本文是译文，可以转载，但需注明出处，点击这里可以获取原文，有删减。
本系列博文包含四篇文章：
【译】技能测试解决方案：Python中的数据科学（一）——Q1-Q15
【译】技能测试解决方案：Python中的数据科学（二）——Q16-Q30
【译】技能测试解决方案：Python中的数据科学（三）——Q31-Q45
【译】技能测试解决方案：Python中的数据科学（四）——A1-A45及其解释

A1:B

解释：“分类型”变量的数据类型为“object”。

A2:C

解释：函数“unique”可以找出指定变量不同的取值。

A3:C

解释：函数“isnull()”可以检验某个变量的每个取值是否是空值。在python2.7版本中，1和0分别表示True和False，因此，把它们加起来就是我们想要的结果。

A4:A

解释：“~”运算符为取反运算符。

A5:C

解释：如果打算删除5行或5行以上的变量， “dropna” 函数中 “thresh”参数应该设定为样本量减5。

A6:B

解释：解决方案分两步：

1. 构造一个映射字典；

2. 把这个映射字典应用于替代函数。

A7:D

解释：解决这个问题应注意：

1. “&”运算符可以实现提取复合布尔索引数据；

2. “Shape[0]”返回总样本量；

3. Python大小写敏感。

A8:D

解释：这是一个集合论的经典案例。

A9:B

解释：可以参考map与apply函数之间的区别。

A10:B

解释：（无）。

A11:B

解释：首先求出字符中的数字，再求数字的平均值。

A12:B

解释：列表中的最后一个元素，可以用“-1”作为索引。

A13:B

解释：首先用“Sex”变量对数据集进行分组，再用合适的值对缺失值进行填充。

A14:B

解释：（无）。

A15:B

解释：如前所述，布尔变量的True可以用1代替。

A16:C

解释：如果打算把布尔型变量值转换成整型，可以用“astyPE(int)”实现。

A17:C

解释：可以用pandas中的“names”参数来指定列名。

A18:B

解释：“category”数据类型是pandas新增特性。

A19:B

解释：在Pandas中可以通过“str”函数来获取字符串函数。

A20:B

解释：（无）。

A21:D

解释：“corr”函数中 “method”参数的默认值为“pearson”。

A22:B

解释：可以参考pivot_table函数和pivot函数的区别。

A23:C

解释：（无）。

A24:A

解释：（无）。

A25:B

解释：（无）。

A26:B

解释：（无）。

A27:B

解释：（无）。

A28:B

解释：（无）。

A29:A

解释：（无）。

A30:C

解释：（无）。

A31:C

解释：（无）。

A32:B

解释：（无）。

A33:D

解释：（无）。

A34:D

解释：（无）。

A35:B

解释：（无）。

A36:C

解释：（无）。

A37:B

解释：“axis=1”可以对列进行操作，而 “axis=0”则对行进行操作。

A38:C

解释：（无）。

A39:A

解释：（无）。

A40:B

解释：（无）。

A41:D

解释：（无）。

A42:C

解释：（无）。

A43:C

解释：（无）。

A44:A

解释：（无）。

A45:B

解释：（无）。

友情链接：
【译】技能测试解决方案：Python中的数据科学（一）——Q1-Q15
【译】技能测试解决方案：Python中的数据科学（二）——Q16-Q30
【译】技能测试解决方案：Python中的数据科学（三）——Q31-Q45