华为、阿里巴巴、字节跳动 100+ Python 面试问题总结（四）

系列文章目录

个人简介：机电专业在读研究生，CSDN内容合伙人，博主个人首页
Python面试专栏：《Python面试》此专栏面向准备面试的2024届毕业生。欢迎阅读，一起进步！
码字不易，如果觉得文章不错或能帮助到你学习，可以点赞收藏评论+关注哦！

---

本文是Python面试专栏的第四篇。在本专栏中，我将总结华为、阿里巴巴、字节跳动等互联网公司 Python 面试中最常见的 100+ 问题。每道题都提供参考答案，希望能够帮助你在求职面试中脱颖而出，找到一份高薪工作。这些面试题涉及 Python 基础知识、Python 编程、数据分析以及 Python 函数库等多个方面。

Python Numpy 面试问题

51. 什么是 NumPy？

NumPy 是 Python 的一个开源科学计算库，用于处理大型多维数组和矩阵。它是许多其他科学计算库的基础，如 pandas、SciPy 等。NumPy 提供了高性能的数组对象（array），以及对数组进行操作的各种函数。

52. NumPy 数组比 python 列表更具哪些优势？

NumPy 数组相对于 Python 列表具有以下几个优势：

• 性能效率高：NumPy 数组是使用 C 语言编写的，因此在处理大规模数据时具有更高的性能效率。它们支持向量化操作，可以一次性对整个数组执行相同的操作，而无需遍历每个元素。这种优化使得 NumPy 数组在数值计算和科学计算领域中非常受欢迎。

• 内存占用少：NumPy 数组使用连续的内存块来存储数据，相对于 Python 列表中的对象引用，它们不需要额外的内存来存储指针。这也使得 NumPy 数组在处理大型数据集时更加高效，并且减少了内存消耗。

• 广泛的数学函数和运算符支持：NumPy 提供了许多内置的数学函数和运算符，使得对数组进行各种数学和统计运算更加方便。例如，对数组应用三角函数、指数函数、平均值、标准差等操作非常简单。

• 广泛的索引和切片功能：NumPy 数组支持直接通过索引和切片操作来访问和修改数组中的元素，提供了更灵活和高效的数据访问方式。此外，NumPy 还提供了强大的布尔索引功能，可以根据条件对数组进行筛选和过滤。

• 向量化操作：NumPy 数组支持向量化操作，允许对整个数组或数组的子集执行相同的操作，而无需使用显式循环。这种向量化操作能够提高代码的简洁性、可读性和运行效率。

53. 如何创建一个 NumPy 数组？

可以使用多种方式来创建 NumPy 数组，包括从列表、元组、NumPy 函数、外部文件等。下面是几个常用的创建 NumPy 数组的方法：

• 从列表或元组创建：arr = np.array([1, 2, 3])

• 使用 NumPy 函数创建：arr = np.zeros((3, 3))

• 从外部文件读取：arr = np.load('data.npy')

54. Numpy 如何从文本文件中加载数据？

在 NumPy 中，可以使用 np.loadtxt() 函数或 np.genfromtxt() 函数来从文本文件加载数据。这两个函数支持从各种常见的文本文件格式中加载数据，包括CSV、TSV等。

1. np.loadtxt() 函数：这个函数可以从文本文件中加载数据，并将其存储为 NumPy 数组。示例代码：

   import numpy as np
   
   data = np.loadtxt('data.txt', delimiter=',')
   print(data)
   

2. np.genfromtxt() 函数：这个函数也可以从文本文件中加载数据，并将其存储为 NumPy 数组。它与 np.loadtxt() 类似，但功能更强大，可以处理缺失值和数据类型等问题。示例代码：

   import numpy as np
   
   data = np.genfromtxt('data.txt', delimiter=',', missing_values='N/A', filling_values=0)
   print(data)
   

另外，NumPy 还提供了 np.fromfile() 函数可以从二进制文件中加载数据。

55. 如何获取NumPy数组的维度和形状？

• 要获取 NumPy 数组的维度，可以使用 ndim 属性。例如，对于一个二维数组 arr，可以使用 arr.ndim 来获取其维度。

• 要获取 NumPy 数组的形状，可以使用 shape 属性。例如，对于一个二维数组 arr，可以使用 arr.shape 来获取其形状。

56. NumPy 数组有哪些操作

NumPy 数组有许多常用的操作，可以对数组进行各种操作和变换。以下是一些常见的 NumPy 数组操作：

• 创建数组：可以使用 NumPy 提供的函数来创建数组，例如 np.array()、np.zeros()、np.ones()、np.arange()等。

• 访问元素：可以使用索引和切片操作来访问数组中的元素。例如，使用 array[index] 来获取特定位置的元素，使用 array[start:end:step] 来进行切片操作。

• 修改形状：可以使用 reshape() 函数改变数组的形状，或者使用 resize() 函数重新调整数组的大小。还可以使用 flatten() 函数将多维数组转换为一维数组。

• 数组运算：NumPy 支持对数组进行各种数学运算。可以进行基本的数学运算（如加法、减法、乘法、除法、幂运算等），以及逐元素的数学函数（如sin、cos、exp等）。

• 统计函数：NumPy 提供了各种统计函数，例如 sum()、mean()、median()、var()、max()、min()、std() 等，可以对数组进行汇总统计。

• 排序和筛选：可以使用 sort() 函数对数组进行排序。还可以使用条件表达式来筛选数组中的元素。

• 数组拼接和分割：可以使用 concatenate()、vstack()、hstack() 等函数将多个数组拼接在一起，或者使用 split()、vsplit()、hsplit() 等函数将一个数组分割成多个子数组。

• 数组转置和重塑：可以使用 transpose() 函数或 .T 属性来对数组进行转置操作。此外，还可以使用 rollaxis()、swapaxes() 等函数来改变数组的轴的顺序。

• 矩阵运算：在 NumPy 中，可以对数组进行矩阵操作，如 np.dot() 函数或 @ 运算符执行矩阵乘法、使用 np.linalg.inv()、np.linalg.det()、np.linalg.eig()、np.trace() 函数计算方阵的逆矩阵、行列式、特征值和特征向量、迹等。

57. 如何对 NumPy 数组进行排序操作？

在 NumPy 中，可以使用不同的函数和方法对数组进行排序操作。以下是一些常见的 NumPy 数组排序操作：

1. 按行或列排序：可以使用 np.sort() 函数对数组的每一行或每一列进行排序。默认情况下，该函数将返回一个新的排序后的数组。示例代码：

   import numpy as np
   
   # 按行排序
   arr = np.array([[3, 2, 1], [6, 5, 4]])
   sorted_arr_row = np.sort(arr, axis=1)
   print(sorted_arr_row)
   
   # 按列排序
   sorted_arr_col = np.sort(arr, axis=0)
   print(sorted_arr_col)
   '''
   输出：
   [[1 2 3]
    [4 5 6]]
   
   [[3 2 1]
    [6 5 4]]
   '''
   

2. 原地排序：可以使用 ndarray.sort() 方法在原地对数组进行排序，即直接修改原始数组。示例代码：

   import numpy as np
   
   arr = np.array([3, 2, 1, 6, 5, 4])
   arr.sort()
   print(arr)
   '''
   输出：
   [1 2 3 4 5 6]
   '''
   

3. 按指定条件排序：可以使用 np.argsort() 函数获取数组排序后的索引，或者使用 np.lexsort() 函数根据多个键进行排序。示例代码：

   import numpy as np
   
   arr = np.array([3, 2, 1, 6, 5, 4])
   sorted_indices = np.argsort(arr)
   print(sorted_indices)
   
   arr2 = np.array([3, 2, 1])
   arr3 = np.array([6, 5, 4])
   sorted_arr = np.lexsort((arr2, arr3))
   print(sorted_arr)
   '''
   输出：
   [2 1 0 5 4 3]
   [2 1 0]
   '''
   

以上是一些常见的 NumPy 数组排序操作。此外，NumPy 还提供了其他排序相关的函数和方法，如 np.partition()、np.argsort()、np.argpartition() 等，可以根据具体需求选择合适的排序方法。

58. 如何在给定的 Numpy 数组中找到最接近的值？

在给定的 NumPy 数组中找到最接近的值，可以使用 NumPy 的 np.abs() 函数和 np.argmin() 函数的结合来实现。下面是一种常见的方法：

import numpy as np

def find_nearest_value(arr, value):
    # 计算数组中每个元素与目标值的差值的绝对值
    diff = np.abs(arr - value)
    # 返回差值绝对值最小的元素的索引
    nearest_index = np.argmin(diff)
    return arr[nearest_index]

# 示例用法
arr = np.array([1.2, 2.5, 3.7, 4.1, 5.6])
value = 3.3
nearest_value = find_nearest_value(arr, value)
print(nearest_value)
'''
输出：
3.7
'''

上述示例中，find_nearest_value() 函数它首先计算数组中每个元素与目标值的差值的绝对值，然后使用 np.argmin() 函数找到差值绝对值最小的元素的索引，最后返回该索引对应的值。

这样就可以在给定的 NumPy 数组中找到最接近的值，并返回最接近值所在的位置

59. 如何将 NumPy 数组保存到文件中？

NumPy 提供了多种方法将数组保存到文件中，常用的方法包括：

1. np.savetxt() 函数：这个函数可以将一个或多个 NumPy 数组以文本格式保存到文件中。默认情况下，每个数组的元素被写成浮点数，并以空格分隔。示例代码：

   import numpy as np
   
   data = np.array([[1, 2, 3], [4, 5, 6]])
   np.savetxt('data.txt', data)
   

   这将把数组 data 保存为文本文件 data.txt。

2. np.save() 和 np.savez() 函数：这两个函数可以将一个或多个 NumPy 数组以二进制格式保存到文件中。np.save() 函数用于保存单个数组，而 np.savez() 函数用于保存多个数组。示例代码：

   import numpy as np
   
   data = np.array([1, 2, 3])
   np.save('data.npy', data)
   

   这将把数组 data 保存为二进制文件 data.npy。

3. np.savez_compressed() 函数：这个函数与 np.savez() 类似，但会使用压缩算法来减小文件大小，适用于大型数据集。示例代码：

   import numpy as np
   
   data1 = np.array([1, 2, 3])
   data2 = np.array([4, 5, 6])
   np.savez_compressed('data.npz', data1=data1, data2=data2)
   

   这将把数组 data1 和 data2 保存为压缩的二进制文件 data.npz。

需要注意的是，使用这些函数保存数组时，文件名需要包括合适的扩展名（如 .txt、.npy、.npz 等），以便指定保存的文件类型。

Python Pandas面试问题：待更新