Question 1

Qual é a principal diferença entre os métodos apply() e map() em uma Series do Pandas?

Accepted Answer

O método map() é projetado para mapear cada valor em uma Series para um novo valor usando um dicionário ou função, e funciona apenas em Series. Em contraste, apply() é mais flexível: pode aplicar uma função elemento por elemento em uma Series ou linha por linha / coluna por coluna em um DataFrame. Para transformações simples valor por valor em uma Series, map() é geralmente mais rápido e mais legível.

Question 2

Qual método do Pandas deve ser usado para agregar dados com múltiplas funções de agregação em diferentes colunas simultaneamente?

Accepted Answer

O método agg() (ou aggregate()) permite aplicar diferentes funções de agregação a diferentes colunas em uma única operação. Aceita um dicionário onde as chaves são nomes de colunas e os valores são as funções a aplicar. Esta abordagem é mais eficiente e legível do que encadear várias chamadas groupby com funções individuais.

Question 3

Qual é a diferença entre merge() e join() no Pandas?

Accepted Answer

merge() é uma função mais flexível que une dois DataFrames em colunas específicas usando os parâmetros on, left_on/right_on, ou índices. join() é um método de DataFrame que une por índices por padrão e é mais conciso para uniões simples baseadas em índices. Para uniões complexas em colunas não-índice, merge() é preferível pois oferece mais controle sobre as colunas de união.

Python Analytics - Análise avançada e ML

Qual é a principal diferença entre os métodos apply() e map() em uma Series do Pandas?

Resposta

Qual método do Pandas deve ser usado para agregar dados com múltiplas funções de agregação em diferentes colunas simultaneamente?

Resposta

Qual é a diferença entre merge() e join() no Pandas?

Resposta

Como criar uma tabela pivot com pivot_table() especificando múltiplas funções de agregação?

Qual é o propósito de transform() em um contexto groupby() comparado com apply()?

Outros temas de entrevista Data Analytics

Google Sheets - Fundamentos

Google Sheets - Fórmulas avançadas

SQL - Fundamentos

SQL - Agregações e agrupamentos

SQL - Joins

BigQuery - Fundamentos

Data Cleaning - Limpeza de dados

KPIs e métricas de negócio

Estatística descritiva

Zapier e automação No-Code

Princípios de visualização de dados

Python & Pandas - Fundamentos

Google Sheets - Dashboards automatizados

SQL - Subconsultas e CTEs

SQL - Window Functions

BigQuery - Recursos avançados

Data Modeling

Análise de funis e conversão

Análise de coortes e retenção

Google Tag Manager e tracking

APIs e webhooks

dbt - Fundamentos

AB Testing e estatística aplicada

Looker Studio (Google Data Studio)

Power BI - Fundamentos

SQL - Consultas analíticas avançadas

dbt - Recursos avançados

Power BI - DAX e dashboards avançados

Domine Data Analytics para sua proxima entrevista