Python数据清洗与预处理面试题解析

数据清洗与预处理是数据分析与机器学习项目中至关重要的环节。面试官往往期望候选人能熟练掌握Python中相关库（如Pandas、NumPy、Scikit-learn等）进行高效的数据清洗与预处理。本篇博客将深入浅出地探讨Python数据清洗与预处理面试中常见的问题、易错点以及如何避免这些问题，同时附上代码示例以供参考。

一、常见面试问题

1. Pandas基础操作

面试官可能会询问如何使用Pandas进行数据读取、筛选、合并、分组统计等基础操作。准备如下示例：

python
import pandas as pd

# 数据读取
df = pd.read_csv("data.csv")

# 筛选数据
filtered_df = df[(df["age"] > 18) & (df["income"] > 50000)]

# 合并数据
df1 = pd.DataFrame({"A": [1, 2], "B": [3, 4]})
df2 = pd.DataFrame({"B": [5, 6], "C": [7, 8]})
merged_df = pd.concat([df1, df2])

# 分组统计
grouped_df = df.groupby("category").agg({"sales": "sum", "profit": "mean"})

2. 异常值处理

面试官可能要求您展示如何识别与处理数据中的异常值，包括离群点、缺失值、重复值等。提供如下代码：

python
# 离群点检测（基于四分位数法）
Q1 = df.quantile(0.25)
Q3 = df.quantile(0.75)
IQR = Q3 - Q1
df_clean = df[~((df < (Q1 - 1.5 * IQR)) | (df > (Q3 + 1.5 * IQR))).any(axis=1)]

# 缺失值处理（删除或插补）
df_no_missing = df.dropna()  # 删除含有缺失值的行
df_filled = df.fillna(df.mean())  # 使用列均值填充缺失值

# 重复值处理
df_unique = df.drop_duplicates()  # 删除重复行

3. 特征工程

面试官可能询问如何进行特征缩放、编码、转换、降维等特征工程任务。展示如下代码：

python
from sklearn.preprocessing import StandardScaler, OneHotEncoder, PolynomialFeatures

# 特征缩放
scaler = StandardScaler()
scaled_data = scaler.fit_transform(df[["feature1", "feature2"]])

# 类别特征编码
encoder = OneHotEncoder(sparse=False)
encoded_data = encoder.fit_transform(df[["category"]])

# 特征转换（多项式特征）
poly = PolynomialFeatures(degree=2)
transformed_data = poly.fit_transform(df[["feature1"]])

# 特征降维（PCA）
from sklearn.decomposition import PCA
pca = PCA(n_components=2)
reduced_data = pca.fit_transform(df)

二、易错点及避免策略

1. 忽视数据质量检查：在开始分析之前，务必进行全面的数据质量检查，识别并处理异常值、缺失值、重复值等问题。
2. 盲目处理数据：理解数据分布与业务背景，针对性地选择合适的清洗与预处理方法，避免盲目应用通用策略。
3. 忽视数据隐私保护：在处理敏感数据时，遵守数据隐私法规，采用恰当的脱敏、匿名化等手段保护个人隐私。
4. 过度简化复杂关系：在特征工程中，充分挖掘特征间的复杂关系，避免过度简化导致信息丢失。
5. 忽视模型输入要求：根据所选模型的要求，进行必要的特征缩放、编码、转换等预处理工作。

结语

精通Python数据清洗与预处理是成为一名优秀数据分析师或机器学习工程师的关键。深入理解上述常见问题、易错点及应对策略，结合实际代码示例，您将在面试中展现出扎实的数据处理基础和出色的实战能力。持续实践与学习，不断提升您的数据清洗与预处理技能水平，必将在数据分析与机器学习职业道路上大放异彩。