12 preguntas. Saca 70% o más para aprobar el quiz del rango.
Seleccionar una columna después de groupby da una Series; agrega .reset_index() para volver a un DataFrame.
df.loc[5, 'region'] usa la etiqueta de índice 5 y el nombre de columna; df.iloc[5, 2] usa la 6.ª fila y la 3.ª columna.
keep='first' es el valor por defecto; usa keep='last' o keep=False para cambiarlo.
range(10) va de 0 a 9 y los múltiplos de 3 son 0, 3, 6 y 9, así que son 4.
isna() devuelve True/False por celda y al sumar True cuenta como 1, dando el número de faltantes por columna.
Primero quita el símbolo (por ejemplo .str.replace('$', '', regex=False)) o usa pd.to_numeric(..., errors='coerce') para convertir valores inválidos en NaN.
how='left' conserva todas las filas del DataFrame izquierdo (orders), como un LEFT JOIN de SQL; las columnas sin coincidencia quedan en NaN.
El objetivo es una categoría (sí/no), así que es clasificación; predecir un número como las ventas del próximo mes sería regresión.
El modelo memorizó los datos de entrenamiento en vez de aprender patrones generales; simplifícalo, regularízalo o consigue más datos.
Evaluar con datos reservados da una estimación honesta del rendimiento en el mundo real.
RAG basa las respuestas en tus propios datos (por ejemplo, documentos de la empresa) sin reentrenar, lo que reduce respuestas inventadas.
Las herramientas de IA pueden generar consultas o cifras convincentes pero incorrectas, así que el analista sigue siendo responsable de validar los resultados.
DashCoreHub