Numpy是一個用python實現的科學計算的擴展程序庫，包括：

1、一個強大的N維數組對象Array；

2、比較成熟的（廣播）函數庫；

3、用于整合C/C++和Fortran代碼的工具包；

4、實用的線性代數、傅里葉變換和隨機數生成函數。numpy和稀疏矩陣運算包scipy配合使用更加方便。

NumPy（Numeric Python）提供了許多高級的數值編程工具，如：矩陣數據類型、矢量處理，以及精密的運算庫。專為進行嚴格的數字處理而產生。多為很多大型金融公司使用，以及核心的科學計算組織如：Lawrence Livermore，NASA用其處理一些本來使用C++，Fortran或Matlab等所做的任務。

本文整理了一個Numpy的練習題，總結了Numpy的常用操作，可以測試下自己對Numpy的掌握程度，有答案哦。?

下載地址：

https://github.com/fengdu78/Data-Science-Notes/tree/master/2.numpy/numpy_exercises

試題目錄

• Array creation routines（數組創建）

• Array manipulation routines（數組操作）

• String operations（字符串操作）

• Numpy-specific help functions（Numpy特定幫助函數）

• Input and output（輸入和輸出）

• Linear algebra（線性代數）

• Discrete Fourier Transform（離散傅里葉變換）

• Logic functions（邏輯函數）

• Mathematical functions（數學函數）

• Random sampling (numpy.random)（隨機抽樣）

• Set routines（集合操作）

• Sorting, searching, and counting（排序、搜索和計數）

• Statistics（統計）

試題內容

試題分為13個練習，每個練習分為兩個ipynb文件，文件名帶_Solutions 的是帶答案的文件，建議初學者先練習下不帶答案的文件,做不出來再看看答案。

試題樣例

Linear algebra

import?numpy?as?np np.__version__ '1.11.2'

Matrix and vector products

Q1. Predict the results of the following code.

x?=?[1,2] y?=?[[4,?1],?[2,?2]] print?np.dot(x,?y) print?np.dot(y,?x) print?np.matmul(x,?y) print?np.inner(x,?y) print?np.inner(y,?x) [8 5] [6 6] [8 5] [6 6] [6 6]

Q2. Predict the results of the following code.

x?=?[[1,?0],?[0,?1]] y?=?[[4,?1],?[2,?2],?[1,?1]] print?np.dot(y,?x) print?np.matmul(y,?x)[[4 1][2 2][1 1]] [[4 1][2 2][1 1]]

Q3. Predict the results of the following code.

x?=?np.array([[1,?4],?[5,?6]]) y?=?np.array([[4,?1],?[2,?2]]) print?np.vdot(x,?y) print?np.vdot(y,?x) print?np.dot(x.flatten(),?y.flatten()) print?np.inner(x.flatten(),?y.flatten()) print?(x*y).sum() 30 30 30 30 30

Q4. Predict the results of the following code.

x?=?np.array(['a',?'b'],?dtype=object) y?=?np.array([1,?2]) print?np.inner(x,?y) print?np.inner(y,?x) print?np.outer(x,?y) print?np.outer(y,?x) abb abb [['a' 'aa']['b' 'bb']] [['a' 'b']['aa' 'bb']]

Decompositions

Q5. Get the lower-trianglular L in the Cholesky decomposition of x and verify it.

x?=?np.array([[4,?12,?-16],?[12,?37,?-43],?[-16,?-43,?98]],?dtype=np.int32) L?=?np.linalg.cholesky(x) print?L assert?np.array_equal(np.dot(L,?L.T.conjugate()),?x) [[ 2. 0. 0.][ 6. 1. 0.][-8. 5. 3.]]

Q6. Compute the qr factorization of x and verify it.

x?=?np.array([[12,?-51,?4],?[6,?167,?-68],?[-4,?24,?-41]],?dtype=np.float32) q,?r?=?np.linalg.qr(x) print?"q=\n",?q,?"\nr=\n",?r assert?np.allclose(np.dot(q,?r),?x) q= [[-0.85714287 0.39428571 0.33142856][-0.42857143 -0.90285712 -0.03428571][ 0.2857143 -0.17142858 0.94285715]] r= [[ -14. -21. 14.][ 0. -175. 70.][ 0. 0. -35.]]

Q7. Factor x by Singular Value Decomposition and verify it.

x?=?np.array([[1,?0,?0,?0,?2],?[0,?0,?3,?0,?0],?[0,?0,?0,?0,?0],?[0,?2,?0,?0,?0]],?dtype=np.float32) U,?s,?V?=?np.linalg.svd(x,?full_matrices=False) print?"U=\n",?U,?"\ns=\n",?s,?"\nV=\n",?v assert?np.allclose(np.dot(U,?np.dot(np.diag(s),?V)),?x)U= [[ 0. 1. 0. 0.][ 1. 0. 0. 0.][ 0. 0. 0. -1.][ 0. 0. 1. 0.]] s= [ 3. 2.23606801 2. 0. ] V= [[ 1. 0. 0.][ 0. 1. 0.][ 0. 0. 1.]]

Matrix eigenvalues

Q8. Compute the eigenvalues and right eigenvectors of x. (Name them eigenvals and eigenvecs, respectively)

x?=?np.diag((1,?2,?3)) eigenvals?=?np.linalg.eig(x)[0] eigenvals_?=?np.linalg.eigvals(x) assert?np.array_equal(eigenvals,?eigenvals_) print?"eigenvalues?are\n",?eigenvals eigenvecs?=?np.linalg.eig(x)[1] print?"eigenvectors?are\n",?eigenvecs eigenvalues are [ 1. 2. 3.] eigenvectors are [[ 1. 0. 0.][ 0. 1. 0.][ 0. 0. 1.]]

Q9. Predict the results of the following code.

print?np.array_equal(np.dot(x,?eigenvecs),?eigenvals?*?eigenvecs) True

Norms and other numbers

Q10. Calculate the Frobenius norm and the condition number of x.

x?=?np.arange(1,?10).reshape((3,?3)) print?np.linalg.norm(x,?'fro') print?np.linalg.cond(x,?'fro') 16.8819430161 4.56177073661e+17

Q11. Calculate the determinant of x.

x?=?np.arange(1,?5).reshape((2,?2)) out1?=?np.linalg.det(x) out2?=?x[0,?0]?*?x[1,?1]?-?x[0,?1]?*?x[1,?0] assert?np.allclose(out1,?out2) print?out1 -2.0

Q12. Calculate the rank of x.

x?=?np.eye(4) out1?=?np.linalg.matrix_rank(x) out2?=?np.linalg.svd(x)[1].size assert?out1?==?out2 print?out14

Q13. Compute the sign and natural logarithm of the determinant of x.

x?=?np.arange(1,?5).reshape((2,?2)) sign,?logdet?=?np.linalg.slogdet(x) det?=?np.linalg.det(x) assert?sign?==?np.sign(det) assert?logdet?==?np.log(np.abs(det)) print?sign,?logdet-1.0 0.69314718056

Q14. Return the sum along the diagonal of x.

x?=?np.eye(4) out1?=?np.trace(x) out2?=?x.diagonal().sum() assert?out1?==?out2 print?out1 4.0

Solving equations and inverting matrices

Q15. Compute the inverse of x.

x?=?np.array([[1.,?2.],?[3.,?4.]]) out1?=?np.linalg.inv(x) assert?np.allclose(np.dot(x,?out1),?np.eye(2)) print?out1[[-2. 1. ][ 1.5 -0.5]]

其他資源

本站還發過不少關于Numpy的資源，歡迎收藏學習：

• 1.Numpy小抄表

• 2.Numpy100題

• 3.AI基礎-Numpy簡易入門

參考

• 作者：Kyubyong

• 來源：https://github.com/Kyubyong/numpy_exercises

下載地址：

https://github.com/fengdu78/Data-Science-Notes/tree/master/2.numpy/numpy_exercises

往期精彩回顧適合初學者入門人工智能的路線及資料下載機器學習及深度學習筆記等資料打印機器學習在線手冊深度學習筆記專輯《統計學習方法》的代碼復現專輯 AI基礎下載機器學習的數學基礎專輯 獲取本站知識星球優惠券，復制鏈接直接打開： https://t.zsxq.com/y7uvZF6 本站qq群704220115。加入微信群請掃碼： 與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的Numpy练习题-锻炼手写机器学习模型的能力的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。