Python & Pandas - Fondamentaux
DataFrames, Series, indexation (loc, iloc), filtrage booléen, types de données, read_csv, describe, info, head/tail, shape, columns
1Quelle est la structure de données principale de Pandas pour stocker des données tabulaires ?
Quelle est la structure de données principale de Pandas pour stocker des données tabulaires ?
Réponse
Le DataFrame est la structure de données centrale de Pandas. Il représente un tableau bidimensionnel avec des lignes et des colonnes, similaire à une feuille de calcul ou une table SQL. Chaque colonne est une Series, et chaque ligne possède un index. Le DataFrame permet de manipuler efficacement des données structurées grâce à ses nombreuses méthodes intégrées.
2Qu'est-ce qu'une Series dans Pandas ?
Qu'est-ce qu'une Series dans Pandas ?
Réponse
Une Series est un tableau unidimensionnel avec un index. Elle représente une seule colonne de données dans un DataFrame. Chaque élément possède un label (index) qui permet un accès rapide par nom ou position. Une Series ne peut contenir qu'un seul type de données (int, float, string, etc.), ce qui la distingue d'une simple liste Python.
3Quelle fonction Pandas permet de lire un fichier CSV et de le charger dans un DataFrame ?
Quelle fonction Pandas permet de lire un fichier CSV et de le charger dans un DataFrame ?
Réponse
La fonction pd.read_csv() lit un fichier CSV et retourne un DataFrame. Elle accepte de nombreux paramètres : sep pour le délimiteur, header pour la ligne d'en-tête, encoding pour l'encodage du fichier, dtype pour forcer les types de colonnes, et na_values pour définir les valeurs manquantes. C'est la méthode la plus courante pour importer des données dans Pandas.
Que retourne la méthode df.shape sur un DataFrame ?
Quelle méthode permet d'afficher les 5 premières lignes d'un DataFrame ?
+17 questions d'entretien
Autres sujets d'entretien Data Analytics
Google Sheets - Les fondamentaux
Google Sheets - Formules avancées
SQL - Les fondamentaux
SQL - Agrégations et groupements
SQL - Jointures
BigQuery - Fondamentaux
Data Cleaning - Nettoyage des données
KPIs et métriques business
Statistiques descriptives
Zapier et automatisation No-Code
Principes de data visualisation
Google Sheets - Dashboards automatisés
SQL - Sous-requêtes et CTEs
SQL - Window Functions
BigQuery - Fonctionnalités avancées
Data Modeling
Analyse de funnels et conversion
Analyse de cohortes et rétention
Google Tag Manager et tracking
APIs et webhooks
dbt - Fondamentaux
AB Testing et statistiques appliquées
Looker Studio (Google Data Studio)
Power BI - Fondamentaux
SQL - Requêtes analytiques avancées
dbt - Fonctionnalités avancées
Power BI - DAX et dashboards avancés
Python Analytics - Analyse avancée et ML
Maîtrise Data Analytics pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement