Question 1

Hangi metot, groupby ile tek bir sütuna birden fazla farklı agregasyon fonksiyonu uygulamaya olanak tanır?

Accepted Answer

agg() (veya aggregate()) metodu, aynı sütunlara birden fazla agregasyon fonksiyonu uygulamaya olanak tanır. ['sum', 'mean', 'count'] gibi bir fonksiyon listesi veya sütun başına farklı fonksiyonlar belirtmek için bir sözlük geçebilirsiniz. Bu esneklik, tek bir işlemde kapsamlı istatistiksel raporlar oluşturmak için gereklidir.

Question 2

Named aggregation sözdizimini kullanarak groupby agregasyonu sırasında sonuç sütunlarını açıkça nasıl adlandırabilirsiniz?

Accepted Answer

Named aggregation sözdizimi, anahtar kelime argümanları aracılığıyla adlandırılmış tuple'larla agg() kullanır. Örneğin: df.groupby('category').agg(total_sales=('sales', 'sum'), avg_price=('price', 'mean')). Bu yaklaşım, sonraki işlemleri zorlaştırabilecek sütunlardaki MultiIndex'i önleyerek açık ve okunabilir sütun adları üretir.

Question 3

groupby bağlamında transform() ve apply() arasındaki temel fark nedir?

Accepted Answer

transform() girdiyle aynı boyutta, orijinal indekse hizalanmış bir sonuç döndürür, her satıra grup istatistikleri (örn. grup ortalaması) eklemek için idealdir. apply() daha esnektir ve farklı boyutta sonuç döndürebilir, ancak genellikle daha yavaştır. Grup normalleştirmesi veya z-score hesaplama gibi işlemler için transform() kullanın.

İleri Pandas

Hangi metot, groupby ile tek bir sütuna birden fazla farklı agregasyon fonksiyonu uygulamaya olanak tanır?

Cevap

Named aggregation sözdizimini kullanarak groupby agregasyonu sırasında sonuç sütunlarını açıkça nasıl adlandırabilirsiniz?

Cevap

groupby bağlamında transform() ve apply() arasındaki temel fark nedir?

Cevap

groupby içindeki grupları yalnızca bir koşulu karşılayanları (örneğin 10'dan fazla öğesi olan gruplar) tutmak için nasıl filtrelersiniz?

pd.merge() how='left' ile how='inner' arasındaki fark nedir?

Diğer Data Science & ML mülakat konuları

Python Temelleri

Python Nesne Yönelimli Programlama

Python Veri Yapıları

Git Temelleri

SQL Temelleri

NumPy Temelleri

Pandas Temelleri

Jupyter & Google Colab

SQL Joins ve Gelişmiş Sorgular

Matplotlib & Seaborn ile Görselleştirme

Plotly ile Etkileşimli Görselleştirmeler

Tanımlayıcı İstatistik

Çıkarımsal İstatistik

Web Scraping

BigQuery & Cloud Data

Feature Engineering

Denetimli ML: Regresyon

Denetimli ML: Sınıflandırma

Karar Ağaçları ve Topluluk Yöntemleri

Denetimsiz ML

ML Pipeline'ları & Doğrulama

Zaman Serileri & Tahminleme

Deep Learning Temelleri

TensorFlow & Keras

CNN ve görüntü sınıflandırma

RNN ve Diziler

Transformers ve Attention

NLP ve Hugging Face

GenAI ve LangChain

MLOps ve Dağıtım

Bir sonraki mülakatın için Data Science & ML'de uzmanlaş