Vad är skillnaden mellan en NumPy-array och en lista?

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Den här övningen är en del av kursen

Öva på kodningsintervjufrågor i Python

SkillTag.level.advancedSkillTag.label

4.8+

Starta kursen gratis

I det här kapitlet fräschar vi upp kunskaperna om de viktigaste datastrukturerna i Python. Vi går igenom hur man arbetar med listor, tupler, mängder och ordlistor. Vi behandlar även strängar och hur man skriver reguljära uttryck för att hämta specifika teckensekvenser ur en given text.

Exercise 1: Vilka är de viktigaste datastrukturerna i Python?Exercise 2: Listmetoder Exercise 3: Operationer på mängder Exercise 4: Lagra data i en ordbok Exercise 5: Hur manipulerar man strängar på vanliga sätt?Exercise 6: Strängindexering och sammanslagning Exercise 7: Operationer på strängar Exercise 8: Rätta strängfel i en DataFrame Exercise 9: Hur skriver man reguljära uttryck i Python?Exercise 10: Skriv ett reguljärt uttryck Exercise 11: Hitta rätt mönster Exercise 12: Dela upp med ett mönster

Det här kapitlet fokuserar på iterbara objekt. Vi fräschar upp definitionen av iterbara objekt och förklarar hur man känner igen ett sådant. Sedan går vi igenom listomfattningar, som är en mycket speciell egenskap i Python för att definiera listor. Därefter repeterar vi hur man kombinerar flera iterbara objekt till ett. Slutligen går vi igenom hur man skapar egna iterbara objekt med hjälp av generatorer.

Exercise 1: Vad är iterable-objekt?Exercise 2: enumerate()Exercise 3: Iteratorer Exercise 4: Traversera en DataFrame Exercise 5: Vad är en listomfattning?Exercise 6: Grundläggande listomfattningar Exercise 7: Sekvens av primtal Exercise 8: Sekvens av relativt prima tal Exercise 9: Vad är ett zip-objekt?Exercise 10: Kombinera iterable-objekt Exercise 11: Extrahera tupler Exercise 12: Skapa en DataFrame Exercise 13: Vad är en generator och hur skapar man en?Exercise 14: Förskjut en sträng Exercise 15: Kasta en tärning Exercise 16: Generatoruttryck

Det här kapitlet fokuserar på de funktionella aspekterna av Python. Vi börjar med att definiera funktioner med ett variabelt antal positions- och nyckelordsargument. Sedan går vi igenom lambdafunktioner och i vilka situationer de är användbara – framför allt hur de används tillsammans med funktioner som map(), filter() och reduce(). Slutligen repeterar vi vad rekursion är och hur man implementerar det på rätt sätt.

Exercise 1: Hur skickar man ett variabelt antal argument till en funktion?Exercise 2: Positionsargument med variabelt antal Exercise 3: Nyckelargument med variabel storlek Exercise 4: Kombinera argumenttyper Exercise 5: Vad är ett lambdauttryck?Exercise 6: Definiera lambdauttryck Exercise 7: Konvertera funktioner till lambdauttryck Exercise 8: Använda ett lambda-uttryck som argument Exercise 9: Vad är funktionerna map(), filter(), reduce()?Exercise 10: Funktionen map()Exercise 11: Funktionen filter()Exercise 12: Funktionen reduce()Exercise 13: Vad är rekursion?Exercise 14: Beräkna antalet funktionsanrop Exercise 15: Beräkna ett medelvärde Exercise 16: Approximera pi med rekursion

Det här kapitlet behandlar vetenskaplig beräkning i Python. Vi börjar med att förklara skillnaden mellan NumPy-arrayer och listor, och varför arrayer passar bättre för komplexa beräkningar. Sedan går vi igenom några användbara tekniker för att manipulera pandas DataFrames. Slutligen visualiserar vi data med hjälp av spridningsdiagram, histogram och lådagram.

Exercise 1: Vad är skillnaden mellan en NumPy-array och en lista?

Aktuell övning

Exercise 2: Felaktig arrayinitiering Exercise 3: Åtkomst till delmatriser Exercise 4: Operationer med NumPy-arrayer Exercise 5: Hur använder man metoden .apply() på en DataFrame?Exercise 6: Enkel användning av .apply()Exercise 7: Ytterligare argument Exercise 8: Funktioner med extra argument Exercise 9: Hur använder man metoden .groupby() på en DataFrame?Exercise 10: Standardmetoder för DataFrame Exercise 11: BMI för skurkar Exercise 12: Imputering av NaN-värden Exercise 13: Hur visualiserar man data i Python?Exercise 14: Utforska samband mellan särdrag Exercise 15: Rita ett histogram Exercise 16: Skapa lådagram Exercise 17: Avslutande tankar