Основи NumPy
Масиви, ndarray, індексація, slicing, broadcasting, векторизовані операції, лінійна алгебра
1Що таке ndarray у NumPy?
Що таке ndarray у NumPy?
Відповідь
Ndarray (N-dimensional array) — це фундаментальна структура даних NumPy. Це однорідний багатовимірний масив, що означає, що всі елементи повинні бути одного типу. Ця однорідність забезпечує дуже швидкі векторизовані операції, оскільки дані зберігаються в пам'яті безперервно, на відміну від списків Python, які зберігають посилання на розрізнені об'єкти.
2Як створити масив NumPy, що містить значення [1, 2, 3, 4, 5]?
Як створити масив NumPy, що містить значення [1, 2, 3, 4, 5]?
Відповідь
Функція np.array() — це стандартний метод для створення ndarray із послідовності Python, такої як список або кортеж. Вона перетворює послідовність на оптимізований масив NumPy. Інші функції, такі як np.arange(), генерують послідовності, але з іншим синтаксисом (start, stop, step), а np.zeros()/np.ones() створюють масиви, заповнені певними значеннями.
3Яку функцію використовувати для створення масиву з 10 рівномірно розподілених елементів між 0 і 1?
Яку функцію використовувати для створення масиву з 10 рівномірно розподілених елементів між 0 і 1?
Відповідь
np.linspace(0, 1, 10) створює рівно 10 рівномірно розподілених значень між 0 і 1, включаючи обидва кінцеві точки. Це ідеально, коли відома бажана кількість точок. np.arange() використовує фіксований крок і може не включати кінцеву точку. np.linspace() переважно для інтервалів із точною кількістю точок, особливо для побудови графіків або обчислень чисельного інтегрування.
Який атрибут надає розміри (shape) масиву NumPy?
Як створити матрицю 3x3, заповнену нулями?
+19 питань зі співбесід
Інші теми співбесід Data Science & ML
Основи Python
Об'єктно-орієнтоване програмування Python
Структури даних Python
Основи Git
Основи SQL
Основи Pandas
Jupyter & Google Colab
SQL Joins та розширені запити
Просунутий Pandas
Візуалізація з Matplotlib & Seaborn
Інтерактивні візуалізації з Plotly
Описова статистика
Інференційна статистика
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Кероване ML: Регресія
Кероване ML: Класифікація
Дерева рішень та ансамблі
Некероване ML
ML Pipelines та валідація
Часові ряди та прогнозування
Основи Deep Learning
TensorFlow & Keras
CNN та класифікація зображень
RNN та послідовності
Transformers та Attention
NLP та Hugging Face
GenAI та LangChain
MLOps та розгортання
Опануй Data Science & ML для наступної співбесіди
Отримай доступ до всіх питань, flashcards, технічних тестів, вправ code review та симуляторів співбесід.
Почни безкоштовно