Question 1

Qual método permite aplicar várias funções de agregação diferentes a uma única coluna com groupby?

Accepted Answer

O método agg() (ou aggregate()) permite aplicar várias funções de agregação às mesmas colunas. Você pode passar uma lista de funções como ['sum', 'mean', 'count'] ou um dicionário para especificar funções diferentes por coluna. Essa flexibilidade é essencial para criar relatórios estatísticos completos em uma única operação.

Question 2

Como nomear explicitamente as colunas resultantes durante uma agregação com groupby usando a sintaxe de named aggregation?

Accepted Answer

A sintaxe named aggregation usa agg() com tuplas nomeadas via keyword arguments. Por exemplo: df.groupby('category').agg(total_sales=('sales', 'sum'), avg_price=('price', 'mean')). Essa abordagem produz nomes de colunas explícitos e legíveis, evitando MultiIndex em colunas que podem complicar processamentos posteriores.

Question 3

Qual é a principal diferença entre transform() e apply() em um contexto groupby?

Accepted Answer

transform() retorna um resultado do mesmo tamanho que a entrada, alinhado ao índice original, ideal para adicionar estatísticas de grupo a cada linha (ex.: média do grupo). apply() é mais flexível e pode retornar um resultado de tamanho diferente, mas geralmente é mais lento. Use transform() para operações como normalização por grupo ou cálculo de z-scores.

Pandas avançado

Qual método permite aplicar várias funções de agregação diferentes a uma única coluna com groupby?

Resposta

Como nomear explicitamente as colunas resultantes durante uma agregação com groupby usando a sintaxe de named aggregation?

Resposta

Qual é a principal diferença entre transform() e apply() em um contexto groupby?

Resposta

Como filtrar grupos em um groupby para manter apenas aqueles que satisfazem uma condição (por exemplo, grupos com mais de 10 elementos)?

Qual é a diferença entre pd.merge() com how='left' e how='inner'?

Outros temas de entrevista Data Science & ML

Fundamentos de Python

Programação Orientada a Objetos em Python

Estruturas de dados em Python

Fundamentos do Git

Fundamentos de SQL

Fundamentos de NumPy

Fundamentos de Pandas

Jupyter & Google Colab

SQL Joins e consultas avançadas

Visualização com Matplotlib & Seaborn

Visualizações interativas com Plotly

Estatística descritiva

Estatística inferencial

Web Scraping

BigQuery & Cloud Data

Feature Engineering

ML Supervisionado: Regressão

ML Supervisionado: Classificação

Árvores de Decisão e Ensembles

ML Não Supervisionado

Pipelines ML e Validação

Séries Temporais e Previsão

Fundamentos de Deep Learning

TensorFlow & Keras

CNN e classificação de imagens

RNN e Sequências

Transformers e Attention

NLP e Hugging Face

GenAI e LangChain

MLOps e Implantação

Domine Data Science & ML para sua proxima entrevista