Pandas 面试题与答案 Top 30

在本文中，我整理了最常被问到的 Pandas 面试题及其答案。其中一些问题来自我在 Target 担任数据科学家职位的亲身面试经历。让我们开始吧！

Pandas 基础面试题

先来看一些关于 pandas 的基础面试题。友善的面试官可能会用这些简单问题帮助您进入状态，另外一些面试官则会用它们来评估您对该库的基本掌握程度。

1. Python 中的 pandas 是什么？

pandas 是一个开源的 Python 库，内置了强大的方法，可高效地清洗、分析和处理数据集。它由 Wes McKinney 于 2008 年开发，能够轻松与 Python 中的各类数据科学模块配合使用。

虽然最初构建在 NumPy 之上，但现代 pandas（v2.0+）也支持 PyArrow 后端。这带来了显著更快的操作、真正的字符串数据类型，以及相比仅用旧版 NumPy 架构更优秀的缺失值（可空类型）处理。

2. 如何快速查看 pandas DataFrame 的前 5 行和后 5 行？

在 pandas 中，使用 head() 方法获取 DataFrame 的前 5 行，使用 tail() 方法获取后 5 行。

获取前 5 行： dataframe_name.head()
获取后 5 行： dataframe_name.tail()

3. 为什么 DataFrame.shape 没有括号？

在 pandas 中，shape 是属性而不是方法。因此访问时不需要加括号。

DataFrame.shape 会返回一个元组，包含 DataFrame 的行数和列数。

4. Series 与 DataFrame 有何区别？

DataFrame： pandas 的 DataFrame 是表格格式，包含多行多列，每一列可以是不同的数据类型。
Series： Series 是一维带标签的数组，可以存储任意数据类型，但其所有值应为相同的数据类型。Series 更像是 DataFrame 的单独一列。

Series 比 DataFrame 更省内存，因此在其上进行某些数据处理会更快。

不过，DataFrame 能存储更大、更复杂的数据集，而 Series 只能处理同质数据。因此，您在 DataFrame 上可执行的操作集合远多于 Series。

5. pandas 中的索引（index）是什么？

索引是一组标签，可唯一标识 DataFrame 的每一行。索引可以是任意数据类型（如整数、字符串、哈希等）。

df.index 会打印 DataFrame df 当前的行索引。

Pandas 进阶面试题

这些问题会稍有挑战，更常见于需要有 pandas 使用经验的岗位。

6. pandas 中的多重索引（multi-index）是什么？

在 pandas 中，索引用于唯一标识 DataFrame 的每一行。我们通常选择能唯一标识每一行的列来设为索引。但如果没有单个列能做到这一点怎么办？

例如，某个 DataFrame 有 “name”“age”“address”“marks” 四列。上述任意一列都可能存在重复值，不适合作为索引。

但是，“name”和“address”两列组合起来也许能唯一标识每一行。因此您可以同时将这两列设为索引。此时您的 DataFrame 就拥有了多重（分层）索引。

7. 解释 pandas 的 reindexing。给出一个示例。

重建索引（Reindexing）用于让 DataFrame 服从一个新的索引。它最常用于填补时间序列中的缺口，或确保报告包含所有类别，即便其值为零。

如果新索引包含原 DataFrame 中不存在的标签，pandas 会为这些行引入 NaN（或指定的填充值）。

示例： 假设您有 Q1 和 Q3 的销售数据，但因为销售为零，Q2 和 Q4 缺失。普通的可视化会产生误导。通过 reindex() 强制将缺失的季度加入 DataFrame 就能修正这一问题。

import pandas as pd

# Original data (Note: Q2 and Q4 are missing)
data = {'Quarter': ['Q1', 'Q3'], 'Sales': [15000, 18000]}
df = pd.read_json(pd.DataFrame(data).to_json()) # Simulating loaded data
df = df.set_index('Quarter')

# The complete index we REQUIRE for the report
all_quarters = ['Q1', 'Q2', 'Q3', 'Q4']

# Reindex forces Q2 and Q4 to appear, filling them with 0 instead of NaN
df_full = df.reindex(all_quarters, fill_value=0)技术支持

8. loc 与 iloc 有何区别？

在 pandas 中，.loc() 和 .iloc() 都用于选择 DataFrame 的子集。实际工作中，它们广泛用于按条件筛选 DataFrame。

当使用行列的实际标签来选择数据时，应使用 .loc()；而基于行列的整数位置来提取数据时，使用 .iloc()。

9. 展示两种创建 pandas DataFrame 的方法

从字典：

import pandas as pd

data = {'Name': ['John', 'Cataline', 'Matt'],
        'Age': [50, 45, 30],
        'City': ['Austin', 'San Francisco', 'Boston'],
        'Marks' : [70, 80, 95]}

df = pd.DataFrame(data)技术支持

从列表的列表：

import pandas as pd

data = [['John', 25, 'Austin',70],
        ['Cataline', 30, 'San Francisco',80],
        ['Matt', 35, 'Boston',90]]

columns = ['Name', 'Age', 'City', 'Marks']

df = pd.DataFrame(data, columns=columns)技术支持

10. 如何获取 DataFrame 中某个分类型列所有唯一值的计数？

函数 Series.value_counts() 会返回某个 Series 或列中每个唯一值的计数。

示例：

我们创建了一个包含名为 Sex 的分类型列的 DataFrame df，并运行 .value_counts() 查看该列中每个唯一值的计数。

import pandas as pd

data = [['John', 50, 'Male', 'Austin', 70],
        ['Cataline', 45 ,'Female', 'San Francisco', 80],
        ['Matt', 30 ,'Male','Boston', 95]]

# Column labels of the DataFrame
columns = ['Name','Age','Sex', 'City', 'Marks']

# Create a DataFrame df
df = pd.DataFrame(data, columns=columns)

df['Sex'].value_counts()技术支持

如果您希望查看百分比分布而非原始计数，可在 .value_counts() 中使用参数 normalize=True。

11. 什么是 category 数据类型，为什么要使用它？

category 数据类型用于具有有限唯一字符串值（低基数）的列。它能大幅节省内存，并加速排序、分组等操作，因为 Pandas 仅在查找表中存储一次字符串，而在实际数据列中使用轻量的整数。

面向有经验从业者的 Pandas 面试题

如果您已具备扎实的 pandas 背景并申请更资深的岗位，可能会遇到如下问题：

12. 如何在 pandas 中优化大数据集的性能？

使用 PyArrow： 在加载数据时使用 engine="pyarrow" 和 dtype_backend="pyarrow"。这比标准的 NumPy 类型更快且更省内存。
用向量化替代循环： 循环与迭代的开销很大，尤其在处理大数据集时。优先选择向量化操作，因为它一次性作用于整列，比逐行迭代更快。
只加载所需列： 在 read_csv() 或 read_parquet() 中使用 usecols 参数限制加载数据量。
内存友好型数据类型： pandas 的默认数据类型并不省内存。例如，整数默认是 int64，但如果值能装入 int32，将类型调整为 int32 可优化内存使用。将低基数字符串转换为 category 也是好做法。
使用数据聚合： 尝试先进行聚合和统计操作，因为对聚合后数据的操作往往比对全量数据更高效。
并行处理： 原生 pandas 是单线程的。在单机并行方面，推荐使用 Polars（默认多线程），或使用 Modin 等库作为 pandas 的并行替代。

13. pandas 中 .join() 与 .merge() 方法的区别？

Join： 基于索引连接两个 DataFrame。不过也可通过可选参数 on 显式指定基于列进行连接。默认执行左连接。语法为 df1.join(df2)。
Merge： merge() 更灵活，允许您指定用于连接的列。默认执行内连接，但可自定义为左、右、外、内、交叉等多种连接类型。语法为 pd.merge(df1, df2, on=”column_names”)。

14. 什么是 Timedelta？

Timedelta 表示一段时间长度，即两个日期或时间之间的差值，单位可为天、小时、分钟和秒。

15. .append() 方法已被移除。现在如何合并 DataFrame？

在现代的 Pandas 环境（2.0 或更高版本）中使用 .append() 会报错，因为该方法已被移除，以鼓励更高效的编码实践。

取而代之，您应将所有 DataFrame 或行收集到列表中，然后一次性调用 pd.concat()：

new_df = pd.concat([df1, df2], ignore_index=True)技术支持

16. 何时应使用 Polars 而不是 pandas？

当出现以下情况时，您应考虑使用 Polars（基于 Rust 的 DataFrame 库）：

数据集显著大于可用内存： Polars 具备惰性计算/流式处理。
需要多线程性能： pandas 的操作大多是单线程的。
每毫秒都很重要： 您在构建高性能数据管道。

Pandas 编程面试题

在技术面试中，实践能力与理论知识同等重要。以下是您在上场前需要掌握的一些 pandas 编程类面试题。

17. 如何使用 pandas 读取 Excel 并转为 CSV？

首先用 .read_excel() 将 Excel 数据读取到变量中。然后调用 .to_csv() 即可无缝转换。

示例代码如下：

import pandas as pd

#input your excel file path into the read_excel() function.
excel_data = pd.read_excel("/content/sample_data/california_housing_test.xlsx")

excel_data.to_csv("CSV_data.csv", index = None, header=True) 技术支持

注意： 在现代面试中，可以提及在处理大数据集时，使用 Parquet 格式（用 .to_parquet() 代替 .to_csv()）以保留数据类型，往往更优。

18. 如何按列对 DataFrame 排序？

使用 .sort_values() 方法可基于单列或多列对 DataFrame 进行排序。

语法如下：df.sort_values(by=[“column_names”])，如下例所示：

import pandas as pd

data = [['John', 50, 'Male', 'Austin', 70],
['Cataline', 45 ,'Female', 'San Francisco', 80],
['Matt', 30 ,'Male', 'Boston', 95],
['Oliver',35,'Male', 'New york', 65]]

# Column labels of the DataFrame
columns = ['Name','Age','Sex', 'City', 'Marks']

# Create a DataFrame df
df = pd.DataFrame(data, columns=columns)

# Sort values based on ‘Age’ column
df.sort_values(by=['Age'])

df.head()`技术支持

19. 展示两种不同的数据筛选方法

我们用如下 DataFrame 来演示如何筛选：

import pandas as pd

data = {'Name': ['John', 'Cataline', 'Matt'],
        'Age': [50, 45, 30],
        'City': ['Austin', 'San Francisco', 'Boston'],
        'Marks' : [70, 80, 95]}

# Create a DataFrame df
df = pd.DataFrame(data)技术支持

方法一：布尔索引

new_df = df[(df.Name == "John") | (df.Marks > 90)]
print (new_df)技术支持

方法二： 使用 .query() 方法

df.query('Name == "John" or Marks > 90')
print (new_df)技术支持

20. 如何对数据进行聚合（如均值或求和）？

.groupby() 可按指定列对数据分组，并对分组数据执行操作。将其与 .agg() 结合可提升可读性。

下面的代码按 Name 列分组，并计算每组的 Grades 平均值：

import pandas as pd

# Create a DataFrame
data = {
    'Name': ['John', 'Matt', 'John', 'Matt', 'Matt', 'Matt'],
    'Grades': [10, 20, 30, 15, 25, 18]
}

# Create a DataFrame df
df = pd.DataFrame(data)

# mean marks of John and Matt
print(df.groupby('Name').agg(
    avg_grade=('Grades', 'mean'),
)技术支持

21. 如何基于现有列创建一个新列？

有两种方式可由现有列创建新列：

直接赋值： 为一个新列名赋予对现有列的变换结果：df['Total'] = df['Math'] + df['Science']
方法链： 使用带 .assign() 的 lambda 函数：df = df.assign(Total=lambda x: x['Math'] + x['Science'])

当下更推荐方法链，因为它通过消除中间变量来提升代码可读性。将整个数据变换组织为单一、连贯的流水线，可显著减少错误，因为您不再有误引用旧版本或错误版本 DataFrame 的风险。

面向数据科学家的 Pandas 面试题

现在我们已覆盖了 pandas 的通用与编程面试题，接着看看与数据科学更相关的 pandas 面试题。

22. 如何在 pandas 中处理空值或缺失值？

您可以用以下三种方法之一来处理 pandas 中的缺失值：

dropna()：从 DataFrame 中移除包含缺失值的行或列。
fillna()：用指定值填充缺失值。
interpolate()：用插值计算结果填充缺失值。

借助 PyArrow 后端，整数列现在可以存储 NA 值而无需转为 float，这在科研流程中能更好地保持数据保真度。

23. fillna() 与 interpolate() 的区别

fillna()：用静态值填充（例如 0 或 "Unknown"）。在 .fillna() 中使用 method='ffill' 进行前向填充已被弃用；请直接使用 .ffill()。
interpolate()：在数据点之间用数学估计（线性、多项式、样条）进行填充。对于希望“连点成线”的时间序列数据尤为重要。

24. 什么是重采样（resampling）？

重采样用于改变时间序列数据的报告频率。比如将月度数据转换为周度或年度数据，这就是重采样的用武之地。

将月度数据转换为周度或日度属于上采样，此时会使用插值技术来提升频率。

相对地，将月度转换为年度属于下采样，此时会应用数据聚合技术。

25. 如何在 pandas 中进行独热编码（one-hot encoding）？

我们进行独热编码，是为了将分类值转换为数值，以便输入到机器学习算法中。

import pandas as pd

data = {'Name': ['John', 'Cateline', 'Matt', 'Oliver'],
        'ID': [1, 22, 23, 36],
        'Category': ['A', 'B', 'A', 'B']}

df = pd.DataFrame(data)

#one hot encoding 
new_df = pd.get_dummies(df, columns=['Category'])
new_df.head()技术支持

在生产环境中，更推荐使用 Scikit-learn 的 OneHotEncoder，因为它能保留模式（schema）。

26. 如何在 pandas 中创建折线图？

要创建折线图，我们使用 pandas 的 plot 函数。

import pandas as pd


data = {'units': [1, 2, 3, 4, 5],
        'price': [7, 12, 8, 13, 16]}
# Create a DataFrame df
df = pd.DataFrame(data)

df.plot(kind='line', x='units', y='price')技术支持

注意： 现在可以将绘图后端切换为 Plotly 以获得交互式图表：pd.options.plotting.backend = "plotly"。

27. 获取 DataFrame 各列统计摘要的方法是什么？

df.describe() 会返回每列的均值、分位数、最小值、最大值等统计信息。

28. 什么是滚动平均（rolling mean）？

滚动平均也称移动平均，其思想是在给定窗口内计算数据点的均值，并在数据上滑动该窗口。它能平滑波动，突出时间序列中的长期趋势。

语法示例：df['column_name'].rolling(window=n).mean()

29. 什么是 SettingWithCopyWarning，如何修复？

当 pandas 无法确定您是在修改视图还是副本时，会出现该警告。在现代 pandas（3.0+ 场景）中，写时复制（CoW）为默认行为。CoW 严格区分视图与副本，确保对子集的修改不会在未明确要求的情况下悄然改变原始数据。这在很大程度上消除了导致该警告的歧义。

在较早版本的 pandas 中，修复方法是使用 .loc[] 进行显式索引，或在修改前将切片赋给新变量，从而保证清晰性并避免意外行为。更多内容见此博文：How to Fix SettingWithCopyWarning。

30. 如何在生产环境中验证 DataFrame 的 schema？

行业标准是使用 pandera，这是一个在运行时实施严格数据质量检查的库。pandera 允许您定义 schema，以验证列数据类型并应用统计逻辑，例如确保数值处于特定范围内或某列值唯一。

您可以使用其装饰器（例如 @pa.check_types）自动验证函数的输入与输出，防止“脏数据”悄然破坏下游流程。这相当于为数据本身进行单元测试。

面试准备

很可能会被问到几道最常见的面试题，因此用它们来准备是个好主意。除 pandas 外，数据相关岗位还需要很多其他技能。以下是帮助您在整个面试流程中脱颖而出的清单：

理解岗位要求

回顾职位描述与职责，确保您的技能与简历与之匹配。此外，了解公司以及您的岗位如何产生影响也会加分。

Python 编程

面试官通常会先考察您的 Python 能力，然后才会问其库（pandas）。因此要扎实掌握 Python 基础。

对分析师岗位，Python 本身通常已足够。但如果您申请数据科学家或 ML 工程师岗位，练习 Python 编程题至关重要。

数据项目

请确保您的简历中包含一些真实世界数据问题的解决案例。有经验者可讲述以往项目；如果您是新手，可以尝试完成一些 Kaggle 项目。

进阶概念

在基础之外，后续的问题取决于具体岗位。

对分析师而言，可能会涉及 Excel、数据可视化仪表板、统计与概率相关问题。

此外，如果您申请数据科学家或 ML 工程师岗位，面试官可能会深入考察机器学习与深度学习相关主题。

若您申请的是技术性很强或资深岗位，可能会遇到系统设计相关问题。请回顾常见设计题，并练习端到端的 ML 系统设计问题。

结语

拿到数据行业的工作往往需要过硬的 Pandas 技能。以上这份既涵盖理论又包含实操的面试题清单，应该能帮助您在 Pandas 部分稳稳拿分。此外，文末的建议也能帮助您整体面试过程更顺利。

以下资源可助您备战 pandas 面试：

Data Manipulation with pandas：面向初学者的课程，涵盖 pandas 基础、数据处理与可视化技巧，使用真实世界数据集。
Data Preparation with pandas：本教程提供使用 pandas 处理缺失数据的实用技能，讲解 isnull()、dropna()、fillna() 等函数。
Practicing Coding Interview Questions in Python：适合编程面试准备，涵盖 Python 数据结构、字符串处理等数据科学面试关键内容。
Data Science Interview Preparation：为多种面试形式提供系统性的准备建议，并覆盖 Python、R、SQL 等技术技能。

作者

Srujana Maddula

Srujana 是一名自由职业技术写作者，拥有计算机科学四年制学位。她擅长撰写各类主题的内容，包括数据科学、云计算、开发、编程、安全等众多领域。她热爱经典文学，也喜欢探索新的旅行目的地。

主题

数据科学 Python