2026年腾讯面试中的Python数据分析库Pandas考察

2026年腾讯面试中的Python数据分析库（Pandas）考察一、选择题（每题2分，共10题）考察点：Pandas基础操作与数据理解1.在Pandas中，如何从DataFrame中筛选出满足特定条件的行？A.`df[df['column']>value]`B.`df.query('column>value')`C.`df.loc[df['column']>value]`D.以上都可以2.以下哪个方法可以用来对DataFrame进行按列排序？A.`df.sort()`B.`df.sort_values(by='column',ascending=False)`C.`df.rank()`D.`df.orderby()`3.如何将两个DataFrame按某个键进行合并（innerjoin）？A.`pd.concat()`B.`pd.merge()`C.`df.join()`D.`df.append()`4.在Pandas中，如何处理缺失值（NaN）？A.`df.dropna()`B.`df.fillna(0)`C.`df.isnull()`D.以上都可以5.以下哪个方法可以用来计算DataFrame中某一列的均值？A.`df.mean()`B.`df.sum()`C.`df.max()`D.`df.std()`6.如何将DataFrame转换为CSV文件？A.`df.to_csv()`B.`df.save()`C.`df.export()`D.`df.write()`7.在Pandas中，如何重置DataFrame的索引？A.`df.reset_index(drop=True)`B.`df.set_index()`C.`df.reindex()`D.`df.drop_index()`8.如何对DataFrame进行分组统计（例如计算每组的均值）？A.`df.groupby().mean()`B.`df.agg()`C.`df.pivot_table()`D.以上都可以9.以下哪个方法可以用来选择DataFrame中的某几列？A.`df[['col1','col2']]`B.`df.loc[:,['col1','col2']]`C.`df.query('col1&col2')`D.以上都可以10.如何创建一个时间序列（DatetimeIndex）？A.`pd.date_range()`B.`pd.to_datetime()`C.`pd.date_parser()`D.`pdtimedate_range()`二、填空题（每空1分，共5题）考察点：Pandas常用函数与语法1.在Pandas中，使用_______函数可以快速查看DataFrame的前几行数据。2.使用_______方法可以删除DataFrame中的重复行。3.要对DataFrame中的某一列进行去重，可以使用_______属性。4.使用_______函数可以将字符串转换为日期格式。5.要计算DataFrame中所有数值列的描述性统计量（均值、标准差等），可以使用_______方法。三、简答题（每题5分，共3题）考察点：Pandas实际应用场景1.描述如何在Pandas中处理缺失数据（例如删除或填充），并说明不同方法的适用场景。2.解释Pandas中`groupby`和`pivot_table`的区别，并举例说明如何使用它们进行数据分析。3.如何使用Pandas读取和处理大型文件（如CSV或Excel），并优化内存使用？四、编程题（每题15分，共2题）考察点：Pandas综合应用与业务场景1.数据背景：假设你有一份电商订单数据（订单ID、用户ID、商品价格、订单时间），要求：-读取CSV文件到DataFrame。-筛选出订单金额大于100元的订单。-按用户ID分组，计算每个用户的总订单金额。-将结果按总金额降序排序，并保存为新的CSV文件。2.数据背景：假设你有一份销售数据，包含日期、城市、销售额。要求：-将日期列转换为日期格式。-按城市分组，计算每个城市每月的总销售额。-绘制每个城市销售额的折线图（使用Pandas内置绘图功能，无需外部库）。-找出销售额最高的城市及其最高月份。答案与解析一、选择题答案1.D（A、B、C均可实现筛选，选D表示理解多种方法）2.B（`sort_values`是最常用的排序方法）3.B（`merge`是标准的数据合并方法）4.D（`dropna`删除、`fillna`填充、`isnull`检测，选D表示全面理解）5.A（`mean()`计算均值）6.A（`to_csv`是标准导出方法）7.A（`reset_index(drop=True)`重置索引且不保留旧索引）8.A（`groupby().mean()`是最直接的分组统计方法）9.D（A、B、C均可选择列，选D表示灵活应用）10.A（`date_range`生成时间序列）二、填空题答案1.`head()`2.`drop_duplicates()`3.`unique()`4.`to_datetime()`5.`describe()`三、简答题解析1.处理缺失数据的方法：-删除：`dropna()`（适用于缺失数据较少时）-填充：`fillna()`（可填充固定值、前值、后值或均值，适用于缺失数据较多但有一定规律时）-适用场景：删除适用于数据完整性要求高的情况；填充适用于允许少量缺失但需保留全部数据时。2.`groupby`vs`pivot_table`：-`groupby`：更灵活，支持复杂聚合（如自定义函数），适用于分组后需多种统计的场景。-`pivot_table`：结构固定，适用于简单的透视表需求（如按行/列/值分组）。示例：pythongroupby示例：df.groupby('city')['revenue'].agg(['sum','mean'])pivot_table示例：df.pivot_table(values='revenue',index='city',columns='month',aggfunc='sum')3.处理大型文件：-使用`chunksize`读取分块：`pd.read_csv('file.csv',chunksize=10000)`-优化数据类型：将`float64`转为`float32`，`int64`转为`int32`，字符串列使用`category`。pythondf['price']=df['price'].astype('float32')df['category']=df['category'].astype('category')四、编程题参考代码1.订单数据处理：pythonimportpandasaspd读取数据df=pd.read_csv('orders.csv')筛选金额大于100的订单filtered_df=df[df['price']>100]按用户分组计算总金额user_total=filtered_df.groupby('user_id')['price'].sum().reset_index()降序排序并保存user_total.sort_values('price',ascending=False).to_csv('top_users.csv',index=False)2.销售数据可视化：pythonimportpandasaspd读取数据df=pd.read_csv('sales.csv')转换日期格式df['date']=pd.to_datetime(df['date'])按城市分组计算每月总销售额df['month']=df['date'].dt.to_period('M')monthly_sales=df.groupby(['city','month'])['revenue'].sum().unstack()绘制折线图monthly_sales.plot(kind='line',marker='o')plt.title('MonthlyRevenuebyCity')plt.xlabel('Month')plt.ylabel('Revenue')plt.legend(title='City')plt.sh