# Pandas avançado (Data Science & ML)

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

- 24 perguntas de entrevista
- Mid-Level
- [Perguntas de entrevista: Data Science & ML](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista.md)

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

**Resposta**

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.

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

**Resposta**

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.

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

**Resposta**

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.

## Mais 21 perguntas disponiveis

- 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'?

Cadastre-se gratis: https://sharpskill.dev/pt/login

## Outros temas de entrevista Data Science & ML

- [Fundamentos de Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-basics.md): 25 perguntas, Junior
- [Programação Orientada a Objetos em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-oop.md): 20 perguntas, Junior
- [Estruturas de dados em Python](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/python-data-structures.md): 20 perguntas, Junior
- [Fundamentos do Git](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/git-fundamentals.md): 18 perguntas, Junior
- [Fundamentos de SQL](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-basics.md): 20 perguntas, Junior
- [Fundamentos de NumPy](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/numpy-fundamentals.md): 22 perguntas, Junior
- [Fundamentos de Pandas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/pandas-basics.md): 22 perguntas, Junior
- [Jupyter & Google Colab](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/jupyter-colab.md): 16 perguntas, Junior
- [SQL Joins e consultas avançadas](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/sql-joins-advanced.md): 22 perguntas, Mid-Level
- [Visualização com Matplotlib & Seaborn](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/matplotlib-seaborn.md): 20 perguntas, Mid-Level
- [Visualizações interativas com Plotly](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/plotly-interactive.md): 18 perguntas, Mid-Level
- [Estatística descritiva](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-descriptive.md): 20 perguntas, Mid-Level
- [Estatística inferencial](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/statistics-inferential.md): 24 perguntas, Mid-Level
- [Web Scraping](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/web-scraping.md): 18 perguntas, Mid-Level
- [BigQuery & Cloud Data](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/bigquery-cloud.md): 18 perguntas, Mid-Level
- [Feature Engineering](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/feature-engineering.md): 22 perguntas, Mid-Level
- [ML Supervisionado: Regressão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-regression.md): 24 perguntas, Mid-Level
- [ML Supervisionado: Classificação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-supervised-classification.md): 24 perguntas, Mid-Level
- [Árvores de Decisão e Ensembles](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-trees-ensembles.md): 24 perguntas, Mid-Level
- [ML Não Supervisionado](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-unsupervised.md): 22 perguntas, Mid-Level
- [Pipelines ML e Validação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/ml-pipelines-validation.md): 22 perguntas, Mid-Level
- [Séries Temporais e Previsão](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/time-series-forecasting.md): 22 perguntas, Mid-Level
- [Fundamentos de Deep Learning](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/deep-learning-fundamentals.md): 24 perguntas, Senior
- [TensorFlow & Keras](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/tensorflow-keras.md): 22 perguntas, Senior
- [CNN e classificação de imagens](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/cnn-image-classification.md): 24 perguntas, Senior
- [RNN e Sequências](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/rnn-sequences.md): 22 perguntas, Senior
- [Transformers e Attention](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/transformers-attention.md): 24 perguntas, Senior
- [NLP e Hugging Face](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/nlp-huggingface.md): 24 perguntas, Senior
- [GenAI e LangChain](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/genai-langchain.md): 24 perguntas, Senior
- [MLOps e Implantação](https://sharpskill.dev/pt/technologies/data-science/perguntas-entrevista/mlops-deployment.md): 24 perguntas, Senior

---

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