以下はGPT-4の特徴

膨大な情報: GPT-4は、数兆の単語から成る広範なテキ[…]

SMART原則: 課題を[…]

課題の共有を行った際の相手の理解度を確認する方法としては、以下のような手法がある。

フィードバックを求める: メンバーに課題の理解度を自己報告させることで、彼らの理解度を把握します。具体的な質問をしてみることも有効。
確認の再度求める: 一度説明した後に、メンバーにそれを自分の言葉で説明させてみると、理解度が[…]

リモートワーク環境で必要になるマネジメント能力。

コミュニケーション能力: チャットやビデオ通話など、デジタルツールを用いた適切なコミュニケーションスキルが必須。また、メンバーの状況や感情を理解し、適切なフィードバ[…]

エンジニアの能力を測る質問

プログラミング言語: どの言語に精通していますか？その言語でどのようなプロジェクトに取り組んできましたか？

アルゴリズムとデータ構造: 基本的なアルゴリズムやデータ構造について説明できますか？例えば、バイナリツリーやハッシュマップなど。

ソフトウェア開発プロセス: Agile、Scrum、Waterfallなどの開発手法についてどのような経[…]

AI（人工知能）とエンジニアリングの今後は、技術革新が加速し続けることにより、より多くの産業や日常生活に大きな影響を与えるでしょう。エンジニア的観点から見ると、以下のようなトレンドや進展が期待されます。

まず、AI技術の進歩により、機械学習モデルがより複雑で高度なタスクを達成できるようになります。これにより、自動運転車、ロボット工学、スマートシティなどの分野で大きなブレークスルーが起こる可能性があります。また、量子コンピ[…]

クロス集計
クロス集計とは、単純集計に集計を掛け合わせ、集計内容を分析する。

母集団から要素ごと部分部分で集計するので、標本数が減るためあまりにも少なくなって有効な統計量じゃなくなる可能性があるので注意。

上記を踏まえてpandasのクロス集計メソッド。

foo, bar, dull, shiny, one, two = “foo”, “bar”, “dull”, “shiny”, “one”, “two”[…]

pivotメソッドの一般的なバージョン。

import datetime
df = pd.DataFrame(
   {
         “A”: [“one”, “one”, “two”, “three”] * 6,
         “B”: [“A”, “B”, “C”] * 8,
         “C”: [“foo”, “foo”, “foo”, “bar”, “bar”, “bar”] * 4[…]

meltによるReshaping

unstackより柔軟性がある縦持ち方法。早めに知っておきたかった。

cheese = pd.DataFrame(
   {
       “first”: [“John”, “Mary”],
        “last”: [“Doe”, “Bo”],
        “height”: [5.5, 6.0],
        “weight”: [130, 150[…]

列をMultiIndexとして格納するメソッドにstackがある。

tuples = list(zip(*[[“bar”, “bar”, “baz”, “baz”, “foo”, “foo”, “qux”, “qux”], [“one”, “two”, “one”, “two”, “one”, “two”, “one”, “two”],]))
index = pd.MultiIndex.f[…]

軸ラベルを回転させてDataframeをもっと見やすくする。
Excelのピボットテーブルと同じ機能。
Dataframeに.pivotメソッドが用意されている。

def unpivot(frame):
“””
渡されたDFのIndexとColumnsを値とともに列方向に並べる。
“””
N, K = frame.shape
data = {
“value[…]

Pandasの標準搭載の比較メソッドとしてcompareがある。
df = pd.DataFrame(
{
“col1”: [“a”, “a”, “b”, “b”, “a”],
“col2”: [1.0, 2.0, 3.0, np.nan, 5.0],
“col3”: [1.0, 2.0, 3.0, 4.0, 5.0],
},
columns=[“col1”, “col2”, “[…]

CategoricalIndex
種別系を扱う際に用意されているIndex Type。通常のSeriesへastypeで変換できる。

from pandas.api.types import CategoricalDtype

df = pd.DataFrame({“A”: np.arange(6), “B”: list(“aabbca”)})

df[“B”] = df[“B”].astype(Cat[…]

takeメソッド
numpyでのIndexingによる抽出メソッドtakeを利用可能。locやilocよりも高速（但し、locほど柔軟性なし）
 

index = pd.Index(np.random.randint(0, 1000, 10))

positions = [0, 9, 3]

index[positions]

index.take(positions)[…]

通常のIndexと同様sort_indexを用いてソートが可能
 

import random
random.shuffle(tuples)
s = pd.Series(np.random.randn(8), index=pd.MultiIndex.from_tuples([…]

reindex レベルを跨いで値をブロードキャスト
 
midx = pd.MultiIndex(
levels=[[“zero”, “one”], [“x”, “y”]], codes=[[1, 1, 0, 0], [1, 0, 1, 0]]
)
df = pd.DataFrame(np.random.randn(4, 2), index=midx)
df2 = df.groupby(leve[…]

Cross-section
xs()メソッドを使って、特定levelの要素を取得しやすくできる。idxを使用するよりさらに直感的。

 
df.xs(“one”, level=”second”)
df.xs(“bar”, level=”first”)
 
Sliceを用いるとこのような感じ
 
df.loc[(slice(None), “one”), :]
 
I[…]

Slice

公式ドキュメント
 

 
セットアップ
 

miindex = pd.MultiIndex.from_product(
[mklbl(“A”, 4), mklbl(“B”, 2), mklbl(“C”, 4), mklbl(“D”, 2)]
)

micolumns = pd.MultiIndex.from_tuples(
[([…]

Basic Index
公式ドキュメントはこちら

①

通常のDataframeの列指定のように df[“label”] とすることで、該当するMultiIndexのレベルの階層を取得することが出来る。

サ[…]

MultiIndex
まずは公式ドキュメントから

①

arrays = [
[“bar”, “bar”, “baz”, “baz”, “foo”, “foo”, “qux”, “qux”],
[“one”, “two”, “one”, “two”, “one”, “two”, “one”, “two”],
]
tuples = list(zip(*arrays))
index =[…]