NumPy-Grundlagen
Arrays, ndarray, Indizierung, Slicing, Broadcasting, vektorisierte Operationen, lineare Algebra
1Was ist ein ndarray in NumPy?
Was ist ein ndarray in NumPy?
Antwort
Ein ndarray (N-dimensional array) ist die grundlegende Datenstruktur von NumPy. Es ist ein homogenes mehrdimensionales Array, das heißt, alle Elemente müssen vom selben Typ sein. Diese Homogenität ermöglicht sehr schnelle vektorisierte Operationen, da die Daten zusammenhängend im Speicher gespeichert werden, im Gegensatz zu Python-Listen, die Referenzen auf verstreute Objekte speichern.
2Wie erstellt man ein NumPy-Array mit den Werten [1, 2, 3, 4, 5]?
Wie erstellt man ein NumPy-Array mit den Werten [1, 2, 3, 4, 5]?
Antwort
Die Funktion np.array() ist die Standardmethode, um ein ndarray aus einer Python-Sequenz wie einer Liste oder einem Tuple zu erstellen. Sie konvertiert die Sequenz in ein optimiertes NumPy-Array. Andere Funktionen wie np.arange() generieren Sequenzen, jedoch mit anderer Syntax (start, stop, step), und np.zeros()/np.ones() erstellen Arrays, die mit bestimmten Werten gefüllt sind.
3Welche Funktion verwendet man, um ein Array aus 10 gleichmäßig verteilten Elementen zwischen 0 und 1 zu erstellen?
Welche Funktion verwendet man, um ein Array aus 10 gleichmäßig verteilten Elementen zwischen 0 und 1 zu erstellen?
Antwort
np.linspace(0, 1, 10) erstellt genau 10 gleichmäßig verteilte Werte zwischen 0 und 1, einschließlich beider Endpunkte. Es ist ideal, wenn die gewünschte Anzahl von Punkten bekannt ist. np.arange() verwendet einen festen Schritt und schließt möglicherweise den Endpunkt nicht ein. np.linspace() wird für Intervalle mit einer präzisen Anzahl von Punkten bevorzugt, insbesondere für Plots oder numerische Integrationsberechnungen.
Welches Attribut liefert die Dimensionen (Shape) eines NumPy-Arrays?
Wie erstellt man eine mit Nullen gefüllte 3x3-Matrix?
+19 Interview-Fragen
Weitere Data Science & ML-Interviewthemen
Python-Grundlagen
Python Objektorientierte Programmierung
Python-Datenstrukturen
Git-Grundlagen
SQL-Grundlagen
Pandas-Grundlagen
Jupyter & Google Colab
SQL Joins & fortgeschrittene Abfragen
Fortgeschrittenes Pandas
Visualisierung mit Matplotlib & Seaborn
Interaktive Visualisierungen mit Plotly
Deskriptive Statistik
Inferenzstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Überwachtes ML: Regression
Überwachtes ML: Klassifikation
Entscheidungsbäume & Ensembles
Unüberwachtes ML
ML-Pipelines & Validierung
Zeitreihen & Prognosen
Grundlagen des Deep Learning
TensorFlow & Keras
CNN und Bildklassifizierung
RNN & Sequenzen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps und Deployment
Meistere Data Science & ML für dein nächstes Interview
Zugang zu allen Fragen, Flashcards, technischen Tests, Code-Review-Übungen und Interview-Simulatoren.
Kostenlos starten