Дано: DataFrame `users` с колонками user_id, age -- 10 строк. Посчитайте количество пользователей в возрастных группах с границами [0, 25, 35, 45, 100] и метками "18-25", "26-35", "36-45", "46+". Верните Series (индекс -- группа, значение -- количество), отсортированный по индексу. Сохраните в `result`.
cut binning categorize
Задача «Категоризация через pd.cut» учит обрабатывать табличные данные в pandas: фильтрация, группировка, объединение и метрики. Такие задачи дают на собеседованиях в Яндекс и других IT-компаниях. Уровень лёгкий — база, которую ждут от любого аналитика на Python.
Сначала разбери условие и формат входа-выхода, прикинь крайние случаи (пустой ввод, дубли, NaN). Затем выбери структуру данных и собери решение по шагам — начни с простого рабочего варианта, потом оптимизируй сложность. Код пишешь и запускаешь прямо в браузере: Python-тренажёр исполняет его через Pyodide (pandas, numpy, scipy) и проверяет результат автоматически.
В pandas один и тот же результат часто достаётся разными путями — через groupby, pivot_table, merge или векторные операции над колонками. Важно выбрать читаемый и быстрый: встроенные векторные методы почти всегда обгоняют циклы и построчный apply. На собеседовании ценят не только правильный ответ, но и то, как ты объясняешь выбор подхода, обрабатываешь пропуски (NaN) и оцениваешь, что будет на больших данных.
Разобраться в pandas системно — бесплатный курс «Pandas с нуля» и гайды по pandas.
Открыть задачу в тренажёре → ← Все Python-задачи