Podstawy Pandas
DataFrames, Series, indeksowanie, selekcja, filtrowanie, brakujące wartości, typy danych
1Jaka jest główna struktura danych Pandas do przechowywania danych tabelarycznych z nazwanymi wierszami i kolumnami?
Jaka jest główna struktura danych Pandas do przechowywania danych tabelarycznych z nazwanymi wierszami i kolumnami?
Odpowiedź
DataFrame to centralna struktura danych Pandas, zaprojektowana do przechowywania dwuwymiarowych danych tabelarycznych. Każda kolumna może zawierać inny typ danych, a zarówno wiersze, jak i kolumny mają etykiety (index). Ta struktura jest podobna do arkusza Excel lub tabeli SQL, co ułatwia manipulację danymi strukturalnymi.
2Która struktura Pandas reprezentuje pojedynczą kolumnę danych z indeksem?
Która struktura Pandas reprezentuje pojedynczą kolumnę danych z indeksem?
Odpowiedź
Series to jednowymiarowa struktura, która może przechowywać dowolny typ danych (liczby całkowite, ciągi znaków, liczby zmiennoprzecinkowe, obiekty Pythona). Każdy element ma powiązany indeks, co pozwala na dostęp do wartości przez ich etykietę. Kolumna wyodrębniona z DataFrame jest automatycznie konwertowana na Series.
3Jak utworzyć DataFrame ze słownika Pythona, w którym klucze stają się nazwami kolumn?
Jak utworzyć DataFrame ze słownika Pythona, w którym klucze stają się nazwami kolumn?
Odpowiedź
Funkcja pd.DataFrame() bezpośrednio akceptuje słownik Pythona. Klucze słownika automatycznie stają się nazwami kolumn, a wartości (listy lub tablice) stają się danymi każdej kolumny. Ta metoda jest najczęstszym sposobem tworzenia DataFrame'ów z danych strukturalnych w Pythonie.
Której metody należy użyć do odczytania pliku CSV i załadowania go do DataFrame?
Która metoda wyświetla pierwsze wiersze DataFrame dla szybkiego podglądu danych?
+19 pytań z rozmów
Inne tematy rekrutacyjne Data Science & ML
Podstawy Pythona
Programowanie Obiektowe w Pythonie
Struktury danych Python
Podstawy Git
Podstawy SQL
Podstawy NumPy
Jupyter & Google Colab
SQL Joins i zaawansowane zapytania
Zaawansowany Pandas
Wizualizacja z Matplotlib & Seaborn
Interaktywne wizualizacje z Plotly
Statystyka opisowa
Statystyka inferencyjna
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Uczenie nadzorowane: Regresja
Uczenie nadzorowane: Klasyfikacja
Drzewa Decyzyjne i Ensembles
ML Nienadzorowane
Pipeline'y ML i walidacja
Szeregi czasowe i prognozowanie
Podstawy Deep Learning
TensorFlow & Keras
CNN i klasyfikacja obrazów
RNN i Sekwencje
Transformers i Attention
NLP i Hugging Face
GenAI i LangChain
MLOps i Wdrożenie
Opanuj Data Science & ML na następną rozmowę
Uzyskaj dostęp do wszystkich pytań, flashcards, testów technicznych, ćwiczeń code review i symulatorów rozmów.
Zacznij za darmo