iPAS 考題解析
使用銷售資料集（marketing.csv）進行迴歸分析，附圖程式碼展示資料載入與處理。根據 df.describe() 的輸出結果，下列何者正確？ （describe() 輸出：youtube count=200, mean=176.451, std=103.025, min=0.840, 25%=89.25, 50%=179.700, 75%=262.590, max=355.680；facebook count=199, mean=27.820, std=17.808, min=0.000, 25%=11.940, 50%=27.000, 75%=43.680, max=59.520；newspaper count=200, mean=36.665, std=26.134, min=0.360, 25%=15.300, 50%=30.900, 75%=54.120, max=136.800；sales count=200, mean=16.827, std=6.261, min=1.920, 25%=12.450, 50%=15.480, 75%=20.880, max=32.400）
中級 大數據處理分析與應用
難度：基礎 ☆☆☆ 114 年考題
題目與選項
使用銷售資料集（marketing.csv）進行迴歸分析，附圖程式碼展示資料載入與處理。根據 df.describe() 的輸出結果，下列何者正確？ （describe() 輸出：youtube count=200, mean=176.451, std=103.025, min=0.840, 25%=89.25, 50%=179.700, 75%=262.590, max=355.680；facebook count=199, mean=27.820, std=17.808, min=0.000, 25%=11.940, 50%=27.000, 75%=43.680, max=59.520；newspaper count=200, mean=36.665, std=26.134, min=0.360, 25%=15.300, 50%=30.900, 75%=54.120, max=136.800；sales count=200, mean=16.827, std=6.261, min=1.920, 25%=12.450, 50%=15.480, 75%=20.880, max=32.400）
- A. 資料集個數為 199 筆，變數個數為 4 個
- B. sales 變數的中位數是 16.827
- C. facebook 變數的第三四分位數（Q3）是 11.94
- D. youtube 變數的第一四分位數（Q1）是 89.25 ✓ 正確答案
詳細解析
正確答案：D. youtube 變數的第一四分位數（Q1）是 89.25
對照 describe() 輸出，正確的是 D：youtube 欄的 25%（Q1）= 89.25，這就是第一四分位數。選項 A 的總筆數應以 youtube 的 count=200 為準；選項 B 把均值（mean）當成中位數（50%）；選項 C 把 Q1（25%）當成 Q3（75%）。
延伸學習
本題尚未連結特定術語，你可以從以下常見主題開始探索相關知識。
中等題備考建議
- ▶ 本題屬於中等難度，需要理解概念之間的關聯與應用情境，不能只靠死背定義。
- ▶ 中等難度的題目常考「為什麼」和「怎麼用」，建議整理各技術的優缺點比較表。
- ▶ 練習時注意錯誤選項的陷阱設計，很多時候錯誤選項只有一兩個字的差異，需要仔細辨別。
- ▶ 建議用「費曼學習法」，嘗試向別人解釋這道題的解題思路，能講清楚就代表真正理解了。
同主題考題練習
以下題目與本題屬於相同的考試範疇，建議一併練習以加強對該主題的掌握程度。
參考下圖計算各變數的遺漏值（NaN）個數結果，下列何者正確？ （輸出結果：youtube 0 / facebook 1 / newspaper 0 / sales 0 / dtype: int64） 選項 A: df.isnull().sum() 選項 B: df.isNaN().sum() 選項 C: df.isna().sum() 選項 D: df.isnan().sum()
中級 大數據處理分析與應用 難度 ☆☆☆ 114 年
某企業建置生成式 AI 系統，利用大量客服紀錄與產品評論資料訓練語言模型，以自動生成客服回覆與知識摘要。由於資料來源多樣，且包含非結構化文字、影像與表格資訊，團隊希望在不降低模型效能的前提下，提升資料處理效率與一致性，下列哪一種資料處理策略最適合？
中級 大數據處理分析與應用 難度 ☆☆☆ 114 年
請參考附圖，下列虛擬程式碼（pseudocode）最可能是在描述何種演算法？ Input: - data_points: N 筆資料，每筆資料有 D 個特徵 - X: 要分成的群數 Output: - clusters: 每筆資料所屬的群編號 - centroids: 每個群的中心點 Algorithm: 1. 隨機選擇 X 個資料點作為初始中心 2. 重複以下步驟直到收斂: a. 分群: 對每個資料點，計算它到每個中心的距離，將資料點指派給距離最近的中心 b. 更新中心: 對每個群，計算該群中所有資料點的平均值，將群中心更新為這個平均值 3. 當群中心不再變動時，停止 回傳每筆資料的群編號 clusters，以及最後的群中心 centroids
中級 大數據處理分析與應用 難度 ☆☆☆ 114 年
iPAS AI 應用規劃師認證簡介
iPAS AI 應用規劃師能力鑑定是經濟部產業發展署推動的國家級 AI 證照制度， 分為「初級」與「中級」兩個等級。初級考試包含「人工智慧基礎概論」和「生成式 AI 應用與規劃」兩個科目， 著重基本概念的理解與應用。中級考試涵蓋「AI 技術應用與規劃」「大數據處理分析與應用」「機器學習技術與應用」三個科目， 要求考生具備更深入的技術知識與實務能力。 本題來自中級考試範圍，需要具備紮實的技術基礎才能正確作答。
開始準備 iPAS 考試
本題來自 114 年 AI 應用規劃師中級考試。 想通過 iPAS 認證？從完整題庫練習開始，搭配術語詞典與備考攻略，系統化提升你的 AI 知識。