Domande e risposte sull'intervista NumPy più frequenti [Per i matricole]

Se stai cercando di avere una gloriosa carriera nella sfera tecnologica, sai già che una qualifica in NumPy è una delle competenze più ricercate in circolazione. Dopotutto, NumPy è costruito sugli standard de facto degli array di calcolo.

Quindi, ecco un elenco di alcune domande e risposte frequenti sull'intervista NumPy che potresti voler cercare prima di apparire per la tua prossima intervista.

Le 15 migliori domande e risposte sull'intervista a NumPy

Domanda 1: Cos'è NumPy?

NumPy è un pacchetto versatile e open source utilizzato per l'elaborazione di array. È a corto di Python numerico. È noto per le sue prestazioni di fascia alta con potenti oggetti array N-dimensionali e gli strumenti con cui è caricato per lavorare con gli array. Il pacchetto è un'estensione di Python e viene utilizzato per eseguire calcoli scientifici e altre funzioni di trasmissione.

NumPy è facile da usare, ben ottimizzato e altamente flessibile.

Domanda 2: Quali sono gli usi di NumPy?

La libreria numerica open source su Python supporta array multidimensionali e contiene strutture di dati a matrice. Diversi tipi di operazioni matematiche possono essere eseguite su array usando NumPy. Ciò include operazioni trigonometriche e calcoli statistici e algebrici. Numeric e Numarray sono estensioni di NumPy.

Domanda 3: Perché NumPy è preferito ad altri strumenti di programmazione come Idl, Matlab, Octave o Yorick?

NumPy è una libreria ad alte prestazioni nel linguaggio di programmazione Python che consente calcoli scientifici. È preferito a Idl, Matlab, Octave o Yorick perché è open source e gratuito. Inoltre, poiché utilizza Python che è un linguaggio di programmazione generico, ottiene punteggi su un linguaggio di programmazione generico quando si tratta di connettere l'interprete di Python al codice C/C++ e Fortran.

NumPy supporta array e matrici multidimensionali e aiuta a eseguire complesse operazioni matematiche su di essi.

Domanda 4: Quali sono le varie caratteristiche di NumPy?

In quanto potente pacchetto open source utilizzato per l'elaborazione di array, NumPy ha varie utili funzionalità. Loro sono:

1. Contiene un oggetto matrice N-dimensionale
2. È interoperabile; compatibile con molte piattaforme hardware e informatiche
3. Funziona molto bene con le librerie di array; sparse, distribuite o GPU
4. Capacità di eseguire funzioni complicate (di trasmissione).
5. Strumenti che consentono l'integrazione con codice C o C++ e Fortran
6. Capacità di eseguire funzioni matematiche di alto livello come statistica, trasformata di Fourier, ordinamento, ricerca, algebra lineare, ecc
7. Può anche comportarsi come un contenitore multidimensionale per dati generici
8. Supporta calcoli scientifici e finanziari

Domanda 5: come puoi installare NumPy su Windows?

Per installare NumPy su Windows, devi prima scaricare e installare Python sul tuo computer.

Segui i passaggi indicati di seguito per installare Python:

Passaggio 1: visita la pagina ufficiale di Python e scarica i binari eseguibili Python e Python sul tuo Windows 10/8/7

Passaggio 2: apri il programma di installazione eseguibile di Python e premi Esegui

Passaggio 3: installa pip sul tuo sistema Windows

Usando pip, puoi installare NumPy in Python. Di seguito è riportato il processo di installazione di NumPy:

Passaggio 1: avviare il terminale

Passaggio 2: digita pip

Passaggio 3: installa NumPy

Domanda 6. Elenca i vantaggi che gli array NumPy hanno rispetto agli elenchi Python (nidificati)?

Gli elenchi di Python, anche se contenitori estremamente efficienti capaci di numerose funzioni, hanno diverse limitazioni rispetto agli array NumPy. Non è possibile eseguire operazioni vettorizzate che includono addizioni e moltiplicazioni a livello di elemento.

Richiedono inoltre che Python memorizzi le informazioni sul tipo di ogni elemento poiché supportano oggetti di tipi diversi. Ciò significa che un codice di invio del tipo deve essere eseguito ogni volta che viene eseguita un'operazione su un elemento. Inoltre, ogni iterazione dovrebbe essere sottoposta a controlli di tipo e richiedere la contabilità dell'API Python, risultando in pochissime operazioni eseguite dai cicli C.

Domanda 7: elenca i passaggi per creare una matrice 1D e una matrice 2D

Un array unidimensionale viene creato come segue:

numero=[1,2,3]

num = np.array(num)

print("Matrice 1d: ",num)

Un array bidimensionale viene creato come segue:

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

num2 = np.array(num2)

print(“\n2d array : “,num2)

Dai un'occhiata a: Domande sull'intervista sulla scienza dei dati

Domanda 8: Come si crea un array 3D?

Un array tridimensionale viene creato come segue:

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

num3 = np.array(num3)

print("\n3d array : ",num3)

Domanda 9: Quali sono i passaggi per utilizzare la forma rispettivamente per un array 1D, un array 2D e un array 3D/ND?

Matrice 1D:

num=[1,2,3] se non aggiunto

print('\nshpae di 1d ',num.shape)

Matrice 2D:

num2=[[1,2,3],[4,5,6]] se non aggiunto

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

Matrice 3D o ND:

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

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

Domanda 10: come puoi identificare il tipo di dati di un determinato array NumPy?

Utilizzare la sequenza di codici seguente per identificare il tipo di dati di una matrice NumPy.

print('\n tipo di dati num 1 ',num.dtype)

print('\n tipo di dati num 2 ',num2.dtype)

print('\n tipo di dati num 3 ',num3.dtype)

Domanda 11. Qual è la procedura per contare il numero di volte in cui un dato valore appare in una matrice di numeri interi?

Puoi contare il numero di volte in cui un dato valore appare usando la funzione bincount(). Va notato che la funzione bincount() accetta numeri interi positivi o espressioni booleane come argomento. Non è possibile utilizzare numeri interi negativi.

Usa NumPy.bincount(). L'array risultante è

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

>>> NumPy.bincount(arr)

Domanda 12. Come si verifica un array vuoto (zero Element)?

Se la variabile è una matrice, è possibile verificare la presenza di una matrice vuota utilizzando l'attributo size. Tuttavia, è possibile che la variabile sia un tipo elenco o sequenza, in tal caso è possibile utilizzare len().

Il modo migliore per verificare la presenza di un elemento zero è l'attributo size. Questo è perché:

>>> a = NumPy.zeros((1,0))

>>> a.taglia

0

invece

>>> len(a)

1

Domanda 13: Qual è la procedura per trovare gli indici di un array su NumPy in cui alcune condizioni sono vere?

Puoi usare la funzione numpy.nonzero() per trovare gli indici o un array. Puoi anche usare il metodo diverso da zero() per farlo.

Nel programma seguente, prenderemo un array a, dove la condizione è a > 3. Restituisce un array booleano. Sappiamo che False su Python e NumPy è indicato come 0. Pertanto, np.nonzero(a > 3) restituirà gli indici dell'array a dove la condizione è True.

>>> importa numpy come np

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

>>> a > 3

array([[Falso, Falso, Falso],

[ Vero, Vero, Vero],

[ Vero, Vero, Vero]], dtype=bool)

>>> np.diverso da zero(a > 3)

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

Puoi anche chiamare il metodo diverso da zero() dell'array booleano.

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

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

Leggi: Dataframe in Apache PySpark: tutorial completo

Domanda 14: Di seguito è mostrato l'array NumPy di ​​input. Elimina la colonna due e sostituiscila con la nuova colonna indicata di seguito.

importa NumPy

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

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

Uscita prevista :

Stampa matrice originale

[[34 43 73]

[82 22 12]

[53 94 66]]

Array dopo aver eliminato la colonna 2 sull'asse 1

[[34 73]

[82 12]

[53 66]]

Array dopo aver inserito la colonna 2 sull'asse 1

[[34 10 73]

[82 10 12]

[53 10 66]]

Soluzione :

importa NumPy

print("Stampa matrice originale")

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

stampa (sampleArray)

print("Array dopo l'eliminazione della colonna 2 sull'asse 1")

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

stampa (sampleArray)

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

print("Array dopo l'inserimento della colonna 2 sull'asse 1")

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

stampa (sampleArray)

Soluzione :

importa NumPy

print("Stampa matrice originale")

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

stampa (sampleArray)

print("Array dopo l'eliminazione della colonna 2 sull'asse 1")

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

stampa (sampleArray)

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

print("Array dopo l'inserimento della colonna 2 sull'asse 1")

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

stampa (sampleArray)

Conclusione

Ci auguriamo quanto sopra Le domande del colloquio NumPy ti aiuteranno a prepararti per le tue prossime sessioni di colloquio. Se stai cercando corsi che possano aiutarti a familiarizzare con il linguaggio Python , upGrad può essere la piattaforma migliore.

Se sei curioso di conoscere la scienza dei dati, dai un'occhiata ai programmi di scienza dei dati online di IIIT-B e upGrad, creati per i professionisti che lavorano e offrono oltre 10 casi di studio e progetti, workshop pratici pratici, tutoraggio con esperti del settore, 1-on -1 con mentori del settore, oltre 400 ore di apprendimento e assistenza al lavoro con le migliori aziende.

Speriamo che questo aiuti. In bocca al lupo per la tua intervista!

Prepararsi per una carriera del futuro

Candidati ora per il programma Executive PG in Data Science