Fondamenti di NumPy
Array, ndarray, indicizzazione, slicing, broadcasting, operazioni vettorizzate, algebra lineare
1Cos'è un ndarray in NumPy?
Cos'è un ndarray in NumPy?
Risposta
Un ndarray (N-dimensional array) è la struttura dati fondamentale di NumPy. È un array multidimensionale omogeneo, il che significa che tutti gli elementi devono essere dello stesso tipo. Questa omogeneità consente operazioni vettorizzate molto veloci perché i dati sono memorizzati in modo contiguo in memoria, a differenza delle liste Python che memorizzano riferimenti a oggetti sparsi.
2Come creare un array NumPy contenente i valori [1, 2, 3, 4, 5]?
Come creare un array NumPy contenente i valori [1, 2, 3, 4, 5]?
Risposta
La funzione np.array() è il metodo standard per creare un ndarray da una sequenza Python come una lista o tupla. Converte la sequenza in un array NumPy ottimizzato. Altre funzioni come np.arange() generano sequenze ma con sintassi diversa (start, stop, step), e np.zeros()/np.ones() creano array riempiti con valori specifici.
3Quale funzione utilizzare per creare un array di 10 elementi equispaziati tra 0 e 1?
Quale funzione utilizzare per creare un array di 10 elementi equispaziati tra 0 e 1?
Risposta
np.linspace(0, 1, 10) crea esattamente 10 valori equispaziati tra 0 e 1, inclusi entrambi gli estremi. È ideale quando si conosce il numero desiderato di punti. np.arange() utilizza un passo fisso e potrebbe non includere l'estremo finale. np.linspace() è preferito per intervalli con un numero preciso di punti, in particolare per la creazione di grafici o calcoli di integrazione numerica.
Quale attributo fornisce le dimensioni (shape) di un array NumPy?
Come creare una matrice 3x3 riempita con zeri?
+19 domande da colloquio
Altri argomenti di colloquio Data Science & ML
Fondamenti di Python
Programmazione Orientata agli Oggetti in Python
Strutture dati Python
Fondamenti di Git
Fondamenti di SQL
Fondamenti di Pandas
Jupyter & Google Colab
SQL Joins e query avanzate
Pandas avanzato
Visualizzazione con Matplotlib & Seaborn
Visualizzazioni interattive con Plotly
Statistica descrittiva
Statistica inferenziale
Web Scraping
BigQuery & Cloud Data
Feature Engineering
ML Supervisionato: Regressione
ML Supervisionato: Classificazione
Alberi Decisionali e Ensembles
ML Non Supervisionato
Pipeline ML e Validazione
Serie Temporali e Previsione
Fondamenti di Deep Learning
TensorFlow & Keras
CNN e classificazione di immagini
RNN e Sequenze
Transformers e Attention
NLP e Hugging Face
GenAI e LangChain
MLOps e Deployment
Padroneggia Data Science & ML per il tuo prossimo colloquio
Accedi a tutte le domande, flashcards, test tecnici, esercizi di code review e simulatori di colloquio.
Inizia gratis