前言

以下為個(gè)人理解，未必正確。歡迎大家討論和指正。

操作題目

1、如何查看python已安裝的第三方庫(kù)（有兩種方法）

1.在cmd下輸入pip list回車
2.打開ANACONDA NAVIGATOR，選擇左邊的environments。之后在右邊選擇installed即可看到所有安裝的庫(kù)。（我的python是安裝anaconda的時(shí)候自帶的，第一次用的時(shí)候是這個(gè)方法查看安裝了哪些庫(kù)）

2、Mysql特定版本 group by 后用 * 出錯(cuò) ，報(bào)錯(cuò)出現(xiàn) Error 1055 應(yīng)如何解決

沒遇到過，不知道怎么解決。

Mysql

1、語句效率，子查詢與連接后哪種效率更高？為什么？請(qǐng)寫出具體例子。（以經(jīng)典45道題為例）

連接查詢效率更高。
因?yàn)樽硬樵兪紫纫M(jìn)行一次查詢，之后再以這次查詢的結(jié)果作為條件進(jìn)行查詢。這就已經(jīng)比連接方法多一次查詢了。其次，子查詢要?jiǎng)?chuàng)建一個(gè)臨時(shí)表，會(huì)對(duì)性能產(chǎn)生影響。

以45題中的3.查詢?cè)?SC 表存在成績(jī)的學(xué)生信息為例
連接查詢：

select b.*
from sc a
left join student b
on a.sid = b.sid
group by b.sid;

子查詢：

select *
from student
where sid in (select sid from sc);

2、left join 后的 on 條件1 and 條件2，與left join 后的 on 條件1 where 條件2，有什么區(qū)別？

這個(gè)題目的關(guān)鍵在于兩點(diǎn)，第一left join會(huì)保留左表全部?jī)?nèi)容（也就是說右邊可能會(huì)產(chǎn)生null值），第二where篩選和連接的執(zhí)行順序（先join連接，再where篩選）。

對(duì)于left join 后的 on 條件1 and 條件2，因?yàn)槭莑eft join，所以左表全部?jī)?nèi)容都會(huì)顯示，右表能匹配上的內(nèi)容會(huì)匹配上并且顯示出來，匹配不上的部分會(huì)顯示null。這時(shí)候是單純的連接，沒有進(jìn)行where篩選，所以最后一條會(huì)有一個(gè)null值。

對(duì)于left join 后的 on 條件1 where 條件2，這時(shí)候是先執(zhí)行l(wèi)eft join連接再執(zhí)行where篩選。在執(zhí)行l(wèi)eft join的時(shí)候，因?yàn)橹挥袟l件1的限制而沒有where篩選的限制，右邊null值一樣會(huì)顯示。但是加上where條件2語句對(duì)前面的表進(jìn)行篩選的時(shí)候，只會(huì)保留符合where條件2的內(nèi)容，所以這時(shí)候右邊的null值因?yàn)椴环蠗l件2會(huì)被剔除。這時(shí)候的結(jié)果與第一種情況不同，是不包含null值的。

如果這個(gè)題目是inner join，那么兩種操作方式結(jié)果是一樣的，因?yàn)椴淮嬖趎ull值。

Python

一、存在一份生成的數(shù)據(jù)

dates = pd.date_range('20130101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))

image.png

問題：
1、該生成的數(shù)據(jù)索引列的格式類型是什么？（直接回答）
2、有哪些方式可以查看數(shù)據(jù)類型？
3、如何查看索引的數(shù)據(jù)類型？
4、df.loc[‘2013-01-01’] 可以取出對(duì)應(yīng)第一條數(shù)據(jù)嗎？
5、如果想要同時(shí)取 第一行和第三行數(shù)據(jù)，應(yīng)該如何處理？

回答：
1、索引列的格式為DatetimeIndex，數(shù)據(jù)格式為datetime64。
2、整體格式：type()。內(nèi)部數(shù)據(jù)類型：.info()，.dtypes。
3、df.index
4、可以
5、

from datetime import datetime
df.loc[[datetime.strptime('2013-01-01', '%Y-%m-%d'),datetime.strptime('2013-01-03', '%Y-%m-%d')]]

或者

df.iloc[[0,2]]

二、apply、applymap、map的區(qū)別是什么？適用場(chǎng)景是什么？請(qǐng)以上述數(shù)據(jù)搭配函數(shù)舉例試驗(yàn)。

apply，applymap和map的主要區(qū)別在兩點(diǎn)，第一個(gè)是適用的對(duì)象，第二個(gè)是產(chǎn)生作用的范圍。
具體說明如下：

· apply：可應(yīng)用于Series（對(duì)象）和DataFrame（對(duì)象）。應(yīng)用于Series時(shí)會(huì)對(duì)Series中的每一個(gè)元素（范圍）產(chǎn)生效果。應(yīng)用于DataFrame時(shí)，會(huì)應(yīng)用于DataFrame的每一行或者每一列（范圍）。此時(shí)，如果axis=0（默認(rèn)），則會(huì)把每一列（其實(shí)是一個(gè)Series）作為參數(shù)傳入apply里的函數(shù)。如果，如果axis=1，則會(huì)把每一行（其實(shí)是一個(gè)Series）作為參數(shù)傳入apply里的函數(shù)。
需要注意的是，返回每一個(gè)結(jié)果會(huì)組成一個(gè)Series，要特別注意這個(gè)Series的索引。如果是axis=0，即按列傳入，返回的Series會(huì)是原本Dataframe的列名。如果axis=1，即按行傳入，返回的Series會(huì)是原本Dataframe的行標(biāo)簽。

· map：應(yīng)用在單獨(dú)一個(gè)Series（對(duì)象）的每個(gè)元素中（范圍）

· applymap：應(yīng)用在DataFrame（對(duì)象）的每個(gè)元素中（范圍）

以下為搭配函數(shù)舉例：

dates = pd.date_range('20130101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))

image.png

Apply應(yīng)用于Series:

用于單獨(dú)一行的情況（單獨(dú)一行為Series對(duì)象）

df.loc['2013-01-01'].apply(lambda x:x+1)

image.png

用于單獨(dú)一列的情況（單獨(dú)一列也為Series對(duì)象）

df.A.apply(lambda x:x+1)

image.png

Apply應(yīng)用于DataFrame:

df.apply(max)

image.png

df.apply(lambda x:x+1)

image.png

Map用于Series：

df.loc['2013-01-01'].map(lambda x:x+1)

image.png

df.A.map(lambda x:x+1)

image.png

Applymap用于DataFrame：

df.applymap(lambda x:x+1)

image.png

通過以上分析，代碼及運(yùn)行結(jié)果，有以下結(jié)論：

1.首先明確一個(gè)觀點(diǎn)，DataFrame中的單獨(dú)一行或者單獨(dú)一列是一個(gè)Series。
2.因此，在Apply應(yīng)用于DataFrame單獨(dú)一行或者單獨(dú)一列時(shí)，其實(shí)是應(yīng)用于一個(gè)Series。此時(shí)，Apply和Map的效果是一樣的。df.loc['2013-01-01'].apply(lambda x:x+1)和df.loc['2013-01-01'].map(lambda x:x+1)運(yùn)行結(jié)果相同。df.A.apply(lambda x:x+1)和df.A.map(lambda x:x+1)運(yùn)行結(jié)果也相同。
3.但是如果Apply是直接對(duì)應(yīng)整個(gè)DataFrame發(fā)生作用，即對(duì)每一行或者每一列發(fā)生作用，那么結(jié)果與map不同。df.apply(lambda x:x+1)與df.A.map(lambda x:x+1)不同。
4.Apply作用于整個(gè)DataFrame時(shí)，有些情況下結(jié)果與Applymap相同，需要視具體傳遞的函數(shù)決定。df.apply(lambda x:x+1)與df.applymap(lambda x:x+1)結(jié)果相同，因?yàn)榍罢邔?duì)每一列的每一個(gè)元素+1，后者是對(duì)全部元素+1，從結(jié)果來看是等價(jià)的。但是df.apply(max)是特殊的，它針對(duì)DataFrame的每一列返回每一列的最大值，這個(gè)是Applymap不具備的。