Python数据分析面试题及答案.docx

Python数据分析面试题及答案

一、基础操作题（Pandas/NumPy）

问题：用Pandas读取CSV文件时，如何跳过前3行标题、指定“日期”列为时间格式，且只读取“用户ID”“消费金额”“日期”三列？

答案：

importpandasaspd

df=pd.read_csv(

data.csv,

skiprows=3,#跳过前3行

usecols=[用户ID,消费金额,日期],#指定列

parse_dates=[日期]#解析为datetime格式

)

注意：若日期格式不标准（如“2023.10.01”），需加date_parser=lambdax:pd.to_datetime(x,format=%Y.%m.%d)。

问题：NumPy中如何创建一个形状为(3,4)、元素值在[0,10)之间的随机整数数组？并计算每行的最大值。

答案：

importnumpyasnp

#创建随机数组

arr=np.random.randint(0,10,size=(3,4))

#计算每行最大值

row_max=np.max(arr,axis=1)#axis=1表示按行计算

扩展：若要保留最大值的索引，用np.argmax(arr,axis=1)。

二、数据清洗题

问题：DataFrame中“年龄”列存在缺失值和异常值（如负数、超过150），如何处理？

答案：分两步处理：

#1.替换异常值为NaN（负数或150视为异常）

df[年龄]=df[年龄].mask((df[年龄]0)|(df[年龄]150))

#2.填充缺失值（数值型用中位数更抗outliers，避免均值被异常值影响）

df[年龄]=df[年龄].fillna(df[年龄].median())

注意：若“年龄”是分类场景（如“未成年/成年”），可先分组再填充（df.groupby(性别)[年龄].transform(lambdax:x.fillna(x.median()))）。

处理异常值：先过滤不合理数据，再填充缺失值

问题：如何用Pandas去除DataFrame中“用户ID”列的重复值，且保留第一次出现的记录？

答案：

#keep=first保留首次出现，inplace=True直接修改原数据

df.drop_duplicates(subset=[用户ID],keep=first,inplace=True)

扩展：若需查看重复行，用df[df.duplicated(subset=[用户ID],keep=False)]。

三、数据分析题

问题：现有销售数据（含“区域”“产品类别”“销售额”“日期”），如何计算每个区域每月各产品类别的平均销售额？

答案：先新增“月份”列，再分组聚合：

#1.提取月份（格式：2023-10）

df[月份]=df[日期].dt.to_period(M)

#2.分组计算平均销售额

monthly_avg=df.groupby([区域,月份,产品类别])[销售额].agg(mean).reset_index()

关键：reset_index()将分组索引转为列，避免后续操作因多级索引报错。

问题：用Matplotlib/Seaborn绘制“各产品类别销售额分布箱线图”，要求区分不同类别颜色，添加标题和坐标轴标签。

答案：

importseabornassns

importmatplotlib.pyplotasplt

plt.figure(figsize=(10,6))#设置图大小

#绘制箱线图，hue区分类别，palette指定颜色

sns.boxplot(x=产品类别,y=销售额,data=df,hue=产品类别,palette=Set2,legend=False)

#添加标签和标题

plt.xlabel(产品类别,fontsize=12)

plt.ylabel(销售额（元）,fontsize=12)

plt.title(各产品类别销售额分布,fontsize=14,pad=20)

plt.xticks(rotation=45)#旋转x轴标签防重叠

plt.show()

四、实战场景题

问题：用户行为数据中，“用户ID”“访问时间”“操作类型”（点击/下单/退款），如何计算“用户首次访问后7天内的复购率”（复购定义：首次访问后7天内至少有2次下单）？

答案：步骤如下：

#1.筛选下单数据，按用户分组找首次下单时间

order_df=df[