Excel、SQL、Python 面试必备技巧详解
在数据分析领域，掌握常用工具和技巧是求职面试中的必备能力。本文将从Excel、SQL和Python三个方面，为你详细介绍一些常见的数据处理方法和技巧，帮助你在面试中更好地展示自己的能力。
一、Excel 数据处理技巧
1. 提取指定字符内容
在Excel中，提取包含字母和数字的文本是常见的数据处理需求。假设我们需要从商品编号或销售单号中提取字母和数字，以下是具体步骤：
提取货号中的字母：
使用Excel的文本函数，可以通过公式提取货号中的字母部分。你可以结合MID、FIND、LEN等函数，精准定位并提取字母。
提取货号中的数字：
对于数字的提取，可以使用类似的方法，先定位到数字部分，然后提取出来。
提取单号中的字母和数字：
方法与上述相同，可以分开提取字母和数字，或者通过正则表达式等高级功能进行更复杂的提取操作。
2. Excel 数据逆
数据逆的操作可以帮助你将横向的数据转换为纵向的格式。假设你有一组横向排列的销售数据，你想将它们转换为适合汇总分析的纵向格式。具体步骤如下：
选中你想转换的数据区域，点击Excel的“数据”选项卡。
在“获取与转换”中，选择“从表格”功能，并创建一个表。
在“主页”选项卡中，选择“使用第一行作为标题”。
然后，按住Ctrl键，选择不需要逆的列，并点击“逆其他列”。
处理完毕后，可以将数据通过“关闭并加载”功能加载到新的工作表中。
3. Excel 数据分组合并
如果你需要对数据进行分组并进行合并（例如按产品类别分组求和），你可以通过以下步骤进行操作：
选择需要分组的数据区域，点击“数据”选项卡。
在“获取与转换”中选择“从表格”并创建表格。
在“转换”选项卡中，选择分组依据，设定分组类别为“产品类别”，合并操作选择“求和”。
使用Text.Combine函数替换List.Sum，完成分组并合并操作。
通过以上操作，你可以将复杂的表格数据，按产品类别合并并求和，最后通过“关闭并加载”将结果输出到新的工作表中。
二、SQL 查询优化技巧
1. SQL 执行顺序
与许多编程语言按照顺序执行代码不同，SQL语句有其独特的执行顺序。理解SQL的执行顺序对于优化查询非常重要。以下是SQL的执行顺序：
FROM子句： 首先执行，从数据表中获取数据。
WHERE子句： 根据条件筛选数据。
GROUP BY子句： 对数据进行分组。
HING子句： 进一步过滤分组后的数据。
SELECT子句： 选择需要的列。
ORDER BY子句： 排序结果。
每个步骤都会生成一个临时的虚拟表，这些虚拟表会作为下一步操作的输入，最终得到查询的结果。
2. 计算用户的平均次日留存率
计算用户的次日留存率是很多数据分析中的常见需求。你可以使用DATE_ADD函数计算次日日期，并通过DISTINCT关键字去重设备ID与日期的组合。接下来，通过左连接（LEFT JOIN）将用户的实际答题日期与次日日期对接，若没有匹配的记录，右侧为NULL，最后通过COUNT函数计算符合条件的次数。
三、Python 编程技巧
1. 批量合并同一文件夹下不同工作簿的数据
在处理大量数据时，合并来自多个文件的数据是常见需求。你可以使用以下方法批量合并同一文件夹下不同工作簿的数据：
方法一： 使用OS库遍历文件夹中的工作簿，加载每个文件的数据，并用concat函数将它们合并。
方法二： 创建一个空列表，跳过文件的表头，逐个导入数据并通过extend函数将它们添加到列表中，最后使用concat合并。
2. 批量合并不同工作簿中的不同Sheet表数据
对于包含多个Sheet表的工作簿，你可以使用openpyxl库来处理：
创建一个空表格，使用openpyxl库加载每个工作簿中的不同Sheet。
循环导入每个Sheet的数据，将它们合并为一个表格。
3. Python 数据拆分
如果你需要按品牌或其他字段拆分数据，可以通过以下步骤实现：
使用unique()函数获取需要拆分的字段的唯一值。
使用df.loc函数根据条件筛选数据。
将拆分后的数据导出为多个文件或进行其他处理。
4. 计算当前时间进度
可以利用Python的datetime库来计算当前时间的进度。例如，可以定义一个字典，将每个月的天数与月份对应，进而计算当前月份已经过的天数占总天数的比例，进而得出进度。
例如，本月已经完成35%的工作。
5. 计算数据的环比
环比（Month-over-Month Growth）计算是分析数据增长的常见方法。你可以使用numpy生成随机数数据，通过pct_change函数计算环比增长率，最后使用ap结合lambda函数将结果格式化为保留两位小数的百分比。
掌握以上Excel、SQL和Python的常见数据处理技巧，不仅可以帮助你在面试中脱颖而出，还能够在日常工作中提高数据分析的效率和精准度。希望这些实用技巧能为你提供帮助，祝你在数据分析的道路上越走越远！