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: 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:

Uma equipe de analistas de um Ministério Público está...

Q4341214

Tecnologia da Informação Técnicas de pré-processamento

Ano: 2026

Prova: FCC - MPE SE - Analista do Ministério Público - Área: Tecnologia da Informação: Desenvolvimento - 2026

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:

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

df[col].append(mode)

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

df[col].dropna(inplace=1)

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

Comentários Marcadores Anotações (0) Estatísticas Reportar erro