数据分析岗 Pandas 面试题 20 道（下）：手写代码题

写在前面上一篇是概念题这一篇是手写题。面试官出这类题不是真要你写出多优雅的代码而是看三件事你知不知道用哪个方法、有没有考虑边界空值、重复、空组、能不能讲清思路。所以每题我都标了「考察点」答题时先说考察点再写代码最后补一句边界处理。先确认示例数据在手边importosimportmkdataifnotos.path.exists(data/sales.csv):mkdata.main()print(示例数据就绪,os.path.exists(data/sales.csv))这段会检查第 1 篇生成的data/目录在不在不在就自动补一次已经有数据时只会打印一行示例数据就绪 True不影响后面的结果。第 11 题每个城市销售额 Top2 的产品考察点sort_valuesgroupby().head()而不是写循环。importpandasaspd dfpd.read_csv(data/sales.csv,encodingutf-8-sig)agg(df.groupby([城市,产品],dropnaFalse)[金额].sum().round(2).reset_index())top2agg.sort_values([城市,金额],ascending[True,False]).groupby(城市).head(2)print(top2.to_string(indexFalse))城市 产品 金额 上海 C-键盘 1246.0 上海 B-鼠标 299.0 北京 C-键盘 178.0 北京 A-笔记本 49.9 广州 C-键盘 356.0 广州 B-鼠标 179.4 杭州 D-显示器 2396.0 杭州 A-笔记本 349.3边界groupby默认丢空键要保留加dropnaFalsehead(2)是「每组前 2 行」不是「前 2 组」。第 12 题找出重复记录并标记考察点duplicated(keepFalse)的用法。importpandasaspd dfpd.read_csv(data/sales.csv,encodingutf-8-sig)dup_maskdf.duplicated(keepFalse)# 把所有重复的每组都标出来print(重复行数含首条,int(dup_mask.sum()))print(df[dup_mask][[订单日期,城市,产品,金额]].to_string(indexFalse))重复行数含首条 4 订单日期 城市 产品 金额 2024-01-06 上海 B-鼠标 149.5 2024-01-06 上海 B-鼠标 149.5 2024-03-15 上海 C-键盘 623.0 2024-03-15 上海 C-键盘 623.0边界keepFalse标记全部keepfirst默认只标后面那条判断业务重复要加subset[主键]。第 13 题按组填缺失值考察点groupby transform而不是apply里写循环。importpandasaspd dfpd.read_csv(data/sales.csv,encodingutf-8-sig)print(填补前缺失,int(df[金额].isna().sum()))# 用「同城市金额中位数」填没有同组数据就退回全局中位数group_meddf.groupby(城市)[金额].transform(median)df[金额_填补]df[金额].fillna(group_med).fillna(df[金额].median())print(填补后缺失,int(df[金额_填补].isna().sum()))print(df.loc[df[金额].isna(),[城市,金额,金额_填补]].to_string(indexFalse))填补前缺失 2 填补后缺失 0 城市 金额 金额_填补 广州 NaN 267.70 北京 NaN 113.95边界同组全是空值时transform(median)仍是 NaN所以要接一次全局兜底。第 14 题宽表转长表再转回去考察点melt/pivot_table互为逆操作。importpandasaspd widepd.DataFrame({城市:[杭州,上海,北京],A-笔记本:[348.9,49.9,49.9],C-键盘:[1157.0,623.0,178.0],})longwide.melt(id_vars城市,var_name产品,value_name销售额)print(long.head(4).to_string(indexFalse))print(----)backlong.pivot_table(index城市,columns产品,values销售额,aggfuncsum)print(back.to_string())print(形状还原,back.shapewide.set_index(城市).shape)城市 产品 销售额 杭州 A-笔记本 348.9 上海 A-笔记本 49.9 北京 A-笔记本 49.9 杭州 C-键盘 1157.0 ---- 产品 A-笔记本 C-键盘 城市 上海 49.9 623.0 北京 49.9 178.0 杭州 348.9 1157.0 形状还原 True第 15 题算每个城市的环比增长率考察点pct_change或shift加上排序这个前提。importpandasaspd dfpd.read_csv(data/sales.csv,encodingutf-8-sig)df[订单日期]pd.to_datetime(df[订单日期],format%Y-%m-%d)monthly(df.groupby([df[城市],df[订单日期].dt.to_period(M).astype(str)])[金额].sum().rename(销售额).reset_index().rename(columns{订单日期:月份}))monthlymonthly.sort_values([城市,月份])# 环比必须先排序monthly[环比(%)](monthly.groupby(城市)[销售额].pct_change()*100).round(1)print(monthly.to_string(indexFalse))城市 月份 销售额 环比(%) 上海 2024-01 299.0 NaN 上海 2024-03 1246.0 316.7 北京 2024-01 178.0 NaN 北京 2024-03 49.9 -72.0 北京 2024-04 0.0 -100.0 广州 2024-02 179.4 NaN 广州 2024-05 356.0 98.4 杭州 2024-01 149.7 NaN 杭州 2024-02 199.6 33.3 杭州 2024-04 59.8 -70.0 杭州 2024-05 2396.0 3906.7边界不排序直接pct_change会算错每组第一个月没有上月结果是 NaN这是对的。第 16 题把一张表分成「有匹配」和「没匹配」两部分考察点merge(indicatorTrue)_merge列。importpandasaspd orderspd.read_csv(data/orders.csv,encodingutf-8-sig)customerspd.read_csv(data/customers.csv,encodingutf-8-sig)morders.merge(customers,on客户ID,howleft,indicatorTrue)print(m[_merge].value_counts().to_string())print(---- 没有客户信息的订单)print(m.loc[m[_merge]left_only,[订单号,客户ID,订单金额]].to_string(indexFalse))print(---- 只保留匹配上的)print(m.loc[m[_merge]both,[订单号,客户名称,订单金额]].to_string(indexFalse))_merge both 5 left_only 1 right_only 0 ---- 没有客户信息的订单 订单号 客户ID 订单金额 A005 C05 88.0 ---- 只保留匹配上的 订单号 客户名称 订单金额 A001 恒信科技 320.0 A002 云图文化 158.5 A003 海通物流 990.0 A004 云图文化 420.0 A006 恒信科技 265.5第 17 题统计每个城市的订单数和客单价并按客单价排序考察点命名聚合 派生指标。importpandasaspd dfpd.read_csv(data/sales.csv,encodingutf-8-sig)df[金额]df[金额].fillna((df[数量]*df[单价]).round(2))cleandf[df[金额]0].drop_duplicates()stat(clean.groupby(城市,dropnaFalse).agg(订单数(金额,size),销售额(金额,sum),客单价(金额,mean)).round(2).sort_values(客单价,ascendingFalse))print(stat.to_string())订单数 销售额 客单价 城市 杭州 4 3404.1 851.02 北京 3 1425.9 475.30 上海 2 772.5 386.25 广州 2 535.4 267.70 NaN 1 149.7 149.70边界size数行数、count会跳过 NaN——面试时说清这个区别很加分。第 18 题连续日期怎么判断考察点日期差 分组编号gaps and islands 的简化版。importpandasaspd datespd.to_datetime([2024-01-01,2024-01-02,2024-01-03,2024-01-06,2024-01-07,])dailypd.Series(1,indexdates).rename(订单数).to_frame()fulldaily.asfreq(D)# 补齐缺失日期缺失处为 NaNprint(full.to_string())print(---- 缺失的日期)print(full[full[订单数].isna()].index.strftime(%Y-%m-%d).tolist())订单数 2024-01-01 1.0 2024-01-02 1.0 2024-01-03 1.0 2024-01-04 NaN 2024-01-05 NaN 2024-01-06 1.0 2024-01-07 1.0 ---- 缺失的日期 [2024-01-04, 2024-01-05]边界asfreq需要 DatetimeIndex如果只是判断「相邻两行差几天」用diff().dt.days更直接。第 19 题把金额分箱并统计各箱订单数考察点pd.cut指定边界value_counts排序。importpandasaspd dfpd.read_csv(data/sales.csv,encodingutf-8-sig)df[金额]df[金额].fillna((df[数量]*df[单价]).round(2))df[档位]pd.cut(df[金额],bins[-1000,0,100,500,1000,10000],labels[异常,0-100,100-500,500-1000,1000])print(df[档位].value_counts().sort_index().to_string())print(----)print(df.groupby(档位,observedTrue)[金额].agg([size,sum]).round(2).to_string())档位 异常 1 0-100 2 100-500 9 500-1000 2 1000 2 ---- size sum 档位 异常 1 -599.0 0-100 2 109.7 100-500 9 1690.8 500-1000 2 1246.0 1000 2 4193.0第 20 题一行代码做透视表考察点pivot_table的参数是否熟。importpandasaspd dfpd.read_csv(data/sales.csv,encodingutf-8-sig)ptpd.pivot_table(df,index城市,columns产品,values金额,aggfuncsum,fill_value0,marginsTrue,margins_name总计)print(pt.round(1).to_string())产品 A-笔记本 B-鼠标 C-键盘 D-显示器 总计 城市 上海 0.0 299.0 1246.0 0.0 1545.0 北京 49.9 0.0 178.0 0.0 227.9 广州 0.0 179.4 356.0 0.0 535.4 杭州 349.3 59.8 0.0 2396.0 2805.1 总计 399.2 538.2 1780.0 2396.0 5113.4边界pivot_table默认丢掉分组键为空的行要保留加dropnaFalse。手写题的三个加分动作先说思路「我会先按城市分组再取每组前 2 行」然后再写代码主动提边界空值、重复、空组、索引非默认——每题补一句面试官会觉得你真用过写完验证print(result.head())或断言行数别写完就交。常见问题Q1手写题可以查文档吗线上笔试通常不行现场面试可以问「我能查一下参数吗」。面试官更在意思路允许查的时候大方查查完说「我确认一下参数名」。Q2groupby().head(2)和nlargest有什么区别head(2)要在已排序的前提下用nlargest(2, 金额)内部做部分排序不在意原顺序。单列 TopN 用nlargest多列组合排序用sort_valueshead。Q3为什么我的分组结果少了几行groupby默认dropnaTrue分组键为空的行会被整行丢掉。加dropnaFalse或先把空值填成「未知」。小结这 10 道手写题覆盖了实际工作里最常用的套路TopN、去重标记、分组填充、宽长表转换、环比、匹配拆分、命名聚合、日期补齐、分箱、透视。每道题都能用两三行解决——面试真正考的是「你知不知道有两三行的解法」而不是能不能写五十行。二十道题到这里就齐了。下一篇换个维度同一个需求Pandas、Excel、SQL 三种写法摆在一起比帮你判断什么时候该换工具。