Fondamenti di Pandas
DataFrames, Series, indicizzazione, selezione, filtraggio, valori mancanti, tipi di dati
1Qual è la struttura dati principale di Pandas per memorizzare dati tabulari con righe e colonne nominate?
Qual è la struttura dati principale di Pandas per memorizzare dati tabulari con righe e colonne nominate?
Risposta
Il DataFrame è la struttura dati centrale di Pandas, progettata per memorizzare dati tabulari bidimensionali. Ogni colonna può contenere un tipo di dati diverso e sia righe che colonne hanno etichette (index). Questa struttura è simile a un foglio di calcolo Excel o una tabella SQL, facilitando la manipolazione di dati strutturati.
2Quale struttura Pandas rappresenta una singola colonna di dati con un indice?
Quale struttura Pandas rappresenta una singola colonna di dati con un indice?
Risposta
Una Series è una struttura unidimensionale che può contenere qualsiasi tipo di dati (interi, stringhe, float, oggetti Python). Ogni elemento ha un indice associato, consentendo l'accesso ai valori tramite la loro etichetta. Una colonna estratta da un DataFrame viene automaticamente convertita in Series.
3Come creare un DataFrame da un dizionario Python dove le chiavi diventano nomi di colonne?
Come creare un DataFrame da un dizionario Python dove le chiavi diventano nomi di colonne?
Risposta
La funzione pd.DataFrame() accetta direttamente un dizionario Python. Le chiavi del dizionario diventano automaticamente nomi di colonne e i valori (liste o array) diventano i dati di ogni colonna. Questo metodo è il più comune per creare DataFrame da dati strutturati in Python.
Quale metodo dovrebbe essere usato per leggere un file CSV e caricarlo in un DataFrame?
Quale metodo mostra le prime righe di un DataFrame per un'anteprima rapida dei dati?
+19 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
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
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