Questão de Programação — Linguagens de programação — IF-SP 2022
ProgramaçãoLinguagens de programação
- Código
- qq760117
- Banca
- IF-SP
- Órgão
- IF-SP
- Ano
- 2022
- Nível
- Superior
- Cargo
- Analista de Tecnologia da Informação - Ciência de Dados
Uma tarefa muito comum durante a etapa de pré-processamento de dados é o tratamento de valores ausentes. Na linguagem R, os valores ausentes são representados por NA (Not Avaliable). Considere os dados exibidos pela figura abaixo:
Fonte: IFSP, 2022.Esses dados correspondem aos valores que foram carregados e armazenados em um dataframe da linguagem R. A linguagem R, assim como a linguagem Python, é muito utilizada na área de Ciência de Dados. Ela oferece diversas bibliotecas que podem ser empregadas para auxiliar nas etapas de pré-processamento e transformação dos dados. Ao analisar as informações exibidas pela figura, o cientista de dados percebe a existência de diversos valores ausentes e decide substituí-los da seguinte forma:• Gravidez: substituir NA pelo valor 0;• Pressão Sanguínea: substituir NA pela média dos valores da coluna;• Resultado: substituir NA pelo valor 0.Assinale a alternativa correta, que indica o trecho de código escrito em linguagem R, que pode ser utilizado para realizar essa tarefa.
Fonte: IFSP, 2022.Esses dados correspondem aos valores que foram carregados e armazenados em um dataframe da linguagem R. A linguagem R, assim como a linguagem Python, é muito utilizada na área de Ciência de Dados. Ela oferece diversas bibliotecas que podem ser empregadas para auxiliar nas etapas de pré-processamento e transformação dos dados. Ao analisar as informações exibidas pela figura, o cientista de dados percebe a existência de diversos valores ausentes e decide substituí-los da seguinte forma:• Gravidez: substituir NA pelo valor 0;• Pressão Sanguínea: substituir NA pela média dos valores da coluna;• Resultado: substituir NA pelo valor 0.Assinale a alternativa correta, que indica o trecho de código escrito em linguagem R, que pode ser utilizado para realizar essa tarefa.- Adf <- df %>% mutate ( across(c(‘Gravidez’,’Resultado’), ~replace_na(.x, 0)), across(‘Pressão Sanguínea’, ~replace_na(.x, mean(.x, na.rm=TRUE))) )
- Bdf <- df %>% mutate ( across(c(‘Gravidez’,’Resultado’), 0), across(‘Pressão Sanguínea’, mean()) )
- Cdf <- df %>% mutate_all ( across(c(‘Gravidez’,’Resultado’), ~replace_na(.x, 0)), across(‘Pressão Sanguínea’, ~replace_na(.x, mean(.x, na.rm=TRUE))) )
- Ddf <- df %>% mutate_at ( across(c(‘Gravidez’,’Resultado’), ~replace_na(.x, 0)), across(‘Pressão Sanguínea’, ~replace_na(.x, mean(.x, na.rm=TRUE))) )