Tổng hợp những câu hỏi phỏng vấn về Python, Numpy và Pandas

Python được phát triển bởi Guido van Rossum và công bố vào ngày 20/02/1991. Nó là một trong những ngôn ngữ lập trình được yêu thích và phổ biến nhất thế giới.

🔖 Gợi ý từ Admin

📝 Tài liệu phỏng vấn kiến thức lập trình: Xem tại đây!!!

📌 Tìm hiểu về thuật toán: Xem tại đây!!!

📌 Roadmaps - Lộ trình trở thành một lập trình viên: Xem tại đây!!!

⚡️ Cheatsheet các ngôn ngữ lập trình: Xem tại đây!!!

⚡️ Handbook lập trình: Xem tại đây!!!

Mẹo

Bạn có thể tìm tất cả thông tin (tài liệu, công cụ...) thông qua núttìm kiếm 🔍ở góc trên bên phải màn hình.

I. Giới thiệu Python

1. Python là gì?

Python được phát triển bởi Guido van Rossum và công bố vào ngày 20/02/1991. Nó là một trong những ngôn ngữ lập trình được yêu thích và phổ biến nhất thế giới. Về bản chất nó là ngôn ngữ thông dịch do đó nó cung cấp sự linh hoạt trong việc kết hợp ngữ nghĩa động. Nó cũng là một ngôn ngữ mã nguồn mở và miễn phí với cú pháp rất đơn giản và rõ ràng. Điều này giúp mọi người dễ dàng học python. Python cũng hỗ trợ lập trình hướng đối tượng và được sử dụng rộng rãi trong giới lập trình.

Do tính chất đơn giản và khả năng đạt được nhiều chức năng trong ít dòng code hơn, nên mức độ phổ biến của python đang tăng lên rất nhiều. Python cũng được sử dụng trong Máy học, Trí tuệ nhân tạo, Phát triển Web, Web Scraping và nhiều lĩnh vực khác do khả năng hỗ trợ tính toán mạnh mẽ bằng cách sử dụng các thư viện mạnh mẽ. Vì thế, nhu cầu tuyển các nhà phát triển python là rất lớn trên toàn thế giới. Các công ty sẵn sàng cung cấp các đặc quyền và lợi ích tuyệt vời cho những dev này.

2. Lợi ích của sử dụng Python

• Python là ngôn ngữ lập trình đa năng có cú pháp đơn giản, dễ học, nhấn mạnh tính dễ đọc nhờ đó giảm chi phí bảo trì chương trình. Hơn nữa, ngôn ngữ này có khả năng viết script, hoàn toàn là mã nguồn mở và có số lượng thư viện hỗ trợ dồi dào.
• Cấu trúc dữ liệu cấp cao kết hợp với tính năng kiểu động và liên kết động, thu hút một cộng đồng lớn các lập trình viên sử dụng nó để triển khai và phát triển ứng dụng nhanh chóng.

II. Câu hỏi phỏng vấn về Python

1. Thế nào là ngôn ngữ kiểu động?

Trước khi hiểu về ngôn ngữ kiểu động ta nên biết về kiểu là gì. Trong ngôn ngữ lập trình, kiểu đề cập đến việc kiểm tra kiểu dữ liệu. Nếu một ngôn ngữ kiểu mạnh, thì "1" + 2 sẽ báo lỗi vì không thể tự động ép kiểu. Nhưng nếu là ngôn ngữ kiểu yếu thì sẽ cho về kết quả là 12.

Kiểm tra kiểu có hai loại:

• Static: kiểm tra kiểu dữ liệu trước khi thực thi.
• Dynamic: kiểm tra kiểu dữ liệu khi đang thực thi.

Python là ngôn ngữ thông dịch, thực thi câu lệnh theo từng dòng do đó việc kiểm tra kiểu xảy ra khi đang thực thi. Python là ngôn ngữ kiểu động.

2. Ngôn ngữ thông dịch là gì?

Ngôn ngữ thông dịch là ngôn ngữ thực thi từng dòng lệnh, ví dụ như Python, JavaScript, R, PHP và Ruby. Chương trình viết bằng ngôn ngữ thông dịch có thể chạy trực tiếp từ code, không cần bước biên dịch.

3. PEP 8 là gì và tại sao nó lại quan trọng?

PEP là viết tắt của Python Enhancement Proposal. Một PEP là một tài liệu thiết kế chính thống cung cấp thông tin từ cộng đồng Python hoặc mô tả tính năng mới của Python. PEP 8 đặc biệt quan trọng vì nó ghi lại các hướng dẫn về phong cách code Python. Rõ ràng là việc đóng góp cho cộng đồng mã nguồn mở Python đòi hỏi bạn phải tuân theo các nguyên tắc về phong cách này một cách nghiêm ngặt.

4. Scope trong Python?

Phạm vi (scope) đề cập đến vùng code mà từ đó đối tượng trong Python có thể truy cập được. Do đó, ta không thể truy cập bất kỳ đối tượng cụ thể nào từ bất kỳ nơi nào trong code, việc truy cập phải được cho phép theo phạm vi của đối tượng.

Các kiểu phạm vi trong Python:

• Một local scope đề cập đến đối tượng cục bộ khả dụng trong hàm hiện tại.
• Một global scope đề cập đến đối tượng khả dụng trong suốt quá trình thực thi code kể từ khi chúng ra đời.
• Một module-level scope đề cập đến đối tượng toàn cục của module hiện tại có thể truy cập trong chương trình.
• Một outermost scope đề cập đến các tên built-in có thể gọi trong chương trình.

5. List và Tuple là gì? Sự khác biệt giữa chúng?

List và Tuple là hai kiểu dữ liệu tuần tự cho lưu trữ tập hợp đối tượng trong Python. List được biểu diễn bằng cặp ngoặc vuông ['sara', 6, 0.19] trong khi tuple được biểu diễn bằng dấu ngoặc đơn ('ansh', 5, 0.97).

Bên cạnh sự khác biệt về cú pháp, điểm khác biệt chính của cả hai là tuple chỉ lưu đối tượng bất biến. Có nghĩa là list có thể chỉnh sửa, thêm hay xoá trong khi tuple chỉ lưu hằng và không chỉnh sửa gì được.

my_tuple = ('sara', 6, 5, 0.97)
my_list = ['sara', 6, 5, 0.97]
print(my_tuple[0])     # output => 'sara'
print(my_list[0])     # output => 'sara'
my_tuple[0] = 'ansh'    # modifying tuple => throws an error
my_list[0] = 'ansh'    # modifying list => list modified
print(my_tuple[0])     # output => 'sara'
print(my_list[0])     # output => 'ansh'

6. Kiểu dữ liệu trong Python?

Mặc dù Python không yêu cầu kiểu dữ liệu khi khai báo biến nhưng lỗi vẫn xảy là nếu ta dùng kiểu dữ liệu khác với tương thích của nó. Python cung cấp hàm type() và isinstance() để kiểm tra kiểu của các các biến. Trong Python có các kiểu dữ liệu sau:

• None: từ khoá None biểu diễn giá trị null trong Python. Có thể thực hiện so sánh bằng với đối tượng kiểu None.

  Tên	Mô tả
  NoneType	Biểu diễn giá trị Null

• Kiểu số: có 3 kiểu số trong Python là int, float và complex. Bên cạnh đó boolean cũng là kiểu con của int.

  Tên	Mô tả
  int	lưu trữ kiểu số nguyên dạng thập phân, nhị phân, bát phân
  float	lưu trữ giá trị thập phân, phân số, số chấm động
  complex	lưu trữ kiểu số phức (A + Bj) với A là phần thực, B là phần ảo
  bool	lưu giá trị nhị nguyên (True hoặc False)

• Kiểu tuần tự: có 3 kiểu tuần tự cơ bản trong Python - list, tuple và range. Kiểu tuần tự có thể thực hiện toán tử in và not in để duyệt qua tất cả phần tử của chúng. Các toán tử này có cùng mức độ ưu tiên với các toán tử so sánh.

  Tên	Mô tả
  list	Dùng cho lưu tập hợp phần tử, có thể chỉnh sửa
  tuple	Dùng cho lưu tập hợp phần tử, bất biến
  range	Biểu diễn chuỗi số bất biến trong suốt quá trình thực thi
  str	Chuỗi bất biến Unicode cho lưu trữ dữ liệu văn bản

  Lưu ý: thư viện chuẩn còn bổ sung hai kiểu là Binary data như bytearray bytes, memoryview và Text string như str.

• Kiểu ánh xạ: Trong Python, một đối tượng ánh xạ (mapping object) là một tập hợp các cặp key-value. Nó ánh xạ giá trị (value) với key tương ứng. Kiểu dữ liệu ánh xạ duy nhất trong Python là dictionary.

  Tên	Mô tả
  dict	Lưu trữ tập hợp riêng biệt dạng cặp key/value

• Kiểu tập hợp: hiện tại Python có hai kiểu tập hợp là set và frozenset. Kiểu set có thể thay đổi với hai phướng thức là add() và remove(), kiểu frozenset là bất biến, không thể chỉnh sửa sau khi tạo.

  Tên	Mô tả
  set	Tập hợp không thứ tự có thể chỉnh sửa
  frozenset	Tập hợp đối tượng riêng biệt bất biến

• Modules

7. Pass trong Python?

Từ khoá pass biểu diễn toán tử null trong Python. Nó được dùng nhằm mục đích lắp đầy các khối code trống có thể thực thi trong thời gian chạy nhưng hiện tại vẫn chưa viết. Nếu không có lệnh pass, ta có thể gặp lỗi khi thực thi code.

def myEmptyFunc():
   # do nothing
   pass
myEmptyFunc()    # nothing happens
## Without the pass keyword
# File "<stdin>", line 3
# IndentationError: expected an indented block

8. Module và package trong Python?

Package và module là hai cơ chế cho phép lập trình module trong Python. Việc module hoá đem lại các lợi ích như:

• Tính đơn giản: Làm việc trên một module duy nhất giúp bạn tập trung vào một phần tương đối nhỏ của vấn đề hiện tại. Điều này giúp cho việc phát triển dễ dàng hơn và ít bị lỗi hơn.
• Khả năng bảo trì: Các module được thiết kế để thực thi các logic giữa các khía cạnh vấn đề khác nhau. Nếu chúng được viết theo cách làm giảm sự phụ thuộc lẫn nhau, thì các sửa đổi trong một module ít gây ảnh hưởng đến các phần khác của chương trình.
• Khả năng tái sử dụng: Các hàm được khai báo trong một module có thể được sử dụng lại dễ dàng bởi các phần khác của ứng dụng.
• Phạm vi: Các module thường xác định một namespace riêng biệt, giúp tránh nhầm lẫn giữa các định danh từ các phần khác của chương trình.

Modules, là một file Python với mở rộng .py và có một tập hàm, lớp hoặc biến được khai báo và triển khai trong nó. Nó có thể được import ở file khác bằng lệnh import. Vd:

from foo import bar

Package cho phép cấu trúc phân cấp module bằng cách dùng ký hiệu .. Nếu như module giúp tránh xung đột giữa các tên biến toàn cục thì các package giúp tránh xung đột giữa các tên module.

Việc tạo một package rất dễ dàng vì nó sử dụng cấu trúc file vốn có của hệ thống. Vì vậy, chỉ cần đưa các module vào một thư mục là bạn sẽ có nó, tên thư mục là tên package. Việc import một module hoặc nội dung của nó từ package này yêu cầu tên package làm tiền tố cho tên module được nối bằng dấu chấm.

9. Các quyền truy cập thuộc tính trong Python?

• Global là các biến công khai được khai báo ở global scope. Để dùng các biến này trong hàm, ta sử dụng từ khoá global.
• Protected là thuộc tính được khai báo với dấu gạch dưới phía trước để định danh, vd _sara. Nó có thể truy cập và chỉnh sửa bên ngoài lớp.
• Private là thuộc tính với hai dấu gạch dưới phía trước để định danh, vd: __ansh. Nó không thể truy cập hay chỉnh sửa bên ngoài lớp.

10. Self trong Python?

Self được sử dụng để đại diện cho thực thể của lớp. Với từ khóa this, bạn có thể truy cập các thuộc tính và phương thức của lớp trong python. Nó liên kết các thuộc tính với các đối số đã cho. Self được sử dụng ở những nơi khác nhau và thường được cho là một từ khóa. Nhưng không giống như trong C ++, self không phải là một từ khóa trong Python.

11. init là gì?

__init__ là một phương thức khởi tạo trong Python và tự động gọi bộ nhớ cấp phát khi một đối tượng/thực thể mới được tạo. Tất cả lớp đều có phương thức __init__ liên kết với chúng. Nó giúp phân biệt phương thức và thuộc tính từ biến cục bộ.

# class definition
class Student:
   def __init__(self, fname, lname, age, section):
      self.firstname = fname
      self.lastname = lname
      self.age = age
      self.section = section
# creating a new object
stu1 = Student("Sara", "Ansh", 22, "A2")

12. break, continue và pass trong Python?

Lệnh	Mô tả
preak	lệnh break huỷ vòng lặp ngay lập tức và chuyển luồng điều khiển đến phần thân sau vòng lặp đó
continue	lệnh continue huỷ lần lặp hiện tại của câu lệnh, nó bỏ quả phần code của lần lặp hiện tại và chuyển luồng điều khiển đến lần lặp kế tiếp
pass	Từ khoá pass trong Python dùng để lấp đầy các empty block, tương tự một câu lệnh trống (;) trong Java, C++

pat = [1, 3, 2, 1, 2, 3, 1, 0, 1, 3]
for p in pat:
   pass
   if (p == 0):
       current = p
       break
   elif (p % 2 == 0):
       continue
   print(p)    # output => 1 3 1 3 1
print(current)    # output => 0

13. Unit test trong Python là gì?

• Unit test là một framework kiểm thử đơn vị của Python.
• Unit test có nghĩa là kiểm tra các thành phần khác nhau của phần mềm một cách riêng biệt. Bạn có thể biết lý do tại sao unit test lại quan trọng không? Hãy tưởng tượng một tình huống, bạn đang xây dựng phần mềm sử dụng ba thành phần là A, B và C. Bây giờ, giả sử phần mềm của bạn bị hỏng tại một thời điểm. Làm thế nào bạn sẽ tìm thấy thành phần nào chịu trách nhiệm cho sự cố đó? Có thể thành phần A bị lỗi, thành phần B bị lỗi, và điều này thực sự đã làm hỏng phần mềm. Có thể có nhiều cách kết hợp như vậy.
• Đây là lý do tại sao cần phải kiểm tra từng thành phần đúng cách để thành phần nào có thể chịu trách nhiệm chính cho sự cố của phần mềm.

14. Docstring là gì?

Docstring hay documentation string là một chuỗi nhiều dòng dùng để ghi lại một đoạn code cụ thể. Docstring mô tả hàm hoặc phương thức hoạt động.

15. Slicing trong Python?

Slicing mô tả hành vi phân tách các mục trong một đối tượng dạng mảng (array, string, list và tuple). Cú pháp [start: stop: step]

• start là chỉ mục bắt đầu tách.
• stop là chỉ mục dừng lại.
• step là số bước nhảy.

Giá trị mặc định của start là 0, stop là số lượng mục, step là 1.

numbers = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
print(numbers[1 : : 2])

#output : [2, 4, 6, 8, 10]

16. Cách thực thi Python script trên Unix?

Script phải bắt đầu với #!/usr/bin/env python

17. Sự khác biệt giữa array và list trong Python?

• Array (mảng) trong Python bao gồm các phần tử có cùng kiểu dữ liệu.
• List (danh sách) trong Python gồm các phần tử có thể khác kiểu dữ liệu.

import array
a = array.array('i', [1, 2, 3])
for i in a:
   print(i, end=' ')    #OUTPUT: 1 2 3
a = array.array('i', [1, 2, 'string'])    #OUTPUT: TypeError: an integer is required (got type str)

a = [1, 2, 'string']
for i in a:
   print(i, end=' ')    #OUTPUT: 1 2 string

18. Quản lý bộ nhớ trong Python?

Bộ nhớ trong Python được xử lý bởi Python Memory Manager. Bộ nhớ được cấp phát bởi manager trong một private heap space dành riêng cho Python. Tất cả đối tượng Python được lưu trữ trong heap này và là riêng tư, nó không thể truy cập bởi lập trình viện. Tuy nhiên, Python cung cấp một vài hàm API cốt lõi cho làm việc trên private heap space.

Ngoài ra, Python có một bộ dọn rác có sẵn để dọn dẹp bộ nhớ không được sử dụng cho private heap space.

19. Namespace là gì?

Namespace trong Python đề cập đến tên đối tượng trong một chương trình duy nhất và có thể dùng mà không có xung đột. Python triển khai các namespace này như một từ điển với tên giống như là khoá ánh xạ tới đối tượng tương ứng giống như giá trị. Nó cho phép nhiều namespace sử dụng cùng tên và ánh xạ nó đến các đối tượng riêng biệt. Một vài ví dụ của namespace:

• Local Namespace bao gồm tên cục bộ bên trong một hàm. Namespace được tạo tạm thời cho gọi hàm và sẽ bị xoá khi hàm đó trả về.
• Global Namespace bao gồm tên từ các package/module khác được import để sử dụng trong dự án hiện tại. Namespace này được tạo khi package được import trong script cho đến khi script được thực thi.
• Built-in Namespace bao gồm các hàm có sẵn của Python và tên có sẵn cho các kiểu thực thi khác nhau.

Vòng đời của namespace dựa trên đối tượng mà nó ánh xạ. Nên ở ngoài phạm vi của đối tượng, thì vòng đời của namespace sẽ kết thúc. Do đó, không thể truy cập vào trong đối tượng namespace từ bên ngoài namespace.

20. Scope Resolution trong Python?

Thỉnh thoảng trong cùng một scope sẽ có đối tượng cùng tên nhưng khác chứ năng. Trong trường hợp đó, scope resolution sẽ được Python tự động chạy. Một vài ví dụ hành vi như:

• Module Python có tên như 'math' và 'cmath' có nhiều hàm giống nhau như log10(), acos(), exp(). Để giải quyết vấn đề xung đột, ta cần thêm tên module vào phía trước chúng như math.exp() và cmath.exp()
• Hãy xem xét đoạn code dưới đây, một đối tượng temp đã được khởi tạo bằng 10 trên toàn cục và sau đó là 20 khi gọi hàm. Tuy nhiên, lệnh gọi hàm không thay đổi giá trị của temp trên toàn cục. Ở đây, chúng ta có thể quan sát thấy rằng Python vẽ ra một ranh giới rõ ràng giữa các biến toàn cục và cục bộ, coi các namespace của chúng là danh tính riêng biệt.

temp = 10   # global-scope variable
def func():
   temp = 20   # local-scope variable
   print(temp)
print(temp)   # output => 10
func()    # output => 20
print(temp)   # output => 10

Hành vi này có thể bị ghi đè bằng cách dùng từ khoá global trong hàm như ví dụ bên dưới.

temp = 10   # global-scope variable
def func():
   global temp
   temp = 20   # local-scope variable
   print(temp)
print(temp)   # output => 10
func()    # output => 20
print(temp)   # output => 20

21. Decorator trong Python là gì?

Decorator trong Python về cơ bản là các hàm bổ sung chức năng cho một hàm hiện có trong Python mà không thay đổi cấu trúc của chính hàm đó. Chúng được biểu diễn là @decorator_name bằng Python và được gọi theo kiểu từ dưới lên. Ví dụ:

# decorator function to convert to lowercase
def lowercase_decorator(function):
   def wrapper():
      func = function()
      string_lowercase = func.lower()
      return string_lowercase
   return wrapper
# decorator function to split words
def splitter_decorator(function):
   def wrapper():
      func = function()
      string_split = func.split()
      return string_split
   return wrapper
@splitter_decorator # this is executed next
@lowercase_decorator # this is executed first
def hello():
   return 'Hello World'
hello()   # output => [ 'hello' , 'world' ]

Cái hay của decorator nằm ở chỗ bên cạnh việc thêm chức năng vào đầu ra của phương thức, chúng thậm chí có thể chấp nhận các đối số cho các hàm và có thể sửa đổi thêm các đối số đó trước khi truyền nó vào chính hàm. Hàm lồng nhau bên trong, tức là hàm 'wrapper', đóng một vai trò quan trọng ở đây. Nó được dùng để thực thi tính năng đóng gói, do đó tự ẩn mình khỏi phạm vi toàn cục.

# decorator function to capitalize names
def names_decorator(function):
   def wrapper(arg1, arg2):
      arg1 = arg1.capitalize()
      arg2 = arg2.capitalize()
      string_hello = function(arg1, arg2)
      return string_hello
   return wrapper
@names_decorator
def say_hello(name1, name2):
   return 'Hello ' + name1 + '! Hello ' + name2 + '!'
say_hello('sara', 'ansh')   # output => 'Hello Sara! Hello Ansh!'

22. Dict và List comprehensions trong Python?

Python comprehensions, giống như decorator, chúng là những cấu trúc cú pháp tuyệt vời cho xây dựng một list, dictionaries hay set có thể chỉnh sửa và chọn lọc. Sử dụng comprehensions giúp tiết kiệm thời gian và code trở nên rõ ràng hơn. Ta có các ví dụ sau đây:

• Thực hiện phép toán trên một list:

my_list = [2, 3, 5, 7, 11]
squared_list = [x**2 for x in my_list]    # list comprehension
# output => [4 , 9 , 25 , 49 , 121]
squared_dict = {x:x**2 for x in my_list}    # dict comprehension
# output => {11: 121, 2: 4 , 3: 9 , 5: 25 , 7: 49}

• Thực hiện lọc theo điều kiện trên một list:

my_list = [2, 3, 5, 7, 11]
squared_list = [x**2 for x in my_list if x%2 != 0]    # list comprehension
# output => [9 , 25 , 49 , 121]
squared_dict = {x:x**2 for x in my_list if x%2 != 0}    # dict comprehension
# output => {11: 121, 3: 9 , 5: 25 , 7: 49}

• Kết hợp nhiều list thành một:

a = [1, 2, 3]
b = [7, 8, 9]
[(x + y) for (x,y) in zip(a,b)]  # parallel iterators
# output => [8, 10, 12]
[(x,y) for x in a for y in b]    # nested iterators
# output => [(1, 7), (1, 8), (1, 9), (2, 7), (2, 8), (2, 9), (3, 7), (3, 8), (3, 9)]

• Làm phẳng list đa chiều:

my_list = [[10,20,30],[40,50,60],[70,80,90]]
flattened = [x for temp in my_list for x in temp]
# output => [10, 20, 30, 40, 50, 60, 70, 80, 90]

23. Lambda trong Python?

Lambda là một hàm ẩn danh trong Python, có thể chấp nhận bất kỳ số lượng đối số nào, nhưng chỉ có thể có một biểu thức duy nhất. Nó thường được sử dụng trong các tình huống yêu cầu một hàm ẩn danh trong một khoảng thời gian ngắn. Các hàm Lambda có thể được sử dụng theo một trong hai cách:

• Gán hàm lambda cho một biến:

mul = lambda a, b : a * b
print(mul(2, 5))    # output => 10

• Bộc hàm lambda trong một hàm khác:

def myWrapper(n):
   return lambda a : a * n
mulFive = myWrapper(5)
print(mulFive(2))    # output => 10

24. Sao chép đối tượng trong Python?

Trong Python, câu lệnh gán (toán tử =) không sao chép các đối tượng. Thay vào đó, nó tạo ra một ràng buộc giữa đối tượng hiện có và tên biến mục tiêu. Để tạo bản sao của một đối tượng bằng Python, chúng ta cần sử dụng module copy. Hơn nữa, có hai cách để tạo bản sao cho đối tượng đã cho bằng cách sử dụng module copy

• Shallow copy là một bản sao khôn ngoan của một đối tượng. Đối tượng được sao chép được tạo có bản sao chính xác của các giá trị trong đối tượng gốc. Nếu một trong hai giá trị là một tham chiếu đến các đối tượng khác, thì chỉ cần sao chép các địa chỉ tham chiếu cho cùng một.
• Deep copy sao chép tất cả các giá trị một cách đệ quy từ đối tượng nguồn sang đối tượng đích, tức là nó thậm chí sao chép các đối tượng được tham chiếu bởi đối tượng nguồn.

from copy import copy, deepcopy
list_1 = [1, 2, [3, 5], 4]
## shallow copy
list_2 = copy(list_1)
list_2[3] = 7
list_2[2].append(6)
list_2    # output => [1, 2, [3, 5, 6], 7]
list_1    # output => [1, 2, [3, 5, 6], 4]
## deep copy
list_3 = deepcopy(list_1)
list_3[3] = 8
list_3[2].append(7)
list_3    # output => [1, 2, [3, 5, 6, 7], 8]
list_1    # output => [1, 2, [3, 5, 6], 4]

25. Sự khác biệt giữa xrange và range trong Python?

xrange() và range() khá giống nhau về chức năng. Cả hai đều tạo một chuỗi số nguyên, với khác biệt duy nhất là range() trả về một list trong khi xrange() trả về một đối tượng xrange.

Bởi vì không giống như range(), xrange() không tạo ra một list tĩnh, nó tạo ra giá trị đang di chuyển. Kỹ thuật này thường được sử dụng với generator và được gọi là yielding.

Yielding là rất quan trọng trong các ứng dụng mà bộ nhớ là một hằng. Việc tạo list tĩnh như trong range() có thể dẫn đến Memory Error trong những điều kiện như vậy, trong khi xrange() có thể xử lý nó một cách tối ưu bằng cách sử dụng vừa đủ bộ nhớ cho generator (ít hơn đáng kể khi so sánh).

for i in xrange(10):    # numbers from o to 9
   print i       # output => 0 1 2 3 4 5 6 7 8 9
for i in xrange(1,10):    # numbers from 1 to 9
   print i       # output => 1 2 3 4 5 6 7 8 9
for i in xrange(1, 10, 2):    # skip by two for next
   print i       # output => 1 3 5 7 9

Lưu ý: xrange không được hỗ trợ ở Python3. Nên range được dùng giống như xrange ở Python2.

26. Pickling và unpickling là gì?

Thư viện Python cung cấp một tính năng - tuần tự hóa (serialization) ra khỏi hộp. Việc tuần tự hóa một đối tượng đề cập đến việc chuyển đổi nó thành một định dạng có thể được lưu trữ, để sau này có thể giải mã hóa đối tượng để lấy được đối tượng ban đầu. Ở đây, module pickle được dùng.

Pickling:

• Pickling là tên của quá trình tuần tự hóa trong Python. Bất kỳ đối tượng nào trong Python đều có thể được tuần tự hóa thành một luồng byte và được kết xuất dưới dạng file trong bộ nhớ. Quá trình pickling là nhỏ gọn nhưng các đối tượng pickle có thể được nén thêm. Hơn nữa, pickle theo dõi các đối tượng mà nó đã tuần tự hóa và việc tuần tự hóa có thể di động qua các phiên bản.
• Hàm dùng cho quá trình này là pickle.dump().

Unpickling:

• Unpickling là nghịch đảo hoàn toàn của pickling. Nó giải mã dòng byte để tạo lại các đối tượng được lưu trữ trong file và tải đối tượng vào bộ nhớ.
• Hàm dùng cho quá trình này là pickle.load().

Lưu ý: Python có một module tuần tự hóa khác, nguyên thủy hơn được gọi là marshall, tồn tại chủ yếu để hỗ trợ các file .pyc trong Python và khác biệt đáng kể với pickle.

27. Generator trong Python là gì?

Generator là hàm trả về một tập hợp mục có thể lặp lại, mỗi lần một mục, theo một cách nhất định. Nói chung, các generator được sử dụng để tạo các trình vòng lặp - iterator với một cách tiếp cận khác. Chúng sử dụng từ khóa yield thay vì quay lại để trả về một đối tượng generator.

Ví dụ generator với số fibonacci:

## generate fibonacci numbers upto n
def fib(n):
   p, q = 0, 1
   while(p < n):
       yield p
       p, q = q, p + q
x = fib(10)    # create generator object

## iterating using __next__(), for Python2, use next()
x.__next__()    # output => 0
x.__next__()    # output => 1
x.__next__()    # output => 1
x.__next__()    # output => 2
x.__next__()    # output => 3
x.__next__()    # output => 5
x.__next__()    # output => 8
x.__next__()    # error

## iterating using loop
for i in fib(10):
   print(i)    # output => 0 1 1 2 3 5 8

28. PYTHONPATH là gì?

PYTHONPATH là một biến môi trường mà bạn có thể đặt để thêm các thư mục bổ sung nơi Python sẽ tìm kiếm các module và package. Điều này đặc biệt hữu ích trong việc duy trì các thư viện Python mà bạn không muốn cài đặt ở vị trí mặc định chung.

29. Hàm help() và dir() để làm gì?

Hàm help() dùng để hiển thị tài liệu cho các module, class, function, keyword. Nó không có tham số truyền vào, dùng để hiển thị tiện ích tương tác trên console.

Hàm dir() trả về một danh sách các thuộc tính và phương thức hợp lệ của đối tượng mà nó được gọi. Nó hoạt động khác nhau với các đối tượng khác nhau nhằm mục đích tạo ra dữ liệu phù hợp nhất thay vì thông tin đầy đủ.

• Đối với các đối tượng module/thư viện, nó trả về danh sách tất cả các thuộc tính, có trong module đó.
• Đối với đối tượng lớp, nó trả về danh sách tất cả các thuộc tính hợp lệ và thuộc tính cơ sở.
• Không có đối số nào được truyền, nó trả về một danh sách các thuộc tính trong phạm vi hiện tại.

30. Sự khác biệt giữa .py và .pyc?

• Các file .py chứa mã nguồn của một chương trình. Trong khi đó, file .pyc chứa mã bytecode của chương trình của bạn. Chúng ta nhận được mã bytecode sau khi biên dịch file .py (mã nguồn). Các file .pyc không được tạo cho tất cả các file mà bạn chạy. Nó chỉ được tạo cho các file mà bạn nhập.
• Trước khi thực hiện một chương trình python, trình thông dịch python kiểm tra các file đã biên dịch. Nếu file có mặt, máy ảo sẽ thực thi file đó. Nếu không tìm thấy, nó sẽ kiểm tra file .py. Nếu được tìm thấy, hãy biên dịch nó thành file .pyc và sau đó máy ảo python thực thi nó.

Có file .pyc giúp bạn tiết kiệm thời gian biên dịch

31. Python được thông dịch?

• Python là một ngôn ngữ không được thông dịch hoặc biên dịch. Thông dịch hoặc biên dịch là thuộc tính của việc triển khai. Python là một bytecode (tập hợp các hướng dẫn có thể đọc được của trình thông dịch) được thông dịch chung.
• Mã nguồn là một file có phần mở rộng .py.
• Python biên dịch mã nguồn thành một tập hợp các hướng dẫn cho một máy ảo. Trình thông dịch Python là một triển khai của máy ảo đó. Định dạng trung gian này được gọi là "bytecode".
• Mã nguồn .py đầu tiên được biên dịch để cung cấp .pyc là mã bytecode. Bytecode này sau đó có thể được thông dịch bởi CPython chính thức hoặc JIT (trình biên dịch Just in Time) do PyPy biên dịch.

32. Truyền tham số bằng giá trị và bằng tham chiếu trong Python?

• Truyền bằng giá trị: Sao chép đối tượng thực được truyền. Thay đổi giá trị của đối tượng sao chép sẽ không ảnh hướng đến đối tượng gốc.
• Truyền bằng tham chiếu: Tham chiếu đến đối tượng thực được truyền. Thay đổi giá trị ở đối tượng mới sẽ thay đổi cả giá trị ở đối tượng gốc.

def appendNumber(arr):
   arr.append(4)
arr = [1, 2, 3]
print(arr)  #Output: => [1, 2, 3]
appendNumber(arr)
print(arr)  #Output: => [1, 2, 3, 4]

33. Iterator trong Python?

• Một iterator là một đối tượng.
• Nó nhớ trạng thái của nó, tức là nó đang ở đâu trong vòng lặp (xem đoạn code bên dưới).
• Phương thức __iter__() khởi tạo một iterator.
• Nó có phương thứ __next__() để trả về mục tiếp theo trong lần lặp và trỏ đến phần tử tiếp theo. Khi đến cuối đối tượng có thể lặp lại __next__() trả về StopIteration exception
• Nó có thể tự lặp lại.
• Iterator là một đối tượng mà chúng ta có thể lặp qua đối tượng như list, string,..

class ArrayList:
   def __init__(self, number_list):
      self.numbers = number_list
   def __iter__(self):
      self.pos = 0
      return self
   def __next__(self):
      if(self.pos < len(self.numbers)):
         self.pos += 1
         return self.numbers[self.pos - 1]
      else:
         raise StopIteration
array_obj = ArrayList([1, 2, 3])
it = iter(array_obj)
print(next(it)) #output: 2
print(next(it)) #output: 3
print(next(it))
#Throws Exception
#Traceback (most recent call last):
#...
#StopIteration

34. Cách xoá một file trong Python?

Ta có thể dùng lệnh os.remove(file_name):

import os
os.remove("ChangedFile.csv")
print("File Removed!")

35. Giải thích hàm split() và join() trong Python?

• Bạn có thể dùng hàm split() để tách chuỗi dựa trên một dấu phân cách trong list của chuỗi.
• Bạn có thể dùng hàm join() để kết hợp một list của chuỗi dựa trên khoảng cách đựa cho từ chuỗi đơn.

string = "This is a string."
string_list = string.split(' ') #delimiter is ‘space’ character or ‘ ‘
print(string_list) #output: ['This', 'is', 'a', 'string.']
print(' '.join(string_list)) #output: This is a string.

36. *args và *kwargs là gì?

*args

• *args là cú pháp đặc biệt dùng trong hàm để xác định độ dài biến tham số được truyền vào.
• "*" nghĩa là độ dài biến và "args" là tên dùng theo quy ước.

def multiply(a, b, *argv):
   mul = a * b
   for num in argv:
      mul *= num
   return mul
print(multiply(1, 2, 3, 4, 5)) #output: 120

*kwargs

• *kwargs là cú pháp đặc biệt trong hàm để xác định độ dài biến tham số có từ khoá.
• Ở đâu "kwargs" được dùng theo quy ước.
• Đối số có từ khóa có nghĩa là một biến có tên khi được truyền cho một hàm.
• Nó thực sự là một dictionary về tên biến và giá trị của nó.

def tellArguments(**kwargs):
   for key, value in kwargs.items():
      print(key + ": " + value)
tellArguments(arg1 = "argument 1", arg2 = "argument 2", arg3 = "argument 3")
#output:
# arg1: argument 1
# arg2: argument 2
# arg3: argument 3

37. Chỉ mục âm là gì và cách sử dụng?

• Chỉ mục âm là chỉ mục tính từ phía cuối của list, tuple hoặc string.
• Arr[-1] nghĩa là phần tử cuối cùng của mảng Arr[].

arr = [1, 2, 3, 4, 5, 6]
#get the last element
print(arr[-1]) #output 6
#get the second last element
print(arr[-2]) #output 5

III. Câu hỏi phỏng vấn về Numpy

Numpy là một thư viện lõi phục vụ cho khoa học máy tính của Python, hỗ trợ cho việc tính toán các mảng nhiều chiều, có kích thước lớn với các hàm đã được tối ưu áp dụng lên các mảng nhiều chiều đó. Numpy đặc biệt hữu ích khi thực hiện các hàm liên quan tới đại số tuyến tính.

1. NumPy là gì?

NumPy là một trong những thư viện phổ biến nhất, dễ sử dụng, đa năng, mã nguồn mở, dựa trên Python, mục đích chung được sử dụng để xử lý mảng. NumPy là viết tắt của Numerical PYthon. Điều này rất nổi tiếng với các công cụ được tối ưu hóa cao mang lại hiệu suất cao và tính năng xử lý mảng N-Dimensional mạnh mẽ được thiết kế rõ ràng để hoạt động trên các mảng phức tạp.

Do tính phổ biến và hiệu suất mạnh mẽ và tính linh hoạt của nó để thực hiện các phép toán khác nhau như phép toán lượng giác, tính toán đại số và thống kê, nó được sử dụng phổ biến nhất để thực hiện các phép tính khoa học và các chức năng phát sóng khác nhau. Hình ảnh sau đây cho thấy các ứng dụng của NumPy:

Các ứng dụng:

• Các thuật toán
• Broadcast
• Phép tính trên bit
• Xếp chồng
• Phép tính ma trận
• Tìm kiếm và sắp xếp
• Phép tính số học
• Sao chép và xam mảng
• Thống kê
• Đại số tuyến tính

2. Ưu điểm của mảng trong Numpy so với list trong Python?

Cấu trúc dữ liệu list của python rất hiệu quả và có khả năng thực hiện nhiều chức năng khác nhau. Tuy nhiên, chúng có những hạn chế nghiêm trọng khi nói đến việc tính toán vector như phép nhân hay phép cộng. List cũng yêu cầu thông tin liên quan đến kiểu của mọi phần tử dẫn đến chi phí code điều phối được thực thi mỗi khi bất kỳ thao tác nào được thực hiện trên bất kỳ phần tử nào. Với Numpy nó khắc phục tất cả hạn chế trên.

Ngoài ra, khi kích thước của các mảng NumPy tăng lên, NumPy trở nên nhanh hơn khoảng 30 lần so với list Python. Điều này là do các mảng Numpy được đóng gói dày đặc trong bộ nhớ do bản chất đồng nhất của chúng. Điều này đảm bảo việc giải phóng bộ nhớ cũng nhanh hơn.

3. Tạo mảng 1D, 2D và 3D?

Tạo mảng 1D

import numpy as np
one_dimensional_list = [1,2,4]
one_dimensional_arr = np.array(one_dimensional_list)
print("1D array is : ",one_dimensional_arr)

Tạo mảng 2D

import numpy as np
two_dimensional_list=[[1,2,3],[4,5,6]]
two_dimensional_arr = np.array(two_dimensional_list)
print("2D array is : ",two_dimensional_arr)

Tạo mảng 3D

import numpy as np
three_dimensional_list=[[[1,2,3],[4,5,6],[7,8,9]]]
three_dimensional_arr = np.array(three_dimensional_list)
print("3D array is : ",three_dimensional_arr)

Tạo mảng ND: Có thể thực hiện với thuộc tính ndmin. Ví dụ minh hoạ các tạo mảng 6D:

import numpy as np
ndArray = np.array([1, 2, 3, 4], ndmin=6)
print(ndArray)
print('Dimensions of array:', ndArray.ndim)

4. Cho một mảng numpy và một cột mới làm input. Làm thế nào để xóa cột thứ hai và thay thế cột bằng một giá trị cột mới?

Ví dụ:

Cho mảng

[
    [35 53 63]
    [72 12 22]
    [43 84 56]
]

Giá trị cột mới.

[
    20
    30
    40
]

Giải pháp:

import NumPy as np
#inputs
inputArray = np.array([[35,53,63],[72,12,22],[43,84,56]])
new_col = np.array([[20,30,40]])
# delete 2nd column
arr = np.delete(sampleArray , 1, axis = 1)
#insert new_col to array
arr = np.insert(arr , 1, new_col, axis = 1)
print (arr)

5. Load dữ liệu từ file text như thế nào?

Ta có thể sử dụng phương thức numpy.loadtxt() có thể tự động đọc các dòng header và footer của file và các comment nếu có.

Phương pháp này có hiệu quả cao và ngay cả khi phương pháp này kém hiệu quả hơn, thì dữ liệu nên được biểu diễn ở định dạng hiệu quả hơn như CSV, v.v. Có thể xem xét các lựa chọn thay thế khác nhau tùy thuộc vào phiên bản NumPy được sử dụng.

Sau đây là các định dạng file được hỗ trợ:

• File text: những file này rất lớn, chậm nhưng có thể di động và con người có thể đọc được.
• Raw binary: file này không có bất kỳ metadata nào và không thể di động. Nhưng nó rất nhanh.
• Pickle: là các borderline chậm và di động nhưng phụ thuộc vào phiên bản NumPy.
• HDF5: còn gọi là định dạng High-Powered Kitchen Sink hỗ trợ cả định dạng PyTables và h5py.
• .npy: là định dạng dữ liệu nhị phân gốc của NumPy, cực kỳ đơn giản, hiệu quả và di động.

6. Cách đọc dữ liệu CSV trong NumPy?

Có thể thực hiện bằng phương thức genfromtxt()

from numpy import genfromtxt
csv_data = genfromtxt('sample_file.csv', delimiter=',')

7. Sắp xếp mảng dựa trên cột thứ N?

Ví dụ mảng arr.

arr = np.array([[8, 3, 2],
        [3, 6, 5],
        [6, 1, 4]])

Ta cần sắp xếp hàm theo cột thứ hai để có kết quả như sau:

[[6, 1, 4],
[8, 3, 2],
[3, 6, 5]]

Giải pháp: Sử dụng phương thức sort()

import numpy as np
arr = np.array([[8, 3, 2],
        [3, 6, 5],
        [6, 1, 4]])
#sort the array using np.sort
arr = np.sort(arr.view('i8,i8,i8'),
       order=['f1'],
       axis=0).view(np.int)

Ta cũng có thể thực hiện sắp xếp tại chỗ như sau:

arr.view('i8,i8,i8').sort(order=['f1'], axis=0)

8. Tìm giá trị gần nhất trong một mảng numpy như thế nào?

Ta sử dụng phương thức argmin() như sau:

import numpy as np
def find_nearest_value(arr, value):
    arr = np.asarray(arr)
    idx = (np.abs(arr - value)).argmin()
    return arr[idx]
#Driver code
arr = np.array([ 0.21169,  0.61391, 0.6341, 0.0131, 0.16541,  0.5645,  0.5742])
value = 0.52
print(find_nearest_value(arr, value)) # Prints 0.5645

9. Cách đảo ngược mảng trong NumPy chỉ với một dòng?

reversed_array = arr[::-1]

Trong đó, arr là mảng đầu vào ban đầu, reverse_array là kết quả sau khi tất cả phần tử được đảo ngược.

10. Cách tìm hình dạng của bất kỳ mảng nào trong NumPy?

Chúng ta có thể sử dụng thuộc tính shape của mảng numpy để tìm hình dạng. Nó trả về hình dạng của mảng về số lượng hàng và số cột của mảng.

import numpy as np
arr_two_dim = np.array([("x1","x2", "x3","x4"),
             ("x5","x6", "x7","x8" )])
arr_one_dim = np.array([3,2,4,5,6])
# find and print shape
print("2-D Array Shape: ", arr_two_dim.shape)
print("1-D Array Shape: ", arr_one_dim.shape)

Kết quả:

2-D Array Shape:  (2, 4)
1-D Array Shape:  (5,)

IV. Câu hỏi phỏng vấn về Pandas

Pandas là một thư viện mã nguồn mở được phát triển bởi Wes McKinney vào năm 2008. Pandas được sử dụng chủ yếu để thao tác, phân tích và dọn dẹp dữ liệu. Pandas cung cấp rất nhiều cấu trúc dữ liệu cũng như các phép tính hỗ trợ thao tác dữ liệu số và dữ liệu thời gian(time series). Pandas nhanh, mạnh và hiệu quả.

Cái tên Pandas có nguồn gốc là Panel Data. Pandas hữu ích cho 5 thao tác chính với phân tích dữ liệu - Tải dữ liệu, quản lý, chuẩn bị, mô hình và phân tích dữ liệu.

1. Dataframe trong Pandas là gì?

Một dataframe là một cấu trúc bảng có thể thay đổi dùng cho biểu diễn dữ liệu được gắn nhãn với các trục - hàng và cột.

Cú pháp tạo dataframe

import pandas as pd
dataframe = pd.DataFrame(data, index, columns, dtype)

Trong đó:

• data: biểu diễn các định dạng khác nhau như map, list, ndarray, series,...
• index: tham số tuỳ chọn dùng để biểu diễn một chỉ mục đến nhãn hàng.
• columns: tham số tuỳ chọn cho nhãn cột.
• dtype: kiểu dữ liệu cho từng cột. Cũng là tuỳ chọn.

2. Kết hợp các dataframe khác nhau như thế nào?

Dataframe có thể kết hợp bằng các cách như sau:

• Phương thức append(): Phương thức này được sử dụng để xếp chồng các dataframe theo chiều ngang.

df1.append(df2)

• Phương thức concat(): Phương thức này được sử dụng để xếp chồng các khung dữ liệu theo chiều dọc. Nó hữu ích khi các dataframe có cùng cột và trường giống nhau.

pd.concat([df1, df2])

• Phương thức join(): Phương thức này dùng cho trích xuất dữ liệu từ dataframe khác có nhiều hơn một cột chung.

df1.join(df2)

3. Có thể tạo một serie từ một đối tượng dictionary trong Pandas không?

Mảng một chiều có thể lưu trữ các kiểu dữ liệu khác nhau được gọi là một serie. Ta có thể tạo serie từ một đối tượng dictionary trong Pandas như sau:

import pandas as pd
dict_info = {'key1' : 2.0, 'key2' : 3.1, 'key3' : 2.2}
series_obj = pd.Series(dict_info)
print (series_obj)

Kết quả:

x     2.0
y     3.1
z     2.2
dtype: float64

Nếu một chỉ mục không được chỉ định trong phương thức input, thì các khoá của dictionary được sắp xếp theo thứ tự tăng dần để tạo chỉ mục. Trong trường hợp chỉ mục được truyền vào, thì các giá trị của nhãn chỉ mục sẽ được trích xuất từ dictionary.

4. Cách xác định và xử lý giá trị bị mất trong dataframe?

Ta có thể xác định nếu một dataframe mất dữ liệu bằng cách dùng phương thức isnull() và isna().

missing_data_count=df.isnull().sum()

Ta có thể xử lý dữ liệu bị mất bằng cách thay giá trị trong cột với 0:

df['column_name'].fillna(0)

Hoặc thay thế với giá trị trung bình của cột

df['column_name'] = df['column_name'].fillna((df['column_name'].mean()))

5. Reindexing trong Pandas là gì?

Reindexing là quá trình điều chỉnh dataframe thành một chỉ mục mới với logic điền tuỳ chọn. Nếu các giá trị bị thiếu trong chỉ mục trước, thì NaN/NA được đặt vào vị trí. Một đối tượng mới được trả về trừ khi chỉ mục mới được tạo ra tương đương với chỉ mục hiện tại. Giá trị sao chép được đặt thành False. Điều này cũng được sử dụng để thay đổi chỉ mục của các hàng và cột trong dataframe.

6. Cách thêm cột vào dataframe?

import pandas as pd
data_info = {'first' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),
       'second' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}

df = pd.DataFrame(data_info)
#To add new column third
df['third']=pd.Series([10,20,30],index=['a','b','c'])
print (df)
#To add new column fourth
df['fourth']=df['first']+info['third']
print (df)

7. Các xoá chỉ mục, hàng và cột khỏi dataframe?

Để xoá mục

• Thực thi del df.index.name cho xoá chỉ mục bằng tên.
• Hoặc gán df.index.name với None.

Ví dụ ta có dataframe:

                Column 1
    Names
    John               1
    Jack               2
    Judy               3
    Jim                4

Để xoá chỉ mục tên "Names":

df.index.name = None
# Or run the below:
# del df.index.name
print(df)

Kết quả

        Column 1
John          1
Jack          2
Judy          3
Jim           4

Để xoá hàng/cột

• Phương thức drop() được dùng để xoá hàng/cột khỏi dataframe.
• Đối số trục được truyền cho phương thức drop trong đó nếu giá trị là 0, nó chỉ ra là xóa một hàng còn nếu là 1, nó phải xoá cột.
• Ngoài ra, chúng ta có thể xóa các hàng/cột tại chỗ bằng cách đặt giá trị inplace thành True. Điều này đảm bảo rằng công việc được hoàn thành mà không cần phải phân công lại.
• Có thể xóa các giá trị trùng lặp từ hàng/cột bằng cách sử dụng phương thức drop_duplicates().

8. Có thể lấy mục từ serie A mà không ảnh hưởng đến serie B?

Điều này có thể thực hiện bằng cách sử dụng phương thức ~ (ký hiệu phủ định) và isin() như dưới đây.

import pandas as pd
df1 = pd.Series([2, 4, 8, 10, 12])
df2 = pd.Series([8, 12, 10, 15, 16])
df1=df1[~df1.isin(df2)]
print(df1)

Kết quả:

Output:
0    2
1    4
dtype: int64

9. Có thể lấy phần không trùng của serie A và B hay không?

Chúng ta có thể thực hiện được điều này bằng cách thực hiện kết hợp cả hai serie, rồi lấy giao điểm của cả hai serie. Sau đó, chúng ta tiếp cận để lấy các mục của phần kết hợp mà không có trong danh sách giao điểm.

Code minh hoạ như sau:

import pandas as pd
import numpy as np
df1 = pd.Series([2, 4, 5, 8, 10])
df2 = pd.Series([8, 10, 13, 15, 17])
p_union = pd.Series(np.union1d(df1, df2))  # union of series
p_intersect = pd.Series(np.intersect1d(df1, df2))  # intersection of series
unique_elements = p_union[~p_union.isin(p_intersect)]
print(unique_elements)

Kết quả:

0     2
1     4
2     5
5    13
6    15
7    17
dtype: int64

10. Trong khi import dữ liệu từ các nguồn khác nhau, có thể xác định ngày tháng hay không?

Có, nhưng với một số trợ giúp. Chúng ta cần thêm đối số parse_dates trong khi đang đọc dữ liệu từ các nguồn. Hãy xem xét một ví dụ trong đó ta đọc dữ liệu từ file CSV, ta có thể gặp các định dạng ngày giờ khác nhau mà thư viện Pandas không thể đọc được. Trong trường hợp này, Pandas cung cấp sự linh hoạt để xây dựng trình phân tích cú pháp ngày tùy chỉnh với sự trợ giúp của các hàm lambda như bên dưới:

import pandas as pd
from datetime import datetime
dateparser = lambda date_val: datetime.strptime(date_val, '%Y-%m-%d %H:%M:%S')
df = pd.read_csv("some_file.csv", parse_dates=['datetime_column'], date_parser=dateparser)

V. Tài liệu tham khảo

Tài liệu được tham khảo từ các nguồn sau:

• fullstack-interviews
• Interviewbit