Najczęściej zadawane pytania i odpowiedzi podczas wywiadu NumPy [Dla nowicjuszy]

Jeśli szukasz wspaniałej kariery w sferze technologicznej, wiesz już, że kwalifikacje w NumPy to jedna z najbardziej poszukiwanych umiejętności. W końcu NumPy jest zbudowany na de facto standardach macierzy obliczeniowych.

Oto lista niektórych często zadawanych pytań i odpowiedzi podczas rozmowy kwalifikacyjnej NumPy, które możesz chcieć sprawdzić, zanim pojawisz się na następnej rozmowie kwalifikacyjnej.

15 najlepszych pytań i odpowiedzi na wywiad z NumPy

Pytanie 1: Co to jest NumPy?

NumPy to open-source, wszechstronny pakiet ogólnego przeznaczenia używany do przetwarzania tablic. Jest skrótem od numerycznego Pythona. Jest znany z wysokiej klasy wydajności dzięki potężnym N-wymiarowym obiektom tablicowym i narzędziom, z którymi jest ładowany do pracy z tablicami. Pakiet jest rozszerzeniem Pythona i służy do wykonywania obliczeń naukowych i innych funkcji rozgłaszania.

NumPy jest łatwy w użyciu, dobrze zoptymalizowany i bardzo elastyczny.

Pytanie 2: Jakie są zastosowania NumPy?

Biblioteka numeryczna typu open source w Pythonie obsługuje tablice wielowymiarowe i zawiera macierzowe struktury danych. Różne typy operacji matematycznych można wykonywać na tablicach za pomocą NumPy. Obejmuje to operacje trygonometryczne oraz obliczenia statystyczne i algebraiczne. Numeric i Numarray to rozszerzenia NumPy.

Pytanie 3: Dlaczego NumPy jest preferowany od innych narzędzi programistycznych, takich jak Idl, Matlab, Octave lub Yorick?

NumPy to wydajna biblioteka w języku programowania Python, która umożliwia obliczenia naukowe. Jest preferowany od Idl, Matlab, Octave lub Yorick, ponieważ jest open-source i darmowy. Ponadto, ponieważ używa Pythona, który jest językiem programowania ogólnego przeznaczenia, przewyższa ogólny język programowania, jeśli chodzi o łączenie interpretera Pythona z kodem C/C++ i Fortran.

NumPy obsługuje wielowymiarowe tablice i macierze oraz pomaga wykonywać na nich złożone operacje matematyczne.

Pytanie 4: Jakie są różne funkcje NumPy?

Jako potężny pakiet o otwartym kodzie źródłowym używany do przetwarzania tablic, NumPy ma wiele przydatnych funkcji. Oni są:

1. Zawiera N-wymiarowy obiekt tablicy
2. Jest intertolerancyjny; kompatybilny z wieloma platformami sprzętowymi i komputerowymi
3. Działa bardzo dobrze z bibliotekami tablic; rzadkie, rozproszone lub GPU
4. Umiejętność wykonywania skomplikowanych (nadawczych) funkcji
5. Narzędzia umożliwiające integrację z kodem C lub C++ i Fortran
6. Umiejętność wykonywania wysokopoziomowych funkcji matematycznych, takich jak statystyka, transformacja Fouriera, sortowanie, wyszukiwanie, algebra liniowa itp
7. Może również zachowywać się jak wielowymiarowy kontener na dane ogólne
8. Obsługuje obliczenia naukowe i finansowe

Pytanie 5: Jak zainstalować NumPy w systemie Windows?

Aby zainstalować NumPy w systemie Windows, musisz najpierw pobrać i zainstalować Python na swoim komputerze.

Wykonaj poniższe kroki, aby zainstalować Pythona:

Krok 1: Odwiedź oficjalną stronę Pythona i pobierz wykonywalne pliki binarne Pythona i Pythona na swój Windows 10/8/7

Krok 2: Otwórz instalator wykonywalny Pythona i naciśnij Uruchom

Krok 3: Zainstaluj pip w systemie Windows

Używając pip, możesz zainstalować NumPy w Pythonie. Poniżej znajduje się proces instalacji NumPy:

Krok 1: Uruchom terminal

Krok 2: Wpisz pip

Krok 3: zainstaluj NumPy

Pytanie 6. Wymień zalety tablic NumPy nad (zagnieżdżonymi) listami Pythona?

Listy Pythona, mimo że niezwykle wydajne kontenery obsługujące wiele funkcji, mają kilka ograniczeń w porównaniu z tablicami NumPy. Nie jest możliwe wykonywanie operacji wektoryzowanych, które obejmują dodawanie i mnożenie elementów.

Wymagają również, aby Python przechowywał informacje o typie każdego elementu, ponieważ obsługują obiekty różnych typów. Oznacza to, że kod wysyłający typ musi być wykonywany za każdym razem, gdy wykonywana jest operacja na elemencie. Ponadto każda iteracja musiałaby przejść kontrolę typu i wymagać prowadzenia ksiąg rachunkowych API Pythona, co skutkowałoby bardzo małą liczbą operacji wykonywanych przez pętle C.

Pytanie 7: Wymień kroki, aby utworzyć tablicę 1D i tablicę 2D

Tablica jednowymiarowa jest tworzona w następujący sposób:

liczba=[1,2,3]

liczba = np. tablica (liczba)

print("tablica 1d: ",num)

Tablica dwuwymiarowa jest tworzona w następujący sposób:

liczba2=[[1,2,3],[4,5,6]]

liczba2 = np. tablica (liczba2)

print(„\ntablica 2d :„,num2)

Sprawdź: Pytania do wywiadu na temat nauki o danych

Pytanie 8: Jak stworzyć tablicę 3D?

Tablica trójwymiarowa jest tworzona w następujący sposób:

liczba3=[[[1,2,3],[4,5,6],[7,8,9]]]

num3 = np. tablica (num3)

print(„\ntablica 3d :„,num3)

Pytanie 9: Jakie są kroki, aby użyć kształtu odpowiednio dla tablicy 1D, tablicy 2D i tablicy 3D/ND?

Tablica 1D:

num=[1,2,3] jeśli nie dodano

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

Tablica 2D:

num2=[[1,2,3],[4,5,6]] jeśli nie dodano

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

Tablica 3D lub ND:

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

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

Pytanie 10: Jak możesz zidentyfikować typ danych danej tablicy NumPy?

Użyj następującej sekwencji kodów, aby zidentyfikować typ danych tablicy NumPy.

print('\n typ danych num 1 ',num.dtype)

print('\n typ danych numer 2 ',num2.dtype)

print('\n typ danych numer 3 ',num3.dtype)

Pytanie 11. Jaka jest procedura zliczania, ile razy dana wartość pojawia się w tablicy liczb całkowitych?

Możesz policzyć, ile razy dana wartość się pojawi, używając funkcji bincount(). Należy zauważyć, że funkcja bincount() przyjmuje jako argument dodatnie liczby całkowite lub wyrażenia logiczne. Nie można używać ujemnych liczb całkowitych.

Użyj NumPy.bincount(). Wynikowa tablica to

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

>>> NumPy.bincount(arr)

Pytanie 12. Jak sprawdzić, czy tablica jest pusta (zero Elementów)?

Jeśli zmienna jest tablicą, możesz sprawdzić pustą tablicę za pomocą atrybutu rozmiaru. Jednak jest możliwe, że zmienna jest listą lub typem sekwencji, w takim przypadku możesz użyć len().

Preferowanym sposobem sprawdzenia, czy nie ma elementu zerowego, jest atrybut rozmiaru. To dlatego, że:

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

>>> a.rozmiar

0

mając na uwadze, że

>>> len(a)

1

Pytanie 13: Jaka jest procedura znajdowania indeksów tablicy na NumPy, gdy jakiś warunek jest spełniony?

Możesz użyć funkcji numpy.nonzero(), aby znaleźć indeksy lub tablicę. W tym celu możesz również użyć metody niezerowej().

W poniższym programie weźmiemy tablicę a, gdzie warunkiem jest > 3. Zwraca tablicę logiczną. Wiemy, że False w Pythonie i NumPy jest oznaczane jako 0. Dlatego np.nonzero(a > 3) zwróci indeksy tablicy a, gdzie warunek to True.

>>> importuj numpy jako np

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

>>> a > 3

array([[Fałsz, Fałsz, Fałsz],

[ Prawda, Prawda, Prawda],

[ Prawda, Prawda, Prawda]], dtype=bool)

>>> np.niezerowe(a > 3)

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

Można również wywołać metodę niezerową() tablicy logicznej.

>>> (a > 3).niezerowe()

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

Przeczytaj: Dataframe w Apache PySpark: kompleksowy samouczek

Pytanie 14: Poniżej pokazano wejściową tablicę NumPy. Usuń kolumnę drugą i zastąp ją nową kolumną podaną poniżej.

importuj NumPy

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

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

Oczekiwany wynik :

Drukowanie oryginalnej tablicy

[[34 43 73]

[82 22 12]

[53 94 66]]

Tablica po usunięciu kolumny 2 na osi 1

[[34 73]

[82 12]

[53 66]]

Tablica po wstawieniu kolumny 2 na osi 1

[[34 10 73]

[82 10 12]

[53 10 66]]

Rozwiązanie :

importuj NumPy

print("Drukowanie oryginalnej tablicy")

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

drukuj (sampleArray)

print(„Tablica po usunięciu kolumny 2 na osi 1”)

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

drukuj (sampleArray)

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

print(„Tablica po wstawieniu kolumny 2 na osi 1”)

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

drukuj (sampleArray)

Rozwiązanie :

importuj NumPy

print("Drukowanie oryginalnej tablicy")

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

drukuj (sampleArray)

print(„Tablica po usunięciu kolumny 2 na osi 1”)

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

drukuj (sampleArray)

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

print(„Tablica po wstawieniu kolumny 2 na osi 1”)

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

drukuj (sampleArray)

Wniosek

Mamy nadzieję, że wyżej wymienione Pytania do rozmowy kwalifikacyjnej NumPy pomogą Ci przygotować się do nadchodzących sesji kwalifikacyjnych. Jeśli szukasz kursów, które pomogą Ci opanować język Python , upGrad może być najlepszą platformą.

Jeśli chcesz dowiedzieć się więcej o nauce o danych, sprawdź Internetowe programy nauki o danych IIIT-B i upGrad, które są stworzone dla pracujących profesjonalistów i oferują ponad 10 studiów przypadków i projektów, praktyczne warsztaty praktyczne, mentoring z ekspertami branżowymi, 1 -1 z mentorami branżowymi, ponad 400 godzin nauki i pomocy w pracy w najlepszych firmach.

Mamy nadzieję, że to pomoże. Powodzenia w rozmowie kwalifikacyjnej!

Przygotuj się na karierę przyszłości

Zgłoś się teraz do programu Executive PG w dziedzinie nauki o danych