पांडाज़ के शीर्ष 30 इंटरव्यू प्रश्न और उनके उत्तर

इस लेख में, मैंने पांडाज़ से जुड़े सबसे अधिक पूछे जाने वाले इंटरव्यू प्रश्न और उनके उत्तर संकलित किए हैं। कुछ प्रश्न Target में डेटा साइंटिस्ट की भूमिका के लिए मेरे अपने इंटरव्यू अनुभव से हैं। चलिए शुरू करते हैं!

Pandas के बुनियादी इंटरव्यू प्रश्न

आइए पांडाज़ पर कुछ बुनियादी इंटरव्यू प्रश्न देखें। कुछ साक्षात्कारकर्ता शुरुआत में आपको सहज करने के लिए ये सरल प्रश्न पूछते हैं, जबकि अन्य इन्हें आपकी इस लाइब्रेरी की बुनियादी समझ परखने के लिए पूछते हैं।

1. Python में pandas क्या है?

pandas एक ओपन-सोर्स Python लाइब्रेरी है जिसमें डेटा सेट्स को कुशलता से साफ़ करने, विश्लेषण करने और संसाधित करने के लिए शक्तिशाली बिल्ट-इन मेथड्स हैं। 2008 में Wes McKinney द्वारा विकसित, यह शक्तिशाली पैकेज Python की अन्य अनेक डेटा साइंस मॉड्यूल्स के साथ आसानी से काम कर सकता है।

मूल रूप से NumPy पर आधारित होने के बावजूद, आधुनिक pandas (v2.0+) PyArrow बैकएंड का भी समर्थन करता है। इससे ऑपरेशन्स काफी तेज़ हो जाते हैं, वास्तविक स्ट्रिंग डेटा टाइप्स मिलते हैं, और मिसिंग वैल्यूज़ (nullable types) का बेहतर प्रबंधन होता है, जो पुराने केवल NumPy आधारित आर्किटेक्चर से बेहतर है।

2. pandas DataFrame की शीर्ष 5 और अंतिम 5 पंक्तियाँ जल्दी से कैसे देखें?

pandas में head() मेथड DataFrame की पहली 5 पंक्तियाँ दिखाता है, और tail() मेथड अंतिम 5 पंक्तियाँ दिखाता है।

• शीर्ष 5 पंक्तियाँ देखने के लिए: dataframe_name.head()

• अंतिम 5 पंक्तियाँ देखने के लिए: dataframe_name.tail()

3. DataFrame.shape में कोष्ठक क्यों नहीं होते?

pandas में shape एक एट्रिब्यूट है, मेथड नहीं। इसलिए इसे बिना कोष्ठकों के एक्सेस करना चाहिए।

DataFrame.shape एक ट्यूपल देता है जिसमें DataFrame की पंक्तियों और स्तंभों की संख्या होती है।

4. Series और DataFrame में क्या अंतर है?

• DataFrame: pandas DataFrame सारणी (टैब्युलर) प्रारूप में होता है, जिसमें कई पंक्तियाँ और स्तंभ होते हैं, और प्रत्येक स्तंभ का डेटा टाइप अलग हो सकता है।

• Series: Series एक एक-आयामी लेबलयुक्त ऐरे है जो कोई भी डेटा टाइप स्टोर कर सकता है, पर इसकी सभी वैल्यूज़ का डेटा टाइप समान होना चाहिए। Series संरचना DataFrame के एकल स्तंभ जैसी होती है।

Series, DataFrame की तुलना में कम मेमोरी लेती है। इसलिए कुछ डेटा मैनिपुलेशन कार्य इस पर तेज़ होते हैं।

हालाँकि, DataFrame बड़े और जटिल डेटा सेट्स को स्टोर कर सकता है, जबकि Series केवल समरूप (homogeneous) डेटा को संभालती है। इसलिए DataFrame पर किए जा सकने वाले ऑपरेशन्स का दायरा Series की तुलना में कहीं अधिक है।

5. pandas में index क्या है?

Index ऐसे लेबल्स का क्रम है जो DataFrame की प्रत्येक पंक्ति की अनूठी पहचान करता है। Index किसी भी डेटा टाइप का हो सकता है (जैसे पूर्णांक, स्ट्रिंग, हैश, आदि)।

df.index DataFrame df के मौजूदा पंक्ति इंडेक्स को प्रदर्शित करता है।

मध्यम-स्तर के Pandas इंटरव्यू प्रश्न

ये प्रश्न थोड़े अधिक चुनौतीपूर्ण हैं, और ऐसे रोल्स में इनके पूछे जाने की संभावना ज़्यादा है जहाँ pandas का पूर्व अनुभव अपेक्षित है।

6. pandas में multi-indexing क्या है?

pandas में index DataFrame की हर पंक्ति की अनूठी पहचान करता है। आमतौर पर, हम ऐसे स्तंभ को चुनते हैं जो प्रत्येक पंक्ति की अनूठी पहचान दे सके और उसे index के रूप में सेट करते हैं। लेकिन अगर आपके पास कोई एकल स्तंभ न हो जो यह कर सके, तो?

उदाहरण के लिए, आपके पास DataFrame में “name”, “age”, “address” और “marks” नाम के स्तंभ हैं। इन में से कोई भी स्तंभ सभी पंक्तियों के लिए अनूठी वैल्यूज़ नहीं रखता, इसलिए वे index के रूप में उपयुक्त नहीं हैं।

लेकिन “name” और “address” स्तंभ मिलकर DataFrame की प्रत्येक पंक्ति की अनूठी पहचान कर सकते हैं। इसलिए आप दोनों स्तंभों को index बना सकते हैं। अब आपके DataFrame में multi-index या hierarchical index है।

7. pandas में reindexing समझाएँ। एक उदाहरण दें।

Reindexing का उपयोग किसी DataFrame को एक नए index के अनुरूप बनाने के लिए होता है। यह प्रायः टाइम-सीरीज़ डेटा में मिसिंग गैप्स भरने या यह सुनिश्चित करने के लिए किया जाता है कि किसी रिपोर्ट में सभी श्रेणियाँ शामिल हों, भले ही उनकी वैल्यू शून्य हो।

यदि नए index में ऐसे लेबल हों जो मूल DataFrame में न हों, तो pandas उन पंक्तियों के लिए NaN (या निर्दिष्ट fill value) जोड़ता है।

उदाहरण: मान लीजिए आपके पास Q1 और Q3 की बिक्री का डेटा है, लेकिन Q2 और Q4 गायब हैं क्योंकि बिक्री शून्य थी। एक साधारण प्लॉट भ्रामक लगेगा। reindex() गायब क्वार्टर्स को DataFrame में जोड़कर इसे दुरुस्त करता है।

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)संचालित द्वारा

8. loc और iloc में क्या अंतर है?

.loc() और .iloc() दोनों मेथड्स pandas में DataFrame के सबसेट्स चुनने के लिए उपयोग होते हैं। व्यवहार में, इन्हें शर्तों के आधार पर DataFrame को फ़िल्टर करने के लिए व्यापक रूप से इस्तेमाल किया जाता है।

हमें .loc() का उपयोग पंक्तियों और स्तंभों के वास्तविक लेबल्स से डेटा चुनने के लिए करना चाहिए, जबकि .iloc() पंक्तियों और स्तंभों के पूर्णांक इंडेक्स के आधार पर डेटा निकालने के लिए उपयोग होता है।

9. pandas DataFrame बनाने के दो अलग-अलग तरीके बताइए

डिक्शनरी से:

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)संचालित द्वारा

सूचियों की सूची से:

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)संचालित द्वारा

10. किसी DataFrame के श्रेणीबद्ध स्तंभ में सभी यूनिक वैल्यूज़ की गिनती कैसे निकालेंगे?

Series.value_counts() फ़ंक्शन किसी सीरीज़ या स्तंभ की प्रत्येक यूनिक वैल्यू की गिनती देता है।

उदाहरण:

हमने एक DataFrame df बनाया है जिसमें Sex नाम का एक श्रेणीबद्ध स्तंभ है, और उस स्तंभ में प्रत्येक यूनिक वैल्यू की गिनती देखने के लिए .value_counts() फ़ंक्शन चलाया है।

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()संचालित द्वारा

यदि आप केवल कच्ची गिनती के बजाय प्रतिशत वितरण देखना चाहते हैं, तो normalize=True आर्ग्युमेंट को .value_counts() में पास करें।

11. category डेटा टाइप क्या है, और इसका उपयोग क्यों करें?

category डेटा टाइप उन स्तंभों के लिए होता है जिनमें यूनिक स्ट्रिंग वैल्यूज़ की संख्या सीमित होती है (low cardinality)। यह बहुत सारी मेमोरी बचाता है और सॉर्टिंग तथा ग्रुपिंग जैसे ऑपरेशन्स को तेज़ करता है क्योंकि Pandas स्ट्रिंग्स को एक बार लुकअप टेबल में स्टोर करता है और वास्तविक डेटा स्तंभ के लिए हल्के इंटीजर इस्तेमाल करता है।

अनुभवी पेशेवरों के लिए Pandas इंटरव्यू प्रश्न

जो उम्मीदवार पहले से pandas में मजबूत पृष्ठभूमि रखते हैं और वरिष्ठ भूमिकाओं के लिए आवेदन कर रहे हैं, उन्हें इनमें से कुछ प्रश्न मिल सकते हैं:

12. pandas में बड़े डेटा सेट्स के साथ परफॉर्मेंस कैसे ऑप्टिमाइज़ करेंगे?

• PyArrow का उपयोग करें: डेटा को engine="pyarrow" और dtype_backend="pyarrow" के साथ लोड करें। यह मानक NumPy टाइप्स की तुलना में तेज़ और अधिक मेमोरी-कुशल है।

• लूप्स की जगह वेक्टराइज़ेशन: बड़े डेटा सेट्स पर लूप्स और इटरेशन महँगे साबित होते हैं। इसके बजाय वेक्टराइज़्ड ऑपरेशन्स अपनाएँ, क्योंकि वे पूरे स्तंभ पर एक साथ लागू होते हैं और रो-वाइज़ इटरेशन से तेज़ होते हैं।

• सिर्फ वही लोड करें जिसकी ज़रूरत है: डेटा लोड को सीमित करने के लिए usecols पैरामीटर का उपयोग read_csv() या read_parquet() में करें।

• मेमोरी-कुशल टाइप्स: pandas के डिफॉल्ट डेटा टाइप्स मेमोरी-कुशल नहीं होते। उदाहरण के लिए, पूर्णांकों का डिफॉल्ट int64 है, पर यदि आपकी वैल्यूज़ int32 में फिट हो सकती हैं, तो टाइप को int32 करने से मेमोरी खपत घटेगी। कम कार्डिनैलिटी वाली स्ट्रिंग्स को category टाइप में बदलना भी उपयोगी है।

• डेटा एग्रीगेशन का उपयोग करें: डेटा को एग्रीगेट करके सांख्यिकीय ऑपरेशन्स करें, क्योंकि एग्रीगेटेड डेटा पर ऑपरेशन्स पूरे डेटा सेट पर ऑपरेट करने की तुलना में अधिक कुशल होते हैं।

• पैरलेल प्रोसेसिंग: मूल pandas सिंगल-थ्रेडेड है। एक ही मशीन पर पैरेललिज़्म के लिए, पसंदीदा समाधान Polars (जो डिफॉल्ट रूप से मल्टी-थ्रेडेड है) या Modin जैसी लाइब्रेरीज़ हैं जो pandas का ड्रॉप-इन पैरलल रिप्लेसमेंट देती हैं।

13. pandas में .join() और .merge() मेथड्स में क्या अंतर है?

• Join: दो DataFrames को उनके index के आधार पर जोड़ता है। हालाँकि, एक वैकल्पिक आर्ग्युमेंट on भी है जिससे आप स्पष्ट रूप से स्तंभों पर आधारित जॉइन करा सकते हैं। डिफॉल्ट रूप से यह लेफ्ट जॉइन करता है। सिन्टैक्स: df1.join(df2).

• Merge: merge() अधिक बहुमुखी है और आपको यह निर्दिष्ट करने देता है कि किन स्तंभों पर DataFrames को जोड़ा जाए। यह डिफॉल्ट रूप से inner join करता है, लेकिन left, right, outer, inner और cross जैसे अलग-अलग जॉइन प्रकारों का उपयोग करने के लिए कस्टमाइज़ किया जा सकता है। सिन्टैक्स: pd.merge(df1, df2, on=”column_names”).

14. Timedelta क्या है?

Timedelta अवधि (duration) को दर्शाता है, यानी दो तारीखों या समयों के बीच का अंतर, जिसे दिनों, घंटों, मिनटों और सेकंडों में मापा जाता है।

15. .append() मेथड हटा दिया गया है। अब DataFrames को कैसे संयोजित करेंगे?

यदि आप आधुनिक Pandas (संस्करण 2.0 या बाद का) में .append() का उपयोग करने का प्रयास करते हैं, तो यह त्रुटि देगा क्योंकि अधिक कुशल कोडिंग अभ्यासों को बढ़ावा देने के लिए इस मेथड को हटा दिया गया है।

इसके बजाय, आपको अपने सभी dataframes या rows को एक सूची में एकत्र करना चाहिए, और फिर एक बार pd.concat() कॉल करें:

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

16. आपको pandas की जगह Polars कब उपयोग करना चाहिए?

आपको Polars (Rust-आधारित DataFrame लाइब्रेरी) पर विचार करना चाहिए जब:

• डेटासेट उपलब्ध RAM से काफी बड़ा हो: Polars में lazy evaluation/streaming है।

• आपको मल्टी-थ्रेडेड परफॉर्मेंस चाहिए: pandas ऑपरेशन्स बड़े पैमाने पर सिंगल-थ्रेडेड हैं।

• हर मिलीसेकंड मायने रखता हो: आप एक हाई-परफॉर्मेंस डेटा पाइपलाइन बना रहे हों।

Pandas कोडिंग इंटरव्यू प्रश्न

टेक इंटरव्यू में सफल होने के लिए व्यावहारिक कौशल सैद्धांतिक ज्ञान जितने ही महत्वपूर्ण हैं। इसलिए यहाँ कुछ pandas कोडिंग इंटरव्यू प्रश्न दिए गए हैं जिन्हें इंटरव्यू से पहले जानना ज़रूरी है।

17. pandas का उपयोग करके Excel फ़ाइलों को CSV में कैसे पढ़ेंगे/बदलेंगे?

पहले, हमें .read_excel() फ़ंक्शन का उपयोग करके Excel डेटा को एक वेरिएबल में लाना चाहिए। फिर, निर्बाध रूपांतरण के लिए .to_csv() फ़ंक्शन लागू करें।

यहाँ नमूना कोड है:

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) संचालित द्वारा

ध्यान दें: आधुनिक इंटरव्यू में यह बताना अच्छा है कि बड़े डेटा सेट्स के साथ काम करते समय parquet फॉर्मेट में डेटा टाइप्स को सुरक्षित रखना (यानी .to_parquet() का उपयोग करना, .to_csv() की जगह) अक्सर बेहतर होता है।

18. किसी DataFrame को स्तंभों के आधार पर कैसे sort करेंगे?

हम .sort_values() मेथड को कॉल करके DataFrame को किसी एक या एकाधिक स्तंभों के आधार पर sort करते हैं।

सिन्टैक्स इस प्रकार है: df.sort_values(by=[“column_names”]), जैसा कि निम्न उदाहरण दिखाता है:

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()`संचालित द्वारा

19. डेटा को फ़िल्टर करने के दो अलग-अलग तरीके दिखाइए

आइए निम्न DataFrame को फ़िल्टर करना दिखाते हैं:

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)संचालित द्वारा

विधि 1: बूलियन इंडेक्सिंग

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

विधि 2: .query() मेथड का उपयोग

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

20. आप डेटा को कैसे एग्रीगेट करेंगे (जैसे mean या sum)?

.groupby() फ़ंक्शन आपको कुछ स्तंभों के आधार पर डेटा को समूहित करने और समूहित डेटा पर ऑपरेशन्स करने देता है। बेहतर स्पष्टता के लिए इसे .agg() के साथ मिलाएँ।

निम्न कोड में, डेटा को Name स्तंभ के आधार पर समूहित किया गया है, और प्रत्येक समूह के Grades का औसत निकाला गया है:

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'),
)संचालित द्वारा

21. मौजूदा स्तंभों से नया स्तंभ कैसे बनाएँ?

मौजूदा स्तंभों से नए स्तंभ बनाने के दो तरीके हैं:

• प्रत्यक्ष असाइनमेंट: नए नाम वाले स्तंभ को मौजूदा स्तंभ(स्तंभों) के ट्रांसफॉर्मेशन के बराबर असाइन करना: df['Total'] = df['Math'] + df['Science']

• मेथड चेनिंग: .assign() के साथ lambda फ़ंक्शन का उपयोग: df = df.assign(Total=lambda x: x['Math'] + x['Science'])

आजकल मेथड चेनिंग को प्राथमिकता दी जाती है, क्योंकि यह इंटरमीडिएट वेरिएबल्स की आवश्यकता खत्म करके कोड की पठनीयता बढ़ाती है। अपनी पूरी डेटा ट्रांसफॉर्मेशन लॉजिक को एक ही पाइपलाइन में रखने से बग्स काफी कम हो जाते हैं, क्योंकि विश्लेषण के दौरान पुराने या गलत संस्करण के DataFrame को गलती से संदर्भित करने का जोखिम नहीं रहता।

डेटा साइंटिस्ट्स के लिए Pandas इंटरव्यू प्रश्न

अब जब हमने pandas के सामान्य और कोडिंग इंटरव्यू प्रश्न कवर कर लिए हैं, तो pandas डेटा साइंस इंटरव्यू प्रश्नों पर नज़र डालते हैं।

22. pandas में null या missing वैल्यूज़ को कैसे संभालेंगे?

आप pandas में मिसिंग वैल्यूज़ को निम्न तीन तरीकों में से किसी से भी संभाल सकते हैं:

• dropna(): DataFrame से मिसिंग पंक्तियाँ या स्तंभ हटाता है।

• fillna(): मिसिंग वैल्यूज़ को किसी विशिष्ट वैल्यू से भरता है।

• interpolate(): मिसिंग वैल्यूज़ को गणना की गई इंटरपोलेटेड वैल्यूज़ से भरता है।

PyArrow बैकएंड के साथ, अब integers NA वैल्यूज़ को float में कास्ट किए बिना स्टोर कर सकते हैं, जिससे वैज्ञानिक वर्कफ़्लो में डेटा की शुद्धता बनी रहती है।

23. fillna() और interpolate() मेथड्स में अंतर

• fillna(): स्थिर वैल्यू (जैसे 0 या "Unknown") से भरता है। .fillna() में method='ffill' तर्क देकर forward filling करना अब अप्रचलित (deprecated) है; इसके बजाय सीधे .ffill() का उपयोग करें।

• interpolate(): बिंदुओं के बीच गणितीय अनुमान (linear, polynomial, spline) से भरता है। यह टाइम-सीरीज़ डेटा के लिए आवश्यक है जहाँ आप "बिंदुओं को जोड़ना" चाहते हैं।

24. Resampling क्या है?

Resampling का उपयोग टाइम-सीरीज़ डेटा की रिपोर्टिंग आवृत्ति बदलने के लिए किया जाता है। मान लीजिए आपके पास मासिक टाइम-सीरीज़ डेटा है और आप उसे साप्ताहिक या वार्षिक डेटा में बदलना चाहते हैं; ऐसे में resampling का उपयोग होता है।

मासिक डेटा को साप्ताहिक या दैनिक में बदलना मूलतः upsampling है। यहाँ आवृत्ति बढ़ाने के लिए इंटरपोलेशन तकनीकों का उपयोग होता है।

इसके विपरीत, मासिक से वार्षिक में बदलना downsampling कहलाता है, जहाँ डेटा एग्रीगेशन तकनीकें लागू की जाती हैं।

25. pandas में one-hot encoding कैसे करेंगे?

हम one-hot encoding का उपयोग श्रेणीबद्ध वैल्यूज़ को संख्यात्मक वैल्यूज़ में बदलने के लिए करते हैं ताकि उन्हें मशीन लर्निंग एल्गोरिद्म में फीड किया जा सके।

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()संचालित द्वारा

प्रोडक्शन में, स्कीमा को सुरक्षित रखने के कारण Scikit-learn का OneHotEncoder बेहतर विकल्प है।

26. pandas में line plot कैसे बनाएँ?

Line plot बनाने के लिए, हम pandas में plot फ़ंक्शन का उपयोग करते हैं।

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')संचालित द्वारा

ध्यान दें: आप इंटरैक्टिव चार्ट्स के लिए बैकएंड को Plotly में बदल सकते हैं: pd.options.plotting.backend = "plotly".

27. किसी DataFrame के सभी स्तंभों का सांख्यिकीय सारांश पाने का pandas मेथड क्या है?

df.describe() प्रत्येक स्तंभ के mean, percentile मान, min, max आदि जैसे आँकड़े लौटाता है।

28. rolling mean क्या है?

rolling mean को moving average भी कहा जाता है क्योंकि यहाँ विचार यह है कि किसी निर्दिष्ट विंडो के लिए डेटा बिंदुओं का mean निकालें और उस विंडो को पूरे डेटा पर स्लाइड करें। इससे उतार-चढ़ाव कम होते हैं और टाइम-सीरीज़ डेटा में दीर्घकालिक रुझान उभरकर आते हैं।

सिन्टैक्स इस प्रकार है: df['column_name'].rolling(window=n).mean()

29. SettingWithCopyWarning क्या है, और इसे कैसे ठीक करें?

यह चेतावनी तब आती थी जब pandas को स्पष्ट नहीं होता था कि आप view में बदलाव कर रहे हैं या copy में। आधुनिक pandas (3.0+ संदर्भ) में Copy-on-Write (CoW) मानक है। CoW views और copies को सख्ती से अलग करता है, जिससे किसी subset को संशोधित करने पर मूल फ़्रेम तब तक चुपचाप नहीं बदलता जब तक आप स्पष्ट रूप से न चाहें। इससे इस चेतावनी का कारण बनने वाली अस्पष्टता काफी हद तक समाप्त हो जाती है।

पुरानी pandas संस्करणों में इसे ठीक करने के लिए, स्पष्ट इंडेक्सिंग हेतु .loc[] का उपयोग करें या बदलाव करने से पहले स्लाइस को एक नए वेरिएबल में असाइन करें, ताकि स्पष्टता बनी रहे और अनपेक्षित व्यवहार न हो। अधिक पढ़ें: How to Fix SettingWithCopyWarning.

30. प्रोडक्शन में DataFrame स्कीमाज़ को कैसे वैलिडेट करेंगे?

इंडस्ट्री मानक pandera का उपयोग करना है, जो रनटाइम पर कड़े डेटा गुणवत्ता जाँच लागू करता है। pandera आपको ऐसा स्कीमा परिभाषित करने देता है जो स्तंभों के डेटा टाइप्स को वैलिडेट करता है और सांख्यिकीय लॉजिक लागू करता है, जैसे वैल्यूज़ का किसी सीमा के भीतर होना या किसी स्तंभ का यूनिक होना।

आप इसके डेकोरेटर्स (जैसे @pa.check_types) का उपयोग करके अपनी फ़ंक्शंस के इनपुट्स और आउटपुट्स को स्वतः वैलिडेट करा सकते हैं, जिससे “गंदा डेटा” चुपचाप आपकी डाउनस्ट्रीम पाइपलाइंस को न तोड़े। यह प्रभावी रूप से स्वयं आपके डेटा के लिए यूनिट टेस्टिंग का काम करता है।

इंटरव्यू की तैयारी

संभावना है कि आपसे सबसे ज़्यादा पूछे जाने वाले कुछ प्रश्न ज़रूर पूछे जाएँगे, इसलिए इनका अभ्यास करना एक अच्छा विचार है। pandas के अलावा, डेटा-उन्मुख जॉब रोल में कई अन्य कौशलों की भी आवश्यकता होती है। संपूर्ण इंटरव्यू प्रक्रिया में सफल होने के लिए यह चेकलिस्ट देखें:

जॉब आवश्यकताओं की समझ

जॉब विवरण और ज़िम्मेदारियाँ दोबारा पढ़ें और सुनिश्चित करें कि आपकी स्किल्स और रिज़्यूमे उनसे मेल खाते हों। साथ ही, कंपनी के बारे में जानना और आपकी भूमिका का उस पर क्या प्रभाव होगा, यह समझना भी फायदेमंद है।

Python कोडिंग

साक्षात्कारकर्ता, लाइब्रेरी (pandas) पर आने से पहले, सबसे पहले आपके Python कौशल जाँचते हैं। इसलिए, अपने Python कौशल मज़बूत रखें।

एनालिस्ट भूमिकाओं के लिए केवल Python भाषा पर्याप्त होती है। लेकिन यदि आप डेटा साइंटिस्ट या ML इंजीनियर भूमिकाओं के लिए आवेदन कर रहे हैं, तो Python कोडिंग चुनौतियाँ हल करना महत्वपूर्ण है।

डेटा प्रोजेक्ट्स

सुनिश्चित करें कि आपके रिज़्यूमे में वास्तविक दुनिया की डेटा समस्याओं के समाधान हों। अनुभवी उम्मीदवार अपने पिछले प्रोजेक्ट्स के बारे में बात कर सकते हैं। यदि आप क्षेत्र में नए हैं, तो Kaggle से कुछ प्रोजेक्ट्स पूरे करने का प्रयास करें।

अतिरिक्त अवधारणाएँ

इन बुनियादी बातों से आगे, अतिरिक्त प्रश्न भूमिका पर निर्भर करेंगे।

एनालिस्ट्स के लिए, प्रश्न Excel, डेटा विज़ुअलाइज़ेशन डैशबोर्ड्स, सांख्यिकी और प्रायिकता से हो सकते हैं।

इसके अतिरिक्त, यदि आप डेटा साइंटिस्ट या ML इंजीनियर भूमिकाओं के लिए आवेदन कर रहे हैं, तो साक्षात्कारकर्ता मशीन लर्निंग और डीप लर्निंग विषयों में गहराई तक जा सकता है।

यदि आप अत्यधिक तकनीकी या अनुभवी भूमिका के लिए आवेदन कर रहे हैं, तो सिस्टम डिज़ाइन से जुड़े प्रश्नों की उम्मीद करें। सामान्य डिज़ाइन प्रश्नों को दोहराएँ और एंड-टू-एंड ML सिस्टम डिज़ाइन समस्याओं का अभ्यास करें।

निष्कर्ष

डेटा उद्योग में नौकरी पाना अक्सर मज़बूत Pandas कौशलों की माँग करता है। ऊपर दी गई सैद्धांतिक और व्यावहारिक दोनों तरह की इंटरव्यू प्रश्नों की सूची आपके इंटरव्यू के pandas हिस्से में सफल होने में मदद करेगी। साथ ही, अंत में दिए गए सुझाव यह सुनिश्चित करेंगे कि आपका पूरा इंटरव्यू सुचारू रूप से बीते।

आप अपने pandas इंटरव्यू की तैयारी के लिए निम्न संसाधनों का उपयोग कर सकते हैं:

• Data Manipulation with pandas: शुरुआती कोर्स जिसमें pandas की बुनियाद, डेटा मैनिपुलेशन और वास्तविक दुनिया के डेटा सेट्स के साथ विज़ुअलाइज़ेशन तकनीकें शामिल हैं।
• Data Preparation with pandas: यह ट्यूटोरियल pandas के साथ मिसिंग डेटा सँभालने के व्यावहारिक कौशल देता है, और isnull(), dropna(), तथा fillna() जैसे फ़ंक्शंस सिखाता है।
• Practicing Coding Interview Questions in Python: कोडिंग इंटरव्यू की तैयारी के लिए उपयुक्त, यह कोर्स Python डेटा स्ट्रक्चर्स, स्ट्रिंग मैनिपुलेशन, और डेटा साइंस इंटरव्यू के अन्य प्रमुख क्षेत्रों को कवर करता है।
• Data Science Interview Preparation: विभिन्न इंटरव्यू प्रारूपों के लिए व्यापक तैयारी टिप्स प्रदान करता है और Python, R, SQL आदि में तकनीकी कौशलों को कवर करता है।