NumPy进阶80题完整版

共 7048字,需浏览 15分钟

 ·

2020-07-28 12:16


前言


大家好,NumPy进阶修改80题现在已经全部更新完毕,80道习题涵盖了NumPy中数组创建、访问、筛选、修改、计算等常用操作,如果不熟悉NumPy的读者可以刷一遍,因为里面的代码大多拿走就能用,所以如果你已经了解NumPy的基本操作,我更建议将这80题当成速查手册使用,随用随查!

NumPy进阶修炼80题完整版


01
数据查看


题目:导入并查看NumPy版本
难度:⭐
答案
import numpy as np
print(np.__version__)
备注:你需要关注你的NumPy版本,部分方法会随着版本更新而变化


02
数据创建


题目:创建十个全为0的一维数组
难度:⭐
期望结果
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
答案
np.zeros(10)


03
数据创建


题目:创建10个全为0的一维数据并修改数据类型为整数
难度:⭐
答案
np.zeros(10,dtype = 'int')


04
数据创建


题目创建20个0-100固定步长的数
难度:⭐
期望答案
array([ 0, 5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80,
       85, 90, 95])
答案
np.arange(0,100,5)


05
数据创建


题目:从list创建数组
难度:⭐
输入
List = [1,2,3,4,5,6,7,8,9]
答案
result = np.array(List)


06
数据创建


题目:创建一个三行三列全是1的矩阵
难度:⭐
答案
#方法1
np.ones((3,3))
#方法2
np.array([[ 1., 1., 1.],
       [ 1., 1., 1.],
       [ 1., 1., 1.]])


07
数据创建


题目:创建一个2行2列矩阵并且元素为布尔类型的True
难度:⭐
期望结果
array([[ True, True],
       [ True, True]])
答案
np.full((2,2), True, dtype=bool)


08
数据创建


题目:创建等差数列
备注:从5开始,50结束,共10个数据
难度:⭐
答案
np.linspace(start=5,stop=50,num=10)


09
数据创建


题目创建等差数列
备注1:从5开始,50结束,共10个数据,数据类型为int32
难度:⭐
答案
np.arange(start = 5, stop = 55, step = 5,dtype = 'int32')

备注2:思考与上一题的不同


10
数据创建


题目:创建3x3矩阵
备注:矩阵元素均为0—10之间的随机数
难度:⭐
答案
np.random.randint(0,10,(3,3))


11
数据创建



题目:创建3x3矩阵
备注:矩阵元素均为服从标准正态分布的随机数
难度:⭐
答案
np.random.randn(3, 3)

12
数据重塑


题目:将第五题的result修改为3x3矩阵
难度:⭐
答案
result = result.reshape(3,3)

13
数据修改


题目:对上一题生成的result取转置
难度:⭐
答案
result.T

14
数据查看


题目:查看result的数据类型
难度:⭐
答案
result.dtype
#dtype('int64')


15
数据查看


题目:查看result的内存占用
难度:⭐
备注:直接查看或手动计算 

答案
#方法一:直接查看
result.nbytes
#方法2
手动计算
result.itemsize * 9
#72

16
数据创建


题目:将result的数据类型修改为float
难度:⭐
答案
result = result.astype(float)

17
数据提取


题目:提取result第三行第三列的元素
难度:⭐
答案
result[2,2]

18
数据修改


题目:将result第三行第三列的元素放大十倍
难度:⭐
答案
result[2,2] = result[2,2] * 10


19
数据提取


题目:提取result中的所有偶数
难度:⭐
期望输出
array([ 2., 4., 6., 8., 90.])
答案
result[result % 2 == 0]

20
数据修改


题目:将result中所有奇数修改为666
难度:⭐
答案
result[result % 2 == 1] = 666


21
数据创建


题目创建主对角线都是5的5x5矩阵
难度:⭐
答案
result = np.diag([5,5,5,5,5])


22
数据修改


题目:交换第一列与第二列
难度:⭐⭐
答案
a = result[:, [1,0,2,3,4]]


23
数据修改


题目:交换第一行与第二行
难度:⭐⭐
答案
result[result % 2 == 1] = 666


24
数据查看


题目:判断两个矩阵是否有任何元素不同
难度:⭐⭐
答案
print((a == b).all())


25
数据计算


题目:计算两个矩阵不同元素的个数
难度:⭐⭐
答案
len(np.argwhere(a != b))


26
数据查看


题目:找到两个矩阵不同元素的位置
难度:⭐⭐
答案
np.argwhere(a != b)


27
数据计算


题目:对a和b做矩阵乘法
难度:⭐⭐
答案
np.dot(a,b)


28
数据计算


题目:计算a和b对应元素相乘
难度:⭐⭐
答案
print(np.multiply(a,b))
print('========方法2========')
print(a * b) #方法2


29
数据计算


题目:计算行列式(使用21题生成的矩阵)
难度:⭐⭐
答案
np.linalg.det(result)


30
数据计算


题目:矩阵求逆(使用21题生成的矩阵)
难度:⭐⭐
答案
np.linalg.inv(result)


31
数据计算


题目:将22与23题生成的np.array对象修改为np.matrix对象
难度:⭐⭐
答案
a = np.matrix(a)
b = np.matrix(b)


32
数据计算


题目:计算上一题生成的两个np.matrix格式矩阵的对应元素乘积(对比异同)
难度:⭐⭐
答案
np.multiply(a,b)


33
数据计算


题目:对31题生成的两个np.matrix格式矩阵做矩阵乘法(对比异同)
难度:⭐⭐
答案
a * b


34
数据计算


题目:将ab两个矩阵按照行拼接
难度:⭐⭐
答案
np.hstack((a,b))


35
数据计算


题目:将ab两个矩阵按照列拼接
难度:⭐⭐
答案
np.vstack((a,b))


36
数据计算


题目:思考下面代码运行后new的结果
难度:⭐⭐⭐
答案
new = np.pad(result,pad_width = 1,constant_values=1)


37
数据查找


题目:找到new中大于1的元素的位置
难度:⭐⭐
答案
np.argwhere(new > 1)


38
数据修改


题目:将new中大于1的元素修改为8
难度:⭐⭐
答案
new[new > 1] = 8


39
数据计算


题目:对new矩阵按列求和
难度:⭐⭐
答案
np.sum(new, 0)


40
数据计算


题目:对new矩阵按行求和
难度:⭐⭐
答案
np.sum(new, 1)


41
数据创建


题目生成6行6列的二维数组,值为1-100随机数
难度:⭐
答案
data = np.random.randint(1,100, [6,6])


42
数据查找


题目:找到每列的最大值
难度:⭐⭐
答案
np.amax(data, axis=0)


43
数据查找


题目:找到每行的最小值
难度:⭐⭐
答案
np.amin(data, axis=1)


44
数据计算


题目计算data每个元素的出现次数
难度:⭐⭐
答案
np.unique(data,return_counts=True)


45
数据计算


题目:计算data每行元素大小排名
难度:⭐⭐
答案
data.argsort()


46
数据处理


题目将data按行重复一次
难度:⭐⭐
答案
np.repeat(data, 2, axis=0)


47
数据处理


题目:去除data的重复行
难度:⭐⭐
答案
np.unique(data,axis = 0)


48
数据抽样


题目从data的第一行中不放回抽3个元素
难度:⭐⭐
答案
np.random.choice(data[0:1][0], 3, replace=False)


49
数据计算


题目:计算data第二行中不含第三行的元素的元素
难度:⭐⭐
答案
a = data[1:2]
b = data[2:3]
index=np.isin(a,b)
array=a[~index]
array


50
数据计算


题目:判断data是否有空行
难度:⭐⭐
答案
(~data.any(axis=1)).any()


51
数据排序


题目:将data的每行升序排列
难度:⭐⭐
答案
data.sort(axis = 1)


52
数据转换


题目:将data的数据格式转换为float
难度:⭐⭐
答案
data1 = data.astype(float)

思考:为什么不能在data本身转换


53
数据修改


题目将data1小于5的元素修改为nan
难度:⭐⭐
答案
data1[data1 < 5] = np.nan


54
数据处理


题目:删除data1含有空值的行
难度:⭐⭐
答案
data1 = data1[~np.isnan(data1).any(axis=1), :]


55
数据计算


题目计算data1第一行出现频率最高的值
难度:⭐⭐⭐
答案
vals, counts = np.unique(data1[0,:], return_counts=True)
print(vals[np.argmax(counts)])


56
数据计算


题目:计算data1中与100最接近的元素
难度:⭐⭐⭐
答案
a = 100
data1.flat[np.abs(data1 - a).argmin()]


57
数据计算


题目:计算data1每一行的元素减去每一行的平均值
难度:⭐⭐
答案
data1 - data1.mean(axis=1, keepdims=True)


58
数据计算


题目:将data1归一化至区间[0,1]
难度:⭐⭐
答案
a = np.max(data1) - np.min(data1)
(data1 - np.min(data1)) / a


59
数据计算


题目:将data1标准化
难度:⭐⭐⭐
答案
mu = np.mean(data1, axis=0)
sigma = np.std(data1, axis=0)
(data1 - mu) / sigma


60
数据存储


题目:将data1存储至本地
难度:⭐
答案
np.savetxt('test.txt',data1)



61
数据查找



问:如何获得两个数组之间的相同元素
输入
import numpy as np
import pandas as pd
import warnings
warnings.filterwarnings("ignore")
arr1 = np.random.randint(10,6,6)
arr2 = np.random.randint(10,6,6)
答案
arr1 = np.random.randint(10,6,6)
arr2 = np.random.randint(10,6,6)
print("arr1: %s"%arr1)
print("arr2: %s"%arr2)
np.intersect1d(arr1,arr2)


62
数据修改

问:如何从一个数组中删除另一个数组存在的元素
输入
arr1 = np.random.randint(10,6,6)
arr2 = np.random.randint(10,6,6)
答案:
arr1 = np.random.randint(1,10,10)
arr2 = np.random.randint(1,10,10)
print("arr1: %s"%arr1)
print("arr2: %s"%arr2)
np.setdiff1d(arr1,arr2)


63
数据修改

问:如何修改一个数组为只读模式
输入:
arr1 = np.random.randint(1,10,10)
答案:
arr1 = np.random.randint(1,10,10)
arr1.flags.writeable = False


64
数据转换

问:如何将list转为numpy数组
输入:
a = [1,2,3,4,5]
答案:
a = [1,2,3,4,5]
np.array(a)


65
数据转换

问:如何将pd.DataFrame转为numpy数组
输入:
df = pd.DataFrame({'A':[1,2,3],'B':[4,5,6],'C':[7,8,9]})
答案:
df.values

66
数据分析

问:如何使用numpy进行描述性统计分析
输入:
arr1 = np.random.randint(1,10,10)
arr2 = np.random.randint(1,10,10)
答案:
arr1 = np.random.randint(1,10,10)
arr2 = np.random.randint(1,10,10)

print("arr1的平均数为:%s" %np.mean(arr1))
print("arr1的中位数为:%s" %np.median(arr1))
print("arr1的方差为:%s" %np.var(arr1))
print("arr1的标准差为:%s" %np.std(arr1))
print("arr1,arr的相关性矩阵为:%s" %np.cov(arr1,arr2))
print("arr1,arr的协方差矩阵为:%s" %np.corrcoef(arr1,arr2))

67
数据抽样

问:如何使用numpy进行概率抽样
arr = np.array([1,2,3,4,5])
输入:
arr = np.array([1,2,3,4,5])
np.random.choice(arr,10,p = [0.1,0.1,0.1,0.1,0.6])
答案:


68
数据创建

问:如何为数据创建副本
输入:
arr = np.array([1,2,3,4,5])
答案:
#对副本数据进行修改,不会影响到原始数据
arr = np.array([1,2,3,4,5])
arr1 = arr.copy()


69
数据切片

问:如何对数组进行切片
输入:
arr = np.arange(10)
备注从索引2开始到索引8停止,间隔为2
答案:
arr = np.arange(10)
a = slice(2,8,2)
arr[a] #等价于arr[2:8:2]


70
字符串操作

问:如何使用NumPy操作字符串
输入:
str1 = ['I love']
str2 = [' Python']
答案:
#拼接字符串
str1 = ['I love']
str2 = [' Python']
print(np.char.add(str1,str2))

#大写首字母
str3 = np.char.add(str1,str2)
print(np.char.title(str3))


71
数据修改

问:如何对数据向上/下取整
输入:
arr = np.random.uniform(0,10,10)
答案:
arr = np.random.uniform(0,10,10)
print(arr)
###向上取整
print(np.ceil(arr))
###向下取整
print(np.floor(arr) )


72
格式修改

问:如何取消默认科学计数显示数据
答案:
np.set_printoptions(suppress=True)


73
数据修改

问:如何使用NumPy对二维数组逆序
输入:
arr = np.random.randint(1,10,[3,3])
答案:
arr = np.random.randint(1,10,[3,3])
print(arr)
print('列逆序')
print(arr[:, -1::-1])
print('行逆序')
print(arr[-1::-1, :])


74
数据查找

问:如何使用NumPy根据位置查找元素
输入:
arr1 = np.random.randint(1,10,5)
arr2 = np.random.randint(1,20,10)
备注:在arr2中根据arr1中元素以位置查找
答案:
arr1 = np.random.randint(1,10,5)
arr2 = np.random.randint(1,20,10)
print(arr1)
print(arr2)
print(np.take(arr2,arr1))


75
数据计算

问:如何使用numpy求余数
输入:
a = 10
b = 3
答案:
np.mod(a,b)


76
数据计算

问:如何使用NumPy进行矩阵SVD分解
输入:
A = np.random.randint(1,10,[3,3])
答案:
np.linalg.svd(A)


77
数据筛选

问:如何使用NumPy多条件筛选数据
输入:
arr = np.random.randint(1,20,10)
答案:
arr = np.random.randint(1,20,10)
print(arr[(arr>1)&(arr<7)&(arr%2==0)])


78
数据修改

问:如何使用NumPy对数组分类
备注:将大于等于7,或小于3的元素标记为1,其余为0
输入:
arr = np.random.randint(1,20,10)
答案:
arr = np.random.randint(1,20,10)
print(arr)
print(np.piecewise(arr, [arr < 3, arr >= 7], [-11]))


79
数据修改

问:如何使用NumPy压缩矩阵
备注:从数组的形状中删除单维度条目,即把shape中为1的维度去掉
输入:
arr = np.random.randint(1,10,[3,1])
答案:
arr = np.random.randint(1,10,[3,1])
print(arr)
print(np.squeeze(arr))

80
数据计算

问:如何使用numpy求解线性方程组
输入:
A = np.array([[123], [2-11], [30-1]])
b = np.array([983])
备注:求解Ax=b
答案:
A = np.array([[123], [2-11], [30-1]])
b = np.array([983])
x = np.linalg.solve(A, b)
print(x)

python爬虫人工智能大数据公众号


浏览 30
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报