Examen nivel 4 — Python

Examen — preguntas inéditas

12 preguntas para validar el nivel : Django, API Flask/FastAPI, data science pandas, machine learning scikit-learn y scraping cortés.
Responde a todo y pulsa Corregir: aparecerán tu puntuación y las explicaciones.

4.1 · Recuerdo

1. ¿Por qué se dice que Django es « baterías incluidas »?

Contiene una hoja de cálculo integrada Funciona sin base de datos Se enchufa a una batería externa Incluye de serie admin, ORM, autenticación y seguridad

Admin, ORM, migraciones, autenticación : todo incluido y coherente.

4.3 · Recuerdo

2. ¿Cuál es la estructura central de pandas?

El DataFrame, una tabla de filas y columnas Un rúter de red programable Un modelo de deep learning Un códec de vídeo

El DataFrame : la hoja de cálculo programable.

4.4 · Recuerdo

3. ¿Qué hacen fit() y predict() en scikit-learn?

fit() aprende desde los ejemplos, predict() predice sobre lo nuevo fit() borra los datos y predict() los restaura fit() despliega y predict() factura fit() imprime y predict() dibuja

Aprender (fit) y luego predecir (predict), evaluar sobre nunca vistos.

4.1 · Aplicación

4. Nabil modifica su modelo Venta (nuevo campo fecha). ¿Qué lanzar?

Borrar la base y empezar todo de nuevo makemigrations y luego migrate para hacer evolucionar la tabla Reescribir la plantilla a mano Reiniciar el ordenador

Las migraciones traducen el modelo en evolución de la base.

4.2 · Aplicación

5. El POST /ventes de Nabil devuelve 200 tras la creación. ¿Corrección?

Suprimir la ruta Dejar 200, el cuerpo basta Devolver 201 (creado), 400 si la entrada es inválida Devolver 404 cada vez

Estados que dicen la verdad : 201 creado, 400 inválido.

4.2 · Aplicación

6. ¿De dónde viene la documentación interactiva en /docs de Nabil?

De un documento Word actualizado a mano De los type hints validados por Pydantic, generados en OpenAPI De un robot que adivina el código No existe, es una leyenda

Los hints dan validación automática + documentación viva.

4.3 · Aplicación

7. Nabil recibe un CSV desconocido de un millón de filas. ¿Primer reflejo?

Iterar en for sobre cada fila Analizarlo sin abrirlo Trazar diez gráficos al azar Inspeccionar (head/info/describe/isna) y luego agregar en vectorizado

Inspeccionar primero, vectorizar en lugar de iterar.

4.4 · Aplicación

8. El modelo de Nabil da 100 % sobre el train pero 60 % en producción. ¿Diagnóstico?

Evaluó sobre el train (memoria) : split train/test obligatorio Hay que suprimir el test Faltan gráficos El modelo es perfecto, la producción se equivoca

Sin split, medimos la memoria — no el aprendizaje.

4.5 · Aplicación

9. Nabil quiere raspar precios públicos manteniéndose cortés. ¿Conducta?

Copiar a mano cada lunes Saturar con mil peticiones por segundo Leer CGU + robots.txt, espaciar las peticiones, preferir la API oficial Raspar sin user-agent ni logs

Autorizado, espaciado, trazado — o nos abstenemos.

4.3 · Arbitraje

10. Nabil duda entre deep learning GPU y RandomForest para su tabla de clientes. ¿Decisión?

Ambos mezclados al azar Ni uno ni otro, todo a mano El deep learning, es más impresionante en reunión El RandomForest como baseline : 80 % de lo tabular sin GPU

Baseline simple primero ; deep para imagen/texto vía preentrenados.

4.5 · Arbitraje

11. El sitio objetivo de Nabil prohíbe la recogida en sus CGU pero los datos son visibles. ¿Decisión?

Raspar igualmente, ya que es visible Abstenerse o negociar un acceso/API, y hacer validar por un jurista Raspar de noche para no ser visto Revender los datos recogidos

Visible no es autorizado : CGU, datos personales, jurista.

4.4 · Arbitraje

12. El modelo de impagos de Nabil penaliza a un barrio entero. ¿Reflejo?

Subir el umbral para ocultar el problema Desplegarlo rápido, las cifras son las cifras Auditar los sesgos, mantener al humano como decisor, documentar los límites Suprimir el barrio de los datos en silencio

El modelo aprende los prejuicios : auditoría + humano decisor.

¿Y ahora qué?

Puntuación ≥ 80 % : pasad al Nivel 5 — Python pro (calidad, async, Docker, CI/CD) y llevad vuestras especializaciones a producción.
Puntuación 50-79 % : retomad las secciones falladas (Django 4.1, API 4.2, pandas 4.3, ML 4.4, scraping 4.5), releed las explicaciones anteriores y luego repetid el test.
Puntuación < 50 % : empezad de nuevo el nivel desde 4.1 programando cada modelo (MVT, API, groupby, baseline, scraper cortés) y luego reintentad el examen con la mente descansada.