Chuẩn bị cho cuộc phỏng vấn về khoa học dữ liệu bằng cách nghiên cứu danh sách đầy đủ các câu hỏi Python kèm theo câu trả lời. Bao gồm mã hóa cũng như các câu hỏi lý thuyết
Khoa học dữ liệu là một nghề nghiệp được trả lương cao và có ý nghĩa. Để tối đa hóa cơ hội thành công, các nhà khoa học dữ liệu duy trì một bộ kỹ năng phong phú như Python, SQL, R và các công cụ khác để làm việc trong các dự án khoa học dữ liệu
Một cách để cải thiện khả năng bạn đạt được công việc nhà khoa học dữ liệu là có kỹ năng kỹ thuật về khoa học dữ liệu theo yêu cầu như Python. Đây là một trong những ngôn ngữ lập trình chính được sử dụng cho khoa học dữ liệu vì nó đơn giản, dễ đọc và hỗ trợ các thư viện bên ngoài
Các nhà khoa học dữ liệu sử dụng Python để thống kê và tính toán. Nó được sử dụng rộng rãi cho Machine Learning, đặc biệt để viết các thuật toán phân tích tình cảm và Xử lý ngôn ngữ tự nhiên. Cũng có thể viết các thuật toán Python để phân tích hình ảnh y tế và giúp phát hiện và ngăn chặn gian lận
Python không phải là ngôn ngữ duy nhất được sử dụng cho khoa học dữ liệu. R là một ngôn ngữ lập trình phổ biến khác để làm việc với dữ liệu. Để tìm hiểu về sự khác biệt giữa Python và R, hãy đọc bài viết so sánh Python vs R cho Khoa học dữ liệu của chúng tôi
Python được coi là ngôn ngữ lập trình đơn giản nhưng lại có rất nhiều tính năng cần nhớ. Các thư viện hỗ trợ như gấu trúc có thể nâng cao hơn nữa khả năng của nó. Chúng tôi đã biên soạn một danh sách các câu hỏi phỏng vấn khoa học dữ liệu về python để giúp bạn ghi nhớ và thực hành mọi thứ bạn cần biết trước khi bước vào cuộc phỏng vấn
Câu hỏi phỏng vấn khoa học dữ liệu Python cơ bản
Hãy bắt đầu với những câu hỏi phỏng vấn về khoa học dữ liệu python đơn giản nhất. Người phỏng vấn sử dụng những câu hỏi này để đánh giá kiến thức của ứng viên về Python và khả năng viết mã của họ
Câu hỏi phỏng vấn khoa học dữ liệu Python không mã hóa
Viết mã Python là quan trọng, nhưng biết các nguyên tắc cơ bản của nó cũng quan trọng không kém. Thông thường các câu hỏi phỏng vấn là cơ bản. Ví dụ, các biến trong Python là gì và cách sử dụng chúng để phân tích dữ liệu
Cùng xem một số câu hỏi của ứng viên khi phỏng vấn thực tế
Câu hỏi 1. Cấu trúc dữ liệu trong Python
Câu hỏi phỏng vấn khoa học dữ liệu trăn này đã được hỏi trong cuộc phỏng vấn với Walmart. Câu trả lời dễ dàng là liệt kê các cấu trúc dữ liệu trong Python. danh sách, bộ, tuple, từ điển
Thật tuyệt nếu bạn có thể mô tả các đặc điểm và tính năng của từng cấu trúc dữ liệu và giải thích sự khác biệt giữa chúng. Ví dụ: một danh sách có thể chứa nhiều loại giá trị khác nhau và có thể bị thay đổi, trong khi các bộ dữ liệu là một cặp hai giá trị bất biến
Để có câu trả lời chi tiết, hãy xem phần 'Thảo luận về Giải pháp' của câu hỏi này trên StrataScratch. Liên kết được đưa ra ở trên
Câu hỏi 2. Sự khác biệt giữa được sắp xếp [somelist] và somelist. loại[]
Liên kết đến câu hỏi. https. //nền tảng. tầng lớp. com/kỹ thuật/2115-python-list
Câu hỏi này đến từ Đại hội đồng và nó là một chỉ báo tốt về kiến thức chuyên sâu về Python của ứng viên
Câu trả lời ngắn gọn là hàm sorted[list] dẫn đến một danh sách mới với các giá trị được sắp xếp, trong khi somelist. sort[] sắp xếp danh sách ban đầu tại chỗ, giữ nguyên danh tính của nó
Tham khảo phần 'Thảo luận về Giải pháp' của câu hỏi này trên nền tảng StrataScratch để biết chi tiết về sự khác biệt giữa hai chức năng
Câu hỏi số 3. Bộ nhớ được lưu trữ và truy xuất trong từ điển của Python
Liên kết đến câu hỏi. https. //nền tảng. tầng lớp. com/kỹ thuật/2091-python-từ điển
Từ điển trong Python lưu trữ thông tin dưới dạng cặp khóa-giá trị
person = { 'age': 24, 'firstName': 'George', 'lastName': 'Smith' }Chúng tôi có thể truy xuất giá trị của một khóa cụ thể bằng cách sử dụng dấu ngoặc vuông - người [tuổi], sẽ truy xuất giá trị của khóa 'tuổi'. Sẵn sàng trả lời những câu hỏi tương tự. Ví dụ: để giải thích cách hiểu từ điển trong Python
Để hiểu rõ hơn cách từ điển Python lưu trữ dữ liệu, hãy xem phần 'Thảo luận giải pháp' của câu hỏi này trên nền tảng StrataScratch
Câu hỏi số 4. Xác định các giá trị còn thiếu trong tập dữ liệu
Liên kết đến câu hỏi. https. //nền tảng. tầng lớp. com/kỹ thuật/2254-missing-values-in-data-set
Cách dễ nhất để xác định các giá trị bị thiếu là sử dụng df. isnull[] hoặc df. các hàm isna[], có sẵn cho các khung dữ liệu Pandas. Chúng ta có thể kiểm tra toàn bộ tập dữ liệu bằng lệnh df. không có giá trị. giá trị. hàm any[], trả về true nếu thiếu giá trị và false nếu không có
Để có câu trả lời chi tiết hơn, hãy xem phần 'Thảo luận về Giải pháp' trên nền tảng StrataScratch
Câu hỏi số 5. Tạo một vectơ được sắp xếp từ hai vectơ được sắp xếp
Liên kết đến câu hỏi. https. //nền tảng. tầng lớp. com/kỹ thuật/2104-sắp xếp-vector
Kinh nghiệm và kiến thức hiểu list trong Python có thể giúp bạn dễ dàng trả lời câu hỏi này
Đầu tiên, tạo một mảng mới với kích thước kết hợp của mảng thứ nhất và thứ hai. Sau đó viết một hàm duyệt đồng thời mảng_1 và mảng_2, xác định số nào nhỏ hơn từ hai mảng và thêm nó vào mảng mới. Và tiếp tục làm điều này cho đến khi kết thúc
Bạn có thể xem mã thực tế trên phần 'Thảo luận giải pháp' trên nền tảng StrataScratch
Mã hóa câu hỏi phỏng vấn khoa học dữ liệu Python
Trong quá trình phỏng vấn xin việc, các nhà khoa học dữ liệu đầy tham vọng cũng phải giải quyết các thách thức về mã hóa. Bạn nên làm quen với việc viết mã Python
Thực hiện theo các bước sau để dễ dàng giải quyết ngay cả những câu hỏi khó nhất
1. Hiểu câu hỏi
Trước khi trả lời câu hỏi, hãy chắc chắn rằng bạn hoàn toàn hiểu nó. Ví dụ: những cột nào cần được trả lại và các chi tiết khác để giải quyết câu hỏi
Khi giải quyết các câu hỏi khó, hãy đọc chúng nhiều lần để hiểu chúng
Nếu bạn đã cố gắng hết sức để hiểu câu hỏi nhưng một số điều vẫn chưa rõ ràng, hãy hỏi người phỏng vấn để làm rõ
2. Phân tích dữ liệu
Nhìn vào [các] bảng có sẵn có thể giúp bạn đưa ra giải pháp hợp lý. Sau khi bạn hoàn toàn hiểu phần mô tả bằng lời hoặc bằng văn bản của câu hỏi, hãy nhìn vào bảng và tìm các cột chứa các giá trị mà bạn sẽ sử dụng trong phép tính của mình
Để có ý tưởng chung về các cột và giá trị chứa trong chúng, hãy xem các loại giá trị trong mỗi cột. Nó sẽ cho bạn biết nếu bạn cần chuyển đổi giá trị trong một số cột nhất định
3. Lập kế hoạch tiếp cận của bạn
Khi bạn hoàn toàn hiểu cấu trúc của câu hỏi và dữ liệu có sẵn, bạn có thể bắt đầu giải nó. Về lý thuyết, bạn có thể bắt đầu viết mã Python ngay lập tức, nhưng có một cách tiếp cận tốt hơn
Chúng tôi khuyên bạn nên suy nghĩ về vấn đề theo các bước hợp lý. Hãy nghĩ về tất cả các hoạt động và tính toán bạn cần thực hiện để đi từ dữ liệu có sẵn đến câu trả lời cuối cùng. Sau đó viết ra các bước hợp lý này và các chi tiết quan trọng cho từng bước
Các câu hỏi phỏng vấn về khoa học dữ liệu Python thường rất phức tạp. Một biện pháp khắc phục là sắp xếp những suy nghĩ của bạn trên giấy. Bằng cách này, bạn sẽ thấy việc theo dõi và viết mã cho từng bước dễ dàng hơn nhiều
4. viết mã
Hãy suy nghĩ về những tính năng của Python mà giải pháp của bạn sẽ sử dụng. Nhập tất cả các thư viện khoa học dữ liệu cần thiết như numpy và python
Nếu bạn bối rối về việc xâu chuỗi nhiều hàm lại với nhau, hãy tạo các biến để lưu trữ kết quả của mỗi lệnh gọi hàm
Bắt đầu với một giải pháp cơ bản và dần dần thêm phức tạp vào nó. Xuất mã để xem các thay đổi gia tăng có tác dụng mong muốn không
Câu hỏi số 6. dự án đắt tiền
Hãy bắt đầu danh sách các thách thức mã hóa của chúng tôi với câu hỏi đơn giản này từ Microsoft. Như mọi khi, việc tìm ra câu trả lời đúng bắt nguồn từ việc chú ý đến dữ liệu và đặt ra các bước hợp lý để giải quyết câu hỏi
Liên kết đến câu hỏi. https. //nền tảng. tầng lớp. com/coding/10301-đắt-dự án
Hiểu câu hỏi
Để có câu trả lời, chúng ta phải tính phần trung bình của ngân sách phân bổ cho mỗi nhân viên
Câu hỏi yêu cầu chúng tôi xuất tên dự án, ngân sách cho mỗi khách hàng và sắp xếp các giá trị số theo thứ tự tăng dần
Phân tích dữ liệu
Không thực tế khi bắt đầu viết mã Python trước khi bạn hoàn toàn hiểu dữ liệu có sẵn
Trả lời câu hỏi này yêu cầu bạn phải làm việc với hai bảng - ms_projects chứa thông tin về các dự án và ms_emp_projects lưu trữ thông tin chi tiết của từng nhân viên
Trước tiên, hãy xem loại giá trị trong mỗi cột dữ liệu có sẵn
Nhìn vào dữ liệu thực tế trong bảng thậm chí có thể minh họa nhiều hơn và giúp bạn đưa điều này vào ngữ cảnh
bảng ms_projects
Bảng. ms_projects
idtitlebudget1Project1294982Project2324873Project3439094Project4157765Project536268
Hiển thị tất cảChuyển đổi dTypes
Cột id chứa các số để xác định từng dự án. Cột tiêu đề chứa tên của từng dự án và ngân sách chứa tổng ngân sách cho từng dự án
bảng ms_emp_projects
Bảng. ms_emp_projects
emp_idproject_id105921105932105943105954105965
Hiển thị tất cảChuyển đổi dTypes
Cột emp_id này chỉ đơn giản là một danh sách các số để xác định từng nhân viên và cột duy nhất khác được sử dụng để chỉ định dự án mà nhân viên đó được chỉ định
Lập kế hoạch tiếp cận của bạn
Để trả lời câu hỏi này, chúng ta cần tính tỷ lệ ngân sách trên nhân viên và sắp xếp danh sách cuối cùng theo thứ tự cụ thể
Vì thông tin về dự án và nhân viên được chia thành hai bảng nên chúng ta sẽ phải kết hợp chúng lại
Tiếp theo, chúng ta cần tìm số lượng công nhân cho mỗi dự án. Chúng tôi sử dụng nguyên tắc giống như trong SQL - tạo các nhóm nhân viên làm việc trong cùng một dự án, sau đó lấy số lượng nhân viên trong mỗi nhóm
Chúng ta có thể tính tỷ lệ ngân sách trên mỗi nhân viên bằng cách chia ngân sách cho số lượng nhân viên được chỉ định cho từng dự án
Cuối cùng, chúng ta cần sắp xếp các hàng sao cho những hàng có ngân sách cao nhất cho mỗi nhân viên được ưu tiên trước, theo sau là các giá trị thấp hơn
viết mã
Hãy dịch cách tiếp cận logic của chúng ta sang mã Python
Bước 1. Kết hợp dữ liệu từ hai bảng
Chúng tôi sử dụng chức năng hợp nhất [] từ thư viện Pandas, đây là giải pháp thay thế cho THAM GIA trong SQL. Nó cho phép chúng tôi kết hợp dữ liệu từ hai khung dữ liệu
Chúng tôi sử dụng từ khóa 'bật' để chỉ định thứ nguyên được chia sẻ giữa hai tập dữ liệu và từ khóa 'làm thế nào' để cho Python biết phải làm gì với các bản ghi không có giá trị khớp
import pandas as pd
import numpy as np
df=pd.merge[ms_projects, ms_emp_projects, how = 'inner',left_on = ['id'], right_on=['project_id']]Bước 2. Tổng hợp số lượng công nhân cho mỗi dự án
Ở bước này chúng ta sử dụng hàm groupby[] để tạo các nhóm nhân viên làm việc trên các sản phẩm khác nhau. Chúng ta sử dụng hàm size[] để lấy tổng số nhân viên trong mỗi nhóm. Hàm này trong python hoạt động tương tự như hàm tổng hợp count[] trong SQL
df1=df.groupby[['title','budget']]['emp_id'].size[].reset_index[]Khi chúng tôi đã tính toán số lượng nhân viên cho mỗi nhóm, chúng tôi sử dụng reset_index[] để quay lại hành vi mặc định. Theo mặc định, mỗi hàng trong khung dữ liệu được gán một chỉ mục số để xác định nó
Bước 3. Tính tỷ lệ ngân sách trên mỗi nhân viên
Chúng tôi đã tạo thuộc tính mới có tên là 'budget_emp_ratio'. Chúng tôi tính toán các giá trị cho thuộc tính này bằng cách chia các giá trị trong cột ngân sách cho tổng số nhân viên
df1['budget_emp_ratio'] = [df1['budget']/df1['emp_id']].round[0]Lưu ý rằng ở bước trước, chúng tôi đã tổng hợp các giá trị trong cột emp_id cho từng nhóm. Vì vậy, cột emp_id hiện chứa tổng số nhân viên
Ta cũng làm tròn kết quả của phép chia này đến số nguyên gần nhất
Bước 4. Xuất giá trị theo thứ tự
Tiếp theo, chúng ta sử dụng hàm sort_values[] để sắp xếp các giá trị budget_emp_ratio theo thứ tự giảm dần [từ cao nhất đến thấp nhất] và xuất chúng cũng như tên dự án trong kết quả cuối cùng
df2=df1.sort_values[by='budget_emp_ratio',ascending=False]
result = df2[["title","budget_emp_ratio"]]Đây là giải pháp cuối cùng của chúng tôi trông như thế nào
import pandas as pd
import numpy as np
df=pd.merge[ms_projects, ms_emp_projects, how = 'inner',left_on = ['id'], right_on=['project_id']]
df1=df.groupby[['title','budget']]['emp_id'].size[].reset_index[]
df1['budget_emp_ratio'] = [df1['budget']/df1['emp_id']].round[0]
df2=df1.sort_values[by='budget_emp_ratio',ascending=False]
result = df2[["title","budget_emp_ratio"]]đầu ra
Tiện ích cho phép chúng tôi chạy mã của mình, xem đầu ra và kiểm tra xem đó có phải là câu trả lời đúng không
Đầu ra của chúng tôi khớp chính xác với đầu ra dự kiến, vì vậy nó được chấp nhận là chính xác
Câu hỏi số 7. Tổng chi phí của đơn đặt hàng
Một ví dụ điển hình về câu hỏi phỏng vấn khoa học dữ liệu Python trong đó ứng viên phải sử dụng các hàm từ thư viện pandas và numpy để có câu trả lời
Liên kết đến câu hỏi. https. //nền tảng. tầng lớp. com/coding/10183-total-chi-co-đơn-hàng
Hiểu câu hỏi
Chúng tôi được yêu cầu tính tổng các giá trị trong một cột nhất định. Một điều kiện nữa là chúng tôi tính tổng cho từng người dùng khác nhau
Mô tả câu hỏi yêu cầu chúng tôi xuất id, first_name và tổng_đơn_hàng_chi phí. Nó cũng chỉ định cách sắp xếp các bản ghi
Phân tích dữ liệu
Hãy xem nhanh các loại cột trong hai bảng. Bạn có thể cần thay đổi loại dữ liệu hoặc sử dụng các chức năng cụ thể tùy thuộc vào loại dữ liệu
Bảng khách hàng chứa thông tin điển hình để mô tả từng khách hàng - tên, vị trí và địa chỉ liên hệ của họ
Mỗi bản ghi trong bảng đơn hàng lưu trữ thông tin như mã định danh duy nhất cho mỗi đơn hàng, mã định danh cho khách hàng đã đặt hàng, ngày đặt hàng, mô tả và chi phí
Một chi tiết quan trọng là lưu ý cột cust_id của bảng đơn đặt hàng. Giá trị của cột này tham chiếu danh tính của từng khách hàng, được lưu trữ trong cột id của bảng khách hàng
Tiếp theo, hãy xem các bảng thực tế chứa đầy dữ liệu
bảng khách hàng
Bảng. khách hàng
idfirst_namelast_namecityaddressphone_number8JohnJosephSan Francisco928-386-81647JillMichaelAustin813-297-06924WilliamDanielDenver813-368-12005HenryJacksonMiami808-601-751313EmmaIsaacMiami808-690-5201
Hiển thị tất cảChuyển đổi dTypes
bảng đơn đặt hàng
Bảng. đơn đặt hàng
idcust_idorder_dateorder_detailstotal_order_cost132019-03-04Áo khoác100232019-03-01Giày80332019-03-07Váy30472019-02-01Áo khoác25572019-03-10Giày80
Hiển thị tất cảChuyển đổi dTypes
Chúng tôi phải tổng hợp giá trị đô la của từng đơn đặt hàng của khách hàng, được lưu trữ trong cột tổng_đơn_hàng_chi phí của bảng đơn đặt hàng
Lập kế hoạch tiếp cận của bạn
Giải quyết các câu hỏi như thế này đòi hỏi sự hiểu biết thấu đáo về các khái niệm đơn giản như biến trong Python, cũng như kiến thức về merge[], groupby[] và các hàm khác từ thư viện pandas
Chúng tôi cần dữ liệu từ cả hai bảng để tổng hợp giá trị đơn đặt hàng của từng khách hàng. Sau đó, chúng tôi tạo một nhóm các hàng cho từng khách hàng riêng lẻ để lưu trữ thông tin về các đơn hàng được đặt theo từng đơn hàng
Cuối cùng, chúng ta cần các hàm Python tổng hợp để tính tổng các giá trị trong mỗi nhóm
Viết mã
Để thảo luận thêm về các cách tiếp cận khác nhau cho câu hỏi, hãy xem câu hỏi trên nền tảng của chúng tôi
đầu ra
Mô tả câu hỏi cho biết đầu ra phải là ba cột này, với tên của khách hàng được sắp xếp theo thứ tự bảng chữ cái
Câu hỏi phỏng vấn khoa học dữ liệu Python trung cấp
Bây giờ, hãy xem các câu hỏi phỏng vấn khoa học dữ liệu về python phức tạp hơn một chút. Bạn có thể phải trả lời những câu hỏi này nếu bạn đang phỏng vấn cho vị trí nhà phân tích dữ liệu cấp trung hoặc vai trò nhà khoa học dữ liệu tương tự
Câu hỏi số 8. Quãng đường đã đi
Đây là câu hỏi từ Lyft, nơi bạn phải tìm 10 người dùng có giá trị khoảng cách cao nhất
Liên kết đến câu hỏi. https. //nền tảng. tầng lớp. com/coding/10324-quãng đường đã đi
Hiểu câu hỏi
Các điều kiện cho câu hỏi phỏng vấn khoa học dữ liệu python này khá rõ ràng. Chúng tôi cần tìm những người dùng có TOP 10 quãng đường đã đi và xuất ra ba cột sau. id, tên và khoảng cách
Phân tích dữ liệu
Trong câu hỏi này, dữ liệu có sẵn được lưu trữ trong hai bảng. Chúng ta cần làm việc với dữ liệu từ cả hai bảng để đi đến câu trả lời cuối cùng
Trước tiên, hãy xem loại giá trị trong mỗi cột. Đầu tiên, là bảng lyft_rides, chứa thông tin về các chuyến đi được đặt qua ứng dụng Lyft
Thứ hai là lyft_users, lưu trữ thông tin về người dùng ứng dụng
Cột user_id của bảng lyft_rides_log xác định khách hàng đã đặt chuyến đi. Một người dùng có thể đã đặt nhiều chuyến đi, vì vậy có thể an toàn khi cho rằng cột này có thể có các giá trị trùng lặp
Id người dùng và tên của họ được lưu trữ trong bảng lyft_users
Nó sẽ giúp xem xét dữ liệu thực tế trong hai bảng này
bảng lyft_rides_log
Bảng. lyft_rides_log
iduser_id distance101893102405610328831043383105187
Hiển thị tất cảChuyển đổi dTypes
bảng lyft_users
Bảng. lyft_users
idname1Dustin Smith2Jay Ramirez3Joseph Cooke4Melinda Young5Sean Parker
Hiển thị tất cảChuyển đổi dTypes
Nhìn vào hàng thứ năm trong bảng lyft_rides_log. Giá trị user_id của nó là 1, giá trị này chúng ta có thể tra cứu trong bảng lyft_users để biết thêm thông tin về người dùng. Trong trường hợp này, chúng tôi có thể tìm ra tên đầy đủ của họ, không có trong bảng lyft_rides_log
Lập kế hoạch tiếp cận của bạn
Chia nhỏ bất kỳ thử thách mã hóa nào thành một số bước dễ quản lý có thể giúp bạn tránh được lỗi
Để có được thông tin đầy đủ về người dùng và các chuyến đi mà họ đã đặt qua ứng dụng, chúng tôi sẽ phải kết hợp hai bảng thành một
Tiếp theo, chúng ta cần chia các chuyến đi thành các nhóm, một nhóm dành cho mỗi người dùng duy nhất đã đặt chuyến đi. Sau đó, chúng tôi có thể thêm khoảng cách cho mỗi người dùng
Khi chúng tôi tổng hợp khoảng cách cho từng người dùng, thì chúng tôi cần xếp hạng các nhóm dựa trên giá trị này
Bước cuối cùng sẽ là chọn người dùng có thứ hạng TOP 10 và trả về các cột đã chỉ định
Viết mã
Để giải quyết câu hỏi này, chúng ta sẽ cần các hàm Python để kết hợp dữ liệu, nhóm các giá trị và xếp hạng các hàng dựa trên các giá trị trong một cột cụ thể
Bước 1. Kết hợp dữ liệu từ hai bảng
Chúng ta có thể sử dụng hàm merge[] để kết hợp dữ liệu từ hai bảng
import pandas as pd
import numpy as np
df = pd.merge[lyft_users, lyft_rides_log, left_on='id', right_on='user_id']Bước 2. Tổng hợp số dặm đã đi và sắp xếp dữ liệu
Chúng ta có thể sử dụng hàm groupby[] để tạo các nhóm hàng dựa trên danh tính của người dùng
Chúng ta cũng cần hàm tổng hợp sum[] để cộng tất cả các giá trị khoảng cách cho mỗi nhóm
Sau đó, chúng tôi sử dụng sort_values[] để sắp xếp các giá trị theo thứ tự giảm dần
result = df.groupby[['user_id', 'name']]['distance'].sum[].to_frame[].sort_values[by = 'distance', ascending = False].reset_index[]
Chúng tôi sử dụng hàm to_frame[] để chuyển đổi các giá trị chuỗi thành khung dữ liệu. Điều này là cần thiết để xâu chuỗi hàm sort_values[] để sắp xếp các hàng
Bước 3. Xếp hạng các hàng dựa trên khoảng cách của chúng
Tiếp theo, chúng tôi tạo cột 'xếp hạng' và sử dụng hàm rank[] để tạo giá trị cho nó. Chúng tôi xác định thứ hạng dựa trên các giá trị trong cột 'khoảng cách' của mỗi hàng
________số 8Bước 4. Trả lại đầu ra cuối cùng
Chúng tôi đặt điều kiện để chọn các giá trị có 10 giá trị cao nhất trong cột khoảng cách và xuất các cột 'user_id', 'name' và 'khoảng cách'
result[result['rank']