Análise de Dados em Python com Pandas Desafio 1 Você está participando de um seminário sobre boas práticas em desenvolvimento de software, focado em gestão de ativos de dados dentro de projetos em Python. Durante o evento, foi discutida a importância de uma organização eficiente dos arquivos de dados e como isso pode influenciar positivamente a manutenção e escalabilidade dos projetos. Como especialista na área, você precisa explicar os benefícios teóricos de dividir os dados em um projeto Python. Quais aspectos dessa prática contribuem para a eficiência do desenvolvimento? A Facilita a segurança dos dados ao impedir acesso externo ao projeto. B Permite que diferentes tipos de dados sejam processados por diferentes linguagens de programação no mesmo projeto. C Melhora a organização e acessibilidade dos dados, permitindo uma estrutura modular e escalável. D Garante que os dados sejam automaticamente validados e processados pelo Python. E Reduz a necessidade de documentação do projeto, já que os dados são organizados automaticamente. Responda Desafio 2 Você foi contratado para trabalhar em uma empresa de análise de dados, onde precisa lidar frequentemente com grandes volumes de informações. Durante uma reunião de planejamento, o gerente da equipe perguntou sobre as vantagens de usar a biblioteca Pandas em Python para manipulação de dados, em vez de outras estruturas, como matrizes tradicionais. Como você explicaria o conceito central e a utilidade da biblioteca Pandas para um colega que está começando a trabalhar com análise de dados? A Pandas é uma biblioteca focada exclusivamente em visualização de dados, oferecendo gráficos prontos para uso em projetos Python. B Pandas é uma ferramenta que cria gráficos avançados a partir de matrizes bidimensionais, facilitando a análise de dados visuais. C Pandas é uma biblioteca que oferece estruturas robustas como DataFrames para manipulação eficiente de tabelas numéricas e séries temporais em Python. D Pandas é uma biblioteca especializada em criação de relatórios estáticos a partir de matrizes tradicionais, sem suporte para séries temporais. E Pandas é um módulo de Python que substitui matrizes por listas simples para manipulação de pequenos conjuntos de dados. Responda Desafio 3 Você está trabalhando em um projeto de ciência de dados com uma base de dados que contém mais de 10.000 registros. Durante a análise preliminar, você descobre que um pouco mais de 10% desses registros possuem dados nulos ou faltantes. Considerando a necessidade de tratar esses dados de forma eficaz para não comprometer a qualidade do modelo, qual seria a estratégia mais apropriada para lidar com essa situação? A Ignorar os dados nulos e prosseguir com o modelo, pois eles não impactam o resultado final. B Remover todos os registros nulos da base, independentemente da proporção, para garantir a qualidade dos dados. C Utilizar técnicas de regressão ou classificação para preencher automaticamente os dados nulos, considerando a grande quantidade de dados disponíveis. D Recoletar todos os dados para garantir que a base esteja completamente limpa e sem registros nulos. E Preencher os dados nulos manualmente para garantir precisão e evitar qualquer perda de informação. Responda Desafio 4 Durante uma reunião de equipe para discutir o pré-processamento de dados em um projeto de análise, um colega menciona a necessidade de "regularizar os dados" antes de continuar com a construção do modelo. Como você explicaria o conceito de regularização de dados e sua importância no contexto de ciência de dados? A Regularizar os dados significa remover todos os valores nulos do conjunto para garantir que não haja falhas no modelo. B Regularizar os dados envolve transformar todos os dados categóricos em numéricos para facilitar a análise. C Regularizar os dados significa colocar seus atributos em uma escala comum, minimizando o impacto de outliers e adaptando o conjunto a novos valores. D Regularizar os dados refere-se à ordenação dos registros por valor, do menor para o maior, para melhor visualização. E Regularizar os dados consiste em normalizar todos os valores para que se ajustem a uma distribuição normal padrão. Responda Desafio 5 Você está trabalhando em um projeto que envolve a manipulação de dados usando DataFrames em Python. Durante uma discussão, você precisa explicar para seus colegas como a estrutura dos DataFrames se assemelha às tabelas em bancos de dados como PostgreSQL ou MySQL. Qual é a principal semelhança entre as operações realizadas em DataFrames e aquelas realizadas em tabelas desses bancos de dados? A DataFrames e tabelas de bancos de dados compartilham a mesma linguagem de programação. B Ambos utilizam o comando JOIN para combinar diferentes fontes de dados. C As operações de projeção, seleção, deleção e junção em DataFrames são similares às realizadas em tabelas de bancos de dados relacionais. D DataFrames e tabelas de bancos de dados são usados exclusivamente para armazenar dados, sem capacidades de manipulação. E A estrutura de ambos permite apenas operações básicas de adição e remoção de registros.