Fondamentaux NumPy
Arrays, ndarray, indexation, slicing, broadcasting, opérations vectorisées, algèbre linéaire
1Qu'est-ce qu'un ndarray dans NumPy ?
Qu'est-ce qu'un ndarray dans NumPy ?
Réponse
Un ndarray (N-dimensional array) est la structure de données fondamentale de NumPy. Il s'agit d'un tableau multidimensionnel homogène, ce qui signifie que tous les éléments doivent être du même type. Cette homogénéité permet des opérations vectorisées très rapides car les données sont stockées de manière contiguë en mémoire, contrairement aux listes Python qui stockent des références vers des objets dispersés.
2Comment créer un array NumPy contenant les valeurs [1, 2, 3, 4, 5] ?
Comment créer un array NumPy contenant les valeurs [1, 2, 3, 4, 5] ?
Réponse
La fonction np.array() est la méthode standard pour créer un ndarray à partir d'une séquence Python comme une liste ou un tuple. Elle convertit la séquence en un tableau NumPy optimisé. Les autres fonctions comme np.arange() génèrent des séquences mais avec une syntaxe différente (start, stop, step), et np.zeros()/np.ones() créent des tableaux remplis de valeurs spécifiques.
3Quelle fonction utiliser pour créer un array de 10 éléments espacés régulièrement entre 0 et 1 ?
Quelle fonction utiliser pour créer un array de 10 éléments espacés régulièrement entre 0 et 1 ?
Réponse
np.linspace(0, 1, 10) crée exactement 10 valeurs espacées uniformément entre 0 et 1, bornes incluses. C'est idéal quand on connaît le nombre de points souhaités. np.arange() utilise un pas fixe et peut ne pas inclure la borne finale. np.linspace() est préféré pour les intervalles avec un nombre précis de points, notamment pour les graphiques ou les calculs d'intégration numérique.
Quel attribut permet d'obtenir les dimensions (shape) d'un array NumPy ?
Comment créer une matrice 3x3 remplie de zéros ?
+19 questions d'entretien
Autres sujets d'entretien Data Science & ML
Les bases de Python
Programmation Orientée Objet Python
Structures de données Python
Fondamentaux Git
Les bases de SQL
Les bases de Pandas
Jupyter & Google Colab
SQL Joins & Requêtes avancées
Pandas avancé
Visualisation avec Matplotlib & Seaborn
Visualisations interactives avec Plotly
Statistiques descriptives
Statistiques inférentielles
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisé : Régression
ML Supervisé : Classification
Arbres de décision & Ensembles
ML Non supervisé
Pipelines ML & Validation
Séries temporelles & Prévisions
Fondamentaux Deep Learning
TensorFlow & Keras
CNN & Classification d'images
RNN & Séquences
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps & Déploiement
Maîtrise Data Science & ML pour ton prochain entretien
Accède à toutes les questions, flashcards, tests techniques, exercices de code review et simulateurs d'entretien.
Commencer gratuitement