1. 如附圖所示為 Python 程式碼進行遺缺值(Missing Values) 處理的範例，其執行結果下列哪一項正確？

(A) [25.0, 25.0, 25.0, 25.0, 25.0]
(B) [20.0, 25.0, 25.0, 30.0, 25.0]
(C) [20, None, 25, 30, None]
(D) [25.0, 25.0, 25.0]

這段 Python 程式碼的主要功能是使用 Pandas 庫來處理遺缺值（Missing Values）。我們可以一步步分析其執行結果：

程式碼解釋

1. 建立 DataFrame

   python
   ㅤㅤ
   data = { 'name': ['Alice', 'Bob', 'Charlie', 'David', 'Emily'], 'age': [20, None, 25, 30, None] } df = pd.DataFrame(data)

   這段程式碼建立了一個包含姓名 (name) 和年齡 (age) 的 DataFrame，其中 None 代表遺缺值。

2. 計算 age 欄位的中位數

   python
   複製編輯
   median_age = df['age'].median()

   df['age'].median() 會計算年齡的中位數（忽略 None 值）。

   • age 欄位的有效數值為 [20, 25, 30]，其中位數為 25.0。

3. 用中位數填補缺失值

   python
   複製編輯
   df['age'].fillna(median_age, inplace=True)
   • fillna(median_age, inplace=True) 會將 None 取代為 25.0。

4. 輸出結果

   python
   複製編輯
   print(list(df['age'].values))
   • df['age'].values 轉換為 list 後輸出，最終結果為：
     python
     複製編輯
     [20.0, 25.0, 25.0, 30.0, 25.0]

執行結果

原先 None 的位置 (Bob 和 Emily) 都被填上 25.0，即 age 欄位的中位數。

這段程式碼成功地使用 中位數 (median) 來填補遺缺值，以確保數據的一致性並減少遺漏值對分析的影響。