Fundamentos de Pandas
DataFrames, Series, indexación, selección, filtrado, valores faltantes, tipos de datos
1¿Cuál es la estructura de datos principal de Pandas para almacenar datos tabulares con filas y columnas nombradas?
¿Cuál es la estructura de datos principal de Pandas para almacenar datos tabulares con filas y columnas nombradas?
Respuesta
El DataFrame es la estructura de datos central de Pandas, diseñada para almacenar datos tabulares bidimensionales. Cada columna puede contener un tipo de datos diferente, y tanto las filas como las columnas tienen etiquetas (index). Esta estructura es similar a una hoja de cálculo de Excel o una tabla SQL, lo que facilita la manipulación de datos estructurados.
2¿Qué estructura de Pandas representa una sola columna de datos con un índice?
¿Qué estructura de Pandas representa una sola columna de datos con un índice?
Respuesta
Una Series es una estructura unidimensional que puede contener cualquier tipo de datos (enteros, cadenas, flotantes, objetos Python). Cada elemento tiene un índice asociado, lo que permite acceder a los valores por su etiqueta. Una columna extraída de un DataFrame se convierte automáticamente en Series.
3¿Cómo crear un DataFrame a partir de un diccionario Python donde las claves se convierten en nombres de columnas?
¿Cómo crear un DataFrame a partir de un diccionario Python donde las claves se convierten en nombres de columnas?
Respuesta
La función pd.DataFrame() acepta directamente un diccionario Python. Las claves del diccionario se convierten automáticamente en nombres de columnas, y los valores (listas o arrays) se convierten en los datos de cada columna. Este método es la forma más común de crear DataFrames a partir de datos estructurados en Python.
¿Qué método se debe usar para leer un archivo CSV y cargarlo en un DataFrame?
¿Qué método muestra las primeras filas de un DataFrame para una vista previa rápida de los datos?
+19 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de NumPy
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis