Darmowe ćwiczenia z recenzji Pythona — #PySeries#Odcinek 16

Cześć, odpowiedz na te dwadzieścia pytań:

01 #PyEx — Python —NumPy — Importowanie bibliotek :

#Import NumPy as np:

#Create an array of 10 zeros:
# output expected: 
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

#Create an array of 10 ones:
# output expected: 
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])

#Create an array of 10 fives:
# output expected: 
array([5., 5., 5., 5., 5., 5., 5., 5., 5., 5.])

#Create an array of the integers from 10 to 50:
# output expected: 
array([10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43,44, 45, 46, 47, 48, 49, 50])

#Create an array of all the even integers from 10 to 50:
# output expected: 
array([10, 12, 14, 16, 18, 20, 22, 24, 26, 28, 30, 32, 34, 36, 38, 40, 42, 44, 46, 48, 50])

#Create a 3x3 matrix with values ranging from 0 to 8:
# output expected: 
array([[0, 1, 2],
[3, 4, 5],
[6, 7, 8]])

#Create a 3x3 identity matrix:
# output expected: 
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])

#Use NumPy to generate a random number between 0 and 1:
#NOTE: Your result’s value should be different from the one shown #below.
# output expected: 
array([0.23442116])

#Use NumPy to generate an array of 25 random numbers sampled from a standard normal distribution:
#NOTE: Your result’s values should be different from the ones shown below.
# output expected: 
array([-0.61659542, -0.77532828, 0.36213786, -1.28636974, 0.33286861, 0.06991562, 0.99519046, -1.12320101, -2.09591218, -0.99818646, -0.86720284, -1.13239342, -0.17099943, -0.76632253, -1.005097 , -1.73123788, -1.28889203, -1.63121734, -0.32411105, -0.30448115, -0.67660156, -1.1030128 , -1.19426878, 1.10254174, 1.30879357])

#Create the following matrix:
# output expected: 
array([
[0.01, 0.02, 0.03, 0.04, 0.05, 0.06, 0.07, 0.08, 0.09, 0.1 ],
[0.11, 0.12, 0.13, 0.14, 0.15, 0.16, 0.17, 0.18, 0.19, 0.2 ],
[0.21, 0.22, 0.23, 0.24, 0.25, 0.26, 0.27, 0.28, 0.29, 0.3 ],
[0.31, 0.32, 0.33, 0.34, 0.35, 0.36, 0.37, 0.38, 0.39, 0.4 ],
[0.41, 0.42, 0.43, 0.44, 0.45, 0.46, 0.47, 0.48, 0.49, 0.5 ],
[0.51, 0.52, 0.53, 0.54, 0.55, 0.56, 0.57, 0.58, 0.59, 0.6 ],
[0.61, 0.62, 0.63, 0.64, 0.65, 0.66, 0.67, 0.68, 0.69, 0.7 ],
[0.71, 0.72, 0.73, 0.74, 0.75, 0.76, 0.77, 0.78, 0.79, 0.8 ],
[0.81, 0.82, 0.83, 0.84, 0.85, 0.86, 0.87, 0.88, 0.89, 0.9 ],
[0.91, 0.92, 0.93, 0.94, 0.95, 0.96, 0.97, 0.98, 0.99, 1. ]])

#Create an array of 20 linearly spaced points between 0 and 1:
# output expected: 
array([0. , 0.05263158, 0.10526316, 0.15789474, 0.21052632, 0.26315789, 0.31578947, 0.36842105, 0.42105263, 0.47368421, 0.52631579, 0.57894737, 0.63157895, 0.68421053, 0.73684211, 0.78947368, 0.84210526, 0.89473684, 0.94736842, 1. ])

WAŻNA UWAGA: Nie zapomnij uruchomić komórki poniżej!

#RUN THIS CELL — THIS IS OUR STARTING MATRIX:
mat = np.arange(1,26).reshape(5,5)
# output expected:
array([[ 1,  2,  3,  4,  5],        
[ 6,  7,  8,  9, 10],        
[11, 12, 13, 14, 15],        
[16, 17, 18, 19, 20],        
[21, 22, 23, 24, 25]])

#Write code that reproduces the output shown below:
# output expected: 
array([[12, 13, 14, 15],
[17, 18, 19, 20],
[22, 23, 24, 25]])

#Write code that reproduces the output shown below:
# output expected: 
20

#Write code that reproduces the output shown below:
# output expected:
array([[ 2],
[ 7],
[12]])

#Write code that reproduces the output shown below:
# output expected: 
array([21, 22, 23, 24, 25])

#Write code that reproduces the output shown below:
# output expected: 
array([[16, 17, 18, 19, 20],
[21, 22, 23, 24, 25]])

#Get the sum of all the values in mat:
# output expected: 
325

#Get the standard deviation of the values in mat:
# output expected:
7.211102550927978

#Get the sum of all the columns in mat:
# output expected: 
array([55, 60, 65, 70, 75])

Pobierz oryginalny notatnik e odpowiedź zeszytu :).

Do zobaczenia wkrótce!

Do widzenia!

o/

Notatniki Google Colab są tutaj:

Link do pytań dotyczących współpracy :)

Link do odpowiedzi Colab :)

Lub link do repozytorium GitHub :)

Lub pliki z Dysku Google :)

Posty powiązane:

00Episode#PySeries — Python — Jupiter Notebook — szybki start z VSCode — Jak skonfigurować środowisko Win10 do korzystania z programu Jupiter Notebook

01Episode#PySeries — Python — Python 4 Engineers — Ćwiczenia! Przegląd możliwości oferowanych przez Python w inżynierii!

02Episode# PySeries — Python — Geogebra Plus Programowanie liniowe — Stworzymy program Geogebra, który pomoże nam w naszym programowaniu liniowym

03Odcinek# PySeries — Python — Python 4 Engineers — Więcej ćwiczeń! — Kolejna runda, aby upewnić się, że Python jest naprawdę niesamowity!

04Odcinek# PySeries — Python — Regresje liniowe — Podstawy — Jak zrozumieć regresję liniową raz na zawsze!

05Odcinek# PySeries — Python — NumPy Init i przegląd Pythona — Przegląd i inicjalizacja Crash Pythona w bibliotece NumPy.

06Episode# PySeries — Python — Tablice NumPy i Notatnik Jupyter — Operacje arytmetyczne, indeksowanie i wycinanie oraz zaznaczanie warunkowe z tablicami np . .

07Episode# PySeries — Python — Pandy — Intro & Series — Co to jest? Jak tego użyć?

08Episode# PySeries — Python — Pandas DataFrames — Podstawowa struktura danych Pand! Jest to kontener podobny do dyktatu dla obiektów serii

09Odcinek# PySeries — Python — Python 4 Engineers — Jeszcze więcej ćwiczeń! — Więcej praktycznych pytań dotyczących kodowania w Pythonie!

10Episode# PySeries — Python — Pandy — Indeks hierarchiczny i przekrój — Otwórz swój notatnik Colab i oto ćwiczenia uzupełniające!

11Odcinek# PySeries — Python — Pandy — Brakujące dane — Kontynuujmy ćwiczenia w Pythonie — Uzupełnianie i usuwanie brakujących danych

12Episode# PySeries — Python — Pandy — Group By — Grupowanie dużych ilości danych i operacje obliczeniowe na tych grupach

13Episode# PySeries — Python — Pandy — Łączenie, łączenie i konkatenacje — Udogodnienia do łatwego łączenia serii lub DataFrame

14Episode# PySeries — Python — Pandas — Pandas Dataframe Przykłady: Operacje na kolumnach

15Episode# PySeries — Python — Python 4 Engineers — Przechowywanie w pamięci krótkotrwałej — Sprawdź sam! Kodowanie w Pythonie, znowu!

16Episode# PySeries — NumPy— NumPy Review, Again;) —Python Review Darmowe ćwiczenia (to)