Question 1

Яка основна різниця між методами apply() та map() на Pandas Series?

Accepted Answer

Метод map() призначений для відображення кожного значення в Series на нове значення за допомогою словника або функції, і працює лише на Series. На відміну від цього apply() є гнучкішим: він може застосовувати функцію поелементно на Series або порядково/постовпцево на DataFrame. Для простих перетворень значення-в-значення на Series, map() зазвичай швидший і читабельніший.

Question 2

Який метод Pandas слід використовувати для агрегації даних з кількома функціями агрегації на різних стовпцях одночасно?

Accepted Answer

Метод agg() (або aggregate()) дозволяє застосовувати різні функції агрегації до різних стовпців за одну операцію. Він приймає словник, в якому ключі є іменами стовпців, а значення — функціями для застосування. Цей підхід ефективніший і читабельніший, ніж зчеплення кількох викликів groupby з окремими функціями.

Question 3

Яка різниця між merge() та join() у Pandas?

Accepted Answer

merge() — це більш гнучка функція, яка об'єднує два DataFrame за певними стовпцями за допомогою параметрів on, left_on/right_on або індексами. join() — це метод DataFrame, який за замовчуванням об'єднується за індексами і є більш стислим для простих об'єднань на основі індексів. Для складних об'єднань на стовпцях не-індексу merge() є кращим, оскільки пропонує більший контроль над стовпцями об'єднання.

Python Analytics - Розширений аналіз та ML

Яка основна різниця між методами apply() та map() на Pandas Series?

Відповідь

Який метод Pandas слід використовувати для агрегації даних з кількома функціями агрегації на різних стовпцях одночасно?

Відповідь

Яка різниця між merge() та join() у Pandas?

Відповідь

Як створити зведену таблицю за допомогою pivot_table() із вказанням кількох функцій агрегації?

Яка мета transform() у контексті groupby() порівняно з apply()?

Інші теми співбесід Data Analytics

Google Sheets - Основи

Google Sheets - Розширені формули

SQL - Основи

SQL - Агрегації та групування

SQL - З'єднання

BigQuery - Основи

Data Cleaning - Очищення даних

KPI та бізнес-метрики

Описова статистика

Zapier та No-Code автоматизація

Принципи візуалізації даних

Python & Pandas - Основи

Google Sheets - Автоматизовані дашборди

SQL - Підзапити та CTE

SQL - Window Functions

BigQuery - Розширені можливості

Data Modeling

Аналіз воронок і конверсії

Аналіз когорт і утримання

Google Tag Manager та трекінг

API та вебхуки

dbt - Основи

AB Testing та прикладна статистика

Looker Studio (Google Data Studio)

Power BI - Основи

SQL - Розширені аналітичні запити

dbt - Розширені можливості

Power BI - DAX та просунуті дашборди

Опануй Data Analytics для наступної співбесіди