学习编程语言、开发工具与工程实践，按技术专题查阅原创教程、可运行示例和常见问题。
本篇是"面试踩坑精讲"系列里最硬核的一篇——业务数据分析题。这类题不考你背 API，而是现场给你一个业务场景（"上周 GMV 为什么跌了""这个 AB 实验能不能上线"），看你怎么拆。11 个坑覆盖：口径不问清就开算、GMV 含退款、留存算错、漏斗漏口径、同比环比混用、AB 实验只看 p 值、异动归因单方向、辛普森悖论、不问业务目标、结论无建议、忽视样本量。前置知识：建议先读[第 25 章](25-案例二：用户留存Cohort分析.md)、[第 27 章](27-案例四：网站访问日志与转化漏斗分析.md)、[第 28 章](28-案例五：AB测试结果分析.md)与[第 41 章](41-大厂面试：业务指标与取数真题.md)。学完后你能在白板上把任何业务题按"口径 → 计算 → 归因 → 建议"讲成一条完整的链。
本篇是"面试踩坑精讲"系列中技术味最浓的一篇，聚焦数据岗笔试与白板题的绝对主力——SQL。11 个高频坑覆盖：WHERE 与 HAVING 混用、GROUP BY 漏列、窗口函数不会、LEFT JOIN 误用、子查询与 JOIN 说不清、索引概念缺失、慢查询分析答错、深分页写法错、去重 COUNT 口径错、SQL 与 pandas 对照说不清、NULL 三值逻辑。前置知识：建议先读[第 60 章](60-面试踩坑：自我介绍与项目介绍篇.md)，并掌握基本 SELECT/GROUP BY/JOIN 语法。学完后你能在白板上写出"语义正确 + 口径清楚 + 能讲清性能"的 SQL，并把每条 SQL 翻译成对应的 pandas 写法。
本篇是"面试踩坑精讲"系列的第六篇，聚焦技术面最硬核的一关——白板或共享编辑器上手写 pandas 代码。11 个坑覆盖：不澄清需求就开写、不写边界测试、变量命名差、列名硬编码、忽略空值与重复值、硬写循环不用内置 API、不主动说复杂度、axis方向写错、报错不改乱试、不验证结果就交、时间不够不会取舍。前置知识：建议先读[第 30 章](30-pandas面试题精讲：基础篇.md)与[第 32 章](32-pandas面试题精讲：实战场景篇.md)，并熟悉[第 13 章](13-分组聚合：groupby.md)。学完后你能在 25 分钟手写题里，交出一份"需求确认清楚、边界有测试、结果有验证"的代码。
本篇是"面试踩坑精讲"系列进入技术深水区的一篇，专攻原理与性能类问答——这是区分"会用 pandas"和"懂 pandas"的分水岭。11 个高频坑覆盖：merge 底层实现、内存模型、大文件读取、OOM 归因、pandas 与 Spark 选型、向量化原理、浮点精度、时区、join 与 merge 区别、Copy-on-Write、以及"只背结论不实测"的通病。前置知识：建议先读[第 59 章](59-面试踩坑：简历与投递篇.md)、[第 60 章](60-面试踩坑：自我介绍与项目介绍篇.md)，并具备 merge/groupby/时间序列的日常使用经验。学完后你能在原理追问下不慌、给出有依据的性能判断，而不是凭印象背结论。
本篇是"面试踩坑精讲"系列第三篇，收拾 pandas 技术面里最容易被当场问倒的基础概念问答。11 个坑覆盖：视图与副本、链式赋值、groupby 语义、axis 方向、loc 与 iloc、apply/agg/transform、NaN 比较、Series 与 DataFrame 区别、read_csv 参数、布尔索引选择边界、SettingWithCopyWarning 现场排错。前置知识：建议先读[第 06 章 数据选择与索引](06-数据选择与索引.md)、[第 13 章 分组聚合：groupby](13-分组聚合：groupby.md)、[第 18 章 视图副本与 SettingWithCopyWarning](18-视图副本与SettingWithCopyWarning.md)。学完后你能把这些"看着简单、一说就错"的概念答出原理深度，而不是靠背 API。
本篇是"面试踩坑精讲"系列第二篇，聚焦面试开场与重头戏：自我介绍与项目介绍。11 个坑覆盖：流水账背稿、无亮点无量化、项目细节答不出、夸大职责被拆穿、只讲工具不讲业务、时间超时、语速过快、无 STAR 结构、没听懂问题就抢答、黑前公司、口述与简历不一致。前置知识：建议先读[第 59 章](59-面试踩坑：简历与投递篇.md)。学完后你能在 2 分钟内讲出有记忆点的自我介绍，并把任意项目按 STAR 讲成"业务价值 + 数据证据"的结构化表达。
本篇是"面试踩坑精讲"系列的第一篇，聚焦求职第一关——简历与投递环节。11 个高频坑覆盖：简历造假、过度包装、项目数字无来源、海投无复盘、JD 不匹配硬投、投递时机误区、作品集缺失、技能列表堆砌、错别字低级错误、期望薪资乱填、信息前后矛盾。前置知识：无门槛，文中少量 pandas 示例只用于演示"自查方法"，复制即可运行。学完后你能产出一份"经得起三轮深挖"的简历，并掌握按 JD 精准投递、数据化复盘投递过程的完整打法。
本篇是案例系列的第十一篇（也是本批教程的收官篇），用一份模拟的同城配送订单表（5000 笔）走完物流运营分析全流程：配送时长分布探索 → 准时率口径与城市/网点对比 → 路线效率（距离 vs 时长、时效利用率）→ 异常件类型分布与异常率排行 → 延迟件根因初探（分组统计 + 相关系数）→ 区域与网点 Top/Bottom 榜。前置知识：[第 13 章](13-分组聚合：groupby.md)的 groupby、[第 14 章](14-时间序列分析.md)的时间差、[第 15 章](15-数据可视化.md)的直方图与散点图。学完后你能独立产出一份"给站点运营看的配送质量日报"。
本篇是案例系列的第十篇，用一份模拟的游戏运营数据（DAU 表 + 关卡表 + 版本表）走完游戏运营分析的完整链路：DAU/MAU 粘性指标 → 付费率、ARPPU、ARPU 三个收入口径辨析 → v1.0 与 v1.1 版本对比 → 关卡流失与瓶颈关定位 → 活动前后效果复盘 → 渠道质量对比。前置知识：[第 13 章](13-分组聚合：groupby.md)的 groupby 聚合、[第 14 章](14-时间序列分析.md)的日期处理、[第 15 章](15-数据可视化.md)的折线图。学完后你能独立产出一份"给运营看的游戏周报"。
pandas 是 Python 数据分析的事实标准，但从 2020 年起，一个用 Rust 编写、从底层就基于 Apache Arrow 的列式 DataFrame 库 Polars 快速崛起。本篇用本机 100 万行真实基准（pandas 3.0.6 vs polars 2.0.0，8 线程）对比两者在过滤、groupby、join、排序上的耗时，给出语法对照表、lazy/eager 模式差异、迁移指南，以及"什么场景继续用 pandas、什么场景切 Polars"的明确建议。学完你能在新项目里做出有依据的选型，而不是凭口碑。 上一章我们刚看完 pandas 2.x/3.0 如何向 Arrow 靠拢；本章则是一个"从零开始就是 Arrow-native、多核并行、带查询优化器"的参照系。两篇合在一起，你会对 Python 数据分析的底层格局有完整认识。
