最もよくあるNumPyインタビューの質問と回答[新入生向け]
公開: 2020-12-29技術分野で輝かしいキャリアを積みたいとお考えの場合は、NumPyでの資格が最も求められているスキルの1つであることをすでにご存知でしょう。 結局のところ、NumPyはコンピューティングアレイの事実上の標準に基づいて構築されています。
そこで、次の面接に出る前に調べておくとよい、よくあるNumPyの面接の質問と回答をいくつか示します。
トップ15のNumPyインタビューの質問と回答
質問1：NumPyとは何ですか？
NumPyは、配列処理に使用されるオープンソースの多用途の汎用パッケージです。 NumericalPythonが不足しています。 強力なN次元配列オブジェクトと、配列を操作するためにロードされるツールを備えたハイエンドのパフォーマンスで知られています。 このパッケージはPythonの拡張であり、科学計算やその他のブロードキャスト機能を実行するために使用されます。
NumPyは使いやすく、最適化されており、柔軟性が高いです。
コーディングの経験は必要ありません。 360°キャリアサポート。 IIIT-BおよびupGradの機械学習とAIのPGディプロマ。質問2：NumPyの用途は何ですか？
Pythonのオープンソース数値ライブラリは多次元配列をサポートし、行列データ構造を含みます。 NumPyを使用して、配列に対してさまざまなタイプの数学演算を実行できます。 これには、三角関数の操作と、統計および代数の計算が含まれます。 NumericとNumarrayはNumPyの拡張です。
質問3：NumPyがIdl、Matlab、Octave、Yorickなどの他のプログラミングツールよりも好まれるのはなぜですか？
NumPyは、科学的な計算を可能にするPythonプログラミング言語の高性能ライブラリです。 オープンソースで無料であるため、Idl、Matlab、Octave、またはYorickよりも優先されます。 また、汎用プログラミング言語であるPythonを使用しているため、PythonのインタープリターをC / C ++およびFortranコードに接続する場合、ジェネリックプログラミング言語よりも優れています。
NumPyは多次元配列と行列をサポートし、それらに対して複雑な数学演算を実行するのに役立ちます。
質問4：NumPyのさまざまな機能は何ですか？
配列処理に使用される強力なオープンソースパッケージとして、NumPyにはさまざまな便利な機能があります。 彼らです：
- N次元配列オブジェクトが含まれています
- それはinterolerableです。 多くのハードウェアおよびコンピューティングプラットフォームと互換性があります
- 配列ライブラリで非常にうまく機能します。 スパース、分散、またはGPU
- 複雑な（ブロードキャスト）機能を実行する機能
- CまたはC++およびFortranコードとの統合を可能にするツール
- 統計、フーリエ変換、並べ替え、検索、線形代数などの高レベルの数学関数を実行する機能
- また、一般的なデータの多次元コンテナとして動作することもできます
- 科学的および財務的計算をサポートします
質問5：WindowsにNumPyをインストールするにはどうすればよいですか？
NumPyをWindowsにインストールするには、最初にPythonをダウンロードしてコンピューターにインストールする必要があります。
以下の手順に従ってPythonをインストールします。
ステップ1：Pythonの公式ページにアクセスし、Windows10/8/7にPythonとPythonの実行可能バイナリをダウンロードします
ステップ2：Python実行可能インストーラーを開き、実行を押します
ステップ3：Windowsシステムにpipをインストールする
pipを使用すると、PythonにNumPyをインストールできます。 以下は、NumPyのインストールプロセスです。
ステップ1：ターミナルを起動します
ステップ2：pipと入力します
ステップ3：NumPyをインストールする
質問6.NumPy配列が（ネストされた）Pythonリストよりも優れている点を挙げてください。
Pythonのリストは、多くの機能を備えた非常に効率的なコンテナーですが、NumPy配列と比較するといくつかの制限があります。 要素ごとの加算と乗算を含むベクトル化された演算を実行することはできません。
また、さまざまなタイプのオブジェクトをサポートしているため、Pythonですべての要素のタイプ情報を保存する必要があります。 これは、要素に対する操作が実行されるたびに、型ディスパッチングコードを実行する必要があることを意味します。 また、各反復は型チェックを受ける必要があり、Python APIの簿記が必要になるため、Cループによって実行される操作はほとんどありません。
質問7：1Dアレイと2Dアレイを作成する手順をリストしてください
1次元配列は次のように作成されます。
num = [1,2,3]
num = np.array（num）
print（ "1d配列："、num）
2次元配列は次のように作成されます。
num2 = [[1,2,3]、[4,5,6]]
num2 = np.array（num2）
print（“ \ n2d配列：“、num2）
チェックアウト：データサイエンスインタビューの質問
質問8：3D配列をどのように作成しますか？
3次元配列は次のように作成されます。
num3 = [[[1,2,3]、[4,5,6]、[7,8,9]]]
num3 = np.array（num3）
print（“ \ n3d配列：“、num3）
質問9：1D配列、2D配列、および3D / ND配列にそれぞれ形状を使用する手順は何ですか？
1Dアレイ：
追加されない場合はnum=[1,2,3]
print（'\ nshpae of 1d'、num.shape）
2Dアレイ：
追加されていない場合はnum2=[[1,2,3]、[4,5,6]]
print（'\ nshpae of 2d'、num2.shape）
3DまたはNDアレイ：
num3 = [[[1,2,3]、[4,5,6]、[7,8,9]]]追加されていない場合
print（'\ nshpae of 3d'、num3.shape）
質問10：特定のNumPy配列のデータ型をどのように識別できますか？
次の一連のコードを使用して、NumPy配列のデータ型を識別します。
print（'\nデータ型num1'、num.dtype）
print（'\nデータ型num2'、num2.dtype）
print（'\nデータ型num3'、num3.dtype）
質問11.与えられた値が整数の配列に現れる回数を数える手順は何ですか？
bincount（）関数を使用して、特定の値が表示される回数をカウントできます。 bincount（）関数は、引数として正の整数またはブール式を受け入れることに注意してください。 負の整数は使用できません。
NumPy.bincount（）を使用します。 結果の配列は
>>> arr = NumPy.array（[0、5、4、0、4、4、3、0、0、5、2、1、1、9]）
>>> NumPy.bincount（arr）
質問12.空の（ゼロ要素）配列をどのようにチェックしますか？
変数が配列の場合、size属性を使用して空の配列を確認できます。 ただし、変数がリスト型またはシーケンス型である可能性があります。その場合は、len（）を使用できます。
ゼロ要素をチェックするための好ましい方法は、サイズ属性です。 それの訳は：
>>> a = NumPy.zeros（（1,0））
>>> a.size
0
一方
>>> len（a）
1
質問13：ある条件が真であるNumPy上の配列のインデックスを見つける手順は何ですか？
関数numpy.nonzero（）を使用して、インデックスまたは配列を見つけることができます。 nonzero（）メソッドを使用してこれを行うこともできます。
次のプログラムでは、条件が>3である配列aを取得します。これはブール配列を返します。 PythonではFalseであり、NumPyは0として示されます。したがって、np.nonzero（a> 3）は、条件がTrueである配列aのインデックスを返します。
>>>numpyをnpとしてインポート
>>> a = np.array（[[1,2,3]、[4,5,6]、[7,8,9]]）
>>> a> 3
array（[[False、False、False]、
[True、True、True]、
[True、True、True]]、dtype = bool）
>>> np.nonzero（a> 3）
（array（[1、1、1、2、2、2]）、array（[0、1、2、0、1、2]））
ブール配列のnonzero（）メソッドを呼び出すこともできます。
>>>（a> 3）.nonzero（）
（array（[1、1、1、2、2、2]）、array（[0、1、2、0、1、2]））
読む： Apache PySparkのデータフレーム：包括的なチュートリアル
質問14：以下に示すのは入力NumPy配列です。 列2を削除し、以下に示す新しい列に置き換えます。
NumPyをインポートする
sampleArray = NumPy.array（[[34,43,73]、[82,22,12]、[53,94,66]]）
newColumn = NumPy.array（[[10,10,10]]）
期待される出力：
元の配列を印刷する
[[34 43 73]
[82 22 12]
[53 94 66]]
軸1の列2を削除した後の配列
[[34 73]
[82 12]
[53 66]]
軸1に列2を挿入した後の配列
[[34 10 73]
[82 10 12]
[53 1066]]
解決策：
NumPyをインポートする
print（ "元の配列の印刷"）
sampleArray = NumPy.array（[[34,43,73]、[82,22,12]、[53,94,66]]）
print（sampleArray）
print（ "軸1の列2を削除した後の配列"）
sampleArray = NumPy.delete（sampleArray、1、axis = 1）
print（sampleArray）
arr = NumPy.array（[[10,10,10]]）
print（ "軸1に列2を挿入した後の配列"）
sampleArray = NumPy.insert（sampleArray、1、arr、axis = 1）
print（sampleArray）
データサイエンスの高度な認定、250以上の採用パートナー、300時間以上の学習、0％EMI解決策：
NumPyをインポートする
print（ "元の配列の印刷"）
sampleArray = NumPy.array（[[34,43,73]、[82,22,12]、[53,94,66]]）
print（sampleArray）
print（ "軸1の列2を削除した後の配列"）
sampleArray = NumPy.delete（sampleArray、1、axis = 1）
print（sampleArray）
arr = NumPy.array（[[10,10,10]]）
print（ "軸1に列2を挿入した後の配列"）
sampleArray = NumPy.insert（sampleArray、1、arr、axis = 1）
print（sampleArray）
結論
上記のことを願っています NumPyの面接の質問は、今後の面接セッションの準備に役立ちます。 Python言語を習得するのに役立つコースを探している場合は、upGradが最適なプラットフォームになります。
データサイエンスについて知りたい場合は、IIIT-BとupGradのオンラインデータサイエンスプログラムをチェックしてください。このプログラムは、働く専門家向けに作成され、10以上のケーススタディとプロジェクト、実践的なハンズオンワークショップ、業界の専門家とのメンターシップ、1対1を提供します。 -1業界のメンター、400時間以上の学習、トップ企業との仕事の支援。
これがお役に立てば幸いです。 インタビューを頑張ってください！
