处理缺失值的方法有( )。
A: 不处理
B: 删除记录
C: 数据插补
D: dropna
A: 不处理
B: 删除记录
C: 数据插补
D: dropna
A,B,C
举一反三
- 对缺失数据进行处理的方法有( )。 A: 删除个案 B: 删除缺失值 C: 插补法 D: 格式规范 E: 去重复值
- 处理缺失值的方法包括( )。 A: 数据补齐 B: 删除记录 C: 不处理 D: 删除单元格
- 数据清洗时,处理缺失值的方法包括()。 A: 删除单元格 B: 删除记录 C: 数据补齐 D: 不处理
- 处理缺失值的常用方法有删除含有缺失值的个案和用可能值插补缺失值。
- 以下关于缺失值检测的说法中,正确的是( ) A: null和notnull可以对缺失值进行处理 B: dropna方法既可以删除观测记录,亦可以删除特征 C: fillna方法中用来替换缺失值的值只能是数据框 D: pandas库中的interpolate模块包含了多种插值方法
内容
- 0
下列选项中,关于dropna()方法描述正确的是()。 A: dropna()方法只会删除值为NaN的数据 B: dropna()方法不会删除值为None的数据 C: dropna()方法会删除值为None和NaN的数据 D: dropna()方法只会检测缺失数据和空值
- 1
关于缺失值检测的说法正确的是() A: pandas中的interpolate模块包含了多种插值方法 B: null和notnull可以对缺失值进行处理 C: dropna方法既可以删除观测值,也可以删除特征 D: fillna用来替换缺失值的值只能是数据框
- 2
数据清理中,处理缺失值的方法有() A: A删除法 B: B查补法 C: C二分法 D: D插值法
- 3
如果一项调查中,样本量很大;缺失值很少;存有缺失值的变量之间不是高度相关,这时合理的缺失值处理方法是()。 A: 均值插补 B: 最近邻插补 C: 排除缺失项目的方法 D: 删除个案
- 4
对于数据中存在的缺失值,可以进行( )处理。 A: 回访补充 B: 数据插补 C: 跟踪调查补充 D: 删除变量或样本