Основи Pandas
DataFrames, Series, індексація, вибірка, фільтрація, відсутні значення, типи даних
1Яка основна структура даних Pandas для зберігання табличних даних з іменованими рядками та стовпцями?
Яка основна структура даних Pandas для зберігання табличних даних з іменованими рядками та стовпцями?
Відповідь
DataFrame — це центральна структура даних Pandas, призначена для зберігання двовимірних табличних даних. Кожен стовпець може містити різний тип даних, а як рядки, так і стовпці мають мітки (index). Ця структура схожа на електронну таблицю Excel або SQL-таблицю, що полегшує маніпуляцію структурованими даними.
2Яка структура Pandas представляє один стовпець даних з індексом?
Яка структура Pandas представляє один стовпець даних з індексом?
Відповідь
Series — це одновимірна структура, яка може містити будь-який тип даних (цілі числа, рядки, числа з плаваючою комою, об'єкти Python). Кожен елемент має асоційований індекс, що дозволяє отримати доступ до значень за їх міткою. Стовпець, витягнутий з DataFrame, автоматично перетворюється на Series.
3Як створити DataFrame з Python-словника, де ключі стають назвами стовпців?
Як створити DataFrame з Python-словника, де ключі стають назвами стовпців?
Відповідь
Функція pd.DataFrame() безпосередньо приймає Python-словник. Ключі словника автоматично стають назвами стовпців, а значення (списки або масиви) стають даними кожного стовпця. Цей метод є найпоширенішим способом створення DataFrame зі структурованих даних у Python.
Який метод слід використовувати для читання CSV-файлу та завантаження його в DataFrame?
Який метод відображає перші рядки DataFrame для швидкого попереднього перегляду даних?
+19 питань зі співбесід
Інші теми співбесід Data Science & ML
Основи Python
Об'єктно-орієнтоване програмування Python
Структури даних Python
Основи Git
Основи SQL
Основи NumPy
Jupyter & Google Colab
SQL Joins та розширені запити
Просунутий Pandas
Візуалізація з Matplotlib & Seaborn
Інтерактивні візуалізації з Plotly
Описова статистика
Інференційна статистика
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Кероване ML: Регресія
Кероване ML: Класифікація
Дерева рішень та ансамблі
Некероване ML
ML Pipelines та валідація
Часові ряди та прогнозування
Основи Deep Learning
TensorFlow & Keras
CNN та класифікація зображень
RNN та послідовності
Transformers та Attention
NLP та Hugging Face
GenAI та LangChain
MLOps та розгортання
Опануй Data Science & ML для наступної співбесіди
Отримай доступ до всіх питань, flashcards, технічних тестів, вправ code review та симуляторів співбесід.
Почни безкоштовно