写在前面
前两篇讲了报错，这篇换个场景：面试。
Pandas 面试有个特点------不考记忆，考理解 。没人会问你 read_csv 有哪些参数（能查），但一定会问「loc 和 iloc 有什么区别」「为什么会有 SettingWithCopyWarning」------因为这些问题能看出你是否真的想过数据是怎么存的。
这篇挑出 10 道高频题，每题三段：面试官想听什么 → 标准答案 → 能跑的代码。代码不是装饰，面试时如果能说「我现场验证一下」，说服力完全不一样。
答案建议背「结论 + 一个例子」，别背长篇大论。
先确认示例数据在手边：
python
import os
import mkdata
if not os.path.exists("data/sales.csv"):
mkdata.main()
print("示例数据就绪：", os.path.exists("data/sales.csv"))这段会检查第 1 篇生成的 data/ 目录在不在，不在就自动补一次；已经有数据时只会打印一行 示例数据就绪： True，不影响后面的结果。
第 1 题：Series 和 DataFrame 的关系
想听什么：你是不是把它当成「Excel 的一列和一张表」在理解。
答：Series 是带索引的一维数组，DataFrame 是共享同一套行索引的多个 Series。取一列得到 Series，取多列得到 DataFrame。
python
import pandas as pd
df = pd.DataFrame({"城市": ["杭州", "上海"], "金额": [149.7, 149.5]})
print("取一列：", type(df["城市"]).__name__)
print("取多列：", type(df[["城市"]]).__name__)
print("一列本身有索引：", df["城市"].index.tolist())
text
取一列： Series
取多列： DataFrame
一列本身有索引： [0, 1]第 2 题：loc 和 iloc 的区别
想听什么：区不区分「标签」和「位置」。
答 ：loc 按标签（索引值、列名），iloc 按位置（第几行第几列）。切片时 loc 含右端点、iloc 不含，和 Python 列表一致。
python
import pandas as pd
df = pd.DataFrame({"金额": [10, 20, 30, 40]}, index=[100, 200, 300, 400])
print("loc[200]（标签）：", df.loc[200, "金额"])
print("iloc[1]（位置）：", df.iloc[1, 0])
print("loc[100:300] 行数：", len(df.loc[100:300]), "（含右端点）")
print("iloc[0:2] 行数：", len(df.iloc[0:2]), "（不含）")
text
loc[200]（标签）： 20
iloc[1]（位置）： 20
loc[100:300] 行数： 3 （含右端点）
iloc[0:2] 行数： 2 （不含）加分点：索引不是 0...n-1 时，loc[0] 会报 KeyError，因为它找的是标签 0。
第 3 题：视图和副本怎么区分
想听什么 ：知不知道 SettingWithCopyWarning 背后的机制。
答 ：df[条件] 返回的可能是视图也可能是副本，pandas 无法保证，所以赋值时给警告。规范写法是用 loc 一次完成，或显式 .copy()。
python
import pandas as pd
df = pd.DataFrame({"城市": ["杭州", "上海"], "金额": [1.0, None]})
sub = df[df["城市"] == "杭州"] # 可能是视图
sub["金额"] = sub["金额"].fillna(0) # 触发警告的经典写法
print("sub 已改：", sub["金额"].tolist())
print("原表未变：", df["金额"].tolist())
print("----")
df.loc[df["城市"] == "杭州", "金额"] = 0 # 推荐写法
print("loc 改完原表：", df["金额"].tolist())
text
sub 已改： [1.0]
原表未变： [1.0, nan]
----
loc 改完原表： [0.0, nan]第 4 题：缺失值怎么处理，NaN 和 None 有什么区别
想听什么 ：有没有「按业务选策略」的意识，而不是只会 dropna。
答 ：None 是 Python 对象，NaN 是浮点缺失值，pandas 里数值列的缺失统一是 NaN。处理分三步：先量化（isna().sum()、缺失率），再判断（关键字段 vs 可补字段），最后才是删或填。
python
import numpy as np
import pandas as pd
df = pd.DataFrame({"金额": [100.0, np.nan, 300.0], "城市": ["杭州", None, "北京"]})
print("缺失统计：")
print(df.isna().sum().to_string())
print("缺失率：", (df.isna().mean() * 100).round(1).tolist())
print("----")
print("删：", len(df.dropna(subset=["金额"])), "行")
print("填中位数：", df["金额"].fillna(df["金额"].median()).tolist())
print("分类填未知：", df["城市"].fillna("未知").tolist())
text
缺失统计：
金额 1
城市 1
缺失率： [33.3, 33.3]
----
删： 2 行
填中位数： [100.0, 200.0, 300.0]
分类填未知： ['杭州', '未知', '北京']第 5 题：groupby 的原理
想听什么：知不知道「拆分---应用---合并」这三步。
答 ：groupby 先按键把行拆成若干组，对每组应用函数，再把结果按组键合并。理解这三步，就能解释「为什么 agg 返回的索引是组键」「为什么 transform 返回等长结果」。
python
import pandas as pd
df = pd.DataFrame({
"城市": ["杭州", "杭州", "上海", "上海"],
"金额": [100, 200, 300, 400],
})
print("agg（每组一行）：")
print(df.groupby("城市")["金额"].sum().to_string())
print("----")
print("transform（贴回原表，等长）：")
print(df.groupby("城市")["金额"].transform("sum").tolist())
print("----")
print("组内占比：", (df["金额"] / df.groupby("城市")["金额"].transform("sum")).round(3).tolist())
text
agg（每组一行）：
城市
上海 700
杭州 300
----
transform（贴回原表，等长）：
[300, 300, 700, 700]
----
组内占比： [0.333, 0.667, 0.429, 0.571]第 6 题：merge 的四种连接
想听什么：知不知道「行数为什么会变」。
答 ：inner 只留两边都有的键；left 保留左表全部；right 保留右表全部；outer 两边都保留。行数变化来自「键重复」和「键缺失」，可以用 validate= 防翻倍、indicator=True 查匹配。
python
import pandas as pd
left = pd.DataFrame({"id": [1, 2, 3], "金额": [10, 20, 30]})
right = pd.DataFrame({"id": [2, 3, 4], "城市": ["上海", "北京", "广州"]})
for how in ["inner", "left", "right", "outer"]:
m = left.merge(right, on="id", how=how)
print(f"{how:<6s} 行数 {len(m)}，缺失城市 {m['城市'].isna().sum()}")
text
inner 行数 2，缺失城市 0
left 行数 3，缺失城市 1
right 行数 3，缺失城市 0
outer 行数 4，缺失城市 1第 7 题：apply、map、applymap 的区别
想听什么：知不知道该用哪个、以及性能差异。
答 ：map 作用于 Series 的每个元素（常配字典查表）；apply 作用于 Series 或 DataFrame 的行/列，能拿到整行；applymap 已在 pandas 2.1 废弃，DataFrame 逐元素用 df.map()。性能上向量化 > map > apply > iterrows。
python
import pandas as pd
df = pd.DataFrame({"城市": ["杭州", "上海"], "金额": [100, 200]})
coef = {"杭州": 1.0, "上海": 1.05}
print("map 查表：", df["城市"].map(coef).tolist())
print("apply 按行：", df.apply(lambda r: r["金额"] * 2, axis=1).tolist())
print("DataFrame.map（替代 applymap）：", df[["金额"]].map(lambda x: x + 1)["金额"].tolist())
text
map 查表： [1.0, 1.05]
apply 按行： [200, 400]
DataFrame.map（替代 applymap）： [101, 201]第 8 题：怎么处理重复值
想听什么：区不区分「完全重复」和「业务主键重复」。
答 ：duplicated() 默认比所有列，subset=[...] 可指定业务主键，keep 控制保留哪一条。真实场景里业务主键重复更常见------比如同一订单被录了两次但金额不同。
python
import pandas as pd
df = pd.DataFrame({
"订单号": ["A1", "A1", "A2"],
"金额": [100, 100, 200],
})
print("完全重复行：", int(df.duplicated().sum()))
print("按订单号重复：", int(df.duplicated(subset=["订单号"]).sum()))
print("保留最后一条：", df.drop_duplicates(subset=["订单号"], keep="last").to_dict("records"))
text
完全重复行： 1
按订单号重复： 1
保留最后一条： [{'订单号': 'A1', '金额': 100}, {'订单号': 'A2', '金额': 200}]第 9 题：怎么把宽表转成长表，反过来呢
想听什么 ：知不知道 melt / pivot_table（或 stack/unstack）这一对。
答 ：长转宽用 pivot_table 或 set_index().unstack()；宽转长用 melt。做透视报表用前者，画图或喂模型用后者。
python
import pandas as pd
wide = pd.DataFrame({"城市": ["杭州", "上海"], "笔记本": [100, 200], "鼠标": [50, 60]})
print("宽表：")
print(wide.to_string(index=False))
long = wide.melt(id_vars="城市", var_name="产品", value_name="金额")
print("melt 之后：")
print(long.to_string(index=False))
print("----")
print("再 pivot 回去：")
print(long.pivot_table(index="城市", columns="产品", values="金额", aggfunc="sum").to_string())
text
宽表：
城市 笔记本 鼠标
杭州 100 50
上海 200 60
melt 之后：
城市 产品 金额
杭州 笔记本 100
上海 笔记本 200
杭州 鼠标 50
上海 鼠标 60
----
再 pivot 回去：
产品 笔记本 鼠标
城市
上海 200 60
杭州 100 50第 10 题：数据量太大内存不够怎么办
想听什么 ：有没有实战经验，而不是只会 read_csv。
答 ：四个层次------读的时候只读需要的列（usecols）并指定类型（dtype）；内存里降级（int8/float32）和文本转 category；实在装不下就分块（chunksize）或让数据库先聚合；长期方案换 Parquet 列式存储。
python
import numpy as np
import pandas as pd
df = pd.DataFrame({
"城市": np.random.choice(["杭州", "上海"], 1000),
"金额": np.random.rand(1000).round(4),
})
before = df.memory_usage(deep=True).sum() / 1024
df["城市"] = df["城市"].astype("category")
df["金额"] = df["金额"].astype("float32")
after = df.memory_usage(deep=True).sum() / 1024
print(f"内存：{before:.1f} KB -> {after:.1f} KB")
print("类型：", df.dtypes.to_dict())
text
内存：21.6 KB -> 5.0 KB
类型： {'城市': CategoricalDtype(categories=['上海', '杭州'], ordered=False, categories_dtype=str), '金额': dtype('float32')}面试答题的三个技巧
- 先给结论，再给例子：面试官不要听定义复述，要听「所以什么情况下会踩坑」；
- 主动提边界 ：比如答
loc/iloc时补一句「索引非默认值时loc[0]会报错」，这是加分项； - 不确定就现场验证 ：
print(df.head())跑一下，比硬背可信。
常见问题
Q1：被问到没准备过的 API 怎么办？
说清「我知道它大概是干什么的，具体参数我会查文档」，然后讲你会怎么查、怎么验证。承认不知道 + 展示检索能力，比胡编好得多。
Q2：面试官问「你平时怎么处理脏数据」，怎么答得有层次？
按「探查 → 量化 → 判断 → 处理 → 校验」五步答，每步给一个方法（info / isna().sum() / 缺失率阈值 / fillna 或 dropna / duplicated().sum()）。有流程感比堆方法名强。
Q3：要不要背代码？
不用背完整代码，背方法名 + 关键参数 ：merge(validate=)、to_numeric(errors="coerce")、transform("sum")、drop_duplicates(subset=)。这些是「会用」和「听说过」的分界线。
小结
这 10 道题的共同点是：都在问「为什么」，而不是「怎么用」。Series 与 DataFrame 的关系、loc/iloc、视图副本、缺失值策略、groupby 三步、merge 四种连接、apply 家族、重复值口径、宽长表互转、大数据处理------把这十个讲清楚，Pandas 的基本功就到位了。
下一篇是下半场：10 道手写题，包括每组 TopN、连续日期、宽长表转换、去重找重复，全部给可运行答案。