# Pandas avanzato (Data Science & ML)

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

- 24 domande da colloquio
- Mid-Level
- [Domande da colloquio: Data Science & ML](https://sharpskill.dev/it/technologies/data-science/domande-colloquio.md)

## 1. Quale metodo permette di applicare più funzioni di aggregazione diverse a una singola colonna con groupby?

**Risposta**

Il metodo agg() (o aggregate()) permette di applicare più funzioni di aggregazione alle stesse colonne. È possibile passare una lista di funzioni come ['sum', 'mean', 'count'] o un dizionario per specificare funzioni diverse per colonna. Questa flessibilità è essenziale per creare report statistici completi in una singola operazione.

## 2. Come nominare esplicitamente le colonne risultanti durante un'aggregazione con groupby usando la sintassi named aggregation?

**Risposta**

La sintassi named aggregation usa agg() con tuple nominate tramite keyword argument. Esempio: df.groupby('category').agg(total_sales=('sales', 'sum'), avg_price=('price', 'mean')). Questo approccio produce nomi di colonne espliciti e leggibili, evitando MultiIndex nelle colonne che possono complicare elaborazioni successive.

## 3. Qual è la differenza principale tra transform() e apply() in un contesto groupby?

**Risposta**

transform() restituisce un risultato della stessa dimensione dell'input, allineato all'indice originale, ideale per aggiungere statistiche di gruppo a ogni riga (es. media del gruppo). apply() è più flessibile e può restituire un risultato di dimensione diversa, ma generalmente è più lento. Usa transform() per operazioni come la normalizzazione di gruppo o il calcolo di z-score.

## Altre 21 domande disponibili

- Come filtrare i gruppi in un groupby per mantenere solo quelli che soddisfano una condizione (per esempio, gruppi con più di 10 elementi)?
- Qual è la differenza tra pd.merge() con how='left' e how='inner'?

Registrati gratis: https://sharpskill.dev/it/login

## Altri argomenti di colloquio Data Science & ML

- [Fondamenti di Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-basics.md): 25 domande, Junior
- [Programmazione Orientata agli Oggetti in Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-oop.md): 20 domande, Junior
- [Strutture dati Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-data-structures.md): 20 domande, Junior
- [Fondamenti di Git](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/git-fundamentals.md): 18 domande, Junior
- [Fondamenti di SQL](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-basics.md): 20 domande, Junior
- [Fondamenti di NumPy](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/numpy-fundamentals.md): 22 domande, Junior
- [Fondamenti di Pandas](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-basics.md): 22 domande, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/jupyter-colab.md): 16 domande, Junior
- [SQL Joins e query avanzate](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-joins-advanced.md): 22 domande, Mid-Level
- [Visualizzazione con Matplotlib & Seaborn](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/matplotlib-seaborn.md): 20 domande, Mid-Level
- [Visualizzazioni interattive con Plotly](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/plotly-interactive.md): 18 domande, Mid-Level
- [Statistica descrittiva](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-descriptive.md): 20 domande, Mid-Level
- [Statistica inferenziale](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-inferential.md): 24 domande, Mid-Level
- [Web Scraping](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/web-scraping.md): 18 domande, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/bigquery-cloud.md): 18 domande, Mid-Level
- [Feature Engineering](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/feature-engineering.md): 22 domande, Mid-Level
- [ML Supervisionato: Regressione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-regression.md): 24 domande, Mid-Level
- [ML Supervisionato: Classificazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-classification.md): 24 domande, Mid-Level
- [Alberi Decisionali e Ensembles](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-trees-ensembles.md): 24 domande, Mid-Level
- [ML Non Supervisionato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-unsupervised.md): 22 domande, Mid-Level
- [Pipeline ML e Validazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-pipelines-validation.md): 22 domande, Mid-Level
- [Serie Temporali e Previsione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/time-series-forecasting.md): 22 domande, Mid-Level
- [Fondamenti di Deep Learning](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/deep-learning-fundamentals.md): 24 domande, Senior
- [TensorFlow & Keras](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/tensorflow-keras.md): 22 domande, Senior
- [CNN e classificazione di immagini](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/cnn-image-classification.md): 24 domande, Senior
- [RNN e Sequenze](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/rnn-sequences.md): 22 domande, Senior
- [Transformers e Attention](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/transformers-attention.md): 24 domande, Senior
- [NLP e Hugging Face](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/nlp-huggingface.md): 24 domande, Senior
- [GenAI e LangChain](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/genai-langchain.md): 24 domande, Senior
- [MLOps e Deployment](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/mlops-deployment.md): 24 domande, Senior

---

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