Codingame-Data Science, Data Science - Python, Data Science - ... - Senior-624000

Afin d'éviter la fuite de questions, ce rapport ne doit pas être partagé avec les candidats.
Anis MOKHTARI (mokhtarianis@hotmail.fr)
Campagne : Data Science, Data Science - Python, Data Science - ... - Senior
Domaine(s) : Apache Spark, Data Science, Data Science - Python, Data Science - R, Python 3, SQL Langage : Français Date : 14/12/2022
MEILLEUR QUE
RANG 1/1
66% DURÉE 0h56 / 1h31
des professionnels SCORE 1 390 / 2 720 (51%)
Apache Spark 180 / 220pts (82%) MEILLEUR QUE 62% des professionnels
Connaissance du langage 180 / 220pts
Data Science 120 / 160pts (75%) MEILLEUR QUE 95% des professionnels
Machine Learning 80 / 120pts
Statistics 40 / 40pts
1 / 44
Data Science - Python
0 / 500pts (0%) MEILLEUR QUE <1% des professionnels
Fiabilité 0 / 100pts
Résolution de problèmes 0 / 400pts
Data Science - R 0 / 300pts (0%) MEILLEUR QUE <1% des professionnels
Python 3 420 / 780pts (54%) MEILLEUR QUE 44% des professionnels
Fiabilité 33 / 33pts
Modélisation 0 / 40pts
2 / 44
SQL 670 / 760pts (88%) MEILLEUR QUE 88% des professionnels
Modélisation 100 / 140pts
Accéder au rapport détaillé
3 / 44
Question 1: [ML] NLP et Continuous Bag of Words
Data Science 01:00 / 01:00 20 / 20 pts
Le temps alloué à cette question s'est écoulé. La réponse du

candidat a été automatiquement récupérée à la fin du décompte.
Question
Comment s'appelle la méthode de prédiction de mot schématisée ci-dessous ?
4 / 44
Réponse
Skip Gram
Restricted Boltzman Machines
Continuous Bag of Words
Doc2vec
Résultat
Réponse correcte
Machine Learning +20pts
5 / 44
Question 2: [ML] Covariate shift
Data Science 01:00 / 01:00 0 / 40 pts

Question
Des données sont générées avec le modèle P(y|x)P(x) , mais la distribution des variables explicatives
P(x) change entre l’apprentissage et le test. Comment appelle-t-on, en apprentissage artificiel, ce type
de changement dans la distribution des données ?
Réponse
Données déséquilibrées
Covariate shift
Prior probability shift
Biais de selection des variables
Transfer shift
Sur-apprentissage (over-fitting)
Résultat
Réponse incorrecte
6 / 44
Question 3: [Statistics] Test statistique
Data Science 01:29 / 02:00 40 / 40 pts
Question
Une société de catalogues numériques a réalisé une étude sur la consommation de vin par habitants
dans différents pays. La consommation moyenne par an et par habitant en France est de 39,3 litres.
Vous observez que, dans votre région, la consommation de vin est bien plus importante. Vous
échantillonnez aléatoirement les données sur la consommation de vin dans votre région dans l'objectif
de valider votre observation.
Quels sont les hypothèses pour conduire votre test statistique unilatéral ?
H0 est l’hypothèse nulle exacte, Ha est l’hypothèse alternative.
Réponse
H0 : m > 39.3 ; Ha= : m < 39.3
H0 : m = 39.3 ; Ha= : m > 39.3
H0 : m < 39.3 ; Ha= : m = 39.3
H0 : m = 39.3 ; Ha= : m < 39.3
H0 : m < 39.3 ; Ha= : m > 39.3
H0 : m > 39.3 ; Ha= : m = 39.3
Résultat
Réponse correcte
Statistics +40pts
7 / 44
Question 4: [ML] GAN et distance Wasserstein
Data Science 00:21 / 00:45 60 / 60 pts
Question
Dans le cadre d'un modèle GAN, lorsque la distribution réelle et celle qui est générée par le générateur
sont trop différentes l’une de l’autre, le gradient dans les zones qui ne se chevauchent pas peut être
proche de zéro. Quelle distance pour la fonction loss permettra d'éviter ce problème ?
Réponse
Distance cosinus (cosine distance)
Distance Wasserstein
Distance Manhattan
Distance euclidienne
Résultat
Réponse correcte
8 / 44
Question 5: [LinearAlgebra] Factorisation de matrice
Data Science - R 10:16 / 15:00 0 / 300 pts
Question
Vous avez à votre disposition trois matrices obtenues par décomposition en valeurs singulières.
Les colonnes de matrix1 sont les vecteurs singuliers à droite de la matrice initiale, les colonnes de
matrix2 sont les vecteurs singuliers à gauche de la matrice initiale, et le vecteur vector_sing
représente les valeurs singulières de la matrice initiale.
À partir de ces informations, vous devez reconstruire la matrice initiale.
Pour information le résultat attendu du jeu de test fourni est :
[,1] [,2]
[1,] 14.0000000 5
[2,] 0.9999999 9
[3,] 19.0000000 6
Réponse
1 # Use print(var) or cat("Messages...") to debug your solution.

2
3 reconstruct <- function(matrix1, matrix2, vector_sing) {
4 matrix2 %*% diag(vector_sing) %*% t(matrix1)
5
6 }
Voir le code playback
Résultat
Reconstruction de matrice approximative
Résolution de problèmes +150pts
Reconstruction de matrice valide

9 / 44
10 / 44
Question 6: [Preprocessing] Commandes de restauration rapide
Data Science - Python 09:05 / 15:00 0 / 300 pts
11 / 44
Question
Votre objectif est de compléter la fonction calculate_avg_spend qui transforme un dataframe (en
utilisant pandas) en un autre.
Entrées Le premier argument d'entrée ( orders_df ) est un objet DataFrame avec deux colonnes :
CustomerName et Order . Chaque ligne du DataFrame représente une commande particulière de fast-
food pour un client. Par exemple :
CustomerName Order
0 John Smith Cheeseburger
1 Lenny Lee Soda
2 Ava Williams Hamburger
3 Holly Jack Ice Cream
4 John Smith Taco
5 Holly Jack Hamburger
6 Ava Williams Fries
7 John Smith Salad
Le deuxième argument d'entrée ( items_df ), est un objet DataFrame avec deux colonnes : ItemName
et Price . Chaque ligne de l'objet DataFrame représente le prix d'un article particulier. Par exemple :
ItemName Price
0 Cheeseburger 9.99
1 Soda 1.35
2 Hamburger 8.79
3 Ice Cream 4.99
4 Taco 3.50
5 Fries 4.00
6 Salad 5.19
Sortie Votre fonction calculate_avg_spend doit retourner un objet DataFrame avec deux colonnes
(dans l'ordre suivant) : CustomerName et AvgSpend . Chaque ligne de la sortie DataFrame doit avoir
une valeur unique CustomerName , qui représente le nom du client. La colonne AvgSpend représente
le montant moyen en dollars que le client a dépensé pour des articles de restauration rapide. Votre
sortie DataFrame doit être triée par CustomerName , dans l'ordre alphabétique.
Pour l'exemple ci-dessus, la sortie DataFrame serait :
CustomerName AvgSpend
0 Ava Williams 6.395000
1 Holly Jack 6.890000
2 John Smith 6.226667
3 Lenny Lee 1.350000
N'hésitez pas à utiliser les bibliothèques NumPy et pandas dans votre code.
12 / 44
Réponse
1 # Python code below

2 # Use print("Debug messages...") to debug your solution.
3
4 import pandas as pd
5 def calculate_avg_spend(orders_df, items_df):
6 df = pd.merge(orders_df,items_df, left_on="Order",right_on='ItemName')
7 return df.groupby(["CustomerName"]).mean()
Résultat
Cas simple
Cas complexe
Fiabilité +50pts
Long data frame

Fiabilité +50pts
Court data frame

13 / 44
Question 7: [ML] Matrice de confusion
Data Science - Python 04:45 / 05:00 0 / 200 pts
Question
Corriger la ou les erreurs qui se sont glissées dans le calcul de la matrice de confusion.
On prend pour hypothèse que le dénominateur n'est jamais égal à zéro.
Réponse

2 # Use print("messages...") to debug your solution.
3
4 def compute_recall(m):
5 recall = m.true_positive / (m.true_positive + m.false_negative)
6 return recall
7
8 def compute_precision(m):
9 precision = m.true_positive / (m.true_positive + m.false_positive)
10 return precision
11
12 def compute_specificity(m):
13 specificity = m.true_negative / (m.true_negative + m.false_positive)
14 return specificity
15
16 def compute_accuracy(m):
17 accuracy = (m.true_positive + m.true_negative) / (m.false_positive + m.false_negative)+
(m.true_positive + m.true_negative)
18 return accuracy
Résultat
Erreurs corrigées
14 / 44
Question 8: Expression booléenne
Python 3 00:05 / 00:30 20 / 20 pts
Question
Comment applique-t-on un ET entre deux booléens en Python ?
Réponse
&&
and
||
Résultat
Réponse correcte
Connaissance du langage +20pts
15 / 44
Question 9: Déclaration de fonction
Python 3 00:04 / 00:30 20 / 20 pts
Question
Comment déclare-t-on une fonction name en Python ?
Réponse
def name():
name():
function name():
void name():
Il n'y a pas de fonctions en Python
Résultat
Réponse correcte
16 / 44
Question 10: __eq__()
Python 3 01:00 / 01:00 40 / 40 pts

Question
Comment sera utilisée la méthode __eq__ de l'objet suivant ?
class Point():
def __init__(self, x, y):
self.x = x
self.y = y
def __eq__(self, other):
return (self.x, self.y) == (other.x, other.y)
Réponse
point1.eq(point2)
Elle surcharge l'opérateur ==
Elle surcharge l'opérateur is
Ce code n'est pas valide
Résultat
Réponse correcte
17 / 44
Question 11: Design POO
Python 3 00:41 / 01:20 0 / 40 pts
Question
Parmi ces deux propositions, laquelle préférez-vous ?
Proposition #1 :
class CapableDeVoler:
def voler(self): raise NotImplementedError
class Avion(CapableDeVoler):
def voler(self):
return 'vrrrrr'
class Oiseau(CapableDeVoler):
def voler(self):
return 'flapflap'
Proposition #2 :
class Avion:
def __init__():
self.son = 'vrrrrr'
def voler(self):
return self.son
class Oiseau(Avion):
def __init__(self):
self.son = 'flapflap'
Réponse
Proposition #1
Proposition #2
18 / 44
Résultat
Réponse incorrecte
Modélisation +40pts
19 / 44
Question 12: Import de module
Python 3 00:39 / 01:00 40 / 60 pts
Question
Dans le fichier module.py se trouve le code suivant :
def funcA():
pass
def __funcB__():
pass
def funcC():
pass
if __name__ == '__main__':
del funcC
Si vous exécutez la ligne import module dans un script séparé, quelles fonctions de module seront
utilisables ?
Cochez toutes les propositions valides.
Réponse
funcA()
__funcB__()
funcC()
Résultat
Réponse partiellement correcte
Connaissance du langage +40/60pts
20 / 44
Question 13: Héritage
Python 3 00:38 / 02:00 50 / 50 pts
Question
Complétez la réponse afin que la classe B hérite de A.
Réponse

3
4 class A():
5 def test(self):
6 print("A")
7
8 def __init__(self):
9 self.test()
10
11
12 class B(A):
13 def __init__(self):
14 self.test()
Résultat
B hérite de A
21 / 44
Question 14: Simple expression booléenne
Python 3 00:26 / 02:00 100 / 100 pts
Question
is_bool(i, j) devrait retourner True si un des arguments est égal à 1 ou si leur somme est égale à
1.
Par exemple :
is_bool(1, 5) retourne True
is_bool(2, 3) retourne False
is_bool(-3, 4) retourne True
Réponse

3
4 def is_bool(i, j):
5 # Your code goes here
6 return i==1 or j==1 or i+j ==1
Résultat
Retourne True si i ou j est égal à 1, sinon False
Retourne True si i+j est égal à 1

Fiabilité +33pts
22 / 44
Question 15: Chaine en colonne
Python 3 02:48 / 12:00 0 / 300 pts
Question
La fonction reshape(n, line) retourne la chaine line sans les espaces et formatée en lignes de n
caractères maximum.
Exemples :
Appel Valeur retour
reshape(3, "abc de fghij")
abc
def
ghi
j
reshape(2, "1 23 456")
12
34
56
Écrivez le corps de la méthode reshape(n, line) .
Note : n'ajoutez pas de caractère \n final.
Réponse

3
4 from itertools import zip_longest
5 def reshape(n, line):
6 line = line.replace(' ', ' ')
7 lines = (''.join(chars) for chars in zip_longest(*([iter(line)] *n), fillvalue=''))
8 return '\n'.join(lines)
23 / 44
Résultat
Tests simples
Tests espaces et lignes uniques

Tests caractère final

Question 16: Dates

Python 3 01:13 / 03:00 150 / 150 pts
Question
Implémentez la fonction nextWeek(d) qui renvoie une date 7 jours après la date donnée en
paramètre.
d est toujours un objet datetime.date défini.
Réponse

3 from datetime import (
4 timedelta
5 )
6 def nextWeek(d):
7 return d+timedelta(weeks=1)
Résultat
La solution fonctionne avec la date courante
24 / 44
Question 17: DataFrames structurés
Apache Spark 00:07 / 01:00 60 / 60 pts
Question
On considère le code suivant :
On souhaite structurer le DataFrame df . Quel sera le type du paramètre schema ?
Réponse
DataFrame
Dataset[Row]
StructType
StructField
Résultat
Réponse correcte
25 / 44
Question 18: Bases de Spark - RDD
Apache Spark 00:11 / 00:30 20 / 20 pts
Question
Que veut dire l'acronyme "RDD" ?
Réponse
Readable Dataset Distribution
Resilient Distributed Dataset
Runnable Distributed Dataset
Resilient Distributed Datatable
Résultat
Réponse correcte
26 / 44
Question 19: Architecture de Spark
Apache Spark 00:44 / 01:00 60 / 60 pts
Question
Quel est le composant manquant dans l'architecture suivante ?
Écrivez le nom du composant.
Réponse
Cluster manager
Résultat
Réponse correcte
Réponse(s) correcte(s)
Cluster Manager
The Cluster Manager
27 / 44
Question 20: Checkpointing
Apache Spark 00:14 / 00:45 0 / 40 pts
Question
Qu'est ce que le Checkpointing dans Spark ?
Réponse
Le fait de sauvegarder une étape dans le lineage d'un RDD et recalculer à

partir de ce dernier
Avoir des meilleurs résultats de performances sur les RDD
Un processus manuel à exécuter lorsqu'on dépasse 5 transformations sur un

RDD
Une étape nécessaire pour la tolérance aux pannes
Résultat
Réponse incorrecte
28 / 44
Question 21: Spark 1 & Spark 2
Apache Spark 00:41 / 01:00 40 / 40 pts
Question
Qu'est ce qui est vrai concernant la migration de Spark 1 à Spark 2 ?
Réponse
SparkSession est maintenant une abstraction pour le HiveContext et

SQLContext
Les RDDs ne sont plus utilisés
DataFrame est maintenant un alias de DataSet[Row]
Le Streaming sur données structurées est devenu disponible
Résultat
Réponse correcte
29 / 44
Question 22: SQL - DROP
SQL 00:23 / 00:30 20 / 20 pts
Question
Quelle commande SQL est utilisée pour supprimer une table d'une base de données ?
Réponse
DELETE table
TRUNCATE table
DROP table
REMOVE table
Résultat
Réponse correcte
30 / 44
Question 23: SQL - Clé primaire
SQL 00:49 / 01:00 40 / 40 pts
Question
Indiquer quelles propositions sont vraies pour une colonne déclarée en tant que clé primaire.
(plusieurs réponses possibles)
Réponse
Elle ne peut pas contenir de doublons
Elle peut contenir la valeur NULL
Elle ne peut pas être en plus une clé étrangère
Elle peut être déclarée avec un type "caractère" tel que "VARCHAR"
Résultat
Réponse correcte
31 / 44
Question 24: SQL - Index
SQL 00:33 / 01:20 40 / 40 pts
Question
Dans le schéma ci-dessus, quelle serait une bonne stratégie pour améliorer les performances des
requêtes se basant sur la colonne name de la table PRODUCT_CATEGORY ?
Réponse
Créer un index sur la colonne name
Déclarer que la colonne name ne peut pas contenir de doublons
Étendre la clé primaire pour inclure la colonne name en plus de la colonne

product_category_id
Créer une clé étrangère sur la colonne name
Changer la clé primaire de product_category_id vers name
32 / 44
Résultat
Réponse correcte
Question 25: SQL - Clé étrangère n°2

SQL 01:10 / 01:10 20 / 60 pts

Question
Parmi les proposition suivantes concernant les clés étrangères, choisissez celles qui vous paraissent vrai.
(plusieurs réponses possibles)
Réponse
Une clé étrangère garantit l'intégrité référentielle entre deux tables
La valeur d'une clé étrangère peut être NULL
La colonne associée à une clé étrangère ne peut être que d'un type
numérique
Un clé étrangère est utilisée lorqu'il y a une relation 1-n entre deux tables
Un index est systèmatiquement associé à une clé étrangère
Résultat
Réponse partiellement correcte
Modélisation +20/60pts
33 / 44
Question 26: Condition WHERE simple (avec double ORDER BY)
SQL 03:55 / 04:00 0 / 50 pts
Question
Modèle de données Objectif

Rédigez une requête qui renvoie les meilleurs joueurs de basketball. Nous définissons les meilleurs
joueurs de basketball comme les personnes dont le ppg est supérieur ou égal à 20,0, le rpg et le apg
sont tout deux supérieurs ou égaux à 5,0, et le games_played supérieur ou égal à 65. Conditions
Colonnes attendues : first_name , last_name , dans cet ordre. Trier les lignes par last_name puis
par first_name dans l'ordre alphabétique. Exemple :
---------------------------
| FIRST_NAME | LAST_NAME |
---------------------------
| James | Durant |
| LeBron | James |
| Russell | Westbrook |
---------------------------
34 / 44
Réponse
1 -- SQL request(s) below

2 SELECT first_name,last_name
3 FROM basketball_player_stats
4 WHERE ppg >= 20
5 AND rpg >=5
6 AND apg >=5
7 AND games_played >= 65
8 ORDER BY
9 first_name
10 ,last_name
11 DESC
Résultat
Résultat
35 / 44
Question 27: [Vehicle Data Model] SQL - HAVING
SQL 04:06 / 05:00 200 / 200 pts
36 / 44
Question
37 / 44
Modèle de données
Objectif
Extraire le nombre de véhicules ( vehicle ) par marque ( make ). Seules les marques qui comptent deux
véhicules ou plus doivent être affichées.
Conditions
Colonnes attendues : make , vehicle_make_count , dans cet ordre. Exemple :
-------------------------------
| MAKE | VEHICLE_MAKE_COUNT |
-------------------------------
| Ford | 8 |
| Toyota | 2 |
-------------------------------
38 / 44
Réponse

2 select * from(
3 SELECT make,count(*) as vehicule_make_count
4 FROM vehicle
5 group by make)
6 where vehicule_make_count >=2
7 order by vehicule_make_count desc
Résultat
Résultat
39 / 44
Question 28: Condition WHERE simple (inégalité avec champ
calculé)
SQL 02:13 / 03:00 50 / 50 pts
Question
Modèle de données Objectif

Extraire les pays dont la consommation de bière ( beer_consumption ) est strictement supérieure aux
consommations de spiritueux ( spirit_consumption ) et de vins ( wine_consumption )
cumulées. Conditions
Colonnes attendues : country , beer_consumption , dans cet ordre. Trier les lignes par country ,
dans l'ordre alphabétique. Exemple :
-----------------------------------------------
| COUNTRY | BEER_CONSUMPTION |
-----------------------------------------------
| Algeria | 25 |
| Burundi | 88 |
| Ecuador | 162 |
-----------------------------------------------
Réponse

2 SELECT country,beer_consumption
3 FROM alcohol_consumption
4 WHERE beer_consumption > (wine_consumption + spirit_consumption)
5 order by country asc
40 / 44
Résultat
Résultat
41 / 44
Question 29: [Vehicle Data Model] SQL - OUTER JOIN
SQL 04:57 / 08:00 300 / 300 pts
Question
Modèle de données
Objectif
Extraire tous les véhicules et leurs pièces associées ( vehicle_part ) s'ils en ont au moins une. Si un
véhicule n'a pas de pièces référencées, afficher null pour le nom de la pièce ( part_name ).
42 / 44
Conditions
Colonnes attendues : vin , part_name , dans cet ordre. Ne pas afficher de doublons. Exemple :
-----------------------------------------
| VIN | PART_NAME |
-----------------------------------------
| WP0CA29924S650563 | Left Door |
| 1G4GD5EDXBF330171 | Windshield |
| 4T3ZK3BB7BU042861 | null |
-----------------------------------------
Réponse

2 SELECT DISTINCT v.VIN,vp.PART_NAME
3 FROM vehicle AS v
4 LEFT JOIN vehicle_part AS vp
5 ON v.VEHICLE_ID = vp.VEHICLE_ID
Résultat
Résultat
43 / 44
Glossaire
Connaissance du langage
La mesure de cette compétence permet de déterminer l'expérience du candidat dans la pratique d'un langage de
programmation. Privilégiez cette compétence si, par exemple, vous recherchez un développeur qui devra être
rapidement opérationnel.
Modélisation
Cette mesure fournit une indication sur la capacité du candidat à appliquer des solutions standard pour résoudre des
problèmes récurrents. Un développeur ayant un bon niveau dans cette compétence augmentera la qualité
(maintenabilité, évolutivité) de vos applications. Cette compétence ne dépend pas spécifiquement d'une technologie.
Privilégiez cette compétence si, par exemple, vous recherchez un développeur qui sera amené à travailler sur les
briques qui structurent vos applications, à anticiper les besoins de demain pour développer des solutions pérennes.
Résolution de problèmes
Cette compétence correspond aux aptitudes du candidat à comprendre et à structurer son raisonnement pour trouver
des solutions à des problèmes complexes. Cette compétence ne dépend pas spécifiquement d'une technologie.
Privilégiez cette compétence si, par exemple, vos applications ont une composante technique importante (R&D,
innovation).
Fiabilité
La fiabilité caractérise la capacité du candidat à réaliser des solutions qui prennent en compte les cas particuliers. Plus
cette compétence est élevée, plus vos applications sont robustes (moins de bugs).
44 / 44

Codingame-Data Science, Data Science - Python, Data Science - ... - Senior-624000

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Codingame-Data Science, Data Science - Python, Data Science - ... - Senior-624000

Transféré par

Droits d'auteur :

Formats disponibles

Afin d'éviter la fuite de questions, ce rapport ne doit pas être partagé avec les candidats.

Anis MOKHTARI (mokhtarianis@hotmail.fr)

66% DURÉE 0h56 / 1h31

des professionnels SCORE 1 390 / 2 720 (51%)

Connaissance du langage 180 / 220pts

Machine Learning 80 / 120pts

Résolution de problèmes 0 / 400pts

Data Science - R 0 / 300pts (0%) MEILLEUR QUE <1% des professionnels

Résolution de problèmes 0 / 300pts

Python 3 420 / 780pts (54%) MEILLEUR QUE 44% des professionnels

Connaissance du langage 320 / 340pts

Résolution de problèmes 67 / 367pts

Connaissance du langage 270 / 320pts

Modélisation 100 / 140pts

Résolution de problèmes 300 / 300pts

Accéder au rapport détaillé

Le temps alloué à cette question s'est écoulé. La réponse du

Restricted Boltzman Machines

Continuous Bag of Words

Le temps alloué à cette question s'est écoulé. La réponse du

Prior probability shift

Biais de selection des variables

H0 est l’hypothèse nulle exacte, Ha est l’hypothèse alternative.

H0 : m > 39.3 ; Ha= : m < 39.3

H0 : m = 39.3 ; Ha= : m > 39.3

H0 : m < 39.3 ; Ha= : m = 39.3

H0 : m = 39.3 ; Ha= : m < 39.3

H0 : m < 39.3 ; Ha= : m > 39.3

H0 : m > 39.3 ; Ha= : m = 39.3

Distance cosinus (cosine distance)

À partir de ces informations, vous devez reconstruire la matrice initiale.

Pour information le résultat attendu du jeu de test fourni est :

1 # Use print(var) or cat("Messages...") to debug your solution.

Voir le code playback

Reconstruction de matrice valide

Pour l'exemple ci-dessus, la sortie DataFrame serait :

1 # Python code below

Voir le code playback

Long data frame

Court data frame

On prend pour hypothèse que le dénominateur n'est jamais égal à zéro.

1 # Python code below

Voir le code playback

Il n'y a pas de fonctions en Python

Le temps alloué à cette question s'est écoulé. La réponse du

Elle surcharge l'opérateur ==

Elle surcharge l'opérateur is

Ce code n'est pas valide

Cochez toutes les propositions valides.

1 # Python code below

Voir le code playback

1 # Python code below

Voir le code playback

Retourne True si i+j est égal à 1

Appel Valeur retour

reshape(3, "abc de fghij")

reshape(2, "1 23 456")

Écrivez le corps de la méthode reshape(n, line) .

Note : n'ajoutez pas de caractère \n final.

1 # Python code below

Voir le code playback

Tests espaces et lignes uniques

Tests caractère final

Question 16: Dates