前言
以下为个人理解，未必正确。欢迎大家讨论和指正。
操作题目
1、如何查看python已安装的第三方库（有两种方法）
1.在cmd下输入pip list回车
2.打开ANACONDA NAVIGATOR，选择左边的environments。之后在右边选择installed即可看到所有安装的库。（我的python是安装anaconda的时候自带的，第一次用的时候是这个方法查看安装了哪些库）
2、Mysql特定版本 group by 后用 * 出错 ，报错出现 Error 1055 应如何解决
没遇到过，不知道怎么解决。
Mysql
1、语句效率，子查询与连接后哪种效率更高？为什么？请写出具体例子。（以经典45道题为例）
连接查询效率更高。
因为子查询首先要进行一次查询，之后再以这次查询的结果作为条件进行查询。这就已经比连接方法多一次查询了。其次，子查询要创建一个临时表，会对性能产生影响。
以45题中的3.查询在 SC 表存在成绩的学生信息为例
连接查询：
select b.*
from sc a
left join student b
on a.sid = b.sid
group by b.sid;
子查询：
select *
from student
where sid in (select sid from sc);
2、left join 后的 on 条件1 and 条件2，与left join 后的 on 条件1 where 条件2，有什么区别？
这个题目的关键在于两点，第一left join会保留左表全部内容（也就是说右边可能会产生null值），第二where筛选和连接的执行顺序（先join连接，再where筛选）。
对于left join 后的 on 条件1 and 条件2，因为是left join，所以左表全部内容都会显示，右表能匹配上的内容会匹配上并且显示出来，匹配不上的部分会显示null。这时候是单纯的连接，没有进行where筛选，所以最后一条会有一个null值。
对于left join 后的 on 条件1 where 条件2，这时候是先执行left join连接再执行where筛选。在执行left join的时候，因为只有条件1的限制而没有where筛选的限制，右边null值一样会显示。但是加上where条件2语句对前面的表进行筛选的时候，只会保留符合where条件2的内容，所以这时候右边的null值因为不符合条件2会被剔除。这时候的结果与第一种情况不同，是不包含null值的。
如果这个题目是inner join，那么两种操作方式结果是一样的，因为不存在null值。
Python
一、存在一份生成的数据
dates = pd.date_range('20130101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
问题：
1、该生成的数据索引列的格式类型是什么？（直接回答）
2、有哪些方式可以查看数据类型？
3、如何查看索引的数据类型？
4、df.loc[‘2013-01-01’] 可以取出对应第一条数据吗？
5、如果想要同时取 第一行和第三行数据，应该如何处理？
回答：
1、索引列的格式为DatetimeIndex，数据格式为datetime64。
2、整体格式：type()。内部数据类型：.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的区别是什么？适用场景是什么？请以上述数据搭配函数举例试验。
apply，applymap和map的主要区别在两点，第一个是适用的对象，第二个是产生作用的范围。
具体说明如下：
· apply：可应用于Series（对象）和DataFrame（对象）。应用于Series时会对Series中的每一个元素（范围）产生效果。应用于DataFrame时，会应用于DataFrame的每一行或者每一列（范围）。此时，如果axis=0（默认），则会把每一列（其实是一个Series）作为参数传入apply里的函数。如果，如果axis=1，则会把每一行（其实是一个Series）作为参数传入apply里的函数。
需要注意的是，返回每一个结果会组成一个Series，要特别注意这个Series的索引。如果是axis=0，即按列传入，返回的Series会是原本Dataframe的列名。如果axis=1，即按行传入，返回的Series会是原本Dataframe的行标签。
· map：应用在单独一个Series（对象）的每个元素中（范围）
· applymap：应用在DataFrame（对象）的每个元素中（范围）
以下为搭配函数举例：
dates = pd.date_range('20130101', periods=6)
df = pd.DataFrame(np.random.randn(6, 4), index=dates, columns=list('ABCD'))
Apply应用于Series:
用于单独一行的情况（单独一行为Series对象）
df.loc['2013-01-01'].apply(lambda x:x+1)
用于单独一列的情况（单独一列也为Series对象）
df.A.apply(lambda x:x+1)
Apply应用于DataFrame:
df.apply(max)
df.apply(lambda x:x+1)
Map用于Series：
df.loc['2013-01-01'].map(lambda x:x+1)
df.A.map(lambda x:x+1)
Applymap用于DataFrame：
df.applymap(lambda x:x+1)
通过以上分析，代码及运行结果，有以下结论：
1.首先明确一个观点，DataFrame中的单独一行或者单独一列是一个Series。
2.因此，在Apply应用于DataFrame单独一行或者单独一列时，其实是应用于一个Series。此时，Apply和Map的效果是一样的。df.loc['2013-01-01'].apply(lambda x:x+1)和df.loc['2013-01-01'].map(lambda x:x+1)运行结果相同。df.A.apply(lambda x:x+1)和df.A.map(lambda x:x+1)运行结果也相同。
3.但是如果Apply是直接对应整个DataFrame发生作用，即对每一行或者每一列发生作用，那么结果与map不同。df.apply(lambda x:x+1)与df.A.map(lambda x:x+1)不同。
4.Apply作用于整个DataFrame时，有些情况下结果与Applymap相同，需要视具体传递的函数决定。df.apply(lambda x:x+1)与df.applymap(lambda x:x+1)结果相同，因为前者对每一列的每一个元素+1，后者是对全部元素+1，从结果来看是等价的。但是df.apply(max)是特殊的，它针对DataFrame的每一列返回每一列的最大值，这个是Applymap不具备的。
