年齢列の異常値コード
会員データの年齢の列を確認したところ、「0」が312件、「999」が85件含まれていた。会員登録できるのは18歳以上である。分析の前に行う対応として適切なものを2つ選べ。
- A
最小最大正規化で年齢を0〜1の範囲に変換すれば、「0」と「999」の影響を取り除くことができる。
- B
データ定義書やシステム担当者に確認し、「0」や「999」が未入力などを表すコードとして使われていないか調べる。
- C
18歳以上という登録条件から範囲チェックを行い、条件に合わない値の件数と、それが登録時期などに偏っていないかを確認する。
- D
「0」と「999」は平均を挟んで両側にあるので、そのまま平均年齢を計算すれば影響は打ち消し合い、問題は生じない。
正解と解説を見る
正解:B・C
ありえない値は、まずその値が何を意味するかを確認し(欠損を表すコードかどうか)、業務上の条件で範囲チェックをして件数と偏りを把握する。そのうえで、欠損として扱うか、除外するか、補完するかを決める。
- A
誤り。最小最大正規化は、最小値と最大値に強く影響される。異常値が残ったままでは、ほかの値が狭い範囲に押し込められ、かえって分布がゆがむ。
- B
正しい。システムによっては、欠損を特定の数値で表すことがある。値の意味を確かめなければ、欠損として扱うべきか誤りとして扱うべきか判断できない。
- C
正しい。業務上ありえる範囲で異常値を洗い出し、その件数と偏りを把握すると、発生した原因の特定や処理方針の決定につながる。
- D
誤り。この例では、0の312件で下がる分(約312×年齢)より、999の85件で上がる分(約85×(999 − 年齢))のほうがはるかに大きく、平均は大きく上にずれる。件数も離れ方も対称ではないので、打ち消し合うことはない。
このサイトの問題は、各試験の公開されている出題範囲に沿って作ったオリジナルの模擬問題です。本試験の問題ではありません。一般社団法人データサイエンティスト協会・一般財団法人統計質保証推進協会の公式サービスではありません。