Pandas avanzado
GroupBy, merge, concat, pivot tables, time series, apply/transform, MultiIndex, rendimiento
1¿Qué método permite aplicar varias funciones de agregación diferentes a una sola columna con groupby?
¿Qué método permite aplicar varias funciones de agregación diferentes a una sola columna con groupby?
Respuesta
El método agg() (o aggregate()) permite aplicar múltiples funciones de agregación a las mismas columnas. Puedes pasar una lista de funciones como ['sum', 'mean', 'count'] o un diccionario para especificar funciones diferentes por columna. Esta flexibilidad es esencial para crear informes estadísticos completos en una sola operación.
2¿Cómo nombrar explícitamente las columnas resultantes durante una agregación con groupby usando la sintaxis de named aggregation?
¿Cómo nombrar explícitamente las columnas resultantes durante una agregación con groupby usando la sintaxis de named aggregation?
Respuesta
La sintaxis named aggregation usa agg() con tuplas nombradas mediante keyword arguments. Por ejemplo: df.groupby('category').agg(total_sales=('sales', 'sum'), avg_price=('price', 'mean')). Este enfoque produce nombres de columnas explícitos y legibles, evitando MultiIndex en columnas que pueden complicar procesamientos posteriores.
3¿Cuál es la principal diferencia entre transform() y apply() en un contexto groupby?
¿Cuál es la principal diferencia entre transform() y apply() en un contexto groupby?
Respuesta
transform() devuelve un resultado del mismo tamaño que la entrada, alineado al índice original, ideal para agregar estadísticas de grupo a cada fila (ej.: media del grupo). apply() es más flexible y puede devolver un resultado de tamaño diferente, pero generalmente es más lento. Usa transform() para operaciones como normalización por grupo o cálculo de z-scores.
¿Cómo filtrar grupos en un groupby para conservar solo aquellos que satisfacen una condición (por ejemplo, grupos con más de 10 elementos)?
¿Cuál es la diferencia entre pd.merge() con how='left' y how='inner'?
+21 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
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
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