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功于Pandas，Numpy，Matplotlib，Scipy和Scikit-Learn等庫(kù)的可讀性，多功能性和豐富的庫(kù)生態(tài)系統(tǒng)。雇主經(jīng)常評(píng)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(wèn)題。本文編寫(xiě)了60個(gè)精心制作的Python編碼面試問(wèn)題和答案，由初學(xué)者，中級(jí)和高級(jí)級(jí)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(wèn)題中的每一個(gè)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(jí)別的Python面試問(wèn)題

Q1。什么是python，為什么在數(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(jí)編程語(yǔ)言，以其簡(jiǎn)單性和可讀性而聞名。由于強(qiáng)大的圖書(shū)館，例如Pandas，Numpy，Matplotlib和Seaborn，它被廣泛用于數(shù)據(jù)分析。 Python啟用快速原型制作并輕松地與其他技術(shù)和數(shù)據(jù)庫(kù)集成，使其成為數(shù)據(jù)分析師的首選語(yǔ)言。

Q2。您如何安裝外部庫(kù)和管理Python的環(huán)境？

答：您可以使用PIP安裝庫(kù)：

 <span>PIP安裝pandas numpy</span>

要管理環(huán)境和依賴項(xiàng)，請(qǐng)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)境并避免依賴性沖突。

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

答： Python中的關(guān)鍵數(shù)據(jù)類型包括：

• int ， float ：數(shù)字類型
• str ：用于文字
• bool ：是/錯(cuò)誤
• 列表：訂購(gòu)，可變
• 元組：訂購(gòu)，不變
• 集：無(wú)序，獨(dú)特
• dict：鑰匙值對(duì)

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(wú)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(shí)，請(qǐng)使用列表。

Q5。什么是熊貓系列和數(shù)據(jù)框架？

答案： Pandas系列是一個(gè)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)。我們將系列用于單列數(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)的用途是什么？

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(shuō)明在Python中使用IF，Elif和其他情況的使用。

答：這些功能用于決策。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(shí)別并dropna（）或fillna（）處理它們。

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

Q10。什么是列表理解？提供一個(gè)例子。

答：列表理解提供了一種創(chuàng)建列表的簡(jiǎn)潔方法。例如：

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

Q11。如何在熊貓數(shù)據(jù)框架中過(guò)濾行？

答：我們可以使用布爾索引過(guò)濾行：

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

Q12。 python中的IS和==之間有什么區(qū)別？

答案： ==比較' is''的值比較對(duì)象身份。

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

Q13。 python中Len（）的目的是什么？

答案： Len（）返回對(duì)象中的元素?cái)?shù)量。

 <span>Len（[1，2，3]）＃3</span>

Q14。您如何在熊貓中對(duì)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(duì)數(shù)據(jù)進(jìn)行排序：

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

Q15。什么是python的詞典？

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

 <span>d = {“名稱”：“愛(ài)麗絲”，“年齡”：30}</span>

Q16。 Append（）和Extend（）有什么區(qū)別？

答案： append（）函數(shù)將單個(gè)元素添加到列表中，而Extend（）函數(shù)添加了多個(gè)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)算符的用途是什么？

答： “在”操作員可以檢查一個(gè)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(guò)有什么區(qū)別？

答：在Python中，“斷裂”退出了循環(huán)，然后“繼續(xù)”跳到了下一個(gè)迭代。同時(shí)，“通行證”只是一個(gè)什么都不做的占位符。

第20季度。壓痕在Python中的作用是什么？

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

中級(jí)python訪談數(shù)據(jù)分析師的問(wèn)題

Q21。區(qū)分熊貓中的LOC和ILOC。

答案： loc []是基于標(biāo)簽的，并通過(guò)其名稱訪問(wèn)行/列，而iLoc []是基于整數(shù)位置的，并且按位置訪問(wèn)行/列。

Q22。淺副本和深副本有什么區(qū)別？

答案：淺副本創(chuàng)建一個(gè)新對(duì)象，但插入對(duì)同一對(duì)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(gè)函數(shù)（如均值，總和等），然后結(jié)合結(jié)果。這對(duì)于聚合和轉(zhuǎn)換操作很有用。

Q24。在熊貓中比較和對(duì)比Merge（），join（）和cont（）。

答：這是三個(gè)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的廣播是什么？

答案：廣播可以通過(guò)自動(dòng)擴(kuò)展較小的數(shù)組來(lái)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(lái)管理內(nèi)存。當(dāng)對(duì)象的參考計(jì)數(shù)下降到零時(shí)，將自動(dòng)收集垃圾。

Q27。在數(shù)據(jù)框中處理重復(fù)的方法是什么？

答案： df.duplicated（）識(shí)別重復(fù)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)用于數(shù)據(jù)框中的列？

答：我們可以使用apply（）方法來(lái)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(gè)功能：

• Apply（）用于數(shù)據(jù)框的行或列。
• MAP（）用于系列的元素操作。
• ApplyMap（）用于整個(gè)數(shù)據(jù)框架上的元素操作。

問(wèn)題30。 Numpy和Pandas中的矢量化是什么？

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

Q31。您如何在熊貓中重新采樣時(shí)間序列數(shù)據(jù)？

答案：使用resample（）更改時(shí)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(gè)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(shí)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功能是什么，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)的用途是什么？

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

Q37。什么是Python例外，您如何處理它們？

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

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

Q38。 Python中的Arg和Kwargs是什么？

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(gè)大熊貓列中的混合數(shù)據(jù)類型，這會(huì)導(dǎo)致什么問(wèn)題？

答：在熊貓中，理想情況下應(yīng)包含單個(gè)數(shù)據(jù)類型（例如，所有整數(shù)，所有字符串）。但是，由于雜亂無(wú)章的數(shù)據(jù)源或不正確的解析，混合的類型可能會(huì)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(duì)象DTYPE，從而降低了性能并破壞特定于類型的操作（例如.mean（）或.str.Contains（））。

解決這個(gè)問(wèn)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)換之前清潔并標(biāo)準(zhǔn)化數(shù)據(jù)。

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

Q40。說(shuō)明pandas中的value_counts（）和groupby（）。count（）之間的差異。您什么時(shí)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)于不同的用例：

• value_counts（）在單個(gè)系列上使用以計(jì)算每個(gè)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，用于計(jì)數(shù)由一個(gè)或多個(gè)字段分組的列中的非編號(hào)條目。例如，pythoncopyeditddf.groupby（'dmoction'）。count（）返回一個(gè)數(shù)據(jù)框，其中包含每個(gè)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(shí)，請(qǐng)使用value_count（）。
當(dāng)您跨組匯總多個(gè)字段時(shí)，請(qǐng)使用groupby（）。count（）。

高級(jí)python訪談數(shù)據(jù)分析師的問(wèn)題

Q41。用示例用例解釋Python裝飾器。

答：裝飾器允許您用另一個(gè)功能包裝功能來(lái)擴(kuò)展其行為。常見(jiàn)用例包括日志記錄，緩存和訪問(wèn)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。什么是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。他們返回迭代器并懶惰地生成值，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(lái)介紹我的代碼。我通過(guò)使用矢量化操作和緩存結(jié)果降低復(fù)雜性來(lái)優(yōu)化它。

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

即使發(fā)生錯(cuò)誤，它也可以確保文件在使用后關(guān)閉。

Q45。描述兩種處理丟失數(shù)據(jù)以及何時(shí)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)丟失并且不會(huì)影響整體趨勢(shì)時(shí)，使用DropNA（）函數(shù)。 Fillna（）函數(shù)可用于基于相鄰值替換常數(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(lái)管理內(nèi)存。收集具有零參考的對(duì)象。

Q47。 Python中的多線程與多處理是什么？

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

Q48。您如何通過(guò)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(wú)需復(fù)制數(shù)據(jù)，減少內(nèi)存使用和加速計(jì)算。

Q49。編寫(xiě)有效的熊貓代碼的一些最佳實(shí)踐是什么？

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（）
• 最小化鏈?zhǔn)剿饕?/span>
• 使用重復(fù)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)行并行處理或迭代的數(shù)據(jù)子集。

Q51。您如何處理不平衡的數(shù)據(jù)集？

答：我通過(guò)使用過(guò)度采樣（例如SMOTE） ，底面采樣和接受班級(jí)權(quán)重的算法處理不平衡的數(shù)據(jù)集。

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

答案： .loc []是基于標(biāo)簽的，而.iloc []基于索引。 .ix []被棄用，不應(yīng)使用。

Q53。 Python數(shù)據(jù)分析中有什么常見(jiàn)的性能陷阱？

答：我遇到的一些最常見(jiàn)的陷阱是：

• 使用循環(huán)代替矢量化操作
• 不必要地復(fù)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(duì)對(duì)象？

答：我將Pickle用于Python對(duì)象， JSON用于互操作性。

<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(shuō)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(gè)關(guān)鍵步驟：

• 提取物：我使用大熊貓，請(qǐng)求或sqlalchemy之類的工具從API，CSV或數(shù)據(jù)庫(kù)等來(lái)源中獲取數(shù)據(jù)。
• 轉(zhuǎn)換：然后我清潔并重塑數(shù)據(jù)。我使用Pandas和Numpy處理nulls，解析日期，合并數(shù)據(jù)集并得出新的列。
• 加載：我將處理的數(shù)據(jù)寫(xiě)入目標(biāo)系統(tǒng)，例如使用TO_SQL（）的數(shù)據(jù)庫(kù)或?qū)⑵鋵?dǎo)出到CSV或PARQUET等文件。

對(duì)于自動(dòng)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(jiǎn)單腳本來(lái)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(dòng)”）</span>

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

答：比較兩者，對(duì)于純數(shù)值數(shù)據(jù)，numpy更快，更有效。 Pandas對(duì)于標(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(lái)提出具有特定域含義的特定錯(cuò)誤。

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

另請(qǐng)閱讀：前50位數(shù)據(jù)分析師采訪問(wèn)題

結(jié)論

掌握Python對(duì)于任何有抱負(fù)或?qū)嵺`的數(shù)據(jù)分析師都是必不可少的。 Python憑借其從數(shù)據(jù)爭(zhēng)吵和可視化到統(tǒng)計(jì)建模和自動(dòng)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(cè)試您的編碼水平，而且還可以將Python概念應(yīng)用于現(xiàn)實(shí)世界數(shù)據(jù)問(wèn)題。

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

祝你好運(yùn) - 愉快的編碼！

以上是60 Python面試問(wèn)題分析師的問(wèn)題的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！