# Zaawansowany Pandas (Data Science & ML)

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

- 24 pytań z rozmów
- Mid-Level
- [Pytania z rozmów: Data Science & ML](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne.md)

## 1. Która metoda pozwala zastosować wiele różnych funkcji agregacji do jednej kolumny z groupby?

**Odpowiedź**

Metoda agg() (lub aggregate()) pozwala stosować wiele funkcji agregacji do tych samych kolumn. Można przekazać listę funkcji jak ['sum', 'mean', 'count'] lub słownik, aby określić różne funkcje dla każdej kolumny. Ta elastyczność jest niezbędna do tworzenia kompleksowych raportów statystycznych w jednej operacji.

## 2. Jak jawnie nazwać kolumny wynikowe podczas agregacji groupby używając składni named aggregation?

**Odpowiedź**

Składnia named aggregation używa agg() z nazwanymi krotkami przez argumenty kluczowe. Przykład: df.groupby('category').agg(total_sales=('sales', 'sum'), avg_price=('price', 'mean')). To podejście produkuje jawne i czytelne nazwy kolumn, unikając MultiIndex w kolumnach, które mogą komplikować dalsze przetwarzanie.

## 3. Jaka jest główna różnica między transform() a apply() w kontekście groupby?

**Odpowiedź**

transform() zwraca wynik o tym samym rozmiarze co wejście, wyrównany do oryginalnego indeksu, idealny do dodawania statystyk grupy do każdego wiersza (np. średnia grupy). apply() jest bardziej elastyczny i może zwrócić wynik o innym rozmiarze, ale jest generalnie wolniejszy. Używaj transform() do operacji jak normalizacja grupowa czy obliczanie z-score.

## Jeszcze 21 dostępnych pytań

- Jak filtrować grupy w groupby, aby zachować tylko te spełniające warunek (np. grupy z więcej niż 10 elementami)?
- Jaka jest różnica między pd.merge() z how='left' a how='inner'?

Zarejestruj się za darmo: https://sharpskill.dev/pl/login

## Inne tematy rekrutacyjne Data Science & ML

- [Podstawy Pythona](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-basics.md): 25 pytań, Junior
- [Programowanie Obiektowe w Pythonie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-oop.md): 20 pytań, Junior
- [Struktury danych Python](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/python-data-structures.md): 20 pytań, Junior
- [Podstawy Git](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/git-fundamentals.md): 18 pytań, Junior
- [Podstawy SQL](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-basics.md): 20 pytań, Junior
- [Podstawy NumPy](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/numpy-fundamentals.md): 22 pytań, Junior
- [Podstawy Pandas](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/pandas-basics.md): 22 pytań, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/jupyter-colab.md): 16 pytań, Junior
- [SQL Joins i zaawansowane zapytania](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/sql-joins-advanced.md): 22 pytań, Mid-Level
- [Wizualizacja z Matplotlib & Seaborn](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/matplotlib-seaborn.md): 20 pytań, Mid-Level
- [Interaktywne wizualizacje z Plotly](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/plotly-interactive.md): 18 pytań, Mid-Level
- [Statystyka opisowa](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-descriptive.md): 20 pytań, Mid-Level
- [Statystyka inferencyjna](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/statistics-inferential.md): 24 pytań, Mid-Level
- [Web Scraping](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/web-scraping.md): 18 pytań, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/bigquery-cloud.md): 18 pytań, Mid-Level
- [Feature Engineering](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/feature-engineering.md): 22 pytań, Mid-Level
- [Uczenie nadzorowane: Regresja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-regression.md): 24 pytań, Mid-Level
- [Uczenie nadzorowane: Klasyfikacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-supervised-classification.md): 24 pytań, Mid-Level
- [Drzewa Decyzyjne i Ensembles](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-trees-ensembles.md): 24 pytań, Mid-Level
- [ML Nienadzorowane](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-unsupervised.md): 22 pytań, Mid-Level
- [Pipeline'y ML i walidacja](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/ml-pipelines-validation.md): 22 pytań, Mid-Level
- [Szeregi czasowe i prognozowanie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/time-series-forecasting.md): 22 pytań, Mid-Level
- [Podstawy Deep Learning](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/deep-learning-fundamentals.md): 24 pytań, Senior
- [TensorFlow & Keras](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/tensorflow-keras.md): 22 pytań, Senior
- [CNN i klasyfikacja obrazów](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/cnn-image-classification.md): 24 pytań, Senior
- [RNN i Sekwencje](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/rnn-sequences.md): 22 pytań, Senior
- [Transformers i Attention](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/transformers-attention.md): 24 pytań, Senior
- [NLP i Hugging Face](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/nlp-huggingface.md): 24 pytań, Senior
- [GenAI i LangChain](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/genai-langchain.md): 24 pytań, Senior
- [MLOps i Wdrożenie](https://sharpskill.dev/pl/technologies/data-science/pytania-rekrutacyjne/mlops-deployment.md): 24 pytań, Senior

---

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