Pandas avanzato
GroupBy, merge, concat, pivot tables, time series, apply/transform, MultiIndex, prestazioni
1Quale metodo permette di applicare più funzioni di aggregazione diverse a una singola colonna con groupby?
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.
2Come nominare esplicitamente le colonne risultanti durante un'aggregazione con groupby usando la sintassi named aggregation?
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.
3Qual è la differenza principale tra transform() e apply() in un contesto groupby?
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.
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'?
+21 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di NumPy
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis