2026年P(guān)ython數(shù)據(jù)分析師面試題及答案一、選擇題（共5題，每題2分）1.題：在Python中，以下哪個庫主要用于數(shù)據(jù)分析和可視化？A.PandasB.NumPyC.MatplotlibD.Scikit-learn答案：A解析：Pandas是Python中專門用于數(shù)據(jù)分析的庫，提供了DataFrame等數(shù)據(jù)結(jié)構(gòu)，方便數(shù)據(jù)處理和分析。NumPy主要用于數(shù)值計算，Matplotlib用于繪圖，Scikit-learn用于機器學(xué)習(xí)。2.題：以下哪個函數(shù)可以用來計算Python列表或PandasSeries中的缺失值比例？A.`mean()`B.`median()`C.`isnull().mean()`D.`std()`答案：C解析：`isnull().mean()`可以計算數(shù)據(jù)中的缺失值比例。`mean()`計算平均值，`median()`計算中位數(shù)，`std()`計算標準差。3.題：在Pandas中，如何將DataFrame的某一列轉(zhuǎn)換為分類數(shù)據(jù)類型？A.`astype(str)`B.`astype('category')`C.`to_numeric()`D.`convert_dtypes()`答案：B解析：`astype('category')`可以將某一列轉(zhuǎn)換為分類數(shù)據(jù)類型，適合用于離散的分類變量。4.題：以下哪個是Python中用于自然語言處理的庫？A.PandasB.MatplotlibC.NLTKD.Scikit-learn答案：C解析：NLTK（NaturalLanguageToolkit）是Python中用于自然語言處理的庫，提供了文本處理、分詞、詞性標注等功能。5.題：在SQL中，以下哪個語句用于按某個字段對數(shù)據(jù)進行排序？A.`GROUPBY`B.`ORDERBY`C.`JOIN`D.`WHERE`答案：B解析：`ORDERBY`用于按某個字段對數(shù)據(jù)進行排序，`GROUPBY`用于分組，`JOIN`用于連接表，`WHERE`用于條件篩選。二、填空題（共5題，每題2分）1.題：在Pandas中，使用______函數(shù)可以去除DataFrame中的重復(fù)行。答案：drop_duplicates解析：`drop_duplicates()`函數(shù)可以去除DataFrame中的重復(fù)行，默認保留第一次出現(xiàn)的行。2.題：在Python中，使用______庫可以方便地進行時間序列分析。答案：Pandas解析：Pandas提供了強大的時間序列分析功能，如`datetime`、`date_range`等。3.題：在NumPy中，使用______函數(shù)可以創(chuàng)建一個隨機數(shù)組。答案：random.rand解析：`random.rand()`函數(shù)可以創(chuàng)建一個指定形狀的隨機數(shù)組，數(shù)組元素均勻分布在[0,1)區(qū)間。4.題：在機器學(xué)習(xí)中，交叉驗證通常使用______來實現(xiàn)。答案：K-FoldCross-Validation解析：K折交叉驗證是常用的模型評估方法，將數(shù)據(jù)分成K份，輪流作為測試集和訓(xùn)練集。5.題：在SQL中，使用______關(guān)鍵字可以用于連接多個表。答案：JOIN解析：`JOIN`關(guān)鍵字用于連接多個表，根據(jù)共同字段進行匹配。三、簡答題（共5題，每題4分）1.題：簡述Pandas中DataFrame和Series的區(qū)別。答案：-DataFrame是二維的表格數(shù)據(jù)結(jié)構(gòu)，可以包含多種數(shù)據(jù)類型（如數(shù)值、字符串、布爾值等），每列是一個Series。-Series是一維的數(shù)組結(jié)構(gòu)，只能包含單一數(shù)據(jù)類型。-DataFrame可以通過索引訪問行和列，而Series只能通過索引訪問元素。2.題：解釋什么是數(shù)據(jù)清洗，并列舉至少三種常見的數(shù)據(jù)清洗方法。答案：-數(shù)據(jù)清洗是指處理原始數(shù)據(jù)中的錯誤、缺失、重復(fù)等問題，使其適合分析的過程。-常見方法：1.處理缺失值：刪除或填充缺失值。2.處理重復(fù)值：刪除重復(fù)行或列。3.處理異常值：通過統(tǒng)計方法（如IQR）識別并處理異常值。3.題：描述NumPy中`axis`參數(shù)的用法。答案：-`axis`參數(shù)用于指定操作沿哪個軸進行。-`axis=0`表示沿列操作（垂直方向），`axis=1`表示沿行操作（水平方向）。-例如：`np.sum(arr,axis=0)`對每列求和，`np.sum(arr,axis=1)`對每行求和。4.題：解釋什么是特征工程，并說明其重要性。答案：-特征工程是指通過領(lǐng)域知識和技術(shù)方法，從原始數(shù)據(jù)中提取或構(gòu)造新的特征，以提高模型性能。-重要性：1.提高模型準確性。2.減少數(shù)據(jù)維度，降低計算復(fù)雜度。3.使模型更符合業(yè)務(wù)邏輯。5.題：在SQL中，`LEFTJOIN`和`INNERJOIN`的區(qū)別是什么？答案：-LEFTJOIN：返回左表的所有行，以及右表中匹配的行。如果右表沒有匹配，則結(jié)果為NULL。-INNERJOIN：只返回左右表中匹配的行，不匹配的行會被過濾掉。-示例：sql--LEFTJOINSELECT,b.ageFROMtable_aASaLEFTJOINtable_bASbONa.id=b.id;--INNERJOINSELECT,b.ageFROMtable_aASaINNERJOINtable_bASbONa.id=b.id;四、編程題（共5題，每題6分）1.題：使用Pandas讀取以下CSV數(shù)據(jù)，并計算每人的平均分。csvname,math,english,scienceAlice,85,92,88Bob,78,85,90Charlie,92,88,95答案：pythonimportpandasaspddata="""name,math,english,scienceAlice,85,92,88Bob,78,85,90Charlie,92,88,95"""df=pd.read_csv(pat.StringIO(data))df['average']=df[['math','english','science']].mean(axis=1)print(df)輸出：namemathenglishscienceaverage0Alice85928889.01Bob78859085.02Charlie92889591.02.題：使用NumPy創(chuàng)建一個3x3的矩陣，并計算其轉(zhuǎn)置矩陣。答案：pythonimportnumpyasnparr=np.array([[1,2,3],[4,5,6],[7,8,9]])arr_transpose=arr.Tprint(arr_transpose)輸出：[[147][258][369]]3.題：使用Pandas對以下數(shù)據(jù)進行分組，并計算每個部門的平均年齡。pythondata={'name':['Alice','Bob','Charlie','David'],'age':[25,30,35,40],'department':['HR','HR','IT','IT']}df=pd.DataFrame(data)答案：pythongroup=df.groupby('department')['age'].mean()print(group)輸出：departmentHR27.5IT37.5Name:age,dtype:float644.題：使用Matplotlib繪制以下數(shù)據(jù)的折線圖，并添加標題和坐標軸標簽。pythonmonths=['Jan','Feb','Mar','Apr','May']sales=[200,220,250,210,230]答案：pythonimportmatplotlib.pyplotaspltplt.plot(months,sales,marker='o')plt.title('MonthlySales')plt.xlabel('Month')plt.ylabel('Sales')plt.grid(True)plt.show()5.題：使用Pandas讀取以下JSON數(shù)據(jù)，并篩選出年齡大于30的人。json[{"name":"Alice","age":25,"city":"NewYork"},{"name":"Bob","age":35,"city":"London"},{"name":"Charlie","age":28,"city":"Paris"}]答案：pythonimportpandasaspddata=[{"name":"Alice","age":25,"city":"NewYork"},{"name":"Bob","age":35,"city":"London"},{"name":"Charlie","age":28,"city":"Paris"}]df=pd.DataFrame(data)result=df[df['age']>30]print(result)輸出：nameagecity1Bob35London五、綜合題（共5題，每題8分）1.題：使用Pandas處理以下數(shù)據(jù)，要求：1.刪除重復(fù)行；2.填充缺失值（用均值填充）；3.將`score`列轉(zhuǎn)換為整數(shù)類型。pythondata={'name':['Alice','Bob','Charlie','Alice',None],'score':[85.5,92.0,None,88.0,90.5],'age':[25,30,35,25,28]}df=pd.DataFrame(data)答案：pythonimportpandasaspddata={'name':['Alice','Bob','Charlie','Alice',None],'score':[85.5,92.0,None,88.0,90.5],'age':[25,30,35,25,28]}df=pd.DataFrame(data)df.drop_duplicates(inplace=True)df['score'].fillna(df['score'].mean(),inplace=True)df['score']=df['score'].astype(int)print(df)輸出：namescoreage0Alice86251Bob92302Charlie90352.題：使用NumPy創(chuàng)建一個5x5的隨機矩陣，并使用布爾索引篩選出大于平均值的元素。答案：pythonimportnumpyasnparr=np.random.rand(5,5)mean_val=arr.mean()filtered=arr[arr>mean_val]print("Matrix:\n",arr)print("Filteredelements:",filtered)3.題：使用Pandas讀取以下CSV數(shù)據(jù)，并計算每個城市的平均收入，然后按平均收入降序排序。csvname,age,city,incomeAlice,25,NewYork,5000Bob,30,Paris,6000Charlie,35,London,7000David,28,NewYork,5500答案：pythonimportpandasaspddata="""name,age,city,incomeAlice,25,NewYork,5000Bob,30,Paris,6000Charlie,35,London,7000David,28,NewYork,5500"""df=pd.read_csv(pat.StringIO(data))avg_income=df.groupby('city')['income'].mean().sort_values(ascending=False)print(avg_income)輸出：cityLondon7000Paris6000NewYork5250Name:income,dtype:float644.題：使用Matplotlib繪制以下數(shù)據(jù)的柱狀圖，并添加數(shù)值標簽。pythoncategories=['A','B','C','D']values=[15,30,45,10]答案：pythonimportmatplotlib.pyplotaspltplt.bar(categories,values)fori,vinenumerate(values):plt.text(i,v+0.5,str(v),ha='center')plt.title('CategoryValues')plt.xlabel('Category')plt.ylabel('Value')plt.show()5.題：使用Pandas處理以下數(shù)據(jù)，要求：1.將`date`列轉(zhuǎn)換為日期格式；2.按日期分組，計算每天的銷售額總和；3.找出銷售額