本文经机器之心(微信公众号:almosthuman2014)授权转载,禁止二次转载。
如果你想先回顾一下 NumPy 的知识,推荐阅读:
NumPy 基础:https://www.machinelearningplus.com/numpy-tutorial-part1-array-python-examples
NumPy 高级教程:https://www.machinelearningplus.com/numpy-tutorial-python-part2
1. 将 NumPy 导入为 np,并查看版本
难度:L1
问题:将 NumPy 导入为 np,并输出版本号。
2. 如何创建 1 维数组?
难度:L1
问题:创建数字从 0 到 9 的 1 维数组。
期望输出:
#> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
3. 如何创建 boolean 数组?
难度:L1
问题:创建所有 True 的 3×3 NumPy 数组。
4. 如何从 1 维数组中提取满足给定条件的项?
难度:L1
问题:从 arr 中提取所有奇数。
输入:
arr = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])`
期望输出:
#> array([1, 3, 5, 7, 9])
5. 如何将 NumPy 数组中满足给定条件的项替换成另一个数值?
难度:L1
问题:将 arr 中的所有奇数替换成 -1。
输入:
arr = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
期望输出:
#> array([ 0, -1, 2, -1, 4, -1, 6, -1, 8, -1])
6. 如何在不影响原始数组的前提下替换满足给定条件的项?
难度:L2
问题:将 arr 中所有奇数替换成 -1,且不改变 arr。
输入:
arr = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
期望输出:
out
#> array([ 0, -1, 2, -1, 4, -1, 6, -1, 8, -1])
arr
#> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
7. 如何重塑(reshape)数组?
难度:L1
问题:将 1 维数组转换成 2 维数组(两行)。
输入:
np.arange(10)
#> array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
期望输出
#> array([[0, 1, 2, 3, 4],
#> [5, 6, 7, 8, 9]])
8. 如何垂直堆叠两个数组?
难度:L2
问题:垂直堆叠数组 a 和 b。
输入:
a = np.arange(10).reshape(2,-1)
b = np.repeat(1, 10).reshape(2,-1)
期望输出:
#> array([[0, 1, 2, 3, 4],
#> [5, 6, 7, 8, 9],
#> [1, 1, 1, 1, 1],
#> [1, 1, 1, 1, 1]])
9. 如何水平堆叠两个数组?
难度:L2
问题:水平堆叠数组 a 和 b。
输入:
a = np.arange(10).reshape(2,-1)
b = np.repeat(1, 10).reshape(2,-1)
期望输出:
#> array([[0, 1, 2, 3, 4, 1, 1, 1, 1, 1],
#> [5, 6, 7, 8, 9, 1, 1, 1, 1, 1]])
10. 在不使用硬编码的前提下,如何在 NumPy 中生成自定义序列?
难度:L2
问题:在不使用硬编码的前提下创建以下模式。仅使用 NumPy 函数和以下输入数组 a。
输入:
a = np.array([1,2,3])`
期望输出:
#> array([1, 1, 1, 2, 2, 2, 3, 3, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3])
11. 如何获得两个 Python NumPy 数组中共同的项?
难度:L2
问题:获取数组 a 和 b 中的共同项。
输入:
a = np.array([1,2,3,2,3,4,3,4,5,6])
b = np.array([7,2,10,2,7,4,9,4,9,8])
期望输出:
array([2, 4])
12. 如何从一个数组中移除与另一个数组重复的项?
难度:L2
问题:从数组 a 中移除出现在数组 b 中的所有项。
输入:
a = np.array([1,2,3,4,5])
b = np.array([5,6,7,8,9])
期望输出:
array([1,2,3,4])
13. 如何获取两个数组匹配元素的位置?
难度:L2
问题:获取数组 a 和 b 中匹配元素的位置。
输入:
a = np.array([1,2,3,2,3,4,3,4,5,6])
b = np.array([7,2,10,2,7,4,9,4,9,8])
期望输出:
#> (array([1, 3, 5, 7]),)
14. 如何从 NumPy 数组中提取给定范围内的所有数字?
难度:L2
问题:从数组 a 中提取 5 和 10 之间的所有项。
输入:
a = np.arange(15)
期望输出:
(array([ 5, 6, 7, 8, 9, 10]),)
15. 如何创建一个 Python 函数以对 NumPy 数组执行元素级的操作?
难度:L2
问题:转换函数 maxx,使其从只能对比标量而变为对比两个数组。
输入:
def maxx(x, y):
"""Get the maximum of two items"""
if x >= y:
return x
else:
return y
maxx(1, 5)
#> 5
期望输出:
a = np.array([5, 7, 9, 8, 6, 4, 5])
b = np.array([6, 3, 4, 8, 9, 7, 1])
pair_max(a, b)
#> array([ 6., 7., 9., 8., 9., 7., 5.])
16. 如何在 2d NumPy 数组中交换两个列?
难度:L2
问题:在数组 arr 中交换列 1 和列 2。
arr = np.arange(9).reshape(3,3)
arr
17. 如何在 2d NumPy 数组中交换两个行?
难度:L2
问题:在数组 arr 中交换行 1 和行 2。
arr = np.arange(9).reshape(3,3)
arr
18. 如何反转 2D 数组的所有行?
难度:L2
问题:反转 2D 数组 arr 中的所有行。
# Input
arr = np.arange(9).reshape(3,3)
19. 如何反转 2D 数组的所有列?
难度:L2
问题:反转 2D 数组 arr 中的所有列。
# Input
arr = np.arange(9).reshape(3,3)
20. 如何创建一个包含 5 和 10 之间随机浮点的 2 维数组?
难度:L2
问题:创建一个形态为 5×3 的 2 维数组,包含 5 和 10 之间的随机十进制小数。
21. 如何在 Python NumPy 数组中仅输出小数点后三位的数字?
难度:L1
问题:输出或显示 NumPy 数组 rand_arr 中小数点后三位的数字。
输入:
rand_arr = np.random.random((5,3))
22. 如何通过禁用科学计数法(如 1e10)打印 NumPy 数组?
难度:L1
问题:通过禁用科学计数法(如 1e10)打印 NumPy 数组 rand_arr。
输入:
# Create the random array
np.random.seed(100)
rand_arr = np.random.random([3,3])/1e3
rand_arr
#> array([[ 5.434049e-04, 2.783694e-04, 4.245176e-04],
#> [ 8.447761e-04, 4.718856e-06, 1.215691e-04],
#> [ 6.707491e-04, 8.258528e-04, 1.367066e-04]])
期望输出:
#> array([[ 0.000543, 0.000278, 0.000425],
#> [ 0.000845, 0.000005, 0.000122],
#> [ 0.000671, 0.000826, 0.000137]])
23. 如何限制 NumPy 数组输出中项的数目?
难度:L1
问题:将 Python NumPy 数组 a 输出的项的数目限制在最多 6 个元素。
输入:
a = np.arange(15)
#> array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
期望输出:
#> array([ 0, 1, 2, ..., 12, 13, 14])
24. 如何在不截断数组的前提下打印出完整的 NumPy 数组?
难度:L1
问题:在不截断数组的前提下打印出完整的 NumPy 数组 a。
输入:
np.set_printoptions(threshold=6)
a = np.arange(15)
a
#> array([ 0, 1, 2, ..., 12, 13, 14])
期望输出:
a
#> array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
25. 如何向 Python NumPy 导入包含数字和文本的数据集,同时保持文本不变?
难度:L2
问题:导入 iris 数据集,保持文本不变。
26. 如何从 1 维元组数组中提取特定的列?
难度:L2
问题:从前一个问题导入的 1 维 iris 中提取文本列 species。
输入:
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_1d = np.genfromtxt(url, delimiter=',', dtype=None)
27. 如何将 1 维元组数组转换成 2 维 NumPy 数组?
难度:L2
问题:忽略 species 文本字段,将 1 维 iris 转换成 2 维数组 iris_2d。
输入:
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_1d = np.genfromtxt(url, delimiter=',', dtype=None)
28. 如何计算 NumPy 数组的平均值、中位数和标准差?
难度:L1
问题:找出 iris sepallength(第一列)的平均值、中位数和标准差。
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
29. 如何归一化数组,使值的范围在 0 和 1 之间?
难度:L2
问题:创建 iris sepallength 的归一化格式,使其值在 0 到 1 之间。
输入:
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
sepallength = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0])
30. 如何计算 softmax 分数?
难度:L3
问题:计算 sepallength 的 softmax 分数。
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
sepallength = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0])
31. 如何找到 NumPy 数组的百分数?
难度:L1
问题:找出 iris sepallength(第一列)的第 5 个和第 95 个百分数。
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
sepallength = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0])
32. 如何在数组的随机位置插入值?
难度:L2
问题:在 iris_2d 数据集中的 20 个随机位置插入 np.nan 值。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='object')
33. 如何在 NumPy 数组中找出缺失值的位置?
难度:L2
问题:在 iris_2d 的 sepallength(第一列)中找出缺失值的数目和位置。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='float')
iris_2d[np.random.randint(150, size=20), np.random.randint(4, size=20)] = np.nan
34. 如何基于两个或以上条件过滤 NumPy 数组?
难度:L3
问题:过滤 iris_2d 中满足 petallength(第三列)> 1.5 和 sepallength(第一列)< 5.0 的行。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0,1,2,3])
35. 如何在 NumPy 数组中删除包含缺失值的行?
难度:L3
问题:选择 iris_2d 中不包含 nan 值的行。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0,1,2,3])
36. 如何找出 NumPy 数组中两列之间的关联性?
难度:L2
问题:找出 iris_2d 中 SepalLength(第一列)和 PetalLength(第三列)之间的关联性。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0,1,2,3])
37. 如何确定给定数组是否有空值?
难度:L2
问题:确定 iris_2d 是否有缺失值。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0,1,2,3])
38. 如何在 NumPy 数组中将所有缺失值替换成 0?
难度:L2
问题:在 NumPy 数组中将所有 nan 替换成 0。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='float', usecols=[0,1,2,3])
iris_2d[np.random.randint(150, size=20), np.random.randint(4, size=20)] = np.nan
39. 如何在 NumPy 数组中找出唯一值的数量?
难度:L2
问题:在 iris 的 species 列中找出唯一值及其数量。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
names = ('sepallength', 'sepalwidth', 'petallength', 'petalwidth', 'species')
40. 如何将一个数值转换为一个类别(文本)数组?
难度:L2
问题:将 iris_2d 的 petallength(第三列)转换以构建一个文本数组,按如下规则进行转换:
Less than 3 –> ‘small’
3-5 –> 'medium'
'>=5 –> 'large'
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
names = ('sepallength', 'sepalwidth', 'petallength', 'petalwidth', 'species')
41. 如何基于 NumPy 数组现有列创建一个新的列?
难度:L2
问题:为 iris_2d 中的 volume 列创建一个新的列,volume 指 (pi x petallength x sepal_length^2)/3。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris_2d = np.genfromtxt(url, delimiter=',', dtype='object')
names = ('sepallength', 'sepalwidth', 'petallength', 'petalwidth', 'species')
42. 如何在 NumPy 中执行概率采样?
难度:L3
问题:随机采样 iris 数据集中的 species 列,使得 setose 的数量是 versicolor 和 virginica 数量的两倍。
# Import iris keeping the text column intact
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
43. 如何在多维数组中找到一维的第二最大值?
难度:L2
问题:在 species setosa 的 petallength 列中找到第二最大值。
# Input
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
names = ('sepallength', 'sepalwidth', 'petallength', 'petalwidth', 'species')
44. 如何用给定列将 2 维数组排序?
难度:L2
问题:基于 sepallength 列将 iris 数据集排序。
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
names = ('sepallength', 'sepalwidth', 'petallength', 'petalwidth', 'species')
45. 如何在 NumPy 数组中找到最频繁出现的值?
难度:L1
问题:在 iris 数据集中找到 petallength(第三列)中最频繁出现的值。
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
names = ('sepallength', 'sepalwidth', 'petallength', 'petalwidth', 'species')
46. 如何找到第一个大于给定值的数的位置?
难度:L2
问题:在 iris 数据集的 petalwidth(第四列)中找到第一个值大于 1.0 的数的位置。
# Input:
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
47. 如何将数组中所有大于给定值的数替换为给定的 cutoff 值?
难度:L2
问题:对于数组 a,将所有大于 30 的值替换为 30,将所有小于 10 的值替换为 10。
输入:
np.random.seed(100)
np.random.uniform(1,50, 20)
48. 如何在 NumPy 数组中找到 top-n 数值的位置?
难度:L2
问题:在给定数组 a 中找到 top-5 最大值的位置。
np.random.seed(100)
a = np.random.uniform(1,50, 20)
49. 如何逐行计算数组中所有值的数量?
难度:L4
问题:逐行计算唯一值的数量。
输入:
np.random.seed(100)
arr = np.random.randint(1,11,size=(6, 10))
arr
> array([[ 9, 9, 4, 8, 8, 1, 5, 3, 6, 3],
> [ 3, 3, 2, 1, 9, 5, 1, 10, 7, 3],
> [ 5, 2, 6, 4, 5, 5, 4, 8, 2, 2],
> [ 8, 8, 1, 3, 10, 10, 4, 3, 6, 9],
> [ 2, 1, 8, 7, 3, 1, 9, 3, 6, 2],
> [ 9, 2, 6, 5, 3, 9, 4, 6, 1, 10]])
期望输出:
> [[1, 0, 2, 1, 1, 1, 0, 2, 2, 0],
> [2, 1, 3, 0, 1, 0, 1, 0, 1, 1],
> [0, 3, 0, 2, 3, 1, 0, 1, 0, 0],
> [1, 0, 2, 1, 0, 1, 0, 2, 1, 2],
> [2, 2, 2, 0, 0, 1, 1, 1, 1, 0],
> [1, 1, 1, 1, 1, 2, 0, 0, 2, 1]]
输出包含 10 个列,表示从 1 到 10 的数字。这些数值分别代表每一行的计数数量。例如,Cell(0,2) 中有值 2,这意味着,数字 3 在第一行出现了两次。
50. 如何将 array_of_arrays 转换为平面 1 维数组?
难度:L2
问题:将 array_of_arrays 转换为平面线性 1 维数组。
# Input:
arr1 = np.arange(3)
arr2 = np.arange(3,7)
arr3 = np.arange(7,10)
array_of_arrays = np.array([arr1, arr2, arr3])
array_of_arrays#> array([array([0, 1, 2]), array([3, 4, 5, 6]), array([7, 8, 9])], dtype=object)
期望输出:
#> array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
51. 如何为 NumPy 数组生成 one-hot 编码?
难度:L4
问题:计算 one-hot 编码。
输入:
np.random.seed(101)
arr = np.random.randint(1,4, size=6)
arr
#> array([2, 3, 2, 2, 2, 1])
输出:
#> array([[ 0., 1., 0.],
#> [ 0., 0., 1.],
#> [ 0., 1., 0.],
#> [ 0., 1., 0.],
#> [ 0., 1., 0.],
#> [ 1., 0., 0.]])
52. 如何创建由类别变量分组确定的一维数值?
难度:L3
问题:创建由类别变量分组的行数。使用以下来自 iris species 的样本作为输入。
输入:
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
species = np.genfromtxt(url, delimiter=',', dtype='str', usecols=4)
species_small = np.sort(np.random.choice(species, size=20))
species_small
#> array(['Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
#> 'Iris-setosa', 'Iris-setosa', 'Iris-versicolor', 'Iris-versicolor',
#> 'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
#> 'Iris-versicolor', 'Iris-virginica', 'Iris-virginica',
#> 'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
#> 'Iris-virginica', 'Iris-virginica', 'Iris-virginica'],
#> dtype='<U15')
期望输出:
#> [0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5, 0, 1, 2, 3, 4, 5, 6, 7]
53. 如何基于给定的类别变量创建分组 id?
难度:L4
问题:基于给定的类别变量创建分组 id。使用以下来自 iris species 的样本作为输入。
输入:
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
species = np.genfromtxt(url, delimiter=',', dtype='str', usecols=4)
species_small = np.sort(np.random.choice(species, size=20))
species_small
#> array(['Iris-setosa', 'Iris-setosa', 'Iris-setosa', 'Iris-setosa',
#> 'Iris-setosa', 'Iris-setosa', 'Iris-versicolor', 'Iris-versicolor',
#> 'Iris-versicolor', 'Iris-versicolor', 'Iris-versicolor',
#> 'Iris-versicolor', 'Iris-virginica', 'Iris-virginica',
#> 'Iris-virginica', 'Iris-virginica', 'Iris-virginica',
#> 'Iris-virginica', 'Iris-virginica', 'Iris-virginica'],
#> dtype='<U15')
期望输出:
#> [0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2]
54. 如何使用 NumPy 对数组中的项进行排序?
难度:L2
问题:为给定的数值数组 a 创建排序。
输入:
np.random.seed(10)
a = np.random.randint(20, size=10)print(a)#> [ 9 4 15 0 17 16 17 8 9 0]
期望输出:
[4 2 6 0 8 7 9 3 5 1]
55. 如何使用 NumPy 对多维数组中的项进行排序?
难度:L3
问题:给出一个数值数组 a,创建一个形态相同的排序数组。
输入:
np.random.seed(10)
a = np.random.randint(20, size=[2,5])print(a)#> [[ 9 4 15 0 17]#> [16 17 8 9 0]]
期望输出:
#> [[4 2 6 0 8]
#> [7 9 3 5 1]]
56. 如何在 2 维 NumPy 数组中找到每一行的最大值?
难度:L2
问题:在给定数组中找到每一行的最大值。
np.random.seed(100)
a = np.random.randint(1,10, [5,3])
a
#> array([[9, 9, 4],
#> [8, 8, 1],
#> [5, 3, 6],
#> [3, 3, 3],
#> [2, 1, 9]])
57. 如何计算 2 维 NumPy 数组每一行的 min-by-max?
难度:L3
问题:给定一个 2 维 NumPy 数组,计算每一行的 min-by-max。
np.random.seed(100)
a = np.random.randint(1,10, [5,3])
a
#> array([[9, 9, 4],
#> [8, 8, 1],
#> [5, 3, 6],
#> [3, 3, 3],
#> [2, 1, 9]])
58. 如何在 NumPy 数组中找到重复条目?
难度:L3
问题:在给定的 NumPy 数组中找到重复条目(从第二次出现开始),并将其标记为 True。第一次出现的条目需要标记为 False。
# Input
np.random.seed(100)
a = np.random.randint(0, 5, 10)
print('Array: ', a)
#> Array: [0 0 3 0 2 4 2 2 2 2]
期望输出:
#> [False True False True False False True True True True]
59. 如何找到 NumPy 的分组平均值?
难度:L3
问题:在 2 维 NumPy 数组的类别列中找到数值的平均值。
输入:
url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data'
iris = np.genfromtxt(url, delimiter=',', dtype='object')
names = ('sepallength', 'sepalwidth', 'petallength', 'petalwidth', 'species')
期望解:
#> [[b'Iris-setosa', 3.418],
#> [b'Iris-versicolor', 2.770],
#> [b'Iris-virginica', 2.974]]
60. 如何将 PIL 图像转换成 NumPy 数组?
难度:L3
问题:从以下 URL 中导入图像,并将其转换成 NumPy 数组。
URL = 'https://upload.wikimedia.org/wikipedia/commons/8/8b/Denali_Mt_McKinley.jpg'
61. 如何删除 NumPy 数组中所有的缺失值?
难度:L2
问题:从 1 维 NumPy 数组中删除所有的 nan 值。
输入:
np.array([1,2,3,np.nan,5,6,7,np.nan])
期望输出:
array([ 1., 2., 3., 5., 6., 7.])
62. 如何计算两个数组之间的欧几里得距离?
难度:L3
问题:计算两个数组 a 和 b 之间的欧几里得距离。
输入:
a = np.array([1,2,3,4,5])
b = np.array([4,5,6,7,8])
63. 如何在一个 1 维数组中找到所有的局部极大值(peak)?
难度:L4
问题:在 1 维数组 a 中找到所有的 peak,peak 指一个数字比两侧的数字都大。
输入:
a = np.array([1, 3, 7, 1, 2, 6, 0, 1])
期望输出:
#> array([2, 5])
64. 如何从 2 维数组中减去 1 维数组,从 2 维数组的每一行分别减去 1 维数组的每一项?
难度:L2
问题:从 2 维数组 a_2d 中减去 1 维数组 b_1d,即从 a_2d 的每一行分别减去 b_1d 的每一项。
输入:
a_2d = np.array([[3,3,3],[4,4,4],[5,5,5]])
b_1d = np.array([1,1,1]
期望输出:
#> [[2 2 2]
#> [2 2 2]
#> [2 2 2]]
65. 如何在数组中找出某个项的第 n 个重复索引?
难度:L2
问题:找到数组 x 中数字 1 的第 5 个重复索引。
x = np.array([1, 2, 1, 1, 3, 4, 3, 1, 1, 2, 1, 1, 2])
66. 如何将 NumPy 的 datetime64 对象(object)转换为 datetime 的 datetime 对象?
难度:L2
问题:将 NumPy 的 datetime64 对象(object)转换为 datetime 的 datetime 对象。
# Input: a numpy datetime64 object
dt64 = np.datetime64('2018-02-25 22:10:10')
67. 如何计算 NumPy 数组的移动平均数?
难度:L3
问题:给定 1 维数组,计算 window size 为 3 的移动平均数。
输入:
np.random.seed(100)
Z = np.random.randint(10, size=10)
68. 给定起始数字、length 和步长,如何创建一个 NumPy 数组序列?
难度:L2
问题:从 5 开始,创建一个 length 为 10 的 NumPy 数组,相邻数字的差是 3。
69. 如何在不规则 NumPy 日期序列中填充缺失日期?
难度:L3
问题:给定一个非连续日期序列的数组,通过填充缺失的日期,使其变成连续的日期序列。
输入:
# Input
dates = np.arange(np.datetime64('2018-02-01'), np.datetime64('2018-02-25'), 2)
print(dates)
#> ['2018-02-01' '2018-02-03' '2018-02-05' '2018-02-07' '2018-02-09'
#> '2018-02-11' '2018-02-13' '2018-02-15' '2018-02-17' '2018-02-19'
#> '2018-02-21' '2018-02-23']
70. 如何基于给定的 1 维数组创建 strides?
难度:L4
问题:给定 1 维数组 arr,使用 strides 生成一个 2 维矩阵,其中 window length 等于 4,strides 等于 2,例如 [[0,1,2,3], [2,3,4,5], [4,5,6,7]..]。
输入:
arr = np.arange(15)
arr
#> array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
期望输出:
#> [[ 0 1 2 3]
#> [ 2 3 4 5]
#> [ 4 5 6 7]
#> [ 6 7 8 9]
#> [ 8 9 10 11]
#> [10 11 12 13]]
所有问题的解决方案参见原文:https://www.machinelearningplus.com/101-numpy-exercises-python/
原文来自:机器之心
声明:所有来源为“聚合数据”的内容信息,未经本网许可,不得转载!如对内容有异议或投诉,请与我们联系。邮箱:marketing@think-land.com
涉农贷款地址识别,支持对私和对公两种方式。输入地址的行政区划越完整,识别准确度越高。
根据给定的手机号、姓名、身份证、人像图片核验是否一致
通过企业关键词查询企业涉讼详情,如裁判文书、开庭公告、执行公告、失信公告、案件流程等等。
IP反查域名是通过IP查询相关联的域名信息的功能,它提供IP地址历史上绑定过的域名信息。
结合权威身份认证的精准人脸风险查询服务,提升人脸应用及身份认证生态的安全性。人脸风险情报库,覆盖范围广、准确性高,数据权威可靠。