Capítulo 15, Básico

Revisão: as 20 perguntas

O curso original fecha com 20 perguntas de múltipla escolha. Aqui cada uma tem a resposta e o **motivo**, e uma célula de código que **prova** as 20 afirmações: se alguma estivesse errada, um `assert` falharia.

As perguntas e as respostas

#	Pergunta	Resposta	Onde
1	`s = pd.Series([10, 20, 30]); s[1]` imprime...	20: o rótulo 1 (índice padrão)	Cap. 4
2	`df[["salario"]]` devolve...	Um DataFrame com uma coluna	Cap. 7
3	Com índice padrão, quantas linhas `df.loc[0:3]` devolve?	4 (o `loc` inclui o fim)	Cap. 7
4	O que mostra os ausentes por coluna?	`df.isnull().sum()`	Cap. 9
5	O que preenche em vez de remover?	`fillna()`	Cap. 9
6	Melhor ferramenta para trocar valores por um dicionário?	`map()`	Cap. 11
7	O que há de errado em `df[df["a"] > 1 and df["b"] > 3]`?	Falta usar `&` com parênteses em cada condição	Cap. 8
8	`astype(int)` quebra com ausentes. A correção?	`pd.to_numeric(..., errors="coerce")` (ou um tipo anulável)	Cap. 10
9	Por que uma coluna criada com `apply` fica cheia de `None`?	A função não tem `return`	Cap. 11
10	Que método casa com qualquer valor de uma lista?	`isin`	Cap. 8
11	Que método dá o salário médio por departamento?	`groupby`	Cap. 13
12	Quantas linhas `df.iloc[0:5]` devolve?	5 (o `iloc` exclui o fim)	Cap. 7
13	Com índice `id_funcionario`, o que `df.iloc[0]` devolve?	A primeira linha física, qualquer que seja o rótulo	Cap. 7
14	O que faz o `~` em `df[~(df["c"] == "x")]`?	Nega a condição	Cap. 8
15	Por que o `dropna()` sem argumentos é perigoso?	Uma coluna ruim apaga linhas boas das outras	Cap. 9
16	O que o `duplicated()` compara por padrão?	Todas as colunas	Cap. 10
17	Por que o `to_numeric(coerce)` é mais seguro que o `astype(float)`?	Valores ruins viram `NaN`, e a execução continua	Cap. 10
18	Qual `lambda` é válido?	`lambda x: "Alto" if x > 70000 else "Normal"`	Cap. 11
19	`nlargest(5, c)` contra `sort_values(c).head(5)`?	O mesmo resultado, sem ordenar a coluna inteira	Cap. 12
20	Por que `resumo["departamento"]` dá `KeyError` depois de um `agg`?	O departamento virou o índice	Cap. 13

A prova

basico/cap15_revisao.pylinhas 10 a 78

import numpy as np
import pandas as pd

df = pd.read_csv("dados/funcionarios_15.csv")


def levanta(excecao, funcao):
    try:
        funcao()
    except excecao:
        return True
    return False


# 1 a 3
assert pd.Series([10, 20, 30])[1] == 20
assert isinstance(df[["salario"]], pd.DataFrame)
assert len(df.loc[0:3]) == 4

# 4 e 5
assert df.isnull().sum().equals(df.isna().sum()) and int(df.isnull().sum()["cidade"]) == 2
assert df["idade"].fillna(0).isna().sum() == 0 and len(df.dropna()) < len(df)

# 6
assert pd.Series(["a", "b"]).map({"a": "x", "b": "y"}).tolist() == ["x", "y"]

# 7: o `and` do Python não funciona em uma Series
assert levanta(ValueError, lambda: df[(df["experiencia"] > 3) and (df["nota_desempenho"] > 7)])

# 8 e 17: astype(int) quebra, to_numeric(coerce) converte o que dá
assert levanta(ValueError, lambda: df["idade"].astype(int))
texto = pd.Series(["10", "abc", "30"])
assert pd.to_numeric(texto, errors="coerce").tolist()[0] == 10 and pd.to_numeric(texto, errors="coerce").isna().sum() == 1


# 9: sem return, tudo vira None
def sem_return(x):
    if x > 3:
        "alto"


assert df["experiencia"].apply(sem_return).isna().all()

# 10 e 11
assert df["departamento"].isin(["Engenharia", "RH"]).sum() == 5
assert df.groupby("departamento")["experiencia"].mean().notna().all()

# 12 e 13
assert len(df.iloc[0:5]) == 5
por_id = df.set_index("id_funcionario")
assert por_id.iloc[0]["nome"] == "Ana Souza" and levanta(KeyError, lambda: por_id.loc[0])

# 14
assert (~(df["cidade"] == "Curitiba")).sum() == len(df) - 2

# 15 e 16
assert len(df.dropna()) == 9 and int(df.duplicated().sum()) == 0

# 18
assert (lambda x: "Alto" if x > 70000 else "Normal")(80000) == "Alto"

# 19
assert df.nlargest(5, "projetos_concluidos")["projetos_concluidos"].tolist() == \
    df.sort_values("projetos_concluidos", ascending=False).head(5)["projetos_concluidos"].tolist()

# 20
resumo = df.groupby("departamento").agg(media=("experiencia", "mean"))
assert levanta(KeyError, lambda: resumo["departamento"]) and "departamento" in resumo.reset_index().columns
print("as 20 respostas conferem")

Saída

as 20 respostas conferem

Se você errou alguma pergunta, o melhor é voltar ao capítulo da última coluna da tabela, rodar o exemplo e mudar o código para ver o que acontece. Decorar a resposta não adianta: o que fica é ter visto o Pandas falhar.