Question

Uma equipe de analistas de um Ministério Público está preparando um conjunto de dados contendo informações de denúncias. Parte do pré-processamento envolve o uso de técnicas de feature engineering para o tratamento de valores ausentes em colunas categóricas antes da aplicação de algoritmos de aprendizado de máquina. Para isso, foi desenvolvido o código abaixo.

import pandas as pd

# Pequeno conjunto de dados de exemplo
data = {
    "tipo_denuncia": ["Ambiental", None, "Penal", "Penal", None],
    "origem": ["Anonima", "Identificada", None, "Anonima", "Anonima"]
}

df = pd.DataFrame(data)

# Seleciona colunas categóricas
categorical_cols = df.select_dtypes(include=['object']).columns

# Substitui valores ausentes pela categoria mais frequente
for col in categorical_cols:
    mode = df[col].mode()[0]
    __I__

print(df)

Considerando que esse código será executado em condições ideais, o comando que deve preencher corretamente a lacuna I, para garantir que as variáveis categóricas tenham seus valores ausentes substituídos pela categoria mais frequente, é:

Accepted Answer

C) df[col] = df[col].fillna(mode)

Answer

A) df[col].fillna(inplace=None, 'Desconhecido')

Answer

B) df[col].append(mode)

Answer

D) df[col].dropna(inplace=1)

Answer

E) df[col] = df[col].replace(mode, None)

Mais questões de Data warehouse e mineração de dados