Accueil›Blog›Exercice pandas d'entretien

Tests prêts à l'emploi

Exercice pandas d'entretien : un cas réaliste et ses réponses attendues

Cet exercice teste la manipulation de données avec pandas dans un cas d'analyse réaliste. En trois questions progressives, il révèle si le candidat pense « vectorisé », vérifie ses données et sait passer d'un besoin métier à un résultat. Corrigé et signaux inclus.

Data Builder·Juillet 2025·10 min de lecture·Test Python · pandas · entretien

Sommaire

Le jeu de données
Question 1 — Le CA mensuel des commandes payées
Question 2 — Joindre et analyser par pays
Question 3 — Détecter un comportement anormal
Grille par niveau

Le fil rouge : chercher les réflexes data, pas la mémoire de la syntaxe. Un bon candidat vérifie ses données, évite les boucles inutiles et sait expliquer ce que fait chaque ligne.

1Le jeu de données

La consigne

Deux DataFrames fournis au candidat.

Un cas e-commerce simple : un DataFrame de commandes et un de clients. Le candidat travaille sur ces deux tables, sans données réelles à charger.

commandes : colonnes = [id, client_id, montant, date_commande, statut]
clients   : colonnes = [id, pays, date_inscription]

2Question 1 — Le CA mensuel des commandes payées

La consigne

Calcule le chiffre d'affaires par mois, en ne gardant que les commandes payées.

L'entrée en matière : filtrer, extraire le mois d'une date et agréger. On regarde surtout si le candidat vérifie le type de la colonne date avant de l'utiliser.

import pandas as pd

commandes["date_commande"] = pd.to_datetime(commandes["date_commande"])

ca_mensuel = (
    commandes[commandes["statut"] == "payee"]
    .groupby(commandes["date_commande"].dt.to_period("M"))["montant"]
    .sum()
)

Bon réflexe : convertir la colonne date si besoin avant de grouper.
Bon signe : filtre sur le statut, groupe par mois, somme le montant.

3Question 2 — Joindre et analyser par pays

La consigne

Quel est le CA payé et le nombre de clients distincts par pays ?

La jointure entre les deux DataFrames, puis une double agrégation. Le piège classique : compter les commandes au lieu des clients distincts.

df = commandes[commandes["statut"] == "payee"].merge(
    clients, left_on="client_id", right_on="id", suffixes=("", "_client"))

resultat = df.groupby("pays").agg(
    ca=("montant", "sum"),
    clients=("client_id", "nunique"),
)

Bon réflexe : merge sur client_id, puis agrégation avec nunique() pour les clients.
Erreur fréquente : un count() qui compte les commandes, pas les clients uniques.

4Question 3 — Détecter un comportement anormal

La consigne

Repère les clients dont le montant moyen de commande dépasse largement la moyenne globale.

La question ouverte qui révèle l'esprit critique : il faut définir « largement », gérer les cas limites et ne pas conclure sur un client à une seule commande.

moyenne_par_client = (
    commandes[commandes["statut"] == "payee"]
    .groupby("client_id")
    .agg(moyenne=("montant", "mean"), n=("id", "count"))
)

seuil = 2 * commandes.loc[commandes["statut"] == "payee", "montant"].mean()

anormaux = moyenne_par_client[
    (moyenne_par_client["moyenne"] > seuil) & (moyenne_par_client["n"] >= 3)
]

Bon signe : le candidat définit un seuil explicite (ex. 2× la moyenne).
Bon signe : il écarte les clients à une seule commande (peu significatif).
Excellent : il questionne le résultat au lieu de le livrer brut.

Signal d'alerte : ce qui distingue un senior : il ne se contente pas de sortir une liste, il questionne — « est-ce un vrai signal ou un client à une seule grosse commande ? ». Cet esprit critique vaut plus que la syntaxe.

5Grille par niveau

Niveau	Maîtrise attendue	Signal GO	NO-GO
Junior	Réussit Q1	Filtre, convertit la date, agrège	Boucle au lieu de vectoriser
Confirmé	Réussit Q2	Joint et utilise nunique()	Compte les commandes au lieu des clients
Senior	Réussit Q3 avec un seuil justifié	Gère les cas limites, questionne le résultat	Livre une liste sans esprit critique
Lead	Explique clairement sa démarche	Vulgarise et challenge ses propres résultats	Répond juste sans savoir expliquer

Home›Blog›pandas interview exercise

Ready-to-use tests

pandas interview exercise: a realistic case and its expected answers

This exercise tests data manipulation with pandas in a realistic analysis case. In three progressive questions, it reveals whether the candidate thinks ‘vectorized’, checks their data and can go from a business need to a result. Answer and signals included.

Data Builder·July 2025·10 min read·Python test · pandas · interview

Contents

The dataset
Question 1 — Monthly revenue of paid orders
Question 2 — Join and analyze by country
Question 3 — Detect abnormal behaviour
Level grid

The through-line: look for data reflexes, not syntax memory. A good candidate checks their data, avoids needless loops and can explain what each line does.

1The dataset

The task

Two DataFrames provided to the candidate.

A simple e-commerce case: one orders DataFrame and one customers DataFrame. The candidate works on these two tables, with no real data to load.

commandes : colonnes = [id, client_id, montant, date_commande, statut]
clients   : colonnes = [id, pays, date_inscription]

2Question 1 — Monthly revenue of paid orders

The task

Compute revenue by month, keeping only paid orders.

The warm-up: filter, extract the month from a date and aggregate. Mainly, we watch whether the candidate checks the date column type before using it.

import pandas as pd

commandes["date_commande"] = pd.to_datetime(commandes["date_commande"])

ca_mensuel = (
    commandes[commandes["statut"] == "payee"]
    .groupby(commandes["date_commande"].dt.to_period("M"))["montant"]
    .sum()
)

Good reflex: convert the date column if needed before grouping.
Good sign: filters on status, groups by month, sums the amount.

3Question 2 — Join and analyze by country

The task

What is the paid revenue and the number of distinct customers per country?

The join between the two DataFrames, then a double aggregation. The classic trap: counting orders instead of distinct customers.

df = commandes[commandes["statut"] == "payee"].merge(
    clients, left_on="client_id", right_on="id", suffixes=("", "_client"))

resultat = df.groupby("pays").agg(
    ca=("montant", "sum"),
    clients=("client_id", "nunique"),
)

Good reflex: merge on client_id, then aggregation with nunique() for customers.
Common mistake: a count() that counts orders, not unique customers.

4Question 3 — Detect abnormal behaviour

The task

Spot customers whose average order amount far exceeds the global average.

The open question that reveals critical thinking: you must define ‘far’, handle edge cases and not conclude on a customer with a single order.

moyenne_par_client = (
    commandes[commandes["statut"] == "payee"]
    .groupby("client_id")
    .agg(moyenne=("montant", "mean"), n=("id", "count"))
)

seuil = 2 * commandes.loc[commandes["statut"] == "payee", "montant"].mean()

anormaux = moyenne_par_client[
    (moyenne_par_client["moyenne"] > seuil) & (moyenne_par_client["n"] >= 3)
]

Good sign: the candidate sets an explicit threshold (e.g. 2× the average).
Good sign: they exclude single-order customers (not significant).
Excellent: they question the result instead of delivering it raw.

Warning signal : what marks a senior: they don't just output a list, they question — ‘is this a real signal or a customer with one big order?’. This critical thinking is worth more than syntax.

5Level grid

Level	Expected proficiency	Signal GO	NO-GO
Junior	Passes Q1	Filters, converts the date, aggregates	Loops instead of vectorizing
Mid-level	Passes Q2	Joins and uses nunique()	Counts orders instead of customers
Senior	Passes Q3 with a justified threshold	Handles edge cases, questions the result	Delivers a list with no critical thinking
Lead	Clearly explains their approach	Popularizes and challenges their own results	Answers correctly but can't explain

Exercice pandas d'entretien : un cas réaliste et ses réponses attendues

1Le jeu de données

2Question 1 — Le CA mensuel des commandes payées

3Question 2 — Joindre et analyser par pays

4Question 3 — Détecter un comportement anormal

5Grille par niveau

pandas interview exercise: a realistic case and its expected answers

1The dataset

2Question 1 — Monthly revenue of paid orders

3Question 2 — Join and analyze by country

4Question 3 — Detect abnormal behaviour

5Level grid

Vous recrutez un profil data ?