# Pandas avanzado (Data Science & ML)

> GroupBy, merge, concat, pivot tables, time series, apply/transform, MultiIndex, rendimiento

- 24 preguntas de entrevista
- Mid-Level
- [Preguntas de entrevista: Data Science & ML](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista.md)

## 1. ¿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?

**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?

**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.

## 21 preguntas más disponibles

- ¿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'?

Regístrate gratis: https://sharpskill.dev/es/login

## Otros temas de entrevista Data Science & ML

- [Fundamentos de Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-basics.md): 25 preguntas, Junior
- [Programación Orientada a Objetos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-oop.md): 20 preguntas, Junior
- [Estructuras de datos en Python](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/python-data-structures.md): 20 preguntas, Junior
- [Fundamentos de Git](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/git-fundamentals.md): 18 preguntas, Junior
- [Fundamentos de SQL](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-basics.md): 20 preguntas, Junior
- [Fundamentos de NumPy](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/numpy-fundamentals.md): 22 preguntas, Junior
- [Fundamentos de Pandas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-basics.md): 22 preguntas, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/jupyter-colab.md): 16 preguntas, Junior
- [SQL Joins y consultas avanzadas](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/sql-joins-advanced.md): 22 preguntas, Mid-Level
- [Visualización con Matplotlib & Seaborn](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/matplotlib-seaborn.md): 20 preguntas, Mid-Level
- [Visualizaciones interactivas con Plotly](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/plotly-interactive.md): 18 preguntas, Mid-Level
- [Estadística descriptiva](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-descriptive.md): 20 preguntas, Mid-Level
- [Estadística inferencial](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/statistics-inferential.md): 24 preguntas, Mid-Level
- [Web Scraping](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/web-scraping.md): 18 preguntas, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/bigquery-cloud.md): 18 preguntas, Mid-Level
- [Feature Engineering](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/feature-engineering.md): 22 preguntas, Mid-Level
- [ML Supervisado: Regresión](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-regression.md): 24 preguntas, Mid-Level
- [ML Supervisado: Clasificación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-supervised-classification.md): 24 preguntas, Mid-Level
- [Árboles de Decisión y Ensembles](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-trees-ensembles.md): 24 preguntas, Mid-Level
- [ML No Supervisado](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-unsupervised.md): 22 preguntas, Mid-Level
- [Pipelines ML y Validación](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/ml-pipelines-validation.md): 22 preguntas, Mid-Level
- [Series Temporales y Pronóstico](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/time-series-forecasting.md): 22 preguntas, Mid-Level
- [Fundamentos de Deep Learning](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/deep-learning-fundamentals.md): 24 preguntas, Senior
- [TensorFlow & Keras](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/tensorflow-keras.md): 22 preguntas, Senior
- [CNN y clasificación de imágenes](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/cnn-image-classification.md): 24 preguntas, Senior
- [RNN y Secuencias](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/rnn-sequences.md): 22 preguntas, Senior
- [Transformers y Attention](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/transformers-attention.md): 24 preguntas, Senior
- [NLP y Hugging Face](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/nlp-huggingface.md): 24 preguntas, Senior
- [GenAI y LangChain](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/genai-langchain.md): 24 preguntas, Senior
- [MLOps y Despliegue](https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/mlops-deployment.md): 24 preguntas, Senior

---

Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack.
HTML version of this page: https://sharpskill.dev/es/technologies/data-science/preguntas-entrevista/pandas-advanced