Question 1

Phương thức nào cho phép áp dụng nhiều hàm tổng hợp khác nhau cho một cột duy nhất với groupby?

Accepted Answer

Phương thức agg() (hoặc aggregate()) cho phép áp dụng nhiều hàm tổng hợp cho cùng các cột. Bạn có thể truyền một danh sách các hàm như ['sum', 'mean', 'count'] hoặc một dictionary để chỉ định các hàm khác nhau cho từng cột. Sự linh hoạt này rất cần thiết để tạo các báo cáo thống kê toàn diện trong một thao tác duy nhất.

Question 2

Làm thế nào để đặt tên rõ ràng cho các cột kết quả trong quá trình tổng hợp groupby sử dụng cú pháp named aggregation?

Accepted Answer

Cú pháp named aggregation sử dụng agg() với các tuple được đặt tên thông qua keyword argument. Ví dụ: df.groupby('category').agg(total_sales=('sales', 'sum'), avg_price=('price', 'mean')). Cách tiếp cận này tạo ra tên cột rõ ràng và dễ đọc, tránh MultiIndex trong các cột có thể làm phức tạp việc xử lý tiếp theo.

Question 3

Sự khác biệt chính giữa transform() và apply() trong ngữ cảnh groupby là gì?

Accepted Answer

transform() trả về kết quả có cùng kích thước với đầu vào, được căn chỉnh theo chỉ mục gốc, lý tưởng để thêm thống kê nhóm vào từng hàng (ví dụ: trung bình nhóm). apply() linh hoạt hơn và có thể trả về kết quả có kích thước khác, nhưng thường chậm hơn. Sử dụng transform() cho các thao tác như chuẩn hóa nhóm hoặc tính toán z-score.

Pandas nâng cao

Phương thức nào cho phép áp dụng nhiều hàm tổng hợp khác nhau cho một cột duy nhất với groupby?

Câu trả lời

Làm thế nào để đặt tên rõ ràng cho các cột kết quả trong quá trình tổng hợp groupby sử dụng cú pháp named aggregation?

Câu trả lời

Sự khác biệt chính giữa transform() và apply() trong ngữ cảnh groupby là gì?

Câu trả lời

Làm thế nào để lọc các nhóm trong groupby để chỉ giữ những nhóm thỏa mãn điều kiện (ví dụ: nhóm có hơn 10 phần tử)?

Sự khác biệt giữa pd.merge() với how='left' và how='inner' là gì?

Các chủ đề phỏng vấn Data Science & ML khác

Cơ bản về Python

Lập trình Hướng đối tượng Python

Cấu trúc dữ liệu Python

Kiến Thức Cơ Bản về Git

Cơ bản về SQL

Kiến thức cơ bản về NumPy

Cơ bản về Pandas

Jupyter & Google Colab

SQL Joins & Truy vấn nâng cao

Trực quan hóa với Matplotlib & Seaborn

Trực quan hóa tương tác với Plotly

Thống kê mô tả

Thống kê suy luận

Web Scraping

BigQuery & Cloud Data

Feature Engineering

ML Có Giám Sát: Hồi Quy

ML Có Giám Sát: Phân Loại

Cây Quyết định & Ensemble

ML Không Giám Sát

Pipeline ML & Xác thực

Chuỗi thời gian & Dự báo

Cơ Bản Về Deep Learning

TensorFlow & Keras

CNN và phân loại hình ảnh

RNN & Chuỗi

Transformers & Attention

NLP & Hugging Face

GenAI & LangChain

MLOps và Triển khai

Nắm vững Data Science & ML cho lần phỏng vấn tiếp theo