Python為大多數(shù)數(shù)據(jù)分析工作流提供了大多數(shù)數(shù)據(jù)分析，這要?dú)w功於Pandas，Numpy，Matplotlib，Scipy和Scikit-Learn等庫的可讀性，多功能性和豐富的庫生態(tài)系統(tǒng)。雇主經(jīng)常評估候選人的熟練程度，以python的核心結(jié)構(gòu)，數(shù)據(jù)操縱，可視化和算法解決問題。本文編寫了60個精心製作的Python編碼面試問題和答案，由初學(xué)者，中級和高級級別分類，以適應(yīng)新生和經(jīng)驗(yàn)豐富的數(shù)據(jù)分析師。這些問題中的每一個都帶有詳細(xì)的解釋性答案，這些答案既表明概念清晰又應(yīng)用了理解。

初學(xué)者級別的Python面試問題

Q1。什麼是python，為什麼在數(shù)據(jù)分析中如此廣泛使用？

答案： Python是一種用途廣泛的高級編程語言，以其簡單性和可讀性而聞名。由於強(qiáng)大的圖書館，例如Pandas，Numpy，Matplotlib和Seaborn，它被廣泛用於數(shù)據(jù)分析。 Python啟用快速原型製作並輕鬆地與其他技術(shù)和數(shù)據(jù)庫集成，使其成為數(shù)據(jù)分析師的首選語言。

Q2。您如何安裝外部庫和管理Python的環(huán)境？

答：您可以使用PIP安裝庫：

 <span>PIP安裝pandas numpy</span>

要管理環(huán)境和依賴項(xiàng)，請使用VENV或CONDA ：

 <span>Python -M Venv Env</span>
<span>源環(huán)保/bin/activate＃linux/macOS</span>
<span>env \ scripts \激活＃Windows</span>

這樣可以確保孤立的環(huán)境並避免依賴性衝突。

Q3。 Python的關(guān)鍵數(shù)據(jù)類型是什麼？它們有什麼不同？

答： Python中的關(guān)鍵數(shù)據(jù)類型包括：

• int ， float ：數(shù)字類型
• str ：用於文字
• bool ：是/錯誤
• 列表：訂購，可變
• 元組：訂購，不變
• 集：無序，獨(dú)特
• dict：鑰匙值對

這些類型可讓您有效地構(gòu)建和操縱數(shù)據(jù)。

Q4。區(qū)分列表，元組和設(shè)置。

答：這是基本區(qū)別：

• 列表：可變和有序。示例： [1，2，3]
• 元組：不變和有序。示例： （1，2，3）
• 設(shè)置：無序和獨(dú)特。示例：{1、2、3}需要更新數(shù)據(jù)，固定數(shù)據(jù)的元組以及設(shè)置以進(jìn)行唯一檢查時，請使用列表。

Q5。什麼是熊貓系列和數(shù)據(jù)框架？

答案： Pandas系列是一個一維標(biāo)記的陣列。 Pandas DataFrame是帶有列的二維標(biāo)記數(shù)據(jù)結(jié)構(gòu)。我們將系列用於單列數(shù)據(jù)和數(shù)據(jù)框架作為表格數(shù)據(jù)。

Q6。如何使用pandas讀取Python中的CSV文件？

答：這是如何使用Python Pandas讀取CSV文件的方法：

<span>導(dǎo)入大熊貓作為pd</span>
<span>df = pd.read_csv（“ data.csv”）</span>

您還可以以相同的方式自定義定界符，標(biāo)題，列名等。

Q7。 type（）函數(shù)的用途是什麼？

答案： type（）函數(shù)返回變量的數(shù)據(jù)類型：

<span>類型（42）＃int</span>
<span>類型（“ ABC”）＃str</span>

Q8。說明在Python中使用IF，Elif和其他情況的使用。

答：這些功能用於決策。例子：

<span>如果x> 0：</span>
<span>打?。ā罢妗保?lt;/span>
<span>Elif X 
<span>打?。ā柏?fù)”）</span>
<span>別的：</span>
<span>打?。ā傲恪保?lt;/span></span>

Q9。您如何處理數(shù)據(jù)框中的丟失值？

答：使用isNull（）識別並dropna（）或fillna（）處理它們。

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

Q10。什麼是列表理解？提供一個例子。

答：列表理解提供了一種創(chuàng)建列表的簡潔方法。例如：

 <span>squares = [x ** 2 for x在範(fàn)圍內(nèi)（5）]</span>

Q11。如何在熊貓數(shù)據(jù)框架中過濾行？

答：我們可以使用布爾索引過濾行：

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

Q12。 python中的IS和==之間有什麼區(qū)別？

答案： ==比較' is''的值比較對象身份。

 <span>x == y＃值</span>
<span>x是內(nèi)存中相同的對象</span>

Q13。 python中Len（）的目的是什麼？

答案： Len（）返回對像中的元素?cái)?shù)量。

 <span>Len（[1，2，3]）＃3</span>

Q14。您如何在熊貓中對數(shù)據(jù)進(jìn)行排序？

答：我們可以使用sort_values（）函數(shù)在Python中對數(shù)據(jù)進(jìn)行排序：

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

Q15。什麼是python的詞典？

答：詞典是鍵值對的集合。這對於快速查找和靈活的數(shù)據(jù)映射非常有用。這是一個例子：

 <span>d = {“名稱”：“愛麗絲”，“年齡”：30}</span>

Q16。 Append（）和Extend（）有什麼區(qū)別？

答案： append（）函數(shù)將單個元素添加到列表中，而Extend（）函數(shù)添加了多個元素。

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

Q17。如何將列轉(zhuǎn)換為大熊貓的DateTime？

答：我們可以使用PD.TO_DATETIME（）函數(shù)將列轉(zhuǎn)換為DateTime：

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

Q18。 python中的運(yùn)算符的用途是什麼？

答： “在”操作員可以檢查一個值中是否存在特定字符。

 <span>“ a”中的“數(shù)據(jù)”＃true</span>

Q19。休息，繼續(xù)和通過有什麼區(qū)別？

答：在Python中，“斷裂”退出了循環(huán)，然後“繼續(xù)”跳到了下一個迭代。同時，“通行證”只是一個什麼都不做的佔(zhàn)位符。

第20季度。壓痕在Python中的作用是什麼？

答： Python使用凹痕來定義代碼塊。不正確的凹痕會導(dǎo)致縮進(jìn)。

中級python訪談數(shù)據(jù)分析師的問題

Q21。區(qū)分熊貓中的LOC和ILOC。

答案： loc []是基於標(biāo)籤的，並通過其名稱訪問行/列，而iLoc []是基於整數(shù)位置的，並且按位置訪問行/列。

Q22。淺副本和深副本有什麼區(qū)別？

答案：淺副本創(chuàng)建一個新對象，但插入對同一對象的引用，而深副本則創(chuàng)建了所有嵌套元素的完全獨(dú)立的副本。我們使用copy.deepcopy（）進(jìn)行深拷貝。

Q23。解釋groupby（）在熊貓中的作用。

答案： groupby（）函數(shù)將數(shù)據(jù)根據(jù)某些標(biāo)準(zhǔn)將數(shù)據(jù)分組為組，應(yīng)用一個函數(shù)（如均值，總和等），然後結(jié)合結(jié)果。這對於聚合和轉(zhuǎn)換操作很有用。

Q24。在熊貓中比較和對比Merge（），join（）和cont（）。

答：這是三個功能之間的區(qū)別：

• Merge（）使用SQL式連接在鍵上結(jié)合了數(shù)據(jù)幀。
• join（）加入索引或鍵列。
• Concat（）只需沿軸即可附加或堆疊數(shù)據(jù)框。

Q25。 Numpy的廣播是什麼？

答案：廣播可以通過自動擴(kuò)展較小的數(shù)組來在不同形狀的陣列之間進(jìn)行算術(shù)操作。

Q26。 python如何管理內(nèi)存？

答： Python使用參考計(jì)數(shù)和垃圾收集器來管理內(nèi)存。當(dāng)對象的參考計(jì)數(shù)下降到零時，將自動收集垃圾。

Q27。在數(shù)據(jù)框中處理重複的方法是什麼？

答案： df.duplicated（）識別重複和df.drop_duplicates（）以刪除它們。您還可以指定子集列。

Q28。如何將自定義功能應(yīng)用於數(shù)據(jù)框中的列？

答：我們可以使用apply（）方法來做到這一點(diǎn)：

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

Q29。在熊貓中解釋apply（），map（）和applymap（）。

答：這是使用這些功能的每個功能：

• Apply（）用於數(shù)據(jù)框的行或列。
• MAP（）用於系列的元素操作。
• ApplyMap（）用於整個數(shù)據(jù)框架上的元素操作。

問題30。 Numpy和Pandas中的矢量化是什麼？

答案：矢量化使您可以在整個數(shù)組上執(zhí)行操作而無需編寫循環(huán)，從而使代碼更快，更有效。

Q31。您如何在熊貓中重新採樣時間序列數(shù)據(jù)？

答案：使用resample（）更改時間序列數(shù)據(jù)的頻率。例如：

 <span>df.Resample（'M'）。均值（）</span>

這將數(shù)據(jù)重新示例為每月平均。

Q32。解釋熊貓中任何（）和all（）之間的差異。

答案：如果至少一個元素為true，則Any（）函數(shù)將返回true ，而所有（）僅在所有元素均為true時返回true。

Q33。如何更改數(shù)據(jù)框中的列的數(shù)據(jù)類型？

答：我們可以使用astype（）函數(shù)更改列的數(shù)據(jù)類型：

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

Q34。熊貓支持哪些不同的文件格式？

答： PANDA支持CSV，Excel，JSON，HTML，SQL，HDF5，F(xiàn)eather和Parquet文件格式。

Q35。 Lambda功能是什麼，如何使用？

答： lambda函數(shù)是使用lambda關(guān)鍵字定義的匿名，單線函數(shù)：

 <span>square = lambda x：x ** 2</span>

Q36。 zip（）和枚舉（）函數(shù)的用途是什麼？

答案： zip（）函數(shù)結(jié)合了兩個迭代元素，而枚舉（）返回索引元件對，該對在循環(huán)中很有用。

Q37。什麼是Python例外，您如何處理它們？

答：在Python中，例外是程序執(zhí)行過程中發(fā)生的錯誤。與語法錯誤不同，當(dāng)句法正確的程序在運(yùn)行時遇到問題時，會提高異常。例如，除以零，訪問不存在的文件或引用未定義的變量。

您可以使用“ try-except”塊來處理python異常。您也可以使用“最終”來清理代碼和“提高”以拋出自定義例外。

Q38。 Python中的Arg和Kwargs是什麼？

答：在Python中， ARGS允許傳遞可變數(shù)量的位置參數(shù)，而Kwargs則允許傳遞可變數(shù)量的關(guān)鍵字參數(shù)。

Q39。您如何處理單個大熊貓列中的混合數(shù)據(jù)類型，這會導(dǎo)致什麼問題？

答：在熊貓中，理想情況下應(yīng)包含單個數(shù)據(jù)類型（例如，所有整數(shù)，所有字符串）。但是，由於雜亂無章的數(shù)據(jù)源或不正確的解析，混合的類型可能會蔓延（例如，有些行有數(shù)字，有些行有字符串或空）。在這種情況下，Pandas分配了對象DTYPE，從而降低了性能並破壞特定於類型的操作（例如.mean（）或.str.Contains（））。

解決這個問題：

• 使用df ['列']。 astype（）鑄造到所需的類型。
• 使用pd.to_numeric（df ['列']，errors ='coerce'）將有效的條目轉(zhuǎn)換為NAN。
• 在應(yīng)用轉(zhuǎn)換之前清潔並標(biāo)準(zhǔn)化數(shù)據(jù)。

處理混合類型可確保您的代碼在沒有意外類型錯誤的情況下運(yùn)行，並在分析期間最佳地執(zhí)行。

Q40。說明pandas中的value_counts（）和groupby（）。 count（）之間的差異。您什麼時候應(yīng)該使用？
答案： value_counts（）和groupby（）。 count（）幫助總結(jié)數(shù)據(jù)，但它們服務(wù)於不同的用例：

• value_counts（）在單個系列上使用以計(jì)算每個唯一值的頻率。示例：pythoncopyeditdf ['性別']。 value_counts（）它返回帶有值計(jì)數(shù)的系列，默認(rèn)按降序排序。
• groupby（）。 count（）在數(shù)據(jù)框架上工作，用於計(jì)數(shù)由一個或多個字段分組的列中的非編號條目。例如，pythoncopyeditddf.groupby（'dmoction'）。 count（）返回一個數(shù)據(jù)框，其中包含每個列的非零條條目計(jì)數(shù)，由指定的列分組。

分析單列的頻率時，請使用value_count（）。
當(dāng)您跨組匯總多個字段時，請使用groupby（）。 count（）。

高級python訪談數(shù)據(jù)分析師的問題

Q41。用示例用例解釋Python裝飾器。

答：裝飾器允許您用另一個功能包裝功能來擴(kuò)展其行為。常見用例包括日誌記錄，緩存和訪問控制。

 def log_decorator（func）：
    def包裝器（*args，** kwargs）：
        打?。╢“調(diào)用{func .__ name __}”）
        返回func（*args，** kwargs）
    返回包裝器

@log_decorator
def say_hello（）：
    打?。ā澳愫?！”）

Q42。什麼是Python發(fā)電機(jī)，它們與常規(guī)功能/列表有何不同？

答案：發(fā)電機(jī)使用產(chǎn)量而不是返回。他們返回迭代器並懶惰地生成值，從而節(jié)省內(nèi)存。

Q43。您如何配置和優(yōu)化Python代碼？

答：我使用CPROFILE，TIMEIT和LINE_PROFILER來介紹我的代碼。我通過使用矢量化操作和緩存結(jié)果降低複雜性來優(yōu)化它。

Q44。什麼是上下文經(jīng)理（帶有陳述）？它們?yōu)槭颤N有用？

答：他們管理文件流等資源。例子：

<span>使用fling（'file.txt'）作為f：</span>
<span>data = f.read（）</span>

即使發(fā)生錯誤，它也可以確保文件在使用後關(guān)閉。

Q45。描述兩種處理丟失數(shù)據(jù)以及何時使用的方法。

答：處理丟失數(shù)據(jù)的兩種方法是使用dropna（）和fillna（）函數(shù)。當(dāng)數(shù)據(jù)隨機(jī)丟失並且不會影響整體趨勢時，使用DropNA（）函數(shù)。 Fillna（）函數(shù)可用於基於相鄰值替換常數(shù)或插值。

Q46。解釋Python的內(nèi)存管理模型。

答： Python使用參考計(jì)數(shù)和環(huán)狀垃圾收集器來管理內(nèi)存。收集具有零參考的對象。

Q47。 Python中的多線程與多處理是什麼？

答：多線程對I/O結(jié)合任務(wù)很有用，並且受GIL的影響。多處理最適合與CPU結(jié)合的任務(wù)，並且可以在單獨(dú)的內(nèi)核上運(yùn)行。

Q48。您如何通過Numpy Broadcasting提高性能？

答案：廣播允許Numpy在不同形狀的數(shù)組中有效地操作，而無需複制數(shù)據(jù)，減少內(nèi)存使用和加速計(jì)算。

Q49。編寫有效的熊貓代碼的一些最佳實(shí)踐是什麼？

答：最佳Python編碼實(shí)踐包括：

• 使用矢量操作
• 避免在可能的情況下使用.apply（）
• 最小化鍊式索引
• 使用重複字符串的分類

Q50。您如何處理不適合內(nèi)存的大型數(shù)據(jù)集？

答案：我在read_csv（）中使用塊size，DASK進(jìn)行並行處理或迭代的數(shù)據(jù)子集。

Q51。您如何處理不平衡的數(shù)據(jù)集？

答：我通過使用過度採樣（例如SMOTE） ，底面採樣和接受班級權(quán)重的算法處理不平衡的數(shù)據(jù)集。

Q52。 .loc []，.iloc []和.ix []之間有什麼區(qū)別？

答案： .loc []是基於標(biāo)籤的，而.iloc []基於索引。 .ix []被棄用，不應(yīng)使用。

Q53。 Python數(shù)據(jù)分析中有什麼常見的性能陷阱？

答：我遇到的一些最常見的陷阱是：

• 使用循環(huán)代替矢量化操作
• 不必要地複制大型數(shù)據(jù)框
• 忽略數(shù)據(jù)類型的內(nèi)存使用情況

Q54。您如何在python中序列化和應(yīng)對對象？

答：我將Pickle用於Python對象， JSON用於互操作性。

<span>進(jìn)口泡菜</span>
<span>pickle.dump（obj，open（'file.pkl'，'wb'））</span>
<span>obj = pickle.load（open（'file.pkl'，'rb'））））</span>

Q55。您如何處理Python中的分類變量？

答案：根據(jù)算法兼容性，I u Se labElencoder，onehotencoder或pd.get_dummies（）。

Q56。說明series.map（）和series.replace（）之間的差異。

答案： map（）應(yīng)用函數(shù)或映射，而替換（）替換值。

Q57。您如何在Python設(shè)計(jì)ETL管道？

答：要在Python設(shè)計(jì)ETL管道，我通常遵循三個關(guān)鍵步驟：

• 提取物：我使用大熊貓，請求或sqlalchemy之類的工具從API，CSV或數(shù)據(jù)庫等來源中獲取數(shù)據(jù)。
• 轉(zhuǎn)換：然後我清潔並重塑數(shù)據(jù)。我使用Pandas和Numpy處理nulls，解析日期，合併數(shù)據(jù)集並得出新的列。
• 加載：我將處理的數(shù)據(jù)寫入目標(biāo)系統(tǒng)，例如使用TO_SQL（）的數(shù)據(jù)庫或?qū)⑵鋵?dǎo)出到CSV或PARQUET等文件。

對於自動化和監(jiān)視，我更喜歡使用帶有記錄和異常處理的氣流或簡單腳本來確保管道可靠且可擴(kuò)展。

Q58。您如何在Python中實(shí)施登錄？

答：我使用記錄模塊：

<span>導(dǎo)入記錄</span>
<span>logging.basicconfig（level = logging.info）</span>
<span>logging.info（“腳本啟動”）</span>

Q59。使用Numpy陣列與Pandas DataFrames的權(quán)衡是什麼？

答：比較兩者，對於純數(shù)值數(shù)據(jù)，numpy更快，更有效。 Pandas對於標(biāo)記的表格數(shù)據(jù)更靈活，可以閱讀。

Q60。您如何在Python中構(gòu)建自定義異常類？

答：我使用代碼來提出具有特定域含義的特定錯誤。

<span>類CustomError（例外）：</span>
<span>經(jīng)過</span>

另請閱讀：前50位數(shù)據(jù)分析師採訪問題

結(jié)論

掌握Python對於任何有抱負(fù)或?qū)嵺`的數(shù)據(jù)分析師都是必不可少的。 Python憑藉其從數(shù)據(jù)爭吵和可視化到統(tǒng)計(jì)建模和自動化的廣泛功能，繼續(xù)成為數(shù)據(jù)分析域中的基礎(chǔ)工具。訪調(diào)員不僅在測試您的編碼水平，而且還可以將Python概念應(yīng)用於現(xiàn)實(shí)世界數(shù)據(jù)問題。

這60個問題可以幫助您在Python編程中建立堅(jiān)實(shí)的基礎(chǔ)，並自信地瀏覽技術(shù)數(shù)據(jù)分析師的訪談。在練習(xí)這些問題的同時，不僅專注於編寫正確的代碼，而且要清楚地解釋您的思考過程。雇主通常會重視清晰度，解決問題的策略以及您傳達(dá)與技術(shù)準(zhǔn)確性一樣多的見解的能力。因此，請確保您清晰地回答問題。

祝你好運(yùn) - 愉快的編碼！

以上是60 Python面試問題分析師的問題的詳細(xì)內(nèi)容。更多資訊請關(guān)注PHP中文網(wǎng)其他相關(guān)文章！