2024Python高频精选面试题讲解，这样的 Python ，你学得会吗？，2024中级Python开发面试解答

收集整理了一份《2024年最新Python全套学习资料》免费送给大家，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来

如果你需要这些资料，可以添加V无偿获取：hxbc188 （备注666）

正文

我们就不提 Python 安装调试中文版之类的麻烦事了，这些也不爽，但不辞辛苦倒还能对付。这里只说它的语言语法，这可不是多费力气就能解决的事了。

Python DataFrame

---

日常职场业务主要是处理表格类数据（用专业的说法是结构化数据），比如这样的：

表里除第一行外的每行数据称为一条记录，对应了一件事、一个人、一张订单……，第一行是标题，说明记录由哪些属性构成，这些记录都有相同的属性，整个表就是这样一些记录的集合。

Python 主要是用一个叫 DataFrame 的东西来处理这类表格数据，我们来看看DataFrame是怎么做的。

比如上面的表格，读入 DataFrame 后是这样的：

看起来和 Excel 差不多，只是行号是从 0 开始的。

但是，DataFrame 的本质是一个矩阵（大学时代的线性代数还想得起来吗？），Python也没有记录这样的概念，它的运算都要绕到矩阵可以执行的方法上才行。

我们来看一些简单运算。

过滤

---

过滤是个简单常见的运算，就是把满足某一条件的子集取出来，比如还是上面的表格：

问题一：取出 R&D 部门的员工。

Python 代码是这样的：

import pandas as pd # 导入 Pandas

data = pd.read_csv(‘Employees.csv’) # 读取数据

rd = data.loc[data[‘DEPT’]==‘R&D’] # 过滤 R&D 部门

print(rd) # 查看 rd 数据

运行结果：

代码很简单，结果也没问题。但是：

1.用到的函数叫 loc，是 location（定位）的缩写，完全没有过滤的意思。事实上，这里的过滤也是通过定位（location）满足条件的行的索引来实现的，函数里面的data['DEPT]=='R&D'会算出一个布尔值构成的 Series：

和 data 的索引相同，满足条件的行为 True 否则为 False

然后 loc 就是根据取值为 True 的行对应的索引再取出 data 中相应的行再得到一个新的 DataFrame，本质上是从矩阵中抽取指定行的运算，用来对付过滤就有点绕。

2.过滤 DataFrame 并不只可以使用 loc 函数过滤，还可以用 query(…) 等方法，但结果都是定位到矩阵的行列索引，然后按行列索引取数据，大体上是这样的 matrix.loc[row,col]

无论如何，基本的过滤还算简单吧，讲明白了也能理解。下面我们再尝试对过滤后的子集做两个算不上复杂的运算看看。

修改子集中的数据

问题二：将 R&D 部门员工的工资上调 5%

自然的想法，只要过滤出 R&D 部门员工，然后对这些员工的工资进行修改就可以了。

按照这种逻辑写出代码：

import pandas as pd #导入 Pandas

data = pd.read_csv(‘Employees.csv’) #读取数据

rd = data.loc[data[‘DEPT’]==‘R&D’] #过滤 R&D 部门

rd[‘SALARY’]=rd[‘SALARY’]*1.05 #修改 SALARY

print(data)

运行结果：

SettingWithCopyWarning:

A value is trying to be set on a copy of a slice from a DataFrame.

Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation:

http://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy

rd[‘SALARY’]=rd[‘SALARY’]*1.05

可以看到，不仅触发了警告，修改值也没有成功。

这是因为rd = data.loc[data['DEPT']=='R&D']是一个过滤后的矩阵，再使用rd['SALARY']=rd['SALARY']*1.05这个语句修改SALARY值的时候，rd['SALARY']

又是一个新的矩阵了，因此修改它其实是修改的rd这个子矩阵，并没有修改data这个最初的矩阵。

这话说着很绕，听着也绕。

正确的代码怎么写呢？

import pandas as pd

data = pd.read_csv(‘Employees.csv’)

rd_salary = data.loc[data[‘DEPT’]==‘R&D’,‘SALARY’]

#找到 R&D 部门的员工工资

data.loc[data[‘DEPT’]==‘R&D’,‘SALARY’] = rd_salary*1.05

#截取 R&D 部门的员工工资并修改

print(data)

运行结果：

这次对了。不可以先取出子集再修改，要对着原矩阵，找到要修改的成员的定位再来修改，即loc[row=data['DEPT']=='R&D',column='SALARY']，按照行列索引取到要修改的数据，对着这个矩阵赋值。想要上调5%还要在此之前先拿到这份数据（rd_salary=…这句）。这种写法要进行重复的过滤，效率低也就罢了，但实在是太绕了。

子集求交

问题三：找出既是纽约州又是 R&D 部门的员工

这个问题更简单，只要算出两个子集做个交集运算就完了。我们看看Python是如何处理的：

import pandas as pd

data = pd.read_csv(‘Employees.csv’)

rd = data[data[‘DEPT’]==‘R&D’] #R&D部门员工

ny = data[data[‘STATE’]==‘New York’] #纽约州员工

isect_idx = rd.index.intersection(ny.index) #索引求交集

rd_isect_ny = data.loc[isect_idx] #按索引交集截取数据

print(rd_isect_ny)

运行结果：

集合求交是非常基本的运算，很多程序语言都提供了，事实上python也提供了（上面有intersection函数）。然而， DataFrame的本质是矩阵，两个矩阵求交集却没有什么意义，Python 也就没有提供矩阵求交集的运算。想要做到用两个dataframe表示的集合的交集运算，只能绕道去求两个矩阵索引的交集，最后再利用索引的交集从原数据上定位截取，有种舍近求远的感觉，不按“套路”出牌。

工作中最常用的过滤运算都这么令人费解，绕的脑袋晕，可以想象其他更复杂的运算，一股酸爽的感觉“悠然而生”。

下面看下稍微复杂一点的分组运算：

分组

---

分组运算是日常数据处理中最常用的运算了，Python也提供了丰富的分组运算函数，能够完成大多数的分组运算，但在理解和使用上并没有那么容易。

分组理解

分组就是把一个大集合按某种规则分成一些小集合，结果是个由集合构成的集合，然后再对分组后的集合进行运算，如下图：

先来看下最常用的分组聚合运算。

问题四：汇总各部门的人数

Python 代码：

import pandas as pd

data = pd.read_csv(‘Employees.csv’)

group = data.groupby(“DEPT”) #按照部门分组

dept_num = group.count() #汇总各部门人数

print(dept_num)

运行结果：

结果好像有点尴尬，本来只需要记录每个分组中的成员数量，只要有一列就行了，为什么出来这么多列，它像是对每一列都重复做了同样的动作，好奇怪。

别急，这个问题 Python 还是可以解决的，只不过不是用 count 函数，而是 size 函数：

import pandas as pd

data = pd.read_csv(‘Employees.csv’)

group = data.groupby(“DEPT”) #按照部门分组

dept_num = group.size() #汇总各部门人数

print(dept_num)

运行结果：

这个结果看起来就正常多了，不过，还是感觉哪里怪怪的。

是滴，这个结果不再是二维的 DataFrame 了，而是个单维的 Seriese。

count 函数计算的结果之所以奇怪，是因为它是对每一列计数，而 size 函数是查看各组的大小，但其实我们自然的逻辑还是用 count 来计数，size 很难用自然的逻辑想到（还要上网搜资料）。

如前所述，分组结果应该是集合的集合，我们看看 Python 中的 DataFrame 分组后是什么样子呢？把上面代码中data.groupby(“DEPT”)的结果打印出来看。

import pandas as pd

data = pd.read_csv(‘Employees.csv’)

group = data.groupby(“DEPT”) #按照部门分组

print(group)

运行结果：

“pandas.core.groupby.generic.DataFrameGroupBy object at 0x000001ADBC9CE0F0”

哇，这是个什么东东？

第一次看到这个东西，直接就蒙圈了，分组的结果不应该是集合的集合吗，为什么会是这样？这对于非专业程序人员来说简直如同梦魇。

不过上网搜搜还是可以看到它是一个所谓的可迭代对象，迭代以后发现它的每一条都是以分组索引+ DataFrame 构成的，可以使用一些方法看到里边的内容，如使用 list(group)就可以看到分组的结果了。如下图：

看到上图以后就会明白，被称为“对象”的东西里面原来是这样的。本质上它也确实是个集合的集合（姑且把矩阵理解成集合吧），但它并不能像普通的集合那样直接取某个成员 (如 group[0])，这在使用上迫使用户强行记忆这类“对象”的 N 种运算规则，理解不了就只能死记硬背了。

看到这里，估计已经有很多读者开始晕菜了，彻底不明白上面这段话是在胡说八道些什么。嗯，这就对了，因为这才是职场人员的正常状态。

分组中简单的聚合运算都如此难以理解，我们再烧烧脑，看下稍微复杂一点的分组后子集合的运算。

分组子集处理

虽然分组后经常用于聚合运算，但有时我们并不关心聚合结果，而是关心分组后的集合本身。比如分组后的集合按某一列排序。

问题五：将各部门员工按照入职时间从早到晚进行排序 。

问题分析：分组后对子集按照入职时间排序即可。

Python 代码

import pandas as pd

employee = pd.read_csv(“Employees.csv”)

employee[‘HIREDATE’]=pd.to_datetime(employee[‘HIREDATE’])

#修改入职时间格式

employee_new = employee.groupby(‘DEPT’,as_index=False).apply(lambda x:x.sort_values(‘HIREDATE’)).reset_index(drop=True)

#按 DEPT 分组，并对各组按照 HIREDATE 排序，最后重置索引

print(employee_new)

运行结果：

结果没问题，各个部门员工都按照入职时间从早到晚排序了。但我们观察下代码中最核心的一句employee.groupby('DEPT',as_index=False).apply(lambda x:x.sort_values('HIREDATE'))，把这句代码抽象一下就是这样：

df.groupby©.apply(lambda x:f(x))

df：数据框 DataFrame

groupby：分组函数

c：分组依据的列

以上三个还是比较好理解的，可是 apply 配合 lambda 就十分晦涩难懂了，超出了大多数非专业程序人员理解的范畴，这需要明白所谓“函数语言”的原理才能搞懂（自己去搜索，俺懒得解释了）。

如果不使用这“二位”（apply+lambda）呢？也能做，就是会很麻烦。得用 for 循环，对每个分组子集分别排序，最后还得把结果合并起来。

import pandas as pd

employee = pd.read_csv(“Employees.csv”)

employee[‘HIREDATE’]=pd.to_datetime(employee[‘HIREDATE’]) #修改入职时间格式

dept_g = employee.groupby(‘DEPT’,as_index=False) #按 DEPT 分组

dept_list = [] #初始化列表

for index,group in dept_g: #for循环

group = group.sort_values(‘HIREDATE’) #每个分组排序

dept_list.append(group) #排序结果放入列表

employee_new = pd.concat(dept_list,ignore_index=True) #合并各组结果

print(employee_new)

运行结果相同，但代码复杂了很多，而且运行效率也变低了。你愿意用哪一种呢？

Python 对于类似但不完全一样的数据设计了不同的数据类型，也对应有不同的操作方式，并不能简单地把对某种数据的知识复制到另一个类似数据上，搞得人晕死。

说了这么多，总结下来就是一句话：Python 真的挺难懂的，它就不是一个面向非专业选手的东西。具体来说大概就是三点：

1.DataFrame 本质是矩阵

所有的运算都要想办法按矩阵的方法来计算，经常会很绕。

2.数据类型多而且运算规则差别很大

Python 中设计了 Series，DataFrame，分组对象等等不同的数据类型，而且不同的数据类型，计算方法也不完全相同，如DataFrame可以使用query函数过滤，而 Series 不可以，分组对象的本质完全不同于 Series 和 DataFrame，计算方法更是难以捉摸。

3.知其然而不知其所以然

数据类型过多，计算方法差别又大，无形之中增加了用户的记忆量，死记硬背的成分更多，想要灵活运用太难了，这就造成了一种奇怪的现象：一个简单的运算，上网搜索 Python 代码的时间可能比用 excel 计算还要长。

Python 代码看起来简单，但你上了培训班也大概率学不会，结果只会抄例子。

那么，是不是就没有适合职场人员进行日常数据处理的工具了吗？

还是有的。

集算器 SPL

---

集算器 SPL 也是一种程序设计语言，专注于结构化数据计算。SPL 中提供了丰富的基础计算方法，其概念逻辑也是符合我们的思维习惯的。

1.序表是记录的集合

SPL 使用序表承载结构化数据，接近于日常处理的 excel 表。

学好 Python 不论是就业还是做副业赚钱都不错，但要学会 Python 还是要有一个学习规划。最后大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、全套PDF电子书

书籍的好处就在于权威和体系健全，刚开始学习的时候你可以只看视频或者听某个人讲课，但等你学完之后，你觉得你掌握了，这时候建议还是得去看一下书籍，看权威技术书籍也是每个程序员必经之路。

四、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

五、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

如果你需要这些资料，可以添加V无偿获取：hxbc188 （备注666）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
、实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

六、面试资料

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

如果你需要这些资料，可以添加V无偿获取：hxbc188 （备注666）
[外链图片转存中…(img-cbIlZEdi-1713790627885)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！