Data Cleaning y Preparación (Es)

AsterQuiz

Jugadas 13

Crear copia

Sobre esta actividad

Preguntas sobre limpieza de datos

Creada por

Antonio

México

Descarga la versión para jugar en papel

Top 10 resultados

#	Jugador	Acierto	tiempo
1	Anónimo 8 de Septiembre de 2026	% 100	02:49
2	Anónimo 8 de Septiembre de 2026	% 100	02:59
3	Anónimo 8 de Septiembre de 2026	% 100	03:01
4	Anónimo 8 de Septiembre de 2026	% 100	03:19
5	Anónimo 8 de Septiembre de 2026	% 100	03:55
6	Anónimo 8 de Septiembre de 2026	% 90	03:15
7	Anónimo 8 de Septiembre de 2026	% 90	03:44
8	Anónimo 8 de Septiembre de 2026	% 80	04:05
9	Anónimo 8 de Septiembre de 2026	% 80	04:24
10	Anónimo 8 de Septiembre de 2026	% 80	04:30

¿Quieres aparecer en el Top 10 de este juego? Inicia sesión para identificarte.

Crea tu propio juego gratis desde nuestro creador de juegos

Compite contra tus amigos para ver quien consigue la mejor puntuación en esta actividad

Crear reto

Quiz: ¿Qué es El Niño?

Cerebrote Premium

Colombia

(73)

Conoce el fenómeno
Quiz de sistemas del cuerpo

Maricela

Colombia

(28)

Revisa los sistemas corporales
Piloto de las Matemáticas: Detecta las palabras claves y resuelve

BESLY YESENIA MARTINEZ CASTAÑEDA

Colombia

(74)

Problemas con operaciones
¿Cuánto sabes del espacio?

Educaplay Educational Resources

España

(74)

Pon a prueba tus conocimientos sobre el universo.
Desafío de Tipología Textual

Margarita Soto Alos

México

(24)

Quiz sobre expositivo, narrativo, descriptivo y argumentativo

		%
	Anónimo	%
		%
		%

Imprime tu juego

Data Cleaning y Preparación (Es)


AsterQuiz Data Cleaning y Preparación (Es)Versión en línea Preguntas sobre limpieza de datos por 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

Puedes integrar el juego en un LMS compatible con LTI 1.1 o LTI 1.3 como Canvas, Moodle, o Blackboard. De esta manera podrás guardar las puntuaciones automáticamente en el libro de calificaciones de esa plataforma.

Data Cleaning y Preparación (Es)

AsterQuiz

Sobre esta actividad

Creada por

Descarga la versión para jugar en papel

Top juegos

AsterQuiz

Quiz: ¿Qué es El Niño?

AsterQuiz

Quiz de sistemas del cuerpo

AsterQuiz

Piloto de las Matemáticas: Detecta las palabras claves y resuelve

AsterQuiz

¿Cuánto sabes del espacio?

AsterQuiz

Desafío de Tipología Textual

AsterQuiz

Data Cleaning y Preparación (Es)Versión en línea

por 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