QuestLab Plataforma Inteligente de Questões
Banco público de questões

Questões para Concursos

Pesquise questões reais por disciplina, assunto, tópico, banca, órgão, cargo, ano e modalidade.

Questões por banca

29 bancas disponíveis. Clique para visualizar todas.

Encontre as questões que procura
Limpar filtros
2 questões encontradas
Texto associado
Texto CG1A12-I

Em 2006, Clive Humby cunhou a frase “Dados são o novo petróleo”, traçando analogias com a revolução que o petróleo proporcionou à indústria e com o fato de que muitos dos desafios relacionados ao petróleo se colocam em relação aos dados: processo de refino, construção de subprodutos e destilação para torná-los úteis.

Internet: (tradução livre com adaptações).

Considerando os desafios mencionados no texto CG1A12-I, assinale a opção que apresenta o objetivo da etapa de junção do ETL em business intelligence.

A a aplicação de regras de negócios aos dados para o cálculo de novos valores com base em valores existentes
B a divisão de um atributo de dados em diversas colunas no sistema de destino
C a melhora da qualidade dos dados pela redução de um grande número de valores de dados em um conjunto de dados menor
D a vinculação de dados semelhantes de diferentes fontes de dados
E a proteção de dados confidenciais para o cumprimento das leis de dados ou para a privacidade de dados por meio do adicionamento de encriptação
Órgão: Secretaria da Fazenda do Estado do Paraná Cargo: Agente Fazendário Estadual - Área: Analista Fazendário Prova: CESPE/CEBRASPE - SEFAZ PR - Agente Fazendário Estadual - Área: Analista Fazendário - 2026

Em Python, utilizando a biblioteca Pandas, uma fiscalização estadual cruza um DataFrame de autos de infração (df_autos) com outro de cadastro de contribuintes (df_cad) , ambos indexados por CNPJ, e precisa preservar todos os autos mesmo sem cadastro correspondente. Nessa situação, a operação adequada é

A df_cad.merge (df_autos, how="right", on="CNPJ") sem alinhar índices explicitamente.
B df_autos.merge(df_cad, how="outer", left_index=True, right_index=True) para incluir todos.
C df_autos.merge(df_cad, how="inner", left_index=True, right_index=True)
D df_autos.join(df_cad, how="left")
E pd.concat([df_autos, df_cad], axis=1, join="inner")