Fundamentos de NumPy
Arrays, ndarray, indexación, slicing, broadcasting, operaciones vectorizadas, álgebra lineal
1¿Qué es un ndarray en NumPy?
¿Qué es un ndarray en NumPy?
Respuesta
Un ndarray (N-dimensional array) es la estructura de datos fundamental de NumPy. Es un array multidimensional homogéneo, lo que significa que todos los elementos deben ser del mismo tipo. Esta homogeneidad permite operaciones vectorizadas muy rápidas porque los datos se almacenan de manera contigua en memoria, a diferencia de las listas de Python que almacenan referencias a objetos dispersos.
2¿Cómo crear un array NumPy que contenga los valores [1, 2, 3, 4, 5]?
¿Cómo crear un array NumPy que contenga los valores [1, 2, 3, 4, 5]?
Respuesta
La función np.array() es el método estándar para crear un ndarray a partir de una secuencia Python como una lista o tupla. Convierte la secuencia en un array NumPy optimizado. Otras funciones como np.arange() generan secuencias pero con una sintaxis diferente (start, stop, step), y np.zeros()/np.ones() crean arrays llenos de valores específicos.
3¿Qué función usar para crear un array de 10 elementos espaciados uniformemente entre 0 y 1?
¿Qué función usar para crear un array de 10 elementos espaciados uniformemente entre 0 y 1?
Respuesta
np.linspace(0, 1, 10) crea exactamente 10 valores espaciados uniformemente entre 0 y 1, incluyendo ambos extremos. Es ideal cuando se conoce el número deseado de puntos. np.arange() usa un paso fijo y puede no incluir el punto final. np.linspace() es preferido para intervalos con un número preciso de puntos, particularmente para gráficos o cálculos de integración numérica.
¿Qué atributo proporciona las dimensiones (shape) de un array NumPy?
¿Cómo crear una matriz 3x3 llena de ceros?
+19 preguntas de entrevista
Otros temas de entrevista Data Science & ML
Fundamentos de Python
Programación Orientada a Objetos en Python
Estructuras de datos en Python
Fundamentos de Git
Fundamentos de SQL
Fundamentos de Pandas
Jupyter & Google Colab
SQL Joins y consultas avanzadas
Pandas avanzado
Visualización con Matplotlib & Seaborn
Visualizaciones interactivas con Plotly
Estadística descriptiva
Estadística inferencial
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisado: Regresión
ML Supervisado: Clasificación
Árboles de Decisión y Ensembles
ML No Supervisado
Pipelines ML y Validación
Series Temporales y Pronóstico
Fundamentos de Deep Learning
TensorFlow & Keras
CNN y clasificación de imágenes
RNN y Secuencias
Transformers y Attention
NLP y Hugging Face
GenAI y LangChain
MLOps y Despliegue
Domina Data Science & ML para tu próxima entrevista
Accede a todas las preguntas, flashcards, tests técnicos, ejercicios de code review y simuladores de entrevista.
Empieza gratis