Question 1

Qual è la principale differenza tra i metodi apply() e map() su una Series di Pandas?

Accepted Answer

Il metodo map() è progettato per mappare ogni valore in una Series a un nuovo valore tramite un dizionario o una funzione, e funziona solo su Series. Al contrario, apply() è più flessibile: può applicare una funzione elemento per elemento su una Series o riga per riga / colonna per colonna su un DataFrame. Per trasformazioni semplici valore per valore su una Series, map() è generalmente più veloce e più leggibile.

Question 2

Quale metodo Pandas si dovrebbe usare per aggregare dati con più funzioni di aggregazione su colonne diverse simultaneamente?

Accepted Answer

Il metodo agg() (o aggregate()) permette di applicare diverse funzioni di aggregazione a diverse colonne in una singola operazione. Accetta un dizionario dove le chiavi sono i nomi delle colonne e i valori sono le funzioni da applicare. Questo approccio è più efficiente e leggibile rispetto al concatenare più chiamate groupby con funzioni individuali.

Question 3

Qual è la differenza tra merge() e join() in Pandas?

Accepted Answer

merge() è una funzione più flessibile che unisce due DataFrame su colonne specifiche utilizzando i parametri on, left_on/right_on, o gli indici. join() è un metodo di DataFrame che unisce sugli indici per default ed è più conciso per join semplici basati su indici. Per join complessi su colonne non-indice, merge() è preferibile poiché offre più controllo sulle colonne di join.

Python Analytics - Analisi avanzata e ML

Qual è la principale differenza tra i metodi apply() e map() su una Series di Pandas?

Risposta

Quale metodo Pandas si dovrebbe usare per aggregare dati con più funzioni di aggregazione su colonne diverse simultaneamente?

Risposta

Qual è la differenza tra merge() e join() in Pandas?

Risposta

Come creare una pivot table con pivot_table() specificando più funzioni di aggregazione?

Qual è lo scopo di transform() in un contesto groupby() rispetto ad apply()?

Altri argomenti di colloquio Data Analytics

Google Sheets - Fondamenti

Google Sheets - Formule avanzate

SQL - Fondamenti

SQL - Aggregazioni e raggruppamenti

SQL - Join

BigQuery - Fondamenti

Data Cleaning - Pulizia dei dati

KPI e metriche di business

Statistica descrittiva

Zapier e automazione No-Code

Principi di data visualization

Python & Pandas - Fondamenti

Google Sheets - Dashboard automatizzate

SQL - Subquery e CTE

SQL - Window Functions

BigQuery - Funzionalità avanzate

Data Modeling

Analisi di funnel e conversione

Analisi delle coorti e retention

Google Tag Manager e tracking

API e webhook

dbt - Fondamenti

AB Testing e statistica applicata

Looker Studio (Google Data Studio)

Power BI - Fondamenti

SQL - Query analitiche avanzate

dbt - Funzionalità avanzate

Power BI - DAX e dashboard avanzate

Padroneggia Data Analytics per il tuo prossimo colloquio