随堂测验-数据预处理

在 Pandas 中，哪个函数用于检查缺失值？

• pd.isnull()

• pd.fillna()

• pd.dropna()

• pd.replace()

以下哪一个方法可以将列 'age' 的缺失值替换为该列的平均值？

• df['age'].dropna()

• df['age'].replace(df['age'].mean())

• df['age'].fillna(df['age'].mean())

• df.fillna('age', df['age'].mean())

使用 dropna() 方法默认删除：

• 所有为0的值

• 包含空字符串的行
• 所有重复值

• 所有含有缺失值的行

哪一个方法可以重新设置 DataFrame 的行索引？

• df.set_index()

• df.reset_index()

• df.rename_index()

• df.sort_index()

关于异常值的说法，下列选项中描述错误的是（）。

• 异常值是指样本中明显偏离其余观测值的个别值

• 
  可以使用3σ原则检测异常

• 可以使用Pandas中的箱线图检测异常值

• 异常值可以使用其它的值来替换

以下哪些方法可用于处理缺失数据？

• fillna()

• dropna()

• isnull()

• 忽略缺失数据sort_values()

使用 Pandas 进行数据清洗时，可以做哪些操作？

• 删除重复值

• 重命名列名

• 数据类型转换

• 画图

以下哪些方法用于检测重复行？

• df.duplicated()

• df.drop_duplicates()

• df.isnull()

• df.value_counts()

下列选项中，关于数据预处理说法错误的是（ ）

• 数据清洗包含了数据标准化、数据合并和缺失值处理

• 数据合并按照合并轴的方向主要分为左连接、右连接、内连接和外连接

• 数据分析的预处理过程包括数据清洗、数据合并、数据标准化和数据转换，它们之间存在交叉，没有严格的先后关系

• 数据标准化的主要对象是类别型特征

下列选项中，属于脏数据的有（ ）。

• 不完整数据

• 重复数据

• 完整数据

• 错误数据