Data Cleaning y Preparación (Es)

AsterQuiz

Parties jouées 13

Créer une copie

À propos de cette activité

Preguntas sobre limpieza de datos

Créé par

Antonio

Mexico

Téléchargez la version pour jouer sur papier

Top 10 résultats

#	Jeux	Précision	temps
1	Anonyme 8 Septembre 2026	% 100	02:49
2	Anonyme 8 Septembre 2026	% 100	02:59
3	Anonyme 8 Septembre 2026	% 100	03:01
4	Anonyme 8 Septembre 2026	% 100	03:19
5	Anonyme 8 Septembre 2026	% 100	03:55
6	Anonyme 8 Septembre 2026	% 90	03:15
7	Anonyme 8 Septembre 2026	% 90	03:44
8	Anonyme 8 Septembre 2026	% 80	04:05
9	Anonyme 8 Septembre 2026	% 80	04:24
10	Anonyme 8 Septembre 2026	% 80	04:30

Voulez-vous apparaître dans le Top 10 de ce jeu? Connectez-vous pour vous identifier.

Créez votre propre jeu gratuite à partir de notre créateur de jeu

Affrontez vos amis pour voir qui obtient le meilleur score dans ce jeu

Créer un défi

Tag Questions Review

Cristian Adonay Avila Rivas

El Salvador

(6)

Quick tag questions practice
US History: Pre-Civil War Quiz

Virginia Llanos

United States

(7)

Key terms quiz
Master the Steps: Geometry & Maps Quiz

Regine A. Wayan

Philippines

(6)

Landmark steps to master concepts
How much do you know about space?

Educaplay Educational Resources

Spain

(50)

Put your knowledge of the universe to the test.
Science Evidence Quest: Properties of Matter

Taylor Roberts

United States

(6)

Grade 5 science clues

		%
	Anonyme	%
		%
		%

Imprimez votre jeu

Data Cleaning y Preparación (Es)


AsterQuiz Data Cleaning y Preparación (Es)Version en ligne Preguntas sobre limpieza de datos par 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

Vous pouvez intégrer le jeu dans un LMS compatible avec LTI 1.1 ou LTI 1.3 comme Canvas, Moodle ou Blackboard. Les scores seront ainsi automatiquement enregistrés dans le carnet de notes de la plateforme.

Data Cleaning y Preparación (Es)

AsterQuiz

À propos de cette activité

Créé par

Téléchargez la version pour jouer sur papier

Top Jeux

AsterQuiz

Tag Questions Review

AsterQuiz

US History: Pre-Civil War Quiz

AsterQuiz

Master the Steps: Geometry & Maps Quiz

AsterQuiz

How much do you know about space?

AsterQuiz

Science Evidence Quest: Properties of Matter

AsterQuiz

Data Cleaning y Preparación (Es)Version en ligne

par 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