# Fondamentaux NumPy (Data Science & ML) > Arrays, ndarray, indexation, slicing, broadcasting, opérations vectorisées, algèbre linéaire - 22 questions d'entretien - Junior - [Questions d'entretien: Data Science & ML](https://sharpskill.dev/fr/technologies/data-science/questions-entretien.md) ## 1. 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. ## 2. 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. ## 3. 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. ## 19 questions supplémentaires disponibles - Quel attribut permet d'obtenir les dimensions (shape) d'un array NumPy ? - Comment créer une matrice 3x3 remplie de zéros ? S'inscrire gratuitement: https://sharpskill.dev/fr/login ## Autres sujets d'entretien Data Science & ML - [Les bases de Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-basics.md): 25 questions, Junior - [Programmation Orientée Objet Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-oop.md): 20 questions, Junior - [Structures de données Python](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/python-data-structures.md): 20 questions, Junior - [Fondamentaux Git](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/git-fundamentals.md): 18 questions, Junior - [Les bases de SQL](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-basics.md): 20 questions, Junior - [Les bases de Pandas](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-basics.md): 22 questions, Junior - [Jupyter & Google Colab](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/jupyter-colab.md): 16 questions, Junior - [SQL Joins & Requêtes avancées](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/sql-joins-advanced.md): 22 questions, Confirmé - [Pandas avancé](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/pandas-advanced.md): 24 questions, Confirmé - [Visualisation avec Matplotlib & Seaborn](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/matplotlib-seaborn.md): 20 questions, Confirmé - [Visualisations interactives avec Plotly](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/plotly-interactive.md): 18 questions, Confirmé - [Statistiques descriptives](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-descriptive.md): 20 questions, Confirmé - [Statistiques inférentielles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/statistics-inferential.md): 24 questions, Confirmé - [Web Scraping](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/web-scraping.md): 18 questions, Confirmé - [BigQuery & Cloud Data](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/bigquery-cloud.md): 18 questions, Confirmé - [Feature Engineering](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/feature-engineering.md): 22 questions, Confirmé - [ML Supervisé : Régression](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-regression.md): 24 questions, Confirmé - [ML Supervisé : Classification](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-supervised-classification.md): 24 questions, Confirmé - [Arbres de décision & Ensembles](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-trees-ensembles.md): 24 questions, Confirmé - [ML Non supervisé](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-unsupervised.md): 22 questions, Confirmé - [Pipelines ML & Validation](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/ml-pipelines-validation.md): 22 questions, Confirmé - [Séries temporelles & Prévisions](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/time-series-forecasting.md): 22 questions, Confirmé - [Fondamentaux Deep Learning](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/deep-learning-fundamentals.md): 24 questions, Senior - [TensorFlow & Keras](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/tensorflow-keras.md): 22 questions, Senior - [CNN & Classification d'images](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/cnn-image-classification.md): 24 questions, Senior - [RNN & Séquences](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/rnn-sequences.md): 22 questions, Senior - [Transformers & Attention](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/transformers-attention.md): 24 questions, Senior - [NLP & Hugging Face](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/nlp-huggingface.md): 24 questions, Senior - [GenAI & LangChain](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/genai-langchain.md): 24 questions, Senior - [MLOps & Déploiement](https://sharpskill.dev/fr/technologies/data-science/questions-entretien/mlops-deployment.md): 24 questions, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/fr/technologies/data-science/questions-entretien/numpy-fundamentals