Очистка данных — бесплатный тест онлайн

Вопрос 1 из 20

Ситуация: После загрузки повторного файла один клиент встречается дважды с разными суммами; простое удаление одинаковых строк ничего не меняет. Какой механизм точнее всего объясняет связь кода с ситуацией?

df <- data.frame(id = c(1, 1, 2), value = c(10, 12, 8))
result <- df[!duplicated(df), ]
result

Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа Дубликат определяется набором полей и бизнес-смыслом, поэтому duplicated() по всей строке не заменяет проверку ключа arrange() сортирует всю таблицу по указанным выражениям, а desc() задаёт обратный порядок для конкретного ключа

Вопрос 2 из 20

Ситуация: После загрузки повторного файла один клиент встречается дважды с разными суммами; простое удаление одинаковых строк ничего не меняет. Какой дефект нужно искать в первую очередь?

df <- data.frame(id = c(1, 1, 2), value = c(10, 12, 8))
result <- df[!duplicated(df), ]
result

Замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары Удаление полных копий оставляет конфликтующие записи с одинаковым идентификатором, но разными значениями Сортировка без явного второго ключа оставляет порядок равных значений зависимым от предыдущих операций и источника Безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения

Вопрос 3 из 20

Ситуация: После загрузки повторного файла один клиент встречается дважды с разными суммами; простое удаление одинаковых строк ничего не меняет. Какой вариант исправления сохраняет смысл анализа?

Сначала сверяйте источник и единицы, затем проводите анализ чувствительности с наблюдением и без него Добавьте детерминированный ключ разрешения равенств, если порядок используется для выбора первой строки Составьте карту кодов пропусков по столбцам и выбирайте удаление, восстановление или отдельную категорию по причине отсутствия Задайте ключ, найдите все конфликтующие группы и выберите правило разрешения с сохранением следа изменений Задайте явные правила качества, выделяйте неопределённые проверки отдельно и проверяйте межполевые ограничения

Вопрос 4 из 20

Ситуация: После загрузки повторного файла один клиент встречается дважды с разными суммами; простое удаление одинаковых строк ничего не меняет. Какая проверка относится к исходному риску, а не к внешнему виду результата?

Подсчитайте нарушения каждого правила, сохраните примеры и сравните с ожидаемой частотой по источникам Покажите исходное значение, правило флага, влияние на ключевые оценки и документированное решение Проверьте anyDuplicated(key), размеры конфликтующих групп и разницу значений внутри них Подсчитайте пропуски до и после нормализации и сравните их долю по группам и времени Повторите сортировку на перемешанном входе и проверьте одинаковость выбранных записей

Вопрос 5 из 20

Ситуация: После загрузки повторного файла один клиент встречается дважды с разными суммами; простое удаление одинаковых строк ничего не меняет. Какое заключение лучше всего выдерживает проверку?

df <- data.frame(id = c(1, 1, 2), value = c(10, 12, 8))
result <- df[!duplicated(df), ]
result

Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа; при этом главный риск состоит в том, что удаление полных копий оставляет конфликтующие записи с одинаковым идентификатором, но разными значениями Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю; при этом главный риск состоит в том, что замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Дубликат определяется набором полей и бизнес-смыслом, поэтому duplicated() по всей строке не заменяет проверку ключа; при этом главный риск состоит в том, что удаление полных копий оставляет конфликтующие записи с одинаковым идентификатором, но разными значениями Дубликат определяется набором полей и бизнес-смыслом, поэтому duplicated() по всей строке не заменяет проверку ключа; при этом главный риск состоит в том, что безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения Дубликат определяется набором полей и бизнес-смыслом, поэтому duplicated() по всей строке не заменяет проверку ключа; поэтому достаточно один раз проверить класс объекта на текущем наборе данных

Вопрос 6 из 20

Ситуация: Разные источники обозначают отсутствие данных пустой строкой, числом 999 и настоящим NA. На какое свойство R здесь следует опереться?

x <- c('12', '', '999', NA, '0')
result <- x %in% c('', '999') | is.na(x)
result

Аргумент na.rm = TRUE удаляет пропуски только внутри конкретного вычисления и не исправляет исходные данные Дубликат определяется набором полей и бизнес-смыслом, поэтому duplicated() по всей строке не заменяет проверку ключа Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями

Вопрос 7 из 20

Ситуация: Разные источники обозначают отсутствие данных пустой строкой, числом 999 и настоящим NA. Почему успешный запуск ещё не доказывает корректность?

x <- c('12', '', '999', NA, '0')
result <- x %in% c('', '999') | is.na(x)
result

Безусловное удаление NA может сместить оценку, если пропуски связаны с величиной показателя или группой Удаление полных копий оставляет конфликтующие записи с одинаковым идентификатором, но разными значениями Безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения Замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары

Вопрос 8 из 20

Ситуация: Разные источники обозначают отсутствие данных пустой строкой, числом 999 и настоящим NA. Какая правка лучше локальной заплатки?

Сначала сверяйте источник и единицы, затем проводите анализ чувствительности с наблюдением и без него Составьте карту кодов пропусков по столбцам и выбирайте удаление, восстановление или отдельную категорию по причине отсутствия Задайте ключ, найдите все конфликтующие группы и выберите правило разрешения с сохранением следа изменений Задайте явные правила качества, выделяйте неопределённые проверки отдельно и проверяйте межполевые ограничения Сначала исследуйте механизм пропусков и долю удалённых наблюдений, затем применяйте na.rm осознанно и отражайте это в отчёте

Вопрос 9 из 20

Ситуация: Разные источники обозначают отсутствие данных пустой строкой, числом 999 и настоящим NA. Как подтвердить корректность на граничном случае?

Подсчитайте пропуски до и после нормализации и сравните их долю по группам и времени Покажите исходное значение, правило флага, влияние на ключевые оценки и документированное решение Сравните результат с na.rm и без него, число использованных наблюдений и распределение пропусков по группам Подсчитайте нарушения каждого правила, сохраните примеры и сравните с ожидаемой частотой по источникам Проверьте anyDuplicated(key), размеры конфликтующих групп и разницу значений внутри них

Вопрос 10 из 20

Ситуация: Разные источники обозначают отсутствие данных пустой строкой, числом 999 и настоящим NA. Какой вывод точнее всего связывает механизм и главный риск?

x <- c('12', '', '999', NA, '0')
result <- x %in% c('', '999') | is.na(x)
result

Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю; следовательно, совпадение числа строк можно считать полной проверкой решения Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю; при этом главный риск состоит в том, что простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями; при этом главный риск состоит в том, что замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю; при этом главный риск состоит в том, что замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа; при этом главный риск состоит в том, что безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения

Вопрос 11 из 20

Ситуация: Максимальное значение в десять раз выше остальных, но относится к крупнейшему объекту в выборке и может быть реальным. Какое утверждение лучше всего объясняет показанный фрагмент?

x <- c(10, 11, 12, 13, 80)
q <- quantile(x, c(.25, .75))
result <- x > q[2] + 1.5 * IQR(x)
result

Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа PCA чувствителен к выбросам, пропускам, нелинейности и набору признаков и описывает вариацию, а не причинность Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями Дубликат определяется набором полей и бизнес-смыслом, поэтому duplicated() по всей строке не заменяет проверку ключа Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю

Вопрос 12 из 20

Ситуация: Максимальное значение в десять раз выше остальных, но относится к крупнейшему объекту в выборке и может быть реальным. Какое скрытое допущение здесь опаснее остальных?

x <- c(10, 11, 12, 13, 80)
q <- quantile(x, c(.25, .75))
result <- x > q[2] + 1.5 * IQR(x)
result

Удаление полных копий оставляет конфликтующие записи с одинаковым идентификатором, но разными значениями Безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения Замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Один выброс способен повернуть компоненты и создать впечатление отдельного направления данных Простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары

Вопрос 13 из 20

Ситуация: Максимальное значение в десять раз выше остальных, но относится к крупнейшему объекту в выборке и может быть реальным. Что нужно сделать, чтобы ошибка не вернулась на следующем наборе данных?

Задайте явные правила качества, выделяйте неопределённые проверки отдельно и проверяйте межполевые ограничения Исследуйте влияние наблюдений, проводите анализ чувствительности и сравнивайте с устойчивыми методами Составьте карту кодов пропусков по столбцам и выбирайте удаление, восстановление или отдельную категорию по причине отсутствия Сначала сверяйте источник и единицы, затем проводите анализ чувствительности с наблюдением и без него Задайте ключ, найдите все конфликтующие группы и выберите правило разрешения с сохранением следа изменений

Вопрос 14 из 20

Ситуация: Максимальное значение в десять раз выше остальных, но относится к крупнейшему объекту в выборке и может быть реальным. Какая проверка непосредственно подтверждает, что дефект устранён?

Подсчитайте нарушения каждого правила, сохраните примеры и сравните с ожидаемой частотой по источникам Повторите PCA без влиятельных точек и на bootstrap-выборках, сравнив подпространства и нагрузки Подсчитайте пропуски до и после нормализации и сравните их долю по группам и времени Проверьте anyDuplicated(key), размеры конфликтующих групп и разницу значений внутри них Покажите исходное значение, правило флага, влияние на ключевые оценки и документированное решение

Вопрос 15 из 20

Ситуация: Максимальное значение в десять раз выше остальных, но относится к крупнейшему объекту в выборке и может быть реальным. Что стоит написать в технической рецензии к этому фрагменту?

x <- c(10, 11, 12, 13, 80)
q <- quantile(x, c(.25, .75))
result <- x > q[2] + 1.5 * IQR(x)
result

Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа; при этом главный риск состоит в том, что простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа; поэтому повторный запуск в той же сессии заменяет проверку граничных случаев Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю; при этом главный риск состоит в том, что замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа; при этом главный риск состоит в том, что безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями; при этом главный риск состоит в том, что безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения

Вопрос 16 из 20

Ситуация: Валидация возраста должна отличать отсутствующее значение от явно невозможного и не скрывать ни один случай. Что является главным техническим основанием для разбора?

age <- c(25, NA, 140, 18)
result <- age >= 0 & age <= 120
result

Дубликат определяется набором полей и бизнес-смыслом, поэтому duplicated() по всей строке не заменяет проверку ключа Последовательность select, filter, arrange и mutate должна сохранять ожидаемый ключ, число строк и смысл единиц на каждом шаге Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями

Вопрос 17 из 20

Ситуация: Валидация возраста должна отличать отсутствующее значение от явно невозможного и не скрывать ни один случай. Что именно может сломаться при новых данных?

age <- c(25, NA, 140, 18)
result <- age >= 0 & age <= 120
result

Правдоподобный итог может скрывать потерю строк из-за NA, дубли ключей или случайное переопределение столбца Безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения Удаление полных копий оставляет конфликтующие записи с одинаковым идентификатором, но разными значениями Замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары

Вопрос 18 из 20

Ситуация: Валидация возраста должна отличать отсутствующее значение от явно невозможного и не скрывать ни один случай. Какое изменение устраняет именно причину проблемы?

Задайте ключ, найдите все конфликтующие группы и выберите правило разрешения с сохранением следа изменений Сначала сверяйте источник и единицы, затем проводите анализ чувствительности с наблюдением и без него Задайте явные правила качества, выделяйте неопределённые проверки отдельно и проверяйте межполевые ограничения Добавьте явные проверки размеров, уникальности ключа и допустимых диапазонов между этапами конвейера Составьте карту кодов пропусков по столбцам и выбирайте удаление, восстановление или отдельную категорию по причине отсутствия

Вопрос 19 из 20

Ситуация: Валидация возраста должна отличать отсутствующее значение от явно невозможного и не скрывать ни один случай. Какой контроль отличит исправление от случайно удачного результата?

Проверьте anyDuplicated(key), размеры конфликтующих групп и разницу значений внутри них Покажите исходное значение, правило флага, влияние на ключевые оценки и документированное решение Подсчитайте нарушения каждого правила, сохраните примеры и сравните с ожидаемой частотой по источникам Подсчитайте пропуски до и после нормализации и сравните их долю по группам и времени Зафиксируйте контрольные строки и инварианты: nrow, уникальность id, долю NA и диапазоны новых признаков

Вопрос 20 из 20

Ситуация: Валидация возраста должна отличать отсутствующее значение от явно невозможного и не скрывать ни один случай. Какое заключение останется верным и на новых данных?

age <- c(25, NA, 140, 18)
result <- age >= 0 & age <= 120
result

Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями; при этом главный риск состоит в том, что простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары Выброс — наблюдение, требующее проверки, а не автоматически ошибочная строка; решение зависит от причины и цели анализа; при этом главный риск состоит в том, что безусловное удаление по правилу IQR может убрать редкие, но реальные значения и занизить хвост распределения Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями; при этом главный риск состоит в том, что замена всех пропусков одним нулём смешивает отсутствие измерения с реальным нулевым значением и меняет статистику Пропуски могут быть явными NA и неявными кодами вроде пустой строки, 999 или «нет данных», которые нужно нормализовать по словарю; при этом главный риск состоит в том, что простое условие x >= min & x <= max возвращает NA на пропусках и не ловит согласованные по отдельности, но невозможные пары Проверка диапазона должна учитывать единицы, допустимые границы, пропуски и логические связи между несколькими полями; следовательно, предупреждения можно не учитывать, если итог выглядит ожидаемо