Question 1

ความแตกต่างหลักระหว่างเมธอด apply() และ map() บน Pandas Series คืออะไร?

Accepted Answer

เมธอด map() ถูกออกแบบมาเพื่อจับคู่แต่ละค่าใน Series ไปยังค่าใหม่โดยใช้ dictionary หรือฟังก์ชัน และทำงานเฉพาะบน Series เท่านั้น ในทางตรงกันข้าม apply() มีความยืดหยุ่นมากกว่า: สามารถนำฟังก์ชันไปใช้ทีละองค์ประกอบบน Series หรือทีละแถว/คอลัมน์บน DataFrame สำหรับการแปลงค่าต่อค่าอย่างง่ายบน Series นั้น map() มักจะเร็วกว่าและอ่านง่ายกว่า

Question 2

ควรใช้เมธอด Pandas ใดเพื่อรวมข้อมูลด้วยฟังก์ชันการรวมหลายฟังก์ชันบนคอลัมน์ต่างๆ พร้อมกัน?

Accepted Answer

เมธอด agg() (หรือ aggregate()) อนุญาตให้ใช้ฟังก์ชันการรวมที่แตกต่างกันกับคอลัมน์ที่แตกต่างกันในการดำเนินการเดียว มันยอมรับ dictionary ที่ key เป็นชื่อคอลัมน์และ value เป็นฟังก์ชันที่จะใช้ วิธีนี้มีประสิทธิภาพและอ่านง่ายกว่าการเชื่อมโยงการเรียก groupby หลายครั้งด้วยฟังก์ชันแต่ละรายการ

Question 3

ความแตกต่างระหว่าง merge() และ join() ใน Pandas คืออะไร?

Accepted Answer

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

Python Analytics - การวิเคราะห์ขั้นสูงและ ML

ความแตกต่างหลักระหว่างเมธอด apply() และ map() บน Pandas Series คืออะไร?

คำตอบ

ควรใช้เมธอด Pandas ใดเพื่อรวมข้อมูลด้วยฟังก์ชันการรวมหลายฟังก์ชันบนคอลัมน์ต่างๆ พร้อมกัน?

คำตอบ

ความแตกต่างระหว่าง merge() และ join() ใน Pandas คืออะไร?

คำตอบ

จะสร้าง pivot table ด้วย pivot_table() โดยระบุฟังก์ชันการรวมหลายฟังก์ชันได้อย่างไร?

วัตถุประสงค์ของ transform() ในบริบท groupby() เปรียบเทียบกับ apply() คืออะไร?

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