AsterQuiz: Data Cleaning y Preparación (Es)


AsterQuiz Data Cleaning y Preparación (Es)Online version Preguntas sobre limpieza de datos by Antonio 1 ¿Qué problema existe entre estos valores? Auto auto AUTO a A) Son variables diferentes b C) Representan la misma categoría escrita de manera inconsistente c B) Son datos faltantes 2 ¿Qué método permite eliminar espacios al principio y final de un texto? A) .str.strip() B) .str.delete() C) .str.clean() D) .str.space() a A) .str.strip() b C) .str.clean() c B) .str.delete() 3 ¿Qué hace .str.title()? A) Convierte texto a mayúsculas solamente B) Convierte texto a formato tipo título C) Elimina el texto D) Convierte texto en números a C) Elimina el texto b A) Convierte texto a mayúsculas solamente c B) Convierte texto a formato tipo título 4 ¿Qué función podemos utilizar para convertir una columna a valores numéricos? A) pd.to_numeric() B) pd.to_number() C) pd.number() D) df.numeric() a A) pd.to_numeric() b C) pd.number() c B) pd.to_number() 5 ¿Qué hace errors="coerce" en pd.to_numeric()? A) Elimina toda la columna B) Convierte valores que no puede interpretar en valores faltantes C) Convierte todos los valores en texto D) Duplica los valores a C) Convierte todos los valores en texto b B) Convierte valores que no puede interpretar en valores faltantes c A) Elimina toda la columna 6 Tenemos el valor "22500 pesos" en una columna que debería ser numérica. ¿Qué problema tenemos? A) Un duplicado B) Un outlier necesariamente C) Un problema de tipo/formato de dato D) Un valor nulo a A) Un duplicado b B) Un outlier necesariamente c C) Un problema de tipo/formato de dato 7 ¿Debemos eliminar automáticamente todos los outliers? A) Sí, siempre B) No, primero debemos investigar si representan errores o casos reales C) Sí, porque dañan cualquier análisis D) Solo si son positivos a B) No, primero debemos investigar si representan errores o casos reales b C) Sí, porque dañan cualquier análisis c A) Sí, siempre 8 ¿Qué podría ocurrir si analizamos datos con muchos errores? A) El análisis podría producir conclusiones poco confiables B) Python los corrige automáticamente C) Los errores desaparecen D) El dataset se vuelve más grande a A) El análisis podría producir conclusiones poco confiables b C) Los errores desaparecen c B) Python los corrige automáticamente 9 ¿Cuál debería ser el orden lógico? A) Algoritmo → datos → limpieza B) Limpieza → obtener datos → algoritmo C) Datos → exploración → limpieza/preparación → análisis D) Algoritmo → limpieza → datos a A) Algoritmo → datos → limpieza b B) Limpieza → obtener datos → algoritmo c C) Datos → exploración → limpieza/preparación → análisis 10 Tenemos un dataset con valores faltantes, registros duplicados, categorías inconsistentes y valores negativos inválidos. ¿Qué deberíamos hacer antes de aplicar un algoritmo de minería de datos? A) Aplicar el algoritmo inmediatamente B) Ignorar los p a B) Ignorar los problemas b C) Limpiar y preparar los datos c A) Aplicar el algoritmo inmediatamente

1

¿Qué problema existe entre estos valores? Auto auto AUTO

a

A) Son variables diferentes

b

C) Representan la misma categoría escrita de manera inconsistente

c

B) Son datos faltantes

2

¿Qué método permite eliminar espacios al principio y final de un texto? A) .str.strip() B) .str.delete() C) .str.clean() D) .str.space()

a

A) .str.strip()

b

C) .str.clean()

c

B) .str.delete()

3

¿Qué hace .str.title()? A) Convierte texto a mayúsculas solamente B) Convierte texto a formato tipo título C) Elimina el texto D) Convierte texto en números

a

C) Elimina el texto

b

A) Convierte texto a mayúsculas solamente

c

B) Convierte texto a formato tipo título

4

¿Qué función podemos utilizar para convertir una columna a valores numéricos? A) pd.to_numeric() B) pd.to_number() C) pd.number() D) df.numeric()

a

A) pd.to_numeric()

b

C) pd.number()

c

B) pd.to_number()

5

¿Qué hace errors="coerce" en pd.to_numeric()? A) Elimina toda la columna B) Convierte valores que no puede interpretar en valores faltantes C) Convierte todos los valores en texto D) Duplica los valores

a

C) Convierte todos los valores en texto

b

B) Convierte valores que no puede interpretar en valores faltantes

c

A) Elimina toda la columna

6

Tenemos el valor "22500 pesos" en una columna que debería ser numérica. ¿Qué problema tenemos? A) Un duplicado B) Un outlier necesariamente C) Un problema de tipo/formato de dato D) Un valor nulo

a

A) Un duplicado

b

B) Un outlier necesariamente

c

C) Un problema de tipo/formato de dato

7

¿Debemos eliminar automáticamente todos los outliers? A) Sí, siempre B) No, primero debemos investigar si representan errores o casos reales C) Sí, porque dañan cualquier análisis D) Solo si son positivos

a

B) No, primero debemos investigar si representan errores o casos reales

b

C) Sí, porque dañan cualquier análisis

c

A) Sí, siempre

8

¿Qué podría ocurrir si analizamos datos con muchos errores? A) El análisis podría producir conclusiones poco confiables B) Python los corrige automáticamente C) Los errores desaparecen D) El dataset se vuelve más grande

a

A) El análisis podría producir conclusiones poco confiables

b

C) Los errores desaparecen

c

B) Python los corrige automáticamente

9

¿Cuál debería ser el orden lógico? A) Algoritmo → datos → limpieza B) Limpieza → obtener datos → algoritmo C) Datos → exploración → limpieza/preparación → análisis D) Algoritmo → limpieza → datos

a

A) Algoritmo → datos → limpieza

b

B) Limpieza → obtener datos → algoritmo

c

C) Datos → exploración → limpieza/preparación → análisis

10

Tenemos un dataset con valores faltantes, registros duplicados, categorías inconsistentes y valores negativos inválidos. ¿Qué deberíamos hacer antes de aplicar un algoritmo de minería de datos? A) Aplicar el algoritmo inmediatamente B) Ignorar los p

a

B) Ignorar los problemas

b

C) Limpiar y preparar los datos

c

A) Aplicar el algoritmo inmediatamente

You can integrate the game into an LMS compatible with LTI 1.1 or LTI 1.3 such as Canvas, Moodle, or Blackboard. This way, the scores will be automatically saved into the platform’s gradebook.

Data Cleaning y Preparación (Es)

AsterQuiz

About this activity

Created by

Download the paper version to play

Top Games

AsterQuiz

Master the Steps: Geometry & Maps Quiz

AsterQuiz

How much do you know about space?

AsterQuiz

Science Evidence Quest: Properties of Matter

AsterQuiz

Tag Questions Review

AsterQuiz

US History: Pre-Civil War Quiz

AsterQuiz

Data Cleaning y Preparación (Es)Online version

by Antonio

¿Qué problema existe entre estos valores? Auto auto AUTO

¿Qué método permite eliminar espacios al principio y final de un texto? A) .str.strip() B) .str.delete() C) .str.clean() D) .str.space()

¿Qué hace .str.title()? A) Convierte texto a mayúsculas solamente B) Convierte texto a formato tipo título C) Elimina el texto D) Convierte texto en números

¿Qué función podemos utilizar para convertir una columna a valores numéricos? A) pd.to_numeric() B) pd.to_number() C) pd.number() D) df.numeric()

¿Qué hace errors="coerce" en pd.to_numeric()? A) Elimina toda la columna B) Convierte valores que no puede interpretar en valores faltantes C) Convierte todos los valores en texto D) Duplica los valores

Tenemos el valor "22500 pesos" en una columna que debería ser numérica. ¿Qué problema tenemos? A) Un duplicado B) Un outlier necesariamente C) Un problema de tipo/formato de dato D) Un valor nulo

¿Debemos eliminar automáticamente todos los outliers? A) Sí, siempre B) No, primero debemos investigar si representan errores o casos reales C) Sí, porque dañan cualquier análisis D) Solo si son positivos

¿Qué podría ocurrir si analizamos datos con muchos errores? A) El análisis podría producir conclusiones poco confiables B) Python los corrige automáticamente C) Los errores desaparecen D) El dataset se vuelve más grande

¿Cuál debería ser el orden lógico? A) Algoritmo → datos → limpieza B) Limpieza → obtener datos → algoritmo C) Datos → exploración → limpieza/preparación → análisis D) Algoritmo → limpieza → datos

Tenemos un dataset con valores faltantes, registros duplicados, categorías inconsistentes y valores negativos inválidos. ¿Qué deberíamos hacer antes de aplicar un algoritmo de minería de datos? A) Aplicar el algoritmo inmediatamente B) Ignorar los p

		%
	Anonymous	%
		%
		%