Fundamentos de Pandas
DataFrames, Series, indexação, seleção, filtragem, valores ausentes, tipos de dados
1Qual é a principal estrutura de dados do Pandas para armazenar dados tabulares com linhas e colunas nomeadas?
Qual é a principal estrutura de dados do Pandas para armazenar dados tabulares com linhas e colunas nomeadas?
Resposta
O DataFrame é a estrutura de dados central do Pandas, projetada para armazenar dados tabulares bidimensionais. Cada coluna pode conter um tipo de dado diferente, e tanto linhas quanto colunas possuem rótulos (index). Essa estrutura é semelhante a uma planilha do Excel ou tabela SQL, facilitando a manipulação de dados estruturados.
2Qual estrutura do Pandas representa uma única coluna de dados com um índice?
Qual estrutura do Pandas representa uma única coluna de dados com um índice?
Resposta
Uma Series é uma estrutura unidimensional que pode conter qualquer tipo de dados (inteiros, strings, floats, objetos Python). Cada elemento possui um índice associado, permitindo acessar valores por sua etiqueta. Uma coluna extraída de um DataFrame é automaticamente convertida em Series.
3Como criar um DataFrame a partir de um dicionário Python onde as chaves se tornam nomes de colunas?
Como criar um DataFrame a partir de um dicionário Python onde as chaves se tornam nomes de colunas?
Resposta
A função pd.DataFrame() aceita diretamente um dicionário Python. As chaves do dicionário tornam-se automaticamente nomes de colunas, e os valores (listas ou arrays) tornam-se os dados de cada coluna. Este é o método mais comum para criar DataFrames a partir de dados estruturados em Python.
Qual método deve ser usado para ler um arquivo CSV e carregá-lo em um DataFrame?
Qual método exibe as primeiras linhas de um DataFrame para uma visualização rápida dos dados?
+19 perguntas de entrevista
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
Jupyter & Google Colab
SQL Joins e consultas avançadas
Pandas avançado
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
Acesse todas as perguntas, flashcards, testes tecnicos, exercicios de code review e simuladores de entrevista.
Comece gratis