Python IV

¿Cómo puedes contar la frecuencia de cada valor único en una columna específica del DataFrame?

• df['columna'].count()

• df['columna'].sum()

• df['columna'].unique()

• df['columna'].value_counts()

Answer explanation

Para contar la frecuencia de cada valor único en una columna de un DataFrame, se utiliza df['columna'].value_counts(). Esta función devuelve una serie con los conteos de cada valor único, lo que es ideal para este propósito.

Si tienes un DataFrame indexado por la columna 'nombre' y necesitas volver a utilizar el índice autoincremental de números enteros, sin perder los datos del indice actual ¿qué comando deberías usar?

• df.drop('nombre')

• df.rename_axis('nombre')

• df.reset_index(drop=False)

• df.set_index('nombre')

• df.reset_index(drop=True)

Answer explanation

El comando df.reset_index(drop=False) permite restablecer el índice a un índice autoincremental de enteros, manteniendo la columna 'nombre' como una columna normal en el DataFrame, sin perder los datos del índice actual.

¿Qué método te permite seleccionar un rango de filas y columnas utilizando sus posiciones numéricas en el DataFrame?

• loc

• iloc

• filter

• select

• position

Answer explanation

El método 'iloc' permite seleccionar filas y columnas en un DataFrame utilizando sus posiciones numéricas. A diferencia de 'loc', que usa etiquetas, 'iloc' se basa en índices enteros, lo que lo hace ideal para este propósito.

Si deseas calcular estadísticas sobre una columna específica pero ignorar ciertos valores basados en condiciones de otras columnas, ¿cómo podrías hacerlo?

• Usar df.describe() con filtros booleanos

• Filtrar primero las filas relevantes y luego aplicar describe()

• Aplicar describe() y luego eliminar las filas innecesarias

• Usar df.query() para seleccionar las filas correctas

Answer explanation

La opción correcta es filtrar primero las filas relevantes y luego aplicar describe(). Esto asegura que solo se consideren los datos que cumplen con las condiciones deseadas, proporcionando estadísticas precisas sobre la columna específica.

En un análisis de datos, ¿cómo podrías asegurarte de que una nueva columna que estás agregando a un DataFrame tiene el tamaño correcto?

• Verificar el tamaño de la columna nueva usando len() antes de agregarla

• Asegurarte de que la longitud del DataFrame sea mayor a 0

• Comparar el tamaño de la columna con df.shape[0]

• Usar df.append() para asegurar el tamaño correcto

• Simplemente agregar la columna y verificar manualmente

Answer explanation

Comparar el tamaño de la columna con df.shape[0] es la mejor opción, ya que asegura que la nueva columna tenga la misma longitud que el DataFrame, evitando errores al agregarla. Las otras opciones no garantizan esto.

¿Cuál es el resultado de ejecutar df.set_index('columna') si columna tiene valores duplicados?

• Se elimina la columna columna

• Se combinan los valores duplicados

• El DataFrame tendrá múltiples filas con el mismo índice

• l DataFrame generará un índice automático para los duplicados

• Se lanzará una excepción

Answer explanation

Al ejecutar df.set_index('columna') con valores duplicados, el DataFrame resultante tendrá múltiples filas con el mismo índice, ya que los índices no se eliminan ni se combinan, simplemente se repiten para los valores duplicados.

Si deseas filtrar un DataFrame para obtener solo las filas donde la columna edad sea mayor a 30, ¿cuál de los siguientes códigos es correcto?
(selecciona dos)

• df[df['edad'] > 30]

• df.filter[df['edad'] > 30]

• df.query('edad > 30')

• df.iloc[df['edad'] > 30]

• df.where('edad > 30')

Answer explanation

Las opciones correctas son df[df['edad'] > 30] y df.query('edad > 30'). La primera utiliza la indexación booleana y la segunda permite filtrar usando una expresión de consulta, ambas son válidas para obtener filas donde la edad es mayor a 30.