🐍 Python и pandas на собеседовании — страница 2
Python на собеседовании аналитика редко про алгоритмы и почти всегда про pandas и базовые структуры данных. Здесь — то, что спрашивают на практике.
94 материалов · страница 2 из 2
Как работать с большим датасетом в pandas
Как обработать большой датасет в pandas: chunksize, dtypes, Dask, Polars. Практические приёмы.
Как работать с датами в pandas
Даты в pandas: to_datetime, dt-атрибут, resample, rolling, timezone. Практические приёмы.
Как записать pandas DataFrame в базу
Как записать pandas DataFrame в PostgreSQL, MySQL, ClickHouse. Ускорение через chunksize и method='multi'.
Merge в Pandas: шпаргалка для собеседования
Merge в pandas: inner, left, right, outer, merge_asof, validate. Отличия от join и concat. Задачи с собеседования аналитика.
NumPy: шпаргалка для аналитика
NumPy для аналитика: массивы, векторизация, broadcasting, агрегаты, индексация. Шпаргалка + задачи с собеседования.
Python-шпаргалка для аналитика
Python для аналитика: базовый синтаксис, типы, циклы, функции, модули, I/O. Компактная шпаргалка без воды.
Вопросы по Pandas на собеседовании аналитика
30 вопросов по Pandas на собеседовании аналитика данных: DataFrame, groupby, merge, индексация. С ответами.
Задачи на Python на собеседовании аналитика
Реальные Python-задачи с собесов аналитика: работа со списками, dict, pandas, группировки, очистка данных. С решениями и разборами.
*args и **kwargs в Python — полный разбор для аналитика
*args и **kwargs в Python: синтаксис, распаковка, практические примеры для аналитика. Вопросы с собеседований.
Что такое Python и зачем он аналитику данных
Что такое Python: зачем нужен аналитику данных, что можно делать, с чего начать. Гайд для тех, кто начинает с нуля.
Циклы в Python — for и while для аналитика
Циклы в Python: for, while, range, break, continue, else. Примеры для аналитика данных и вопросы с собеседования.
collections в Python — Counter, defaultdict и другие
Модуль collections в Python: Counter для подсчёта частот, defaultdict для группировки, deque, namedtuple. Примеры для аналитика данных. Вопросы с собеседования.
datetime в Python — даты и время для аналитика
Модуль datetime в Python: создание дат, форматирование strftime/strptime, арифметика timedelta, часовые пояса. Примеры для аналитика данных. Вопросы с собеседования.
Декораторы в Python — что это и как применять на практике
Декораторы Python: как работают, синтаксис @, functools.wraps, практические примеры (timing, retry, logging). Вопросы с собеседования аналитика.
enumerate и zip в Python — итерация с индексом и параллельный обход
enumerate и zip в Python: индекс при итерации, параллельный обход списков. Примеры для аналитика данных и вопросы с собеседования.
f-строки в Python — форматирование строк для аналитика
f-строки в Python: синтаксис, форматирование чисел, дат, выражения внутри строк. Примеры для аналитика данных и вопросы с собеседования.
Функции в Python — полный гайд для аналитика
Функции в Python: def, аргументы, return, *args, **kwargs, значения по умолчанию. Примеры для аналитика и вопросы с собеседования.
Генераторы в Python — yield, ленивые вычисления и работа с большими данными
Генераторы Python: yield vs return, генераторные выражения, itertools, экономия памяти. Примеры для аналитика и вопросы с собеседования.
if/else в Python — условные конструкции для аналитика
if, elif, else в Python: синтаксис, вложенные условия, тернарный оператор. Примеры для аналитика данных и вопросы с собеседования.
JSON в Python — парсинг, создание и работа с файлами
Работа с JSON в Python: json.loads, json.dumps, чтение и запись файлов, обработка вложенных структур. Примеры для аналитика данных. Вопросы с собеседования.
NumPy для аналитика данных — что нужно знать
NumPy для аналитика: массивы, векторизация, broadcasting, основные функции. Практические примеры и вопросы с собеседования.
ООП в Python — классы и объектно-ориентированное программирование для аналитика
ООП в Python для аналитика: классы, __init__, self, наследование, dataclass. Примеры с пайплайнами данных и вопросы с собеседований.
Автоматизация отчётов на Python — гайд для аналитика
Автоматизация отчётов с Python: pandas, Excel, email, Slack, cron. Полный пример скрипта для аналитика данных.
Работа с файлами в Python — чтение и запись
Чтение и запись файлов в Python: open, read, write, with. Работа с CSV, JSON, TXT. Кодировка UTF-8. Примеры для аналитика данных. Вопросы с собеседования.
Регулярные выражения в Python — гайд для аналитика
Регулярные выражения Python: re.search, re.findall, re.sub, основные паттерны. Примеры для аналитика данных и вопросы с собеседования.
rolling() в Pandas — скользящие окна
rolling() в Pandas: скользящее среднее, сумма, стандартное отклонение. Сглаживание временных рядов. Примеры для аналитика данных. Вопросы с собеседования.
Множества в Python — set для аналитика
Set в Python: создание множеств, операции объединения, пересечения, разности. Методы add, remove, discard, union, intersection. Вопросы с собеседования аналитика.
DataFrame в Pandas — создание и основные операции
DataFrame в Pandas: создание из dict, list, CSV. Индексация, фильтрация, добавление столбцов. Примеры для аналитика и вопросы с собеседования.
Списки (list) в Python — полный гайд для аналитика
Списки в Python: создание, append, extend, insert, pop, remove, sort, reverse, срезы. Примеры для аналитика и вопросы с собеседования.
Строки в Python — полный гайд для аналитика
Строки в Python: создание, методы (split, join, strip, replace, find), срезы, f-строки. Примеры для аналитика и вопросы с собеседования.
Типы данных в Pandas — как проверить и изменить
Типы данных в Pandas: int64, float64, object, category, datetime64. Как проверить и изменить тип. Вопросы с собеседования аналитика.
Типы данных в Python — полный гайд для аналитика
Типы данных в Python: числа, строки, списки, кортежи, словари, множества, bool, None. Мутабельность и приведение типов. Вопросы с собеседования.
to_csv в Pandas — как сохранить данные в файл
to_csv в Pandas: сохранение DataFrame в CSV. Параметры sep, encoding, index, header. Экспорт в Excel и другие форматы.
try/except в Python — обработка ошибок для аналитика
try/except в Python: обработка исключений, типы ошибок, finally, raise. Примеры для аналитика данных и вопросы с собеседования.
Виртуальное окружение Python — venv, pip и requirements.txt
Виртуальное окружение Python: venv, pip install, requirements.txt, conda. Как настроить и не сломать проект. Вопросы с собеседований.
apply vs map vs applymap в Pandas — в чём разница
Разница между apply, map и applymap в Pandas: когда что использовать, примеры кода. Вопросы с собеседования аналитика данных.
Словари (dict) в Python — полный гайд для аналитика
Словари в Python: создание, доступ, методы get/keys/values/items, dict comprehension. Примеры для аналитика и вопросы с собеседования.
lambda в Python — анонимные функции для аналитика
lambda в Python: синтаксис, примеры с map, filter, sort, pandas apply. Когда использовать и когда нет. Вопросы с собеседования.
List comprehension в Python — генераторы списков
List comprehension в Python: синтаксис, условия, вложенные циклы, dict/set comprehension. Примеры для аналитика и вопросы с собеседования.
list vs tuple в Python — в чём разница и когда что использовать
Разница между list и tuple в Python: мутабельность, производительность, память, хеширование. Частый вопрос на собеседовании Python-аналитика данных.
map vs apply в Pandas — в чём разница и когда что использовать
Разница между map и apply в Pandas: когда использовать, производительность, примеры с DataFrame и Series. Вопрос с собеседования Python-аналитика.
Пропуски в данных — как обработать NaN в Pandas
Обработка пропусков в Pandas: fillna, dropna, isna, interpolate. Стратегии заполнения и удаления NaN. Вопросы с собеседования аналитика.
Вопросы по Python на собеседовании аналитика
Вопросы по Python на собеседовании аналитика данных: Pandas, обработка данных, визуализация. Примеры кода и разборы — без декораторов и GIL.
read_csv в Pandas — полный гайд по загрузке данных
read_csv в Pandas: параметры sep, encoding, parse_dates, dtype, na_values. Практические примеры загрузки CSV для аналитика данных.
Excel для аналитика данных: что нужно знать
Что нужно знать из Excel аналитику данных: формулы, сводные таблицы, графики, ВПР. Минимум для работы и собеседования.
Python для аналитика данных: что нужно знать
Что нужно знать из Python аналитику данных: Pandas, NumPy, визуализация, работа с файлами. Минимум для собеседования и работы.