详细内容或原文请订阅后点击阅览
可视化解决方案中的模式：数据结构如何影响编码风格
阅读有关数据集结构如何驱动窗口函数、CTE、JOIN 和 pandas 合并模式的实证分析。
来源:KDnuggets简介
当您解决了足够多的面试式数据问题时，您开始注意到一个有趣的效果：数据集“形状”悄悄地决定了您的编码风格。时间序列表会引导您使用窗口函数。星型模式将您推向 JOIN 链和 GROUP BY。具有两个 DataFrame 的 pandas 任务几乎需要 .merge() 和 isin()。
本文使这种直觉变得可衡量。使用一组代表性的 SQL 和 pandas 问题，我们将识别基本的代码结构特征（公共表表达式 (CTE) 使用、窗口函数的频率、常见的 pandas 技术），并说明哪些元素占主导地位及其背后的原因。
为什么数据结构会改变您的编码风格
数据问题不仅仅是逻辑，更像是包装在表中的约束：
依赖于其他行的行（时间、排名、“先前值”）
如果每行的答案取决于相邻行（例如昨天的温度、之前的交易、运行总计），那么解决方案自然会依赖 LAG()、LEAD()、ROW_NUMBER() 和 DENSE_RANK() 等窗口函数。
例如，考虑一下这个面试问题的表格：
无法以孤立的方式确定每个客户在某一天的结果。在客户日级别汇总订单成本后，必须相对于同一日期的其他客户评估每一行，以确定哪一个总计最高。
因为一行的答案取决于它在时间分区内相对于其对等行的排名，所以此数据集形状自然会导致 RANK() 或 DENSE_RANK() 等窗口函数，而不是单独的简单聚合。
具有角色的多个表（维度与事实）
当一个表描述实体，另一个表描述事件时，解决方案倾向于 JOIN + GROUP BY 模式 (SQL) 或 .merge()+.groupby() 模式 (pandas)。
比如这个面试题，数据表如下：