにはデータフレームを使用します。

Q6。 Pythonを使用してPythonのCSVファイルをどのように読みますか？

回答： Python Pandasを使用してCSVファイルを読み取る方法は次のとおりです。

 <span>PDとしてパンダをインポートします</span>
<span>df = pd.read_csv（ "data.csv"）</span>

デリミッター、ヘッダー、列名などを同じようにカスタマイズすることもできます。

Q7。 type（）関數(shù)の使用は何ですか？

回答： type（）関數(shù)は、変數(shù)のデータ型を返します。

<span>タイプ（42）＃int</span>
<span>タイプ（ "ABC"）＃str</span>

Q8。 if、elif、およびその他の使用をPythonで説明してください。

回答：これらの機(jī)能は意思決定に使用されます。例：

 <span>x> 0の場(chǎng)合：</span>
<span>印刷（ "ポジティブ"）</span>
<span>Elif x 
<span>印刷（ "ネガティブ"）</span>
<span>それ以外：</span>
<span>print（ "zero"）</span></span>

Q9。データフレームの欠損値をどのように処理しますか？

回答： isnull（）を使用して識(shí)別し、dropna（）またはfillna（）を処理します。

 <span>df.dropna（）</span>
<span>df.fillna（0）</span>

Q10。リストの理解とは何ですか？例を提供します。

回答：リスト理解は、リストを作成するための簡(jiǎn)潔な方法を提供します。例えば：

 <span>squares = [x ** 2の範(fàn)囲のxの場(chǎng)合（5）]</span>

Q11。パンダのデータフレームで行をフィルタリングするにはどうすればよいですか？

回答：ブールインデックスを使用して行をフィルタリングできます。

 <span>df [df ['age']> 30]</span>

Q12。 PythonのISと==の違いは何ですか？

回答： == while ' is'はオブジェクトのアイデンティティを比較します。

 <span>x == y＃値</span>
<span>xはy＃メモリ內(nèi)の同じオブジェクトです</span>

Q13。 PythonのLen（）の目的は何ですか？

回答： len（）は、オブジェクト內(nèi)の要素の數(shù)を返します。

<span>レン（[1、2、3]）＃3</span>

Q14。パンダのデータをどのように並べ替えますか？

回答： sort_values（）関數(shù)を使用して、pythonでデータを並べ替えることができます。

 <span>df.sort_values（by = 'column_name'）</span>

Q15。 Pythonの辭書(shū)とは何ですか？

回答：辭書(shū)は、キー価値のペアのコレクションです。速い検索と柔軟なデータマッピングに役立ちます。これが例です：

 <span>d = {"name"： "Alice"、 "age"：30}</span>

Q16。 append（）とextend（）の違いは何ですか？

回答： append（）関數(shù)はリストに単一の要素を追加し、 extend（）関數(shù)は複數(shù)の要素を追加します。

 <span>LST.Append（[4,5]）＃[[1,2,3]、[4,5]]</span>
<span>lst.extend（[4,5]）＃[1,2,3,4,5]</span>

Q17。パンダの列をDateTimeにどのように変換しますか？

回答： PD.TO_DATETIME（）関數(shù)を使用して、列をDateTimeに変換できます。

 <span>df ['date'] = pd.to_datetime（df ['date']）</span>

Q18。 PythonでのINオペレーターの使用は何ですか？

回答： 「in」演算子を使用すると、特定の文字が値に存在するかどうかを確認(rèn)できます。

 <span>「in "in" data "＃true</span>

Q19。休憩、続行、合格の違いは何ですか？

回答： Pythonでは、「 Break」がループを終了し、 「続行」スキップを次の反復(fù)に向けます。一方、「パス」は単に何もしないプレースホルダーです。

Q20。 Pythonにおけるインデントの役割は何ですか？

回答： Pythonはインデントを使用してコードブロックを定義します。誤ったインデンテーションは、インデントエラーにつながります。

データアナリストのための中級(jí)レベルPythonインタビューの質(zhì)問(wèn)

Q21。 PandasのLoCとILOCを區(qū)別します。

回答： loc []はラベルベースであり、名前で行/列にアクセスしますが、iloc []は整數(shù)ロケーションベースであり、位置で行/列にアクセスします。

Q22。淺いコピーとディープコピーの違いは何ですか？

回答：淺いコピーは新しいオブジェクトを作成しますが、同じオブジェクトへの參照を挿入しますが、深いコピーはすべてのネストされた要素の完全に獨(dú)立したコピーを作成します。ディープコピーにはcopy.deepcopy（）を使用します。

Q23。 PandasのGroupBy（）の役割を説明してください。

回答： GroupBy（）関數(shù)は、いくつかの基準(zhǔn)に基づいてデータをグループに分割し、関數(shù)（平均、合計(jì)など）を適用し、結(jié)果を組み合わせます。集約および変換操作に役立ちます。

Q24。 Merge（）、Join（）、およびconcat（）をPandasで比較対照します。

回答： 3つの関數(shù)の違いは次のとおりです。

• merge（）は、キー上のSQLスタイルの結(jié)合を使用してデータフレームを組み合わせます。
• [ Indexまたはキー]列に結(jié)合します。
• concat（）軸に沿ってデータフレームを追加または積み重ねます。

Q25。 Numpyの放送とは何ですか？

回答：ブロードキャストにより、小さな配列を自動(dòng)的に拡張することにより、さまざまな形狀の配列間の算術(shù)操作が可能になります。

Q26. Pythonはどのようにメモリを管理していますか？

回答： Pythonは、參照カウントとゴミコレクターを使用してメモリを管理します。オブジェクトの參照カウントがゼロに低下すると、自動(dòng)的にゴミが収集されます。

Q27。データフレームで重複を処理するさまざまな方法は何ですか？

回答： df.duplicated（）を識(shí)別し、df.drop_duplicates（）を識(shí)別してそれらを削除します。サブセット列を指定することもできます。

Q28。データフレームの列にカスタム関數(shù)を適用する方法は？

回答： Apply（）メソッドを使用して、次のことを行うことができます。

 <span>df ['col'] = df ['col']。apply（lambda x：x * 2）</span>

Q29。 pandasでapply（）、map（）、およびapplymap（）を説明します。

回答：これらの各機(jī)能の使用方法は次のとおりです。

• Apply（）は、データフレームの行または列に使用されます。
• Map（）は、シリーズの要素ごとの操作用です。
• ApplyMap（）は、データフレーム全體の要素ごとの操作に使用されます。

Q30。 NumpyとPandasのベクトル化とは何ですか？

回答： Vectorizationを使用すると、ループを作成せずに配列全體で操作を?qū)g行でき、コードをより速く効率的にすることができます。

Q31。パンダの時(shí)系列データをどのようにリサンプしますか？

回答： resample（）を使用して、時(shí)系列データの頻度を変更します。例えば：

 <span>df.resample（ 'm'）。mean（）</span>

これにより、データが毎月の平均に改められます。

Q32。パンダの（）とall（）の違いを説明します。

回答： any（）関數(shù)は、少なくとも1つの要素が真である場(chǎng)合にtrueを返しますが、すべて（）はすべての要素が真である場(chǎng)合にのみtrueを返します。

Q33。データフレームの列のデータ型をどのように変更しますか？

回答： ASTYPE（）関數(shù)を使用して、列のデータ型を変更できます。

 <span>df ['col'] = df ['col']。astype（ 'float'）</span>

Q34。 Pandasがサポートするさまざまなファイル形式は何ですか？

回答： Pandasは、CSV、Excel、JSON、HTML、SQL、HDF5、Feather、およびParquetファイル形式をサポートしています。

Q35。ラムダの機(jī)能とは何ですか？それらはどのように使用されていますか？

回答： Lambda関數(shù)は、Lambdaキーワードを使用して定義された匿名のワンライナー関數(shù)です。

<span>正方形=ラムダX：x ** 2</span>

Q36。 zip（）およびenumate（）関數(shù)の使用は何ですか？

回答： zip（）関數(shù)は2つの反復(fù)可能な要素ごとに組み合わされ、 enumerate（）はループに役立つインデックスエレメントペアを返します。

Q37。 Pythonの例外とは何ですか？また、それらをどのように処理しますか？

回答： Pythonでは、例外はプログラムの実行中に発生するエラーです。構(gòu)文エラーとは異なり、例外は、ランタイム中に構(gòu)文的に正しいプログラムが問(wèn)題に遭遇すると発生します。たとえば、ゼロで割ったり、存在しないファイルにアクセスしたり、未定義の変數(shù)を參照したりします。

Pythonの例外を処理するために、「Try-Exectect」ブロックを使用できます。 「最終的に」を使用してコードをクリーンアップし、「上昇」してカスタム例外をスローすることもできます。

Q38。 PythonのArgsとKwargsとは何ですか？

回答： Pythonでは、 ARGはさまざまな數(shù)の位置引數(shù)を渡すことができますが、 Kwargsは可変數(shù)のキーワード引數(shù)を渡すことができます。

Q39。単一のPandas列で混合データ型をどのように処理しますか？これにより、どのような問(wèn)題が発生する可能性がありますか？

回答：パンダでは、列には理想的には単一のデータ型（すべての整數(shù)、すべての文字列）が含まれる必要があります。ただし、混合タイプは、亂雑なデータソースや誤った解析のために忍び寄る可能性があります（たとえば、いくつかの行には數(shù)字があり、他の行には文字列またはヌルがあります）。 Pandasは、そのような場(chǎng)合に列にオブジェクトdtypeを割り當(dāng)てます。これにより、パフォーマンスが低下し、型固有の操作（.mean（）や.str.contains（）など）を破壊できます。

これを解決するには：

• df ['column']。astype（）を使用して、目的のタイプにキャストします。
• pd.to_numeric（df ['column']、errors = 'coerce'）を使用して、有効なエントリと強(qiáng)制エラーをNANに変換します。
• 変換を適用する前に、データを清掃して標(biāo)準(zhǔn)化します。

混合タイプの処理により、予期しないタイプエラーなしでコードが実行され、分析中に最適に実行されます。

Q40。 Pandasのvalue_counts（）とgroupby（）。count（）の違いを説明します。いつ使用する必要がありますか？
回答： value_counts（）とgroupby（）。count（）の両方がデータの要約に役立ちますが、異なるユースケースを提供します。

• value_counts（）は、単一のシリーズで使用され、各一意の値の頻度をカウントします。例：pythoncopyeditdf ['gender']。value_counts（）値カウントでシリーズを返し、デフォルトで下降順にソートします。
• groupby（）。count（）はデータフレームで動(dòng)作し、1つ以上のフィールドによってグループ化された列の非ヌルエントリをカウントするために使用されます。たとえば、pythoncopyeditdf.groupby（ 'department'）。count（）は、指定された列でグループ化されたすべての列の非nullエントリのカウントでデータフレームを返します。

単一の列の周波數(shù)を分析するときは、value_counts（）を使用します。
グループ間で複數(shù)のフィールドを要約している場(chǎng)合は、groupby（）。count（）を使用します。

データアナリスト向けの高度なレベルPythonインタビューの質(zhì)問(wèn)

Q41。ユースケースの例でPythonデコレーターを説明します。

回答：デコレーターを使用すると、機(jī)能を別の関數(shù)で包み、その動(dòng)作を拡張できます。一般的なユースケースには、ロギング、キャッシュ、アクセス制御が含まれます。

 def log_decorator（func）：
    def wrapper（*args、** kwargs）：
        print（f "calling {func .__ name__}"）
        return func（*args、** kwargs）
    ラッパーを返します

@log_decorator
def say_hello（）：
    印刷（ "こんにちは！"）

Q42。 Pythonジェネレーターとは何ですか、そしてそれらは通常の機(jī)能/リストとどのように違いますか？

回答：ジェネレーターは、返品の代わりに収量を使用します。彼らはイテレーターを返し、値を怠lazに生成し、記憶を保存します。

Q43。 Pythonコードをどのようにプロファイルおよび最適化しますか？

回答： cprofile、timeit、およびline_profilerを使用してコードをプロファイルします。複雑さを減らし、ベクトル化された操作を使用し、キャッシュ結(jié)果を使用して最適化します。

Q44。コンテキストマネージャーとは何ですか（ステートメント付き）？なぜ彼らは役に立つのですか？

回答：ファイルストリームなどのリソースを管理します。例：

 <span>fをopen（ 'file.txt'）としてf：</span>
<span>data = f.read（）</span>

エラーが発生した場(chǎng)合でも、使用後にファイルが閉じられるようにします。

Q45。欠落データを処理する2つの方法と、それぞれを使用するタイミングを説明してください。

回答：欠損データを処理する2つの方法は、Dropna（）とfillna（）関數(shù)を使用することです。データがランダムに欠落している場(chǎng)合、Dropna（）関數(shù)は使用され、全體的な傾向に影響しません。 fillna（）関數(shù)は、隣接する値に基づいて一定または補(bǔ)間に置き換えるのに役立ちます。

Q46。 Pythonのメモリ管理モデルを説明します。

回答： Pythonは、參照カウントと周期的なゴミコレクターを使用してメモリを管理します。參照がゼロのオブジェクトが収集されます。

Q47。 Pythonでのマルチスレッドとマルチプロセシングとは何ですか？

回答：マルチスレッドは、I/Oバウンドタスクに役立ち、GILの影響を受けます。マルチプロセッシングは、CPUに縛られたタスクに最適であり、別々のコアで実行されます。

Q48。 Numpy Broadcastingでパフォーマンスをどのように改善しますか？

回答：ブロードキャストを使用すると、データをコピーすることなく、さまざまな形狀の配列を効率的に動(dòng)作させることができます。

Q49。効率的なパンダコードを書(shū)くためのベストプラクティスは何ですか？

回答：最高のPythonコーディングプラクティスには次のものがあります。

• ベクトル化された操作を使用します
• 可能であれば.Apply（）を使用しないでください
• チェーンインデックスの最小化
• 繰り返し文字列にカテゴリーを使用します

Q50。メモリに収まらない大きなデータセットをどのように処理しますか？

回答： chunksizeをread_csv（）、並列処理のためにダスク、またはデータのサブセットを繰り返し使用します。

Q51。不均衡なデータセットにどのように対処しますか？

回答：私は、クラスの重みを受け入れるオーバーサンプリング（例：スモート） 、アンダーサンプリング、およびアルゴリズムを使用して、不均衡なデータセットを扱います。

Q52。 .loc []、.iloc []、および.ix []の違いは何ですか？

回答： .loc []はラベルベースであり、 .iloc []はインデックスベースです。 .ix []は非推奨であり、使用しないでください。

Q53。 Pythonデータ分析の一般的なパフォーマンスの落とし穴は何ですか？

回答：私が出會(huì)った最も一般的な落とし穴のいくつかは次のとおりです。

• ベクトル化されたOPSの代わりにループを使用します
• 大規(guī)模なデータフレームを不必要にコピーします
• データ型のメモリ使用量を無(wú)視します

Q54。 Pythonのオブジェクトをどのようにシリアル化して脫著しますか？

回答：私はPythonオブジェクトにピクルスを使用し、 JSONは相互運(yùn)用性に使用します。

<span>ピクルスをインポートします</span>
<span>pickle.dump（obj、open（ 'file.pkl'、 'wb'））</span>
<span>obj = pickle.load（open（ 'file.pkl'、 'rb'））</span>

Q55。 Pythonのカテゴリ変數(shù)をどのように処理しますか？

回答：アルゴリズムの互換性に応じて、LabelEncoder、OneHotencoder、またはPD.Get_Dummies（）を確認(rèn)します。

Q56。 series.map（）とseries.replace（）の違いを説明します。

回答： map（）は関數(shù)またはマッピングを適用しますが、置き換え値を置き換えます。

Q57。 PythonでETLパイプラインをどのように設(shè)計(jì)しますか？

回答： PythonでETLパイプラインを設(shè)計(jì)するには、通常、3つの重要なステップに従います。

• 抽出：Pandas、Requests、Sqlalchemyなどのツールを使用して、API、CSV、データベースなどのソースからデータを引き出します。
• 変換：次に、データをクリーニングして再構(gòu)築します。ヌル、解析日、データセットのマージ、パンダとnumpyを使用して新しい列を?qū)Г訾筏蓼埂?/li>
• 負(fù)荷：TO_SQL（）を使用してデータベースなどのターゲットシステムに処理されたデータを書(shū)き込み、またはCSVやParquetなどのファイルにエクスポートします。

自動(dòng)化と監(jiān)視には、パイプラインが堅(jiān)牢でスケーラブルであることを確認(rèn)するために、ロギングと例外処理を備えたエアフローまたはシンプルなスクリプトを使用することを好みます。

Q58。 Pythonにロギングをどのように実裝しますか？

回答：ロギングモジュールを使用します。

<span>ロギングをインポートします</span>
<span>logging.basicconfig（level = logging.info）</span>
<span>logging.info（ "スクリプト開(kāi)始"）</span>

Q59。 NumpyアレイとPandasのデータフレームを使用することのトレードオフは何ですか？

回答： 2つを比較すると、 Numpyは純粋な數(shù)値データに対してより速く、より効率的です。 Pandasは、ラベル付きの表形式データに対してより柔軟で読みやすいです。

Q60。 Pythonでカスタム例外クラスをどのように構(gòu)築しますか？

回答：コードを使用して、ドメイン固有の意味を持つ特定のエラーを上げます。

<span>クラスCustomError（例外）：</span>
<span>合格</span>

また読む：トップ50のデータアナリストインタビューの質(zhì)問(wèn)

結(jié)論

Pythonをマスターすることは、意欲的または練習(xí)しているデータアナリストに不可欠です。データラングリングや視覚化から統(tǒng)計(jì)的モデリングや自動(dòng)化までの幅広い機(jī)能により、Pythonはデータ分析ドメインの基礎(chǔ)ツールであり続けています。インタビュアーは、コーディングの習(xí)熟度をテストするだけでなく、Pythonの概念を?qū)g際のデータ問(wèn)題に適用する能力もテストしています。

これらの60の質(zhì)問(wèn)は、Pythonプログラミングの強(qiáng)力な基盤(pán)を構(gòu)築し、技術(shù)データアナリストのインタビューを自信を持ってナビゲートするのに役立ちます。これらの質(zhì)問(wèn)を練習(xí)しながら、正しいコードを書(shū)くだけでなく、思考プロセスを明確に説明することにも焦點(diǎn)を當(dāng)てます。雇用主は、多くの場(chǎng)合、明確さ、問(wèn)題解決戦略、および技術(shù)的な正確さと同じくらい洞察を伝える能力を高く評(píng)価しています。したがって、明確に自信を持って質(zhì)問(wèn)に答えるようにしてください。

幸運(yùn) - そして幸せなコーディング！

以上がデータアナリストのための60 Pythonインタビューの質(zhì)問(wèn)の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國(guó)語(yǔ) Web サイトの他の関連記事を參照してください。