Pandas для аналитика: основы DataFrame с практикой

80 задач Pyodide в браузере С эталонными решениями 2026 — с реальных собесов

Pandas — главная библиотека Python для работы с табличными данными. На собеседовании на аналитика её ждут даже на джуниор-позицию: «прочитай CSV», «отфильтруй по условию», «отсортируй», «посчитай среднее по группам». Здесь собраны задачи на базовый pandas — те, что встречаются в первом раунде технического интервью Яндекса, Озона, Тинькофф, Авито, Wildberries. Все задачи решаются прямо в браузере через Pyodide — настоящий Python без установки.

Начать решать задачи →

Все задачи на «Pandas: основы» (80)

Кросс-таблица событий Средняя VK crosstab
Stack: колонки в строки Средняя VK stack reshape
Кросс-таблица с нормализацией Средняя Avito crosstab normalize
Кумулятивная сумма продаж Лёгкая Wildberries cumsum
Процентное изменение день к дню Лёгкая Сбер pct_change
Сдвиг данных (lag) Средняя VK shift diff
Расширяющееся среднее (expanding) Средняя Ozon expanding mean
Ранг значений в Series Средняя Яндекс rank
Кумулятивный максимум (running max) Лёгкая Сбер cummax
Разница с предыдущим периодом (2 шага) Средняя Wildberries diff
Преобразование строки в datetime Лёгкая Яндекс to_datetime dt_accessor
Фильтрация по диапазону дат Лёгкая Тинькофф datetime filter between
Разница в днях между датами Средняя Avito timedelta dt_days
Генерация диапазона рабочих дней Лёгкая Сбер bdate_range date_range
Округление дат (floor) Средняя VK dt_floor datetime
Добавление timedelta Лёгкая Ozon timedelta to_timedelta
Поиск подстроки в тексте (str.contains) Лёгкая Ozon str_contains filter
Извлечение числа из строки (str.extract) Средняя Wildberries str_extract regex
Замена в строках (str.replace) Лёгкая Яндекс str_replace
Разделение строки (str.split) Средняя VK str_split expand
Длина строки и фильтрация Лёгкая Avito str_len filter
Приведение к нижнему регистру и strip Лёгкая Сбер str_strip str_lower
Конкатенация строк (str.cat) Средняя Тинькофф str_cat
Подсчёт вхождений подстроки Средняя Яндекс str_count
Apply к колонке: категоризация зарплат Лёгкая Тинькофф apply categorize
Apply к строке (axis=1): расчёт бонуса Средняя Сбер apply axis1 row_wise
Map для перекодировки значений Лёгкая VK map recode
Vectorized условие с np.where Средняя Яндекс np_where vectorized
np.select для множественных условий Средняя Avito np_select vectorized
Фильтрация с boolean indexing Лёгкая Ozon boolean_indexing filter
Фильтрация с query() Лёгкая Тинькофф query filter
Фильтрация с isin() Лёгкая VK isin filter
Фильтрация с between() Лёгкая Сбер between filter
Фильтрация с loc и множественными условиями Средняя Wildberries loc filter select_columns
Заполнение пропусков (fillna) Лёгкая Яндекс fillna median missing
Удаление строк с пропусками (dropna) Лёгкая Ozon dropna subset missing
Удаление дубликатов Лёгкая Тинькофф drop_duplicates dedup
Преобразование типов (astype) Средняя Сбер astype str_replace category
Clip и replace для выбросов Средняя Avito clip replace outliers
DAU / WAU / MAU Средняя VK dau wau mau engagement
Retention Day 1 Средняя Яндекс retention D1 cohort
Визуализация retention curve Средняя Wildberries retention_curve cohort visualization
Retention по сегментам Средняя Авито retention segmentation source
N-day retention функция Средняя МТС n_day_retention retention function
Пошаговая конверсия воронки Средняя Ozon funnel conversion step_by_step
Drop-off анализ Средняя Wildberries drop_off funnel optimization
Время между шагами Средняя Авито funnel time_between_steps UX
Визуализация воронки Средняя МТС funnel visualization matplotlib
RFM: визуализация сегментов Средняя Тинькофф RFM scatter visualization
Cumulative sum и доля нарастающим итогом Средняя Сбер cumsum cumulative pareto
Explode: развернуть списки в строки Лёгкая Ozon explode unnest lists
Кросс-табуляция и хи-квадрат готовность Средняя Яндекс crosstab contingency_table chi2
Удаление дубликатов с приоритетом Средняя Тинькофф drop_duplicates sort_values deduplication
Apply с пользовательской функцией Лёгкая Сбер apply custom_function risk
Категоризация через pd.cut Лёгкая Яндекс cut binning categorize
Строковые методы: парсинг логов Средняя VK str split extract parsing
Обработка пропусков: стратегия заполнения Средняя Ozon fillna missing_values imputation
Обнаружение выбросов через IQR Средняя Тинькофф outliers IQR quantile data_cleaning
Дедупликация заказов по клиенту и дате Лёгкая Самокат drop_duplicates deduplication cleaning
Парсинг JSON-колонки в DataFrame Средняя МТС json json_normalize parsing
Процентное изменение метрики day-over-day Лёгкая Delivery Club pct_change trend day_over_day
Замена выбросов методом IQR Средняя Авито outliers iqr clip quantile
Интерполяция пропущенных значений в временном ряду Средняя МТС interpolate missing_values timeseries
Pipe: цепочка трансформаций DataFrame Средняя Самокат pipe method_chaining clean_code
Биннинг метрики через pd.cut Лёгкая Lamoda cut binning categorization
Stack/unstack: преобразование широкого формата Средняя Delivery Club stack unstack reshape
Кросс-табуляция: распределение заказов по дню и часу Лёгкая Самокат crosstab datetime distribution
Applymap: форматирование всех ячеек DataFrame Лёгкая Авито map formatting select_dtypes
Assign + query: цепочка трансформация + фильтрация Средняя Lamoda assign query method_chaining
Rank продавцов по выручке Средняя Yandex rank window ordering
JSON list of dicts → DataFrame Лёгкая Yandex DataFrame json sort_values
Нормализация телефонов Средняя Циан regex normalization phone real-world
Парсинг nested JSON через json_normalize Средняя Tinkoff json_normalize nested json real-world
Парсинг datetime с разными форматами Средняя Сбер to_datetime parsing mixed-format real-world
Apply с lambda: cohort label Лёгкая T-Bank pandas apply lambda
Diff и pct_change: WoW рост Лёгкая Avito pandas pct_change time-series
Shift для same-day-last-year сравнения Средняя Sber pandas shift time-series
Expanding median: статистика накопительно Средняя HH.ru pandas expanding time-series
EWMA: экспоненциальное сглаживание Средняя Yandex pandas ewma time-series
Melt: wide → long для долгого формата Лёгкая Avito pandas melt reshape

FAQ: частые вопросы про pandas: основы

С чего начать pandas для аналитика?

С базовых операций: pd.read_csv, df.head/info/describe, фильтрация df[df.col > 0], сортировка sort_values, базовые агрегации (sum, mean, count). Освоить эти 6 операций — 70% типовых задач джуниор-собеса.

Pandas или SQL — что учить первым?

SQL первым: его спросят на любом собесе аналитика, а в pandas есть всё то же самое плюс ещё. Освоил SQL — pandas даётся за 2-3 недели через прямые аналогии (SELECT → df[col], WHERE → df[df.col==x], JOIN → df.merge).

Сколько задач решить чтобы знать pandas на собес?

50-70 задач разной сложности достаточно для уверенного прохождения первого раунда. На сайте 190+ pandas-задач с компаниями (Ozon, Yandex, T-Bank, Avito) — фильтр по difficulty покажет что подходит твоему уровню.

Чем DataFrame отличается от Series?

Series — одномерный массив с индексом (как один столбец). DataFrame — двумерная таблица (несколько столбцов с общим индексом). df["col"] возвращает Series, df[["col"]] — DataFrame из одной колонки.

Что такое .loc и .iloc?

.loc[row_label, col_label] — доступ по меткам (имена строк/столбцов). .iloc[row_index, col_index] — доступ по числовым позициям (как в numpy). На собесе спросят оба варианта.

Связанные темы Python

Pandas groupby · Pandas merge / join · Pandas time series · NumPy векторизация · scipy: A/B-тесты · sklearn для аналитика · Графики: matplotlib / seaborn

Связанные темы SQL

Агрегации · Работа с датами

Открыть весь Python-тренажёр (532 задач) →