numpy-试题-最新版.docx

【numpy 知识点详解】 一、选择题 1. 计算 numpy 中元素个数的方法是 `np.size()`。`np.sqrt()` 是计算平方根的函数，`np.identity()` 用于生成单位矩阵。 2. 已知 `c=np.arange(24).reshape(3,4,2)`，`c.sum(axis=0)` 执行后，沿着轴 0（即第一轴）进行求和，结果为数组的列和，得到的是 `(列 0，行 1)`，即 `array([[12, 16], [44, 48], [76, 80]])`。 3. 对于数组 `n = np.arange(24).reshape(2,-1,2,2)`，其中 `-1` 表示自动计算尺寸以保持总元素数不变，因此 `n.shape` 返回的结果是 `(2, 6, 2, 2)`。 4. 在 Numpy 中，创建全为 0 的矩阵使用 `zeros` 函数。 5. 将 numpy 中的向量转换成矩阵使用 `reshape` 函数。 6. 将 numpy 中的矩阵转换成向量使用 `ravel` 函数。 二、判断题 1. `c=view()` 创建的是 a 的视图，不是副本，因此 `c is a` 为 `True`，但 `c.base is a` 也为 `True`，因为它们共享内存。 2. `np.where(condition[, x, y])` 根据条件 `condition` 返回 `x` 或 `y` 中的元素，正确。 3. 数组对象的 `itemsize` 返回的是每个元素的字节数，并非由数组大小决定，错误。 4. 检测数据缺失通常使用 `isnull()` 方法，而不是 `notnull()`，错误。 5. Series 类似于一维数组，DataFrame 类似于二维表格，错误。 6. numpy 中产生全 1 的矩阵使用 `ones` 函数，错误。 7. Series 类似于一维数组，DataFrame 类似于表格，错误。 8. `s2=pd.Series([25,23,42,21,23],index=['Jack','Lucy','Helen','Milky','Jasper'])` 中，`23 in s2` 的执行结果为 `True`，因为它是 Series 的一个值，正确。`in` 在这里表示值的查找。 9. `df1.loc[2:1]=8` 错误，因为 loc 的切片语法不支持这种形式。 10. `pandas` 中 `head(n)` 的意思是获取数据的前 n 行，错误。 三、填空题 1. 创建元素都为 1 的数组使用 `ones`，创建一个单位矩阵使用 `eye`。 2. 创建一个 3 阶的单位矩阵 `n = np.eye(3)`，`n.dtype` 返回 `float` 数据类型，`n[1][1]` 返回 `1.0`。 3. 对于数组 `a=np.arange(8).reshape(2,4)`，`np.hsplit(a,2)` 返回 `[array([[0, 1],[4, 5]]), array([[2, 3],[6, 7]])]`，`np.hsplit(a,(1,3))` 返回 `[array([[1, 2],[5, 6]]), array([[3],[7]])]`。 4. pandas 有两个主要数据结构：`Series` 和 `DataFrame`。 5. 列用数字 `0` 表示，行用 `1` 表示。 6. numpy 中最大值方法为 `max`。 7. 在 pandas 中，`read_csv` 用来读取 CSV 文件。 8. 导入 numpy 并命名为 np 的语句是 `import numpy as np`。 9. 创建一个数组，元素值从 10-49 使用 `np.arange(10, 50)`。 10. 创建大小为 10 的数组，元素为随机整数，可以使用 `np.random.randint(0, 100, size=10)`。 通过以上题目，我们可以看到 numpy 的核心概念包括数组操作、形状变换、统计计算以及数据处理等。在实际编程中，理解并掌握这些知识点对于数据分析和处理至关重要。