Kelompok 3 - Data Science Batch 28

Fungsi apa yang digunakan dalam Pandas untuk menghapus baris dengan nilai kosong (NaN)?

• df.dropna()

• df.remove_null()

• df.clean_na()

• df.clear_empty()

Metode apa yang digunakan untuk mengganti nilai kosong (NaN) dengan nilai tertentu dalam kolom di Pandas?

• df.replace_nan()

• df.fillna()

• df.interpolate()

• df.dropna()

Manakah dari metode berikut yang digunakan untuk mendeteksi duplikasi data di DataFrame Pandas?

• df.is_duplicate()

• df.check_duplicates()

• df.duplicated()

• df.find_duplicates()

Metode mana yang digunakan untuk menggabungkan dua DataFrame berdasarkan kolom yang sama?

• pd.merge(df1, df2, on='column')

• df1.append(df2)

• df1.concat(df2)

• df1.join(df2)

Dalam proses data cleaning, apa tujuan utama dari menghapus nilai outlier?

• Menghapus data yang tidak disukai

• Meningkatkan performa dengan mengurangi jumlah baris dalam dataset

• Meningkatkan akurasi analisis dengan menghilangkan data ekstrem yang bisa menyebabkan bias

• Mengurangi ukuran file dataset agar lebih mudah disimpan

Apa yang terjadi ketika kita menjalankan df = df.drop_duplicates()?

• Menyebabkan setiap baris dalam dataframe menjadi unik

• Terjadi error karena tidak menyertakan nilai pada parameter subset

• Terjadi error karena syntax yang benar adalah df = df.drop_duplicate()

• Semua baris yang duplikat terhapus

Ketika berurusan dengan outlier, bagaimana Anda memutuskan apakah akan menghapus, memodifikasi, atau mempertahankannya dalam dataset?

• Kesalahan Entri Data

• Nilai Ekstrem Valid

• Pelabelan Statistik

• Konteks Bisnis

Bagaimana Anda memastikan konsistensi dan akurasi data saat menggabungkan dataset dari berbagai sumber, dan tantangan umum apa saja yang sering dihadapi selama proses ini?

• Standarisasi

• Penghapusan Duplikat

• Skalasi Data

• Resolusi Konflik

Bagaimana memfilter DataFrame untuk mendapatkan baris dengan nilai kolom 'age' > 30 dan 'salary' > 5000?

• df[(df['age'] > 30) | (df['salary'] > 5000)]

• df[(df['age'] > 30) & (df['salary'] > 5000)]

• df[(df['age'] > 30) && (df['salary'] > 5000)]

• df[(df['age'] > 30) or (df['salary'] > 5000)]

Untuk menggabungkan df1 dan df2 berdasarkan kolom 'ID' dan menampilkan semua baris dari df1 serta baris cocok dari df2:

• pd.merge(df1, df2, on='ID', how='inner')

• pd.merge(df1, df2, on='ID', how='outer')

• pd.merge(df1, df2, on='ID', how='left')

• pd.merge(df1, df2, on='ID', how='right')