Bỏ qua đến nội dung chính
Mục lục

Pandas interview questions: câu hỏi phỏng vấn Data Analyst

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 6/6 · Chương 11

Trang phụ trợ

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Trang này gom các câu hỏi phỏng vấn pandas (pandas interview questions) hay gặp ở vị trí Data Analyst, cùng vài câu về NumPy và biểu đồ. Mỗi câu kèm ý trả lời ngắn và ví dụ khi cần. Bạn dùng nó để ôn trong một hai buổi tối trước vòng phỏng vấn kỹ thuật.

Cách ôn với trang này

Đọc câu hỏi, che phần trả lời, tự nói câu trả lời thành tiếng trong khoảng nửa phút. Người phỏng vấn nghe hai điều: bạn nói đúng ý chính ở câu đầu, và bạn đưa được ví dụ từ dữ liệu của chính mình. Vì vậy mỗi câu trả lời dưới đây mở bằng ý chính, rồi mới tới ví dụ và chỗ hay bị hỏi tiếp.

Ví dụ trên trang chạy được: bấm Chạy, đổi dữ liệu, đoán trước kết quả. Câu nào bạn đoán sai thì đọc lại bài được dẫn trong câu trả lời. Muốn biết nghề Data Analyst cần học những gì ngoài pandas, đọc bài Blog Data Analyst cần học gì; bài Data Analyst và Data Scientist so hai vị trí.

Cấu trúc và chọn dữ liệu

Series khác DataFrame thế nào?

Series là một cột có nhãn, DataFrame là bảng nhiều cột dùng chung một bộ nhãn dòng; lấy một cột của DataFrame bằng tên cho một Series. Câu hỏi tiếp hay gặp: df["a"] và df[["a"]] khác nhau ở đâu. Câu trả lời: cái đầu là Series, cái sau là DataFrame một cột. Ôn lại ở bài Series và chọn cột.

loc khác iloc ở đâu?

loc chọn theo nhãn, iloc chọn theo vị trí. Người phỏng vấn thường hỏi tiếp hai chỗ: lát cắt của loc gồm cả nhãn cuối, và sau khi lọc thì vị trí đếm lại từ 0 còn nhãn đi theo dòng.

python
import pandas as pd

bang = pd.DataFrame({"tien": [10, 20, 30, 40]},
                    index=["T1", "T2", "T3", "T4"])
print(len(bang.loc["T2":"T4"]), len(bang.iloc[1:3]))
loc_lai = bang[bang["tien"] > 15]
print(loc_lai.index[0], loc_lai["tien"].iloc[0])

KẾT QUẢ

3 2
T2 20

Cùng bắt đầu ở T2, nhưng loc lấy tới hết T4 còn iloc[1:3] dừng trước vị trí 3 như list. Sau khi lọc, vị trí 0 là dòng nhãn T2. Ôn lại ở bài loc và iloc.

Lệnh gán chạy không lỗi mà bảng không đổi, bạn nghĩ tới gì?

Gán hai bước (chained assignment), như khach["hang"][khach["diem"] > 1000] = "Vàng". Phần khach["hang"] cho ra một cột đứng riêng; dưới Copy-on-Write của pandas 3, ghi vào cột đó không chạm tới khach, và pandas chỉ để lại cảnh báo ChainedAssignmentError. Viết thành một lệnh: khach.loc[khach["diem"] > 1000, "hang"] = "Vàng". Ứng viên được điểm khi nói thêm rằng trên pandas 2 lệnh cũ từng sửa được bảng, nên code cũ có thể sai lặng lẽ. Ôn lại ở bài Copy-on-Write.

apply() có nên dùng không?

Chỉ khi không có cách viết trên cả cột. df["a"] * 2 hay df["ten"].str.upper() chạy trên cả cột một lần và nhanh hơn apply() với một hàm Python gọi trên từng ô nhiều lần. apply() hợp với logic nhiều nhánh mà không có phép sẵn. Ôn lại ở bài apply().

Làm sạch dữ liệu

Có nên dropna() cho sạch rồi mới phân tích?

Không vội. Trước hết đo tỉ lệ thiếu của từng cột bằng df.isna().mean(), rồi hỏi ô trống nghĩa là gì. Cột ngay_huy trống ở phần lớn đơn vì các đơn đó không bị hủy: dropna() trên cả bảng sẽ bỏ đúng những đơn thành công. Ô trống mang nghĩa thì giữ, hay đổi thành một cờ như da_huy = df["ngay_huy"].notna(). Ô số thiếu rải rác thì điền bằng một số đại diện hay để pandas bỏ qua khi tính; chỉ bỏ dòng khi nó thiếu thứ cốt lõi như mã đơn. Ôn lại ở bài dropna() và fillna().

Bảng nhân viên có nhiều bản ghi cho một người, lấy bản mới nhất thế nào?

Sắp theo ngay_cap_nhat, rồi drop_duplicates(subset="ma_nv", keep="last"). subset là chỗ hay quên: thiếu nó, hai bản ghi khác ngày của cùng người không bị coi là trùng.

python
import pandas as pd

nv = pd.DataFrame({
    "ma_nv": ["NV1", "NV2", "NV1"],
    "ngay_cap_nhat": ["2025-01-10", "2025-02-01", "2025-06-15"],
    "phong": ["Kho", "Kế toán", "Bán hàng"],
})
moi = (nv.sort_values("ngay_cap_nhat")
         .drop_duplicates(subset="ma_nv", keep="last"))
print(moi.sort_values("ma_nv")["phong"].to_list())

KẾT QUẢ

['Bán hàng', 'Kế toán']

NV1 chuyển từ Kho sang Bán hàng, nên bản giữ lại là Bán hàng. Ôn lại ở bài drop_duplicates().

Hai chuỗi tiếng Việt trông giống nhau mà so ra False, vì sao?

Vì một chữ có dấu viết được bằng hai dãy mã Unicode: một ký tự dựng sẵn (NFC), hay chữ gốc cộng dấu rời (NFD). Hai chuỗi trông giống hệt mà khác mã. Sửa bằng cách đưa cả cột về NFC trước khi so hay gom nhóm:

python
import unicodedata

a = "Đà Nẵng"
b = unicodedata.normalize("NFD", a)
print(a == b, len(a), len(b))
print(a == unicodedata.normalize("NFC", b))

KẾT QUẢ

False 7 10
True

Trong pandas là df["tinh"].str.normalize("NFC"). Ôn lại ở bài chuẩn hóa tiếng Việt.

Bạn tìm giá trị ngoại lai trong cột tiền thế nào?

Vẽ box plot để nhìn, rồi lọc bằng quy tắc IQR: lấy Q1 và Q3 bằng quantile(0.25), quantile(0.75), IQR là Q3 - Q1, và đánh dấu ô nhỏ hơn Q1 - 1,5 × IQR hay lớn hơn Q3 + 1,5 × IQR. Nói thêm rằng danh sách này dùng để đối chiếu từng ô với nguồn rồi mới quyết định: một đơn 80 triệu có thể là khách sỉ thật. Ôn lại ở bài ngoại lai và IQR.

Gom nhóm và ghép bảng

transform() khác agg() thế nào?

agg() trả một dòng mỗi nhóm; transform() trả kết quả cùng độ dài với bảng gốc, mỗi dòng nhận giá trị của nhóm mình. Vì thế transform() dùng khi cần cột mới như "tỉ lệ doanh thu của từng sản phẩm trong danh mục của nó":

python
import pandas as pd

sp = pd.DataFrame({"danh_muc": ["Sách", "Sách", "Đồ uống"],
                   "doanh_thu": [300, 100, 200]})
print(sp.groupby("danh_muc")["doanh_thu"].agg("sum").to_list())
tong = sp.groupby("danh_muc")["doanh_thu"].transform("sum")
print((sp["doanh_thu"] / tong * 100).to_list())

KẾT QUẢ

[400, 200]
[75.0, 25.0, 100.0]

Ôn lại ở bài transform().

Ghép bảng chấm công với bảng nhân viên xong, tổng giờ công tăng lên. Vì sao?

Bảng nhân viên có ma_nv lặp, chẳng hạn một người có hai dòng vì từng đổi phòng. Mỗi dòng chấm công của người đó khớp hai dòng nên bị nhân đôi, và tổng giờ tăng theo. Khai validate="many_to_one" khi ghép thì pandas báo MergeError ngay khi bên phải có mã lặp; sau mỗi lần ghép, so len() trước và sau. Ôn lại ở bài merge() với validate.

Muốn danh sách đủ mọi học viên, kể cả người chưa có điểm cuối khóa: chọn how nào?

Đặt bảng học viên bên trái và ghép how="left" với bảng điểm: người chưa thi vẫn có dòng, ô điểm trống. how="inner", giá trị mặc định, bỏ họ đi mà không báo, nên danh sách trông như ai cũng đã thi. Thêm indicator=True thì cột _merge chỉ ra ai không có điểm. Ôn lại ở bài merge().

pivot_table() khác groupby() ở đâu?

Cùng phép gom, khác hình kết quả: groupby() theo hai cột cho một Series có index hai tầng, còn pivot_table() trải cột thứ hai ra thành các cột, như PivotTable của Excel. pivot_table() còn có fill_value và margins cho dòng tổng. Ôn lại ở bài pivot_table().

NumPy

Broadcasting là gì?

Là cách NumPy tính giữa hai mảng khác shape bằng cách kéo dãn chiều có độ dài 1 cho khớp chiều kia, không chép dữ liệu. Ví dụ hay gặp: trừ trung bình của từng cột khỏi cả ma trận:

python
import numpy as np

doanh_thu = np.array([[10, 20], [30, 40], [50, 60]])
tb_cot = doanh_thu.mean(axis=0)
print(tb_cot)
print(doanh_thu - tb_cot)

KẾT QUẢ

[30. 40.]
[[-20. -20.]
 [  0.   0.]
 [ 20.  20.]]

Mảng (3, 2) trừ mảng (2,): hàng trung bình được dùng lại cho cả ba hàng. Ôn lại ở bài broadcasting và axis.

Vì sao tính bằng NumPy nhanh hơn vòng lặp Python?

Phép trên mảng chạy bằng code C trên một khối bộ nhớ liền với các số cùng kiểu, nên không cần hỏi kiểu từng phần tử như vòng lặp Python. Với vài nghìn phần tử trở lên, khác biệt thường là hàng chục lần. Ôn lại ở bài vector hóa.

Biểu đồ và câu hỏi tình huống

Chọn loại biểu đồ thế nào?

Theo câu hỏi: so các nhóm thì biểu đồ cột, xu hướng theo thời gian thì biểu đồ đường, phân bố của một biến số thì histogram hay box plot, quan hệ giữa hai biến số thì scatter. Tránh biểu đồ tròn khi có hơn năm nhóm. Ôn lại ở bài các loại biểu đồ.

Lương trung bình công ty là 25 triệu mà đa số nhận dưới 15 triệu. Báo cáo số nào?

Lương thường lệch phải: vài người lương rất cao kéo trung bình lên, nên trung vị gần với mức của một nhân viên bình thường hơn. Báo cả hai số, kèm một câu giải thích vì sao chúng cách xa nhau, là câu trả lời người phỏng vấn muốn nghe. Ôn lại ở bài thống kê mô tả.

Bạn kiểm một con số trong báo cáo thế nào trước khi gửi?

Bằng một phép tính khác với phép đã cho ra nó: tổng các nhóm phải bằng tổng cả cột, số dòng sau khi ghép bằng số dòng trước, đếm bằng tay một nhóm nhỏ. Rồi so với một mốc ngoài dữ liệu, như doanh thu tháng trước. Ôn lại ở bài kiểm tra chất lượng dữ liệu.

Chủ đề

pandas interview questions

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập