WorksheetsFCD-B1-T3 Tratamientos de los Datos
Total questions: 10
Worksheet time: 6mins
Rellenar valores faltantes con la media, mediana, o un valor constante. Se le conoce en la jerga de análisis de datos como:
Imputación de Datos
Filtrado de Datos
Conversión de Datos
Lectura de Datos
Para identificar valores faltantes en un DataFrame o Serie de Pandas, puedes utilizar los siguientes métodos.
isnull()
isnall()
notnull()
none()
Este metodo devuelve True para cada celda que no sea nula.
notnull()
isnull()
isna()
Ninguno
Son metodos que devuelve True para cada celda que contenga un valor nulo (NaN).
isnull()
isna()
notnull()
none
Es un metodo que nos permite eliminar por completo aquellas filas que contienen valores ausentes en un dataframe.
df.dropna()
df.isna().sum()
df.isnull()
df.dropna(axis=1)
Es un metodo que nos permite eliminar por completo aquellas columnas que contienen valores ausentes en un dataframe.
df.dropna(axis=1)
df.dropna()
df.isna()
df.notnull()
Metodo que permite imputar valores faltantes, con valores específicos, como un número constante, la media de la columna, o cualquier otro valor que se considere apropiado.
df.fillna()
df.dropna()
df.isna()
df.full()
En la jerga de la análitica de datos, es el termino que se usa para aquellos datos que se desvían significativamente del resto de los datos, lo que sugiere que podría provenir de un mecanismo diferente o indicar un error.
outlier
box plots
dispersión
IQR
Es necesario transformar el dato atípico para determinar si es un error o un dato relevante en df.
Verdadero
Falso
Los datos atipicos dependiendo de su origen, pueden excluirse del análisis para obtener resultados más fiables, o pueden usarse métodos de transformación de datos (como logarítmicas o de raíz cuadrada) para reducir su impacto.
Verdadero
Falso
