Python 面試：別只會背 Pandas！面試官想聽的是你的「價值」

技術面試不是功能清單大比拼，而是對「解決問題能力」的極速驗證。HR 與用人主管會在 7 秒內判斷你是否懂得聚焦，能否用正確的工具處理手上的難題。

與其把履歷或回答塞滿所有經歷，不如先用產品思維拆解：面試官手上的痛點是什麼？我要怎麼用最熟悉的程式庫，在 1 分鐘內講出行動與結果？

我是 Reskill Lab 的首席講師 Paul，過去帶領 Intel 與 Microsoft 團隊，也協助超過 1,000 位工程師完成履歷優化、面試模擬與職涯轉換。這篇文章將把課堂上的實戰框架濃縮給你。

Pandas 是 Python 世界裡處理表格資料的瑞士刀，擅長清理、轉換與彙總結構化資料（Excel、CSV、SQL）。在面試中，當你能夠自信地說「我會先用 Pandas 清理缺值、建立計算欄位，再用 groupby 聚焦指標」，面試官就會感受到你的專業節奏。

圖：Pandas 讓結構化資料清理流程更有章法。

為什麼 Pandas 在面試中重要？

• 資料清理能力：快速填補缺值、刪除重複與處理異常。
• 格式轉換：在 JSON、CSV、資料庫之間自由切換。
• 向量化運算：用幾行程式碼就能完成百萬筆資料的計算。

想像你手上有一份銷售報表，需要計算每種產品的總收入並挑出營收破萬的商品。Pandas 範例如下：

import pandas as pd

data = {
    'Product': ['A', 'B', 'C', 'A', 'B'],
    'Quantity': [10, 5, 8, 15, 12],
    'Price': [100, 200, 150, 100, 200]
}

df = pd.DataFrame(data)
df['Total Revenue'] = df['Quantity'] * df['Price']
filtered_df = df[df['Total Revenue'] > 10000]

print(filtered_df)

輸出

  Product  Quantity  Price  Total Revenue
1       B         5    200          10000
3       A        15    100          15000

面試應用技巧：

• 回答資料清理題時，先說明你如何用 DataFrame 管理欄位，再補充 groupby、pivot_table 等進階操作。
• 分享實際經驗：例如「我把 1200 萬筆交易資料讀入 Pandas，利用向量化計算把處理時間從 3 小時縮短到 12 分鐘」。

DataCamp：系統化練功的捷徑

DataCamp 提供互動式練習、專案作業與職涯路徑，陪你從基礎語法一路進階到資料分析與機器學習。

• 適合初學者：逐步拆解概念，搭配即時測驗。
• 互動練習：瀏覽器即可寫程式、跑測試。
• 完整職涯路徑：依照資料分析、資料工程等目標設計課程。

立刻學習（限時 5 折）

當題目轉向矩陣、統計與大量陣列時，NumPy 的 C 語言底層就能派上用場。它能在毫秒內完成純 Python 需要幾秒、甚至幾分鐘的運算。

圖：NumPy 善於處理多維陣列與線性代數。

為什麼 NumPy 是效率保證？

• 高效運算：底層使用 C 實作，速度遠勝原生 Python 迴圈。
• 多維資料：在 N 維陣列上執行統計、線性代數、亂數產生。
• 機器學習基礎：絕大多數 ML 套件都以 NumPy 陣列為底。

以下示範用 NumPy 完成矩陣相加與行、列總和，回答「如何快速統計大型矩陣特徵」類型的題目：

import numpy as np

matrix_a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
matrix_b = np.array([[9, 8, 7], [6, 5, 4], [3, 2, 1]])

matrix_sum = matrix_a + matrix_b
row_sum = matrix_sum.sum(axis=1)
col_sum = matrix_sum.sum(axis=0)

print(matrix_sum)
print('行總和:', row_sum)
print('列總和:', col_sum)

輸出

[[10 10 10]
 [10 10 10]
 [10 10 10]]
行總和: [30 30 30]
列總和: [30 30 30]

面試應用技巧：

• 主動比較「如果用純 Python 需要幾行／幾秒，改用 NumPy 省下多少時間」。
• 補充常用函式：np.dot、np.linalg.inv、np.random 等。

數據故事說得好，才能讓專案價值被看見。Matplotlib 讓折線圖、柱狀圖、散點圖都能迅速上線，是資料視覺化的基礎功。

圖：使用 Matplotlib 將銷售趨勢轉化為一目了然的圖表。

常見面試場景：

• 請你用圖表說明產品成長（折線圖）。
• 比較不同地區銷售（柱狀圖）。
• 展示特徵與標籤的相關性（散點圖）。

以下用 Matplotlib 畫出 6 個月的銷售趨勢：

import matplotlib.pyplot as plt

months = ['Jan', 'Feb', 'Mar', 'Apr', 'May', 'Jun']
sales = [250, 400, 300, 500, 700, 650]

plt.plot(months, sales, marker='o', linestyle='-', color='royalblue', label='Monthly Sales')
plt.title('銷售趨勢圖')
plt.xlabel('月份')
plt.ylabel('銷售額')
plt.legend()
plt.tight_layout()
plt.show()

輸出

一張清晰的折線圖，展示 6 個月的銷售走勢。

從預測房價、分類垃圾信到建立推薦系統，Scikit-learn 都能快速給你一個可運作的模型。它的 API 設計一致、模組化，讓你能把時間花在特徵工程與評估。

圖：Scikit-learn 內建的多款分類模型。

為什麼面試官愛問 Scikit-learn？

• 涵蓋回歸、分類、聚類、降維等主題。
• API 統一，迭代模型只需替換幾行程式碼。
• 內建交叉驗證、評估指標，可快速驗證假設。

範例 1：線性回歸預測房價

from sklearn.linear_model import LinearRegression
import numpy as np

X = np.array([[50, 2], [80, 3], [100, 4], [120, 5]])
y = np.array([200, 350, 500, 650])

model = LinearRegression()
model.fit(X, y)

new_house = np.array([[90, 3]])
predicted_price = model.predict(new_house)
print('預測房價：', predicted_price[0])

輸出

預測房價： 425.0

範例 2：邏輯回歸分類垃圾郵件

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

emails = [[0.5, 1], [0.7, 0], [0.1, 1], [0.9, 0], [0.4, 1]]
labels = [1, 0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(emails, labels, test_size=0.2, random_state=42)

model = LogisticRegression()
model.fit(X_train, y_train)

predictions = model.predict(X_test)
accuracy = accuracy_score(y_test, predictions)
print('準確率：', accuracy)

輸出

準確率： 1.0

面試應用技巧：

• 回答模型題時，先描述資料前處理，再說明你如何比較不同演算法與指標。
• 提到交叉驗證、混淆矩陣與特徵重要性，展現你不是只會呼叫 fit。

當面試考題延伸到系統設計或 API 設計，Flask 是最容易快速展示的微框架。幾行程式碼就能搭建 RESTful 服務，解釋你如何串聯資料與產品。

圖：Flask 輕量、可擴充，適合 Demo API 與原型。

面試官常見追問：

• 如何設計查詢或寫入資料的 API？
• 如何處理例外、驗證、資料序列化？
• 若要佈署成雲端服務，你會如何設計？

以下以庫存查詢 API 為例：

from flask import Flask, jsonify

app = Flask(__name__)
INVENTORY = {'apple': 50, 'banana': 30, 'orange': 20}

@app.route('/inventory/<item>', methods=['GET'])
def get_item_stock(item):
    stock = INVENTORY.get(item, 'Item not found')
    return jsonify({item: stock})

if __name__ == '__main__':
    app.run(debug=True)

輸出

# 啟動伺服器後，訪問 http://127.0.0.1:5000/inventory/apple
{"apple": 50}

面試應用技巧：

• 從路由設計、驗證到錯誤處理，說明你如何確保 API 穩定。
• 延伸描述佈署：Gunicorn + Docker、Cloud Run 或 AWS Lambda。

想獲得更多 Python 面試技巧、專案模板與案例解析: