Python Analytics - การวิเคราะห์ขั้นสูงและ ML
groupby, merge, pivot_table, apply/map, Plotly, Scikit-Learn (regression, classification, clustering), train/test split, เมตริก, Jupyter, Google Colab
1ความแตกต่างหลักระหว่างเมธอด apply() และ map() บน Pandas Series คืออะไร?
ความแตกต่างหลักระหว่างเมธอด apply() และ map() บน Pandas Series คืออะไร?
คำตอบ
เมธอด map() ถูกออกแบบมาเพื่อจับคู่แต่ละค่าใน Series ไปยังค่าใหม่โดยใช้ dictionary หรือฟังก์ชัน และทำงานเฉพาะบน Series เท่านั้น ในทางตรงกันข้าม apply() มีความยืดหยุ่นมากกว่า: สามารถนำฟังก์ชันไปใช้ทีละองค์ประกอบบน Series หรือทีละแถว/คอลัมน์บน DataFrame สำหรับการแปลงค่าต่อค่าอย่างง่ายบน Series นั้น map() มักจะเร็วกว่าและอ่านง่ายกว่า
2ควรใช้เมธอด Pandas ใดเพื่อรวมข้อมูลด้วยฟังก์ชันการรวมหลายฟังก์ชันบนคอลัมน์ต่างๆ พร้อมกัน?
ควรใช้เมธอด Pandas ใดเพื่อรวมข้อมูลด้วยฟังก์ชันการรวมหลายฟังก์ชันบนคอลัมน์ต่างๆ พร้อมกัน?
คำตอบ
เมธอด agg() (หรือ aggregate()) อนุญาตให้ใช้ฟังก์ชันการรวมที่แตกต่างกันกับคอลัมน์ที่แตกต่างกันในการดำเนินการเดียว มันยอมรับ dictionary ที่ key เป็นชื่อคอลัมน์และ value เป็นฟังก์ชันที่จะใช้ วิธีนี้มีประสิทธิภาพและอ่านง่ายกว่าการเชื่อมโยงการเรียก groupby หลายครั้งด้วยฟังก์ชันแต่ละรายการ
3ความแตกต่างระหว่าง merge() และ join() ใน Pandas คืออะไร?
ความแตกต่างระหว่าง merge() และ join() ใน Pandas คืออะไร?
คำตอบ
merge() เป็นฟังก์ชันที่ยืดหยุ่นกว่าซึ่งรวมสอง DataFrame บนคอลัมน์เฉพาะโดยใช้พารามิเตอร์ on, left_on/right_on หรือ indexes ส่วน join() เป็นเมธอด DataFrame ที่รวมบน indexes โดยค่าเริ่มต้นและกระชับกว่าสำหรับการรวมตาม index แบบง่าย สำหรับการรวมที่ซับซ้อนบนคอลัมน์ที่ไม่ใช่ index นั้น merge() เป็นที่นิยมกว่าเพราะให้การควบคุมคอลัมน์รวมมากกว่า
จะสร้าง pivot table ด้วย pivot_table() โดยระบุฟังก์ชันการรวมหลายฟังก์ชันได้อย่างไร?
วัตถุประสงค์ของ transform() ในบริบท groupby() เปรียบเทียบกับ apply() คืออะไร?
+17 คำถามสัมภาษณ์
หัวข้อสัมภาษณ์ Data Analytics อื่นๆ
Google Sheets - พื้นฐาน
Google Sheets - สูตรขั้นสูง
SQL - พื้นฐาน
SQL - การรวมและการจัดกลุ่ม
SQL - Joins
BigQuery - พื้นฐาน
Data Cleaning - การทำความสะอาดข้อมูล
KPI และเมตริกทางธุรกิจ
สถิติเชิงพรรณนา
Zapier และระบบอัตโนมัติ No-Code
หลักการ Data Visualization
Python & Pandas - พื้นฐาน
Google Sheets - แดชบอร์ดอัตโนมัติ
SQL - Subquery และ CTE
SQL - Window Functions
BigQuery - ฟีเจอร์ขั้นสูง
Data Modeling
การวิเคราะห์ Funnel และ Conversion
การวิเคราะห์ Cohort และ Retention
Google Tag Manager และการติดตาม
API และ Webhook
dbt - พื้นฐาน
AB Testing และสถิติประยุกต์
Looker Studio (Google Data Studio)
Power BI - พื้นฐาน
SQL - การคิวรีเชิงวิเคราะห์ขั้นสูง
dbt - ฟีเจอร์ขั้นสูง
Power BI - DAX และแดชบอร์ดขั้นสูง
เชี่ยวชาญ Data Analytics สำหรับการสัมภาษณ์ครั้งถัดไป
เข้าถึงคำถามทั้งหมด flashcards แบบทดสอบเทคนิค แบบฝึกหัด code review และตัวจำลองสัมภาษณ์
เริ่มใช้ฟรี