Questions et réponses aux entretiens NumPy les plus fréquemment posées [Pour les débutants]

Si vous cherchez à avoir une carrière glorieuse dans le domaine technologique, vous savez déjà qu'une qualification en NumPy est l'une des compétences les plus recherchées. Après tout, NumPy est construit sur les normes de facto des tableaux informatiques.

Voici donc une liste de questions et de réponses fréquemment posées aux entretiens NumPy que vous voudrez peut-être consulter avant de vous présenter à votre prochain entretien.

Top 15 des questions et réponses d'entrevue NumPy

Question 1 : Qu'est-ce que NumPy ?

NumPy est un package polyvalent à usage général open source utilisé pour le traitement des tableaux. Il est court de Numerical Python. Il est connu pour ses performances haut de gamme avec de puissants objets de tableau à N dimensions et les outils avec lesquels il est chargé pour travailler avec des tableaux. Le package est une extension de Python et est utilisé pour effectuer des calculs scientifiques et d'autres fonctions de diffusion.

NumPy est facile à utiliser, bien optimisé et très flexible.

Question 2 : A quoi servent NumPy ?

La bibliothèque numérique open source sur Python prend en charge les tableaux multidimensionnels et contient des structures de données matricielles. Différents types d'opérations mathématiques peuvent être effectuées sur des tableaux à l'aide de NumPy. Cela inclut les opérations trigonométriques ainsi que les calculs statistiques et algébriques. Numeric et Numarray sont des extensions de NumPy.

Question 3 : Pourquoi NumPy est-il préféré à d'autres outils de programmation comme Idl, Matlab, Octave, ou Yorick ?

NumPy est une bibliothèque hautes performances dans le langage de programmation Python qui permet des calculs scientifiques. Il est préféré à Idl, Matlab, Octave ou Yorick car il est open-source et gratuit. De plus, comme il utilise Python, qui est un langage de programmation à usage général, il surpasse un langage de programmation générique lorsqu'il s'agit de connecter l'interpréteur de Python au code C/C++ et Fortran.

NumPy prend en charge les tableaux et matrices multidimensionnels et aide à effectuer des opérations mathématiques complexes sur eux.

Question 4 : Quelles sont les différentes fonctionnalités de NumPy ?

En tant que package open source puissant utilisé pour le traitement des tableaux, NumPy possède diverses fonctionnalités utiles. Elles sont:

1. Contient un objet tableau à N dimensions
2. C'est insupportable ; compatible avec de nombreuses plates-formes matérielles et informatiques
3. Fonctionne extrêmement bien avec les bibliothèques de tableaux ; parcimonieux, distribué ou GPU
4. Capacité à exécuter des fonctions complexes (diffusion)
5. Outils qui permettent l'intégration avec le code C ou C++ et Fortran
6. Capacité à exécuter des fonctions mathématiques de haut niveau comme les statistiques, la transformée de Fourier, le tri, la recherche, l'algèbre linéaire, etc.
7. Il peut également se comporter comme un conteneur multidimensionnel pour les données génériques
8. Prend en charge les calculs scientifiques et financiers

Question 5 : Comment pouvez-vous installer NumPy sous Windows ?

Pour installer NumPy sur Windows, vous devez d'abord télécharger et installer Python sur votre ordinateur.

Suivez les étapes ci-dessous pour installer Python :

Étape 1 : Visitez la page officielle de Python et téléchargez les binaires exécutables Python et Python sur votre Windows 10/8/7

Étape 2 : Ouvrez le programme d'installation de l'exécutable Python et appuyez sur Exécuter

Étape 3 : Installez pip sur votre système Windows

En utilisant pip, vous pouvez installer NumPy en Python. Vous trouverez ci-dessous le processus d'installation de NumPy :

Étape 1 : Démarrez le terminal

Étape 2 : Tapez pip

Étape 3 : installez NumPy

Question 6. Énumérez les avantages des tableaux NumPy par rapport aux listes Python (imbriquées) ?

Les listes de Python, même si des conteneurs extrêmement efficaces capables d'un certain nombre de fonctions, ont plusieurs limitations par rapport aux tableaux NumPy. Il n'est pas possible d'effectuer des opérations vectorisées qui incluent l'addition et la multiplication élément par élément.

Ils exigent également que Python stocke les informations de type de chaque élément car ils prennent en charge des objets de types différents. Cela signifie qu'un code de répartition de type doit être exécuté chaque fois qu'une opération sur un élément est effectuée. De plus, chaque itération devrait subir des vérifications de type et nécessiter une comptabilité de l'API Python, ce qui entraînerait très peu d'opérations effectuées par les boucles C.

Question 7 : Énumérez les étapes pour créer un tableau 1D et un tableau 2D

Un tableau unidimensionnel est créé comme suit :

nombre=[1,2,3]

num = np.tableau(num)

print("tableau 1d : ",num)

Un tableau à deux dimensions est créé comme suit :

num2=[[1,2,3],[4,5,6]]

num2 = np.tableau(num2)

print("\ntableau 2d : ",num2)

Découvrez : Questions d'entretien en science des données

Question 8 : Comment créez-vous un tableau 3D ?

Un tableau tridimensionnel est créé comme suit :

num3=[[[1,2,3],[4,5,6],[7,8,9]]]

num3 = np.array(num3)

print("\ntableau 3d : ",num3)

Question 9 : Quelles sont les étapes pour utiliser la forme pour un tableau 1D, un tableau 2D et un tableau 3D/ND respectivement ?

Tableau 1D :

num=[1,2,3] si non ajouté

print('\nshpae de 1d ',num.forme)

Tableau 2D :

num2=[[1,2,3],[4,5,6]] si non ajouté

print('\nshpae of 2d ',num2.shape)

Réseau 3D ou ND :

num3=[[[1,2,3],[4,5,6],[7,8,9]]] si non ajouté

print('\nshpae of 3d ',num3.shape)

Question 10 : Comment pouvez-vous identifier le type de données d'un tableau NumPy donné ?

Utilisez la séquence de codes suivante pour identifier le type de données d'un tableau NumPy.

print('\n type de données num 1 ',num.dtype)

print('\n type de données num 2 ',num2.dtype)

print('\n type de données num 3 ',num3.dtype)

Question 11. Quelle est la procédure pour compter le nombre de fois qu'une valeur donnée apparaît dans un tableau d'entiers ?

Vous pouvez compter le nombre d'apparitions d'une valeur donnée à l'aide de la fonction bincount(). Il convient de noter que la fonction bincount() accepte des entiers positifs ou des expressions booléennes comme argument. Les entiers négatifs ne peuvent pas être utilisés.

Utilisez NumPy.bincount(). Le tableau résultant est

>>> arr = NumPy.array([0, 5, 4, 0, 4, 4, 3, 0, 0, 5, 2, 1, 1, 9])

>>> NumPy.bincount(arr)

Question 12. Comment recherchez-vous un tableau vide (zéro élément) ?

Si la variable est un tableau, vous pouvez rechercher un tableau vide en utilisant l'attribut size. Cependant, il est possible que la variable soit une liste ou un type de séquence, dans ce cas, vous pouvez utiliser len().

La meilleure façon de vérifier un élément nul est l'attribut size. Ceci est dû au fait:

>>> a = NumPy.zéros((1,0))

>>> une.taille

0

tandis que

>>> len(a)

1

Question 13 : Quelle est la procédure pour trouver les indices d'un tableau sur NumPy où une condition est vraie ?

Vous pouvez utiliser la fonction numpy.nonzero() pour trouver les indices ou un tableau. Vous pouvez également utiliser la méthode nonzero() pour le faire.

Dans le programme suivant, nous prendrons un tableau a, où la condition est a > 3. Il retourne un tableau booléen. Nous savons que False sur Python et NumPy est noté 0. Par conséquent, np.nonzero(a > 3) renverra les indices du tableau a où la condition est True.

>>> importer numpy comme np

>>> a = np.tableau([[1,2,3],[4,5,6],[7,8,9]])

>>> un > 3

tableau([[Faux, Faux, Faux],

[ Vrai, Vrai, Vrai],

[ Vrai, Vrai, Vrai]], dtype=bool)

>>> np.nonzero(a > 3)

(tableau([1, 1, 1, 2, 2, 2]), tableau([0, 1, 2, 0, 1, 2]))

Vous pouvez également appeler la méthode nonzero() du tableau booléen.

>>> (a > 3).nonzero()

(tableau([1, 1, 1, 2, 2, 2]), tableau([0, 1, 2, 0, 1, 2]))

Lis : Dataframe dans Apache PySpark : tutoriel complet

Question 14 : ci-dessous est le tableau d'entrée NumPy. Supprimez la colonne deux et remplacez-la par la nouvelle colonne indiquée ci-dessous.

importer NumPy

sampleArray = NumPy.array([[34,43,73],[82,22,12],[53,94,66]])

nouvelleColonne = NumPy.array([[10,10,10]])

Sortie attendue :

Impression de la matrice d'origine

[[34 43 73]

[82 22 12]

[53 94 66]]

Tableau après suppression de la colonne 2 sur l'axe 1

[[34 73]

[82 12]

[53 66]]

Tableau après insertion de la colonne 2 sur l'axe 1

[[34 10 73]

[82 10 12]

[53 10 66]]

Résolution :

importer NumPy

print("Impression du tableau d'origine")

sampleArray = NumPy.array([[34,43,73],[82,22,12],[53,94,66]])

impression (tableauéchantillon)

print("Tableau après suppression de la colonne 2 sur l'axe 1")

sampleArray = NumPy.delete(sampleArray , 1, axe = 1)

impression (tableauéchantillon)

arr = NumPy.array([[10,10,10]])

print("Tableau après insertion de la colonne 2 sur l'axe 1")

sampleArray = NumPy.insert(sampleArray , 1, arr, axe = 1)

impression (tableauéchantillon)

Résolution :

importer NumPy

print("Impression du tableau d'origine")

sampleArray = NumPy.array([[34,43,73],[82,22,12],[53,94,66]])

impression (tableauéchantillon)

print("Tableau après suppression de la colonne 2 sur l'axe 1")

sampleArray = NumPy.delete(sampleArray , 1, axe = 1)

impression (tableauéchantillon)

arr = NumPy.array([[10,10,10]])

print("Tableau après insertion de la colonne 2 sur l'axe 1")

sampleArray = NumPy.insert(sampleArray , 1, arr, axe = 1)

impression (tableauéchantillon)

Conclusion

Nous espérons que ce qui précède Les questions d'entretien NumPy vous aideront à préparer vos prochaines sessions d'entretien. Si vous recherchez des cours qui peuvent vous aider à maîtriser le langage Python , upGrad peut être la meilleure plate-forme.

Si vous êtes curieux d'en savoir plus sur la science des données, consultez les programmes de science des données en ligne de IIIT-B & upGrad, créés pour les professionnels en activité et proposant plus de 10 études de cas et projets, des ateliers pratiques, un mentorat avec des experts de l'industrie, 1-on -1 avec des mentors de l'industrie, plus de 400 heures d'apprentissage et d'aide à l'emploi avec les meilleures entreprises.

Nous espérons que cela vous aidera. Bonne chance pour votre entretien !

Préparez-vous à une carrière d'avenir

Postulez maintenant pour le programme Executive PG en science des données