Question

32 import datetime d = datetime.datetime(2022,1,2,3,4,5) print(type(d)) print(d.strftime(“%j”))

Com base no algoritmo, considere as afirmativas: I –Aprimeira linha realiza a importação do módulo ‘datetime’ II – A segunda linha cria um objeto III – A terceira linha retorna <class ‘datetime. datetime’> IV – A última linha imprime o valor 002

Assinale a alternativa correta: (A) Todas as afirmações estão corretas. (B) Somente III e IV estão corretas. (C) Somente I, II e III estão corretas. (D) Somente I e II estão corretas.

Instituto Federal de Educação, Ciência e Tecnologia de São Paulo 13

Uma tarefa muito comum durante a etapa de pré-processamento de dados é o tratamento de valores ausentes. A linguagem Python possui uma biblioteca muito utilizada pelos cientistas de dados, denominada Pandas, que permite realizar o processo de transformação dos dados de maneira bem prática. Considere os dados exibidos pela figura abaixo:

Figura da questão (imagem do caderno de prova)

Fonte: IFSP, 2022. Pela figura, é possível observar que existem diversos valores ausentes, identificados por NaN. Ao analisar essas informações, o cientista de dados decide substituir os valores ausentes em cada coluna, da seguinte forma: • Gravidez: substituir NaN pelo valor 0; • Pressão Sanguínea: substituir NaN pela média dos valores da coluna; • Espessura da Pele: substituir NaN pela moda dos valores da coluna; • IMC: substituir NaN pela mediana dos valores da coluna; • Resultado: substituir NaN pelo valor 0. O cientista de dados armazenou os valores dentro de um dataframe do Pandas, chamado df. Para realizar a substituição dos valores ausentes, ele decide executar o seguinte comando: df.fillna(value=valores, inplace=True) Observe que o argumento “value” recebe um dicionário do Python. Esse dicionário contém as instruções para atualizar os valores das colunas, tal como o cientista de dados deseja. Assinale a alternativa correta, que indica o trecho de código relacionado a esse dicionário de dados.

Accepted Answer

D) valores = { ‘Gravidez’: 0, ‘Pressão Sanguínea’: df[‘Pressão Sanguínea’].mean(), ‘Espessura da Pele’: df[‘Espessura da Pele’].mode()[0], ‘IMC’: df[‘IMC’].median(), ‘Resultado’: 0 }

Answer

A) valores = { Gravidez: 0, Pressão Sanguínea: df[‘Pressão Sanguínea’].mean(), Espessura da Pele: df[‘Espessura da Pele’].mode()[0], IMC: df[‘IMC’].median(), Resultado: 0 }

Answer

B) valores = { ‘Gravidez’: 0, ‘Pressão Sanguínea’: df[‘Pressão Sanguínea’].mean(), ‘Espessura da Pele’: df[‘Espessura da Pele’].mode(), ‘IMC’: df[‘IMC’].median(), ‘Resultado’: 0 } 14 Cargo: ANALISTA DE TECNOLOGIA DA INFORMAÇÃO - CIÊNCIA DE DADOS - Edital nº 52/2022

Answer

C) valores = { ‘Gravidez’: 0, ‘Pressão Sanguínea’: df[‘Pressão Sanguínea’].mean(), ‘Espessura da Pele’: df[‘Espessura da Pele’].mean(), ‘IMC’: df[‘IMC’].mean(), ‘Resultado’: 0 }

Mais questões de Data warehouse e mineração de dados