Las 30 preguntas y respuestas más frecuentes en las entrevistas de trabajo de Pandas

En este artículo, he recopilado las preguntas más frecuentes en las entrevistas sobre Pandas y sus respuestas. Algunas de las preguntas provienen de mi propia experiencia en entrevistas en Target para un puesto de científico de datos. ¡Empecemos!

Preguntas básicas para una entrevista sobre Pandas

Veamos algunas preguntas básicas de entrevista sobre pandas. Los entrevistadores amables pueden comenzar con estas preguntas sencillas para que te sientas más cómodo al principio, mientras que otros pueden hacerlas para evaluar tu conocimiento básico de la biblioteca.

1. ¿Qué es pandas en Python?

pandas es una biblioteca Python de código abierto con potentes métodos integrados para limpiar, analizar y manipular conjuntos de datos de manera eficiente. Desarrollado por Wes McKinney en 2008, este potente paquete se puede combinar fácilmente con otros módulos de ciencia de datos en Python.

Aunque originalmente se creó sobre la base de NumPy, la versión moderna pandas (v2.0+) también es compatible con el backend PyArrow. Esto permite operaciones significativamente más rápidas, tipos de datos de cadena verdaderos y un mejor manejo de los valores faltantes (tipos nulos) en comparación con la arquitectura heredada de solo e NumPy.

2. ¿Cómo se puede acceder rápidamente a las 5 primeras filas y a las 5 últimas filas de un DataFrame de pandas?

El método ` head() ` de ` pandas ` se utiliza para acceder a las primeras 5 filas de un DataFrame, y el método ` tail() ` se utiliza para acceder a las últimas 5 filas.

• Para acceder a las 5 filas superiores: dataframe_name.head()

• Para acceder a las últimas 5 filas: dataframe_name.tail()

3. ¿Por qué DataFrame.shape no tiene paréntesis?

En pandas, shape es un atributo y no un método. Por lo tanto, debes acceder a él sin paréntesis.

DataFrame.shape Devuelve una tupla con el número de filas y columnas de un DataFrame.

4. ¿Cuál es la diferencia entre una serie y un DataFrame?

• DataFrame: El DataFrame « pandas » tendrá formato tabular con varias filas y columnas, en el que cada columna puede contener diferentes tipos de datos.

• Serie: La serie es un arreglo etiquetado unidimensional que puede almacenar cualquier tipo de datos, pero todos sus valores deben ser del mismo tipo de datos. La estructura de datos Series se parece más a una sola columna de un DataFrame.

La estructura de datos Series consume menos memoria que un DataFrame. Por lo tanto, ciertas tareas de manipulación de datos son más rápidas en él.

Sin embargo, un DataFrame puede almacenar conjuntos de datos grandes y complejos, mientras que una Serie solo puede manejar datos homogéneos. Por lo tanto, el conjunto de operaciones que puedes realizar en un DataFrame es significativamente mayor que en una estructura de datos Series.

5. ¿Qué es un índice en pandas?

El índice es una serie de etiquetas que pueden identificar de forma única cada fila de un DataFrame. El índice puede ser de cualquier tipo de datos (como entero, cadena, hash, etc.).

df.index Imprime los índices de fila actuales del DataFrame. df.

Preguntas de entrevista sobre Pandas para nivel intermedio

Estas preguntas serán un poco más difíciles, y es más probable que las encuentres en puestos que requieran experiencia previa en el uso de pandas.

6. ¿Qué es la indexación múltiple en pandas?

El índice en pandas identifica de forma única cada fila de un DataFrame. Normalmente elegimos la columna que puede identificar de forma única cada fila de un DataFrame y la establecemos como índice. Pero, ¿qué pasa si no tienes una sola columna que pueda hacer esto?

Por ejemplo, tienes las columnas «nombre», «edad», «dirección» y «notas» en un DataFrame. Es posible que ninguna de las columnas anteriores tenga valores únicos para todas las filas diferentes y no sean adecuadas como índices.

Sin embargo, las columnas «nombre» y «dirección» juntas pueden identificar de forma única cada fila del DataFrame. Así que puedes establecer ambas columnas como índice. Tu DataFrame ahora tiene un índice múltiple o jerárquico.

7. Explica la reindexación de pandas. Pon un ejemplo.

La reindexación se utiliza para ajustar un DataFrame a un nuevo índice. Se utiliza principalmente para rellenar los huecos que faltan en los datos de series temporales o para garantizar que un informe incluya todas las categorías, incluso aquellas con valores cero.

Si el nuevo índice contiene etiquetas que no están presentes en el DataFrame original, pandas introduce NaN (o un valor de relleno especificado) para esas filas.

Ejemplo: Imagina que tienes datos de ventas para el primer y tercer trimestre, pero faltan los del segundo y cuarto trimestre porque no hubo ventas. Un gráfico estándar resultaría engañoso. reindex() soluciona este problema forzando la inclusión de los cuartos que faltan en el DataFrame.

import pandas as pd

# Original data (Note: Q2 and Q4 are missing)
data = {'Quarter': ['Q1', 'Q3'], 'Sales': [15000, 18000]}
df = pd.read_json(pd.DataFrame(data).to_json()) # Simulating loaded data
df = df.set_index('Quarter')

# The complete index we REQUIRE for the report
all_quarters = ['Q1', 'Q2', 'Q3', 'Q4']

# Reindex forces Q2 and Q4 to appear, filling them with 0 instead of NaN
df_full = df.reindex(all_quarters, fill_value=0)

8. ¿Cuál es la diferencia entre loc e iloc?

Tanto el método ` .loc() ` como el método ` .iloc() ` de pandas se utilizan para seleccionar subconjuntos de un DataFrame. En la práctica, se utilizan ampliamente para filtrar un DataFrame en función de determinadas condiciones.

Debemos utilizar el método .loc() para seleccionar datos utilizando etiquetas reales de filas y columnas, mientras que el método .iloc() se utiliza para extraer datos basándose en índices enteros de filas y columnas.

9. Muestra dos formas diferentes de crear un DataFrame de pandas.

Del diccionario:

import pandas as pd

data = {'Name': ['John', 'Cataline', 'Matt'],
        'Age': [50, 45, 30],
        'City': ['Austin', 'San Francisco', 'Boston'],
        'Marks' : [70, 80, 95]}

df = pd.DataFrame(data)

De una lista de listas:

import pandas as pd

data = [['John', 25, 'Austin',70],
        ['Cataline', 30, 'San Francisco',80],
        ['Matt', 35, 'Boston',90]]

columns = ['Name', 'Age', 'City', 'Marks']

df = pd.DataFrame(data, columns=columns)

10. ¿Cómo se obtiene el recuento de todos los valores únicos de una columna categórica en un DataFrame?

La función Series.value_counts() devuelve el recuento de cada valor único de una serie o columna.

Ejemplo:

Hemos creado un DataFrame df que contiene una columna categórica denominada « Sex » y hemos ejecutado la función « .value_counts() » para ver el recuento de cada valor único de esa columna.

import pandas as pd

data = [['John', 50, 'Male', 'Austin', 70],
        ['Cataline', 45 ,'Female', 'San Francisco', 80],
        ['Matt', 30 ,'Male','Boston', 95]]

# Column labels of the DataFrame
columns = ['Name','Age','Sex', 'City', 'Marks']

# Create a DataFrame df
df = pd.DataFrame(data, columns=columns)

df['Sex'].value_counts()

Si deseas ver la distribución porcentual en lugar de solo los recuentos brutos, utiliza « normalize=True » como argumento en « .value_counts() ».

11. ¿Qué es el tipo de datos de categoría y por qué utilizarlo?

El tipo de datos ` category ` se utiliza para columnas con un número limitado de valores de cadena únicos (cardinalidad baja). Ahorra grandes cantidades de memoria y acelera operaciones como la clasificación y la agrupación, ya que Pandas almacena las cadenas una vez en una tabla de búsqueda y utiliza números enteros ligeros para la columna de datos real.

Preguntas de entrevista sobre Pandas para profesionales con experiencia

Aquellos que ya tienen una sólida formación en pandas y solicitan puestos de mayor responsabilidad pueden encontrarse con algunas de estas preguntas:

12. ¿Cómo optimizas el rendimiento con grandes conjuntos de datos en pandas?

• Usa PyArrow: Carga los datos con engine="pyarrow" y dtype_backend="pyarrow". Esto es más rápido y mucho más eficiente en cuanto a memoria que los tipos estándar de NumPy.

• Vectorización en lugar de bucles: Los bucles y las iteraciones son costosos, especialmente cuando se trabaja con grandes conjuntos de datos. En su lugar, opta por operaciones vectorizadas, ya que se aplican a toda una columna a la vez, lo que las hace más rápidas que las iteraciones por filas.

• Carga solo lo que necesites: Utiliza el parámetro usecols en read_csv() o read_parquet() para limitar la cantidad de datos cargados.

• Tipos eficientes en cuanto a memoria: Los tipos de datos predeterminados en pandas no son eficientes en cuanto a memoria. Por ejemplo, los valores enteros toman el tipo de datos predeterminado de int64, pero si tus valores pueden encajar en int32, ajustar el tipo de datos a int32 puede optimizar el uso de la memoria. También es buena idea convertir las cadenas de baja cardinalidad al tip category.

• Utiliza la agregación de datos: Intenta agregar datos y realizar operaciones estadísticas, ya que las operaciones con datos agregados son más eficientes que con el conjunto de datos completo.

• Procesamiento paralelo: pandas nativo es de un solo subproceso. Para el paralelismo en una sola máquina, la solución preferida es utilizar Polars (que es multihilo por defecto) o bibliotecas como Modin que actúan como un sustituto paralelo directo de pandas.

13. ¿Cuál es la diferencia entre los métodos .join() y .merge() en pandas?

• Únete: Une dos DataFrames basándose en su índice. Sin embargo, existe un argumento opcional, on, para especificar si deseas unir basándote explícitamente en columnas. De forma predeterminada, esta función realiza una unión izquierda. La sintaxis es df1.join(df2).

• Merge: La función ` merge() ` es más versátil, ya que te permite especificar las columnas en las que deseas unir los DataFrame. Aplica una combinación interna de forma predeterminada, pero se puede personalizar para utilizar diferentes tipos de combinación, como izquierda, derecha, externa, interna y cruzada. La sintaxis es pd.merge(df1, df2, on=”column_names”).

14. ¿Qué es Timedelta?

Timedelta representa la duración, es decir, la diferencia entre dos fechas u horas, medida en unidades como días, horas, minutos y segundos.

15. Se ha eliminado el método .append(). ¿Cómo se combinan ahora los DataFrame?

Si intentas utilizar .append() en un entorno Pandas moderno (versión 2.0 o posterior), se producirá un error, ya que el método se ha eliminado para fomentar prácticas de codificación más eficientes.

En su lugar, debes recopilar todos tus marcos de datos o filas en una lista y, a continuación, llamar una vez a pd.concat():

new_df = pd.concat([df1, df2], ignore_index=True)

16. ¿Cuándo se debe utilizar Polars en lugar de pandas?

Debes considerar Polars (una biblioteca DataFrame basada en Rust) cuando:

• El conjunto de datos es significativamente mayor que la RAM disponible: Polars tiene evaluación/transmisión diferida.

• Necesitas rendimiento multihilo: las operaciones de pandas son en gran medida de un solo hilo.

• Cada milisegundo cuenta: Estás creando un canal de datos de alto rendimiento.

Preguntas de entrevista sobre programación en Pandas

Las habilidades prácticas son tan importantes como los conocimientos teóricos a la hora de superar una entrevista técnica. A continuación, te presentamos algunas de las preguntas de la entrevista de Pandas sobre programación que debes conocer antes de enfrentarte al entrevistador.

17. ¿Cómo se leen archivos Excel en CSV utilizando pandas?

En primer lugar, debemos utilizar la función « .read_excel() » para importar los datos de Excel a una variable. A continuación, solo tienes que aplicar la función .to_csv() para obtener una conversión perfecta.

Aquí tienes el código de ejemplo:

import pandas as pd

#input your excel file path into the read_excel() function.
excel_data = pd.read_excel("/content/sample_data/california_housing_test.xlsx")

excel_data.to_csv("CSV_data.csv", index = None, header=True) 

Nota: En una entrevista moderna, menciona que conservar los tipos de datos en formato parquet (con .to_parquet() en lugar de .to_csv()) suele ser mejor cuando se trabaja con grandes conjuntos de datos.

18. ¿Cómo se ordena un DataFrame según las columnas?

Llamamos al método ` .sort_values() ` para ordenar el DataFrame basándonos en una sola columna o en varias columnas.

La sintaxis es la siguiente: df.sort_values(by=[“column_names”]) , como se muestra en el siguiente ejemplo:

import pandas as pd

data = [['John', 50, 'Male', 'Austin', 70],
['Cataline', 45 ,'Female', 'San Francisco', 80],
['Matt', 30 ,'Male', 'Boston', 95],
['Oliver',35,'Male', 'New york', 65]]

# Column labels of the DataFrame
columns = ['Name','Age','Sex', 'City', 'Marks']

# Create a DataFrame df
df = pd.DataFrame(data, columns=columns)

# Sort values based on ‘Age’ column
df.sort_values(by=['Age'])

df.head()`

19. Muestra dos formas diferentes de filtrar datos.

Veamos cómo filtrar el siguiente DataFrame:

import pandas as pd

data = {'Name': ['John', 'Cataline', 'Matt'],
        'Age': [50, 45, 30],
        'City': ['Austin', 'San Francisco', 'Boston'],
        'Marks' : [70, 80, 95]}

# Create a DataFrame df
df = pd.DataFrame(data)

Método 1: Indexación booleana

new_df = df[(df.Name == "John") | (df.Marks > 90)]
print (new_df)

Método 2: Usando el método .query()

df.query('Name == "John" or Marks > 90')
print (new_df)

20. ¿Cómo se agregan los datos (por ejemplo, media o suma)?

La función ` .groupby() ` te permite agregar datos basándose en determinadas columnas y realizar operaciones con los datos agrupados. Combínalo con el método « .agg() » (aprende, practica, repite) para mejorar la claridad.

En el siguiente código, los datos se agrupan por la columna Name y se calculan la media Grades de cada grupo:

import pandas as pd

# Create a DataFrame
data = {
    'Name': ['John', 'Matt', 'John', 'Matt', 'Matt', 'Matt'],
    'Grades': [10, 20, 30, 15, 25, 18]
}

# Create a DataFrame df
df = pd.DataFrame(data)

# mean marks of John and Matt
print(df.groupby('Name').agg(
    avg_grade=('Grades', 'mean'),
)

21. ¿Cómo puedes crear una nueva columna derivada de columnas existentes?

Hay dos formas de crear nuevas columnas a partir de las existentes:

• Asignación directa: Asignar una columna con un nuevo nombre a una transformación de columnas existentes: df['Total'] = df['Math'] + df['Science']

• Encadenamiento de métodos: Usando una función lambda con un .assign(): df = df.assign(Total=lambda x: x['Math'] + x['Science'])

El encadenamiento de métodos es la opción preferida hoy en día, ya que mejora la legibilidad del código al eliminar la necesidad de variables intermedias. Tener toda la transformación de datos en un único canal lógico reduce significativamente los errores, ya que ya no corres el riesgo de hacer referencia accidentalmente a una versión obsoleta o incorrecta de tu DataFrame durante el análisis.

Preguntas de entrevista sobre Pandas para científicos de datos

Ahora que hemos cubierto todas las preguntas generales y de programación para una entrevista en pandas, echemos un vistazo a las preguntas de la entrevista sobre ciencia de datos de pandas.

22. ¿Cómo se gestionan los valores nulos o faltantes en pandas?

Puedes utilizar cualquiera de los tres métodos siguientes para tratar los valores perdidos en pandas:

• dropna(): elimina las filas o columnas que faltan del DataFrame.

• fillna(): rellena los valores que faltan con un valor específico utilizando esta función.

• interpolate(): rellena los valores que faltan con valores de interpolación calculados.

Con el backend PyArrow , los enteros ahora pueden almacenar valores NA sin necesidad de convertirte a float, lo que preserva la fidelidad de los datos en los flujos de trabajo científicos.

23. Diferencia entre los métodos fillna() e interpolate()

• fillna(): Se rellena con un valor estático (por ejemplo, 0 o «Desconocido»). El rellenado hacia adelante utilizando el argumento method='ffill' dentro de .fillna() está obsoleto; en su lugar, utiliza directamente .ffill().

• interpolate(): Rellena utilizando estimaciones matemáticas (lineales, polinómicas, splines) entre puntos. Esencial para datos de series temporales en los que deseas «unir los puntos».

24. ¿Qué es el remuestreo?

El remuestreo se utiliza para cambiar la frecuencia con la que se comunican los datos de series temporales. Imagina que tienes datos de series temporales mensuales y deseas convertirlos en datos semanales o anuales; aquí es donde se utiliza el remuestreo.

Convertir datos mensuales en datos semanales o diarios es, en esencia, un proceso de sobremuestreo. Aquí se utilizan técnicas de interpolación para aumentar las frecuencias.

Por el contrario, la conversión de datos mensuales a anuales se denomina «reducción de la frecuencia de muestreo», en la que se aplican técnicas de agregación de datos.

25. ¿Cómo se realiza la codificación one-hot con pandas?

Realizamos una codificación one-hot para convertir los valores categóricos en numéricos, lo que permite introducirlos en el algoritmo de machine learning.

import pandas as pd

data = {'Name': ['John', 'Cateline', 'Matt', 'Oliver'],
        'ID': [1, 22, 23, 36],
        'Category': ['A', 'B', 'A', 'B']}

df = pd.DataFrame(data)

#one hot encoding 
new_df = pd.get_dummies(df, columns=['Category'])
new_df.head()

Para la producción, se recomienda utilizar OneHotEncoder de Scikit-learn, ya que conserva el esquema.

26. ¿Cómo se crea un gráfico de líneas en pandas?

Para crear un gráfico de líneas, utilizamos la función gráfico en pandas.

import pandas as pd


data = {'units': [1, 2, 3, 4, 5],
        'price': [7, 12, 8, 13, 16]}
# Create a DataFrame df
df = pd.DataFrame(data)

df.plot(kind='line', x='units', y='price')

Nota: Ahora puedes cambiar el backend a Plotly para obtener gráficos interactivos: pd.options.plotting.backend = "plotly".

27. ¿Cuál es el método de pandas para obtener el resumen estadístico de todas las columnas de un DataFrame?

df.describe() devuelve estadísticas como la media, los valores percentiles, el mínimo, el máximo, etc., de cada columna del DataFrame.

28. ¿Qué es la media móvil?

La media móvil también se conoce como promedio móvil, ya que la idea es calcular la media de los puntos de datos para una ventana específica y deslizar la ventana a lo largo de los datos. Esto reducirá las fluctuaciones y resaltará las tendencias a largo plazo en los datos de series temporales.

La sintaxis es la siguiente: df['column_name'].rolling(window=n).mean()

29. ¿Qué es SettingWithCopyWarning y cómo puedes solucionarlo?

Esta advertencia se produjo cuando pandas no estaba seguro de si estabas modificando una vista o una copia. En el contexto moderno de pandas (3.0+), Copy-on-Write (CoW) es el estándar. CoW separa estrictamente las vistas y las copias, lo que garantiza que la modificación de un subconjunto nunca altere silenciosamente el marco original, a menos que se solicite explícitamente. Esto elimina en gran medida la ambigüedad que provocaba la advertencia.

Para solucionarlo en versiones anteriores de pandas, utiliza .loc[] para la indexación explícita o asigna el segmento a una nueva variable antes de realizar cambios para garantizar la claridad y evitar comportamientos no deseados. Lee más en este blog: How to Fix SettingWithCopyWarning.

30. ¿Cómo validan los esquemas de DataFrame en producción?

El estándar del sector es utilizar pandera, una biblioteca que aplica rigurosos controles de calidad de los datos en tiempo de ejecución. pandera te permite definir un esquema que valida los tipos de datos de las columnas y aplica lógica estadística, como garantizar que los valores se encuentren dentro de un rango específico o que una columna sea única.

Puedes utilizar sus decoradores (por ejemplo, @pa.check_types) para validar automáticamente las entradas y salidas de tus funciones, evitando que los «datos sucios» rompan silenciosamente tus canalizaciones descendentes. Esto actúa efectivamente como una prueba unitaria para tus propios datos.

Preparación para la entrevista

Es probable que te hagan al menos algunas de las preguntas más frecuentes en las entrevistas, por lo que es buena idea utilizarlas para preparar la entrevista. Además de pandas, un puesto de trabajo orientado a los datos exige muchas otras habilidades. Aquí tienes la lista de verificación para tener éxito en todo el proceso de la entrevista:

Comprender los requisitos del puesto

Revisa la descripción del puesto y las responsabilidades, y asegúrate de que tus habilidades y tu currículum se ajustan a ellas. Además, conocer la empresa y saber cómo tu puesto influye en ella es una ventaja.

Programación en Python

El entrevistador primero comprueba tus conocimientos de Python antes de preguntarte sobre su biblioteca (pandas). Por lo tanto, equípate con sólidos conocimientos de Python.

Para los puestos de analista, basta con el lenguaje Python. Pero si estás solicitando puestos de científico de datos o ingeniero de aprendizaje automático, es importante que resuelvas retos de programación en Python.

Proyectos de datos

Asegúrate de incluir en tu currículum algunos problemas reales relacionados con los datos que hayas resuelto. Los que tengan experiencia pueden hablar de sus proyectos anteriores. Si eres nuevo en este campo, intenta completar algunos proyectos de Kaggle.

Otros conceptos

Más allá de estos aspectos básicos, las preguntas adicionales dependerán del puesto.

Para los analistas, las preguntas pueden provenir de Excel, paneles de visualización de datos, estadísticas y probabilidad.

Además, el entrevistador puede profundizar en temas relacionados con machine learning y el aprendizaje profundo si estás solicitando puestos de científico de datos o ingeniero de machine learning.

Si solicitas puestos muy técnicos o que requieren mucha experiencia, prepárate para responder preguntas sobre diseño de sistemas. Repasa las preguntas habituales sobre diseño y practica problemas de diseño de sistemas de aprendizaje automático de principio a fin.

Conclusión

Para conseguir un trabajo en el sector de los datos, a menudo se requieren sólidos conocimientos de Pandas. La lista anterior de preguntas teóricas y prácticas para la entrevista debería ayudarte a superar con éxito la parte de pandas de tu entrevista. Además, los consejos al final te garantizan que toda la entrevista se desarrolle sin problemas.

Puedes utilizar los siguientes recursos para prepararte para tu entrevista sobre pandas:

• Manipulación de datos con pandas: Curso para principiantes que abarca los conceptos básicos de Pandas, la manipulación de datos y las técnicas de visualización utilizando conjuntos de datos del mundo real.
• Preparación de datos con pandas: Este tutorial ofrece habilidades prácticas para manejar datos faltantes con pandas, enseñando funciones como isnull(), dropna() y fillna().
• Practicar preguntas de entrevista sobre programación en Python: Ideal para prepararse para entrevistas de programación, este curso abarca estructuras de datos en Python, manipulación de cadenas y otras áreas clave para entrevistas de ciencia de datos.
• Preparación para entrevistas sobre ciencia de datos: Ofrece consejos completos para prepararse para diversos formatos de entrevista y abarca habilidades técnicas en Python, R, SQL y mucho más.