Open Sarah111-AHM opened 1 year ago
ماذا يعني NumPy اختصارًا؟ a) Numeric Python b) Numerical Package c) Natural Programming d) Network Protocol
ما هي الميزة الرئيسية لـ ndarray في NumPy؟ a) توفير واجهة برمجة التطبيقات b) إمكانية عمليات حسابية سريعة على المصفوفات c) التعامل مع الملفات المرتبطة بالذاكرة d) دعم عمليات الجبر الخطي
ما الذي يقوم به NumPy لتحسين الكفاءة في الحوسبة العددية؟ a) تخزين البيانات في كتلة ذاكرة متصلة b) استخدام حلقات Python للعمليات الحسابية c) زيادة استهلاك الذاكرة لمضاعفة السرعة d) تنسيق بيانات Python الأصلية
ما الذي يمكن أن تفعله NumPy بالتعاون مع لغات منخفضة المستوى مثل C وC++ وFORTRAN؟ a) إرسال البيانات إلى هذه اللغات للتحليل b) استقبال البيانات من هذه اللغات وتحويلها إلى مصفوفات NumPy c) تمكين الاتصال بين Python وتلك اللغات d) إجراء الحسابات العلمية بلغات منخفضة المستوى
ما هو الاستخدام الأساسي لـ pandas في سياق NumPy؟ a) التحليل الإحصائي والتحليل العلمي b) توليد الأعداد العشوائية والتحويلات الفوريه c) التلاعب بالبيانات والتجميع والتحليل الوصفي d) تنفيذ العمليات الحسابية على المصفوفات
ما الذي يميز NumPy في الحوسبة العددية في Python؟ a) يوفر واجهة سهلة للتعامل مع البيانات العددية b) يدعم العمليات الحسابية الموجهة للمصفوفات بسرعة عالية c) يحتوي على مكتبة قوية للتحليل الإحصائي والتنبؤ d) يوفر ميزات فريدة للعمل مع البيانات الصوتية والصورية
ما الذي يعنيه تفاصيل "Data alignment and relational data manipulations" في NumPy؟ a) القدرة على تنظيم البيانات وتحليلها بناءً على العلاقات بينها b) إمكانية توصيل مصفوفات NumPy بقواعد البيانات العلائقية c) استخدام العمليات الحسابية المتقدمة للتحليل الإحصائي d) تنفيذ عمليات الفرز والتجميع والمقارنة للبيانات
ما الذي يجعل NumPy مهمًا في الحوسبة العددية في Python؟ a) توفير مجموعة واسعة من الدوال الرياضية المتقدمة b) القدرة على التعامل مع البيانات الضخمة وتنفيذ العمليات بكفاءة c) توفير واجهة سهلة الاستخدام للعمل مع المصفوفات d) دعم العمليات الموجهة للمصفوفات في البيئة البرمجية
ما هو تاريخ نشأة مكتبة NumPy؟ a) عام 1995 b) عام 2000 c) عام 2005 d) عام 2010
ما هي اللغة التي تم استخدامها في تطوير مكتبة NumPy؟ a) C b) Java c) Python d) Ruby
ماذا يقصد بـ "broadcasting capabilities" في NumPy؟ a) القدرة على بث (نقل) قيمة واحدة إلى عدة عناصر في المصفوفة b) القدرة على توسيع أبعاد المصفوفة تلقائيًا لتطابق أبعاد مصفوفة أخرى c) القدرة على تغيير شكل المصفوفة بدون تغيير البيانات الفعلية d) القدرة على تنفيذ العمليات الحسابية بين مصفوفتين ذات أحجام مختلفة
ماذا يعني "memory-mapped files" في NumPy؟ a) إمكانية استخدام الملفات كمصفوفات في الذاكرة بدلاً من تخزينها في القرص الصلب b) إمكانية تعيين مصفوفة NumPy كمخطط للبيانات المخزنة على القرص c) القدرة على الوصول المباشر إلى البيانات المخزنة في الملفات بدون نسخها إلى الذاكرة d) القدرة على استخدام الملفات كذاكرة مؤقتة لتخزين المصفوفات الكبيرة
ما هي الفوائد التي يوفرها استخدام واجهة C API في NumPy؟ a) القدرة على توصيل NumPy بلغات البرمجة المنخفضة المستوى مثل C و C++ و FORTRAN b) تنفيذ العمليات الحسابية في NumPy باستخدام مكتبات البرمجة المنخفضة المستوى c) تحسين أداء NumPy عن طريق تحويل العمليات إلى لغة C d) توسيع قدرات NumPy لدعم برامج الرسم البياني ذات الأداء العالي
ما هي الوظيفة الرئيسية لـ "descriptive statistics" في NumPy؟ a) تحليل البيانات الإح
صائية والعثور على التوزيعات والأنماط الفردية b) إجراء العمليات الحسابية الأساسية مثل الجمع والطرح والضرب والقسمة على المصفوفات c) حساب المقاييس الإحصائية الأساسية مثل الوسط والانحراف المعياري والتحليل الكمّي للبيانات d) تحويل البيانات إلى تنسيقات متوافقة مع العمليات الإحصائية المتقدمة في NumPy
np.arange(1000000)
لإنشاء مصفوفة NumPy مكونة من مليون عنصر من الأعداد الصحيحة.list(range(1000000))
لإنشاء قائمة Python تحتوي على مليون عنصر من الأعداد الصحيحة.أسئلة اختيار من متعدد:
ما هي الفائدة الرئيسية لاستخدام مصفوفات NumPy في مثال الأداء المذكور؟ a) توفير تعبيرات مرنة لعمليات الحساب b) تحسين الأداء الحسابي بفضل الحوسبة المتوازية c) تسهيل التعامل مع مجموعات البيانات الكبيرة d) توفير واجهة سهلة للتكامل مع مكتبات البرمجة المنخفضة المستوى
أي من العبارات التالية صحيحة بشأن الفرق في الأداء بين مصفوفة NumPy وقائمة Python في المثال المذكور؟ a) مصفوفة NumPy توفر عمليات حسابية أسرع بكثير من قائمة Python. b) قائمة Python تحتاج إلى مساحة أقل في الذاكرة مقارنة بمصفوفة NumPy. c) مصفوفة NumPy توفر واجهة سهلة للتكامل مع مكتبات البرمجة المنخفضة المستوى. d) قائمة Python توفر تعبيرات مرنة لعمليات الحساب.
أسئلة صح وخطأ:
العمليات الحسابية على مصفوفة NumPy تكون
أسرع بكثير من استخدام قائمة Python في المثال المذكور.
np.arange(1000000)
لإنشاء مصفوفة NumPy مكونة من مليون عنصر من الأعداد الصحيحة.list(range(1000000))
لإنشاء قائمة Python تحتوي على مليون عنصر من الأعداد الصحيحة.أسئلة اختيار من متعدد:
ما هي الفائدة الرئيسية لاستخدام مصفوفات NumPy في مثال الأداء المذكور؟ a) توفير تعبيرات مرنة لعمليات الحساب b) تحسين الأداء الحسابي بفضل الحوسبة المتوازية c) تسهيل التعامل مع مجموعات البيانات الكبيرة d) توفير واجهة سهلة للتكامل مع مكتبات البرمجة المنخفضة المستوى
أي من العبارات التالية صحيحة بشأن الفرق في الأداء بين مصفوفة NumPy وقائمة Python في المثال المذكور؟ a) مصفوفة NumPy توفر عمليات حسابية أسرع بكثير من قائمة Python. b) قائمة Python تحتاج إلى مساحة أقل في الذاكرة مقارنة بمصفوفة NumPy. c) مصفوفة NumPy توفر واجهة سهلة للتكامل مع مكتبات البرمجة المنخفضة المستوى. d) قائمة Python توفر تعبيرات مرنة لعمليات الحساب.
أسئلة صح وخطأ:
العمليات الحسابية على مصفوفة NumPy تكون
أسرع بكثير من استخدام قائمة Python في المثال المذكور.
قم بإنشاء مصفوفة NumPy تحتوي على الأعداد الطبيعية من 1 إلى 100 بخطوة 0.5.
a) np.linspace(1, 100, num=200)
b) np.arange(1, 100, step=0.5)
c) np.logspace(1, 100, num=200)
d) np.geomspace(1, 100, num=200)
قم بإنشاء قائمة Python تحتوي على أرقام الفيبوناتشي الأولى من 1 إلى 20.
a) [fibonacci(n) for n in range(1, 21)]
b) [fibonacci(n) for n in range(20)]
c) [fibonacci(n) for n in range(2, 21)]
d) [fibonacci(n) for n in range(2, 20)]
ما هي العملية التي تقوم بها العبارة my_arr * 2
على مصفوفة NumPy my_arr
؟
a) ضرب كل عنصر في المصفوفة في 2.
b) ضرب عنصر محدد في المصفوفة بالقيمة 2.
c) ضرب آخر عنصر في المصفوفة بالقيمة 2.
d) ضرب المصفوفة بكاملها في القيمة 2.
ما هي العملية التي تقوم بها العبارة my_list + [1, 2, 3]
على قائمة Python my_list
؟
a) إضافة عناصر جديدة إلى نهاية القائمة.
b) إضافة عناصر جديدة إلى بداية القائمة.
c) دمج قائمتين معًا.
d) تعيين القائمة my_list
لتحتوي على العناصر [1, 2, 3]
.
أي التعبيرات الآتية هي الصحيحة بناءً على النتائج التي تم طباعتها؟
a) استغرقت عملية ضرب المصفوفة my_arr
في 2 أكثر وقتًا مقارنةً بعملية ضرب القائمة my_list
في 2.
b) استغرقت عملية ضرب المصفوفة my_arr
في 2 وقتًا أقل مقارنةً بعملية ضرب القائمة my_list
في 2.
c) استغرقت كلا العمليتين وقتًا متساويًا.
d) يتعذر تحديد أي عملية استغرقت وقتًا أكثر بناءً على النتائج المقدمة.
ما هي الفروقات الرئيسية بين استخدام NumPy واستخدام القائمة في هذا السياق؟ a) أداء أفضل للعمليات على المصفوفات مقارنة بالقوائم. b) استهلاك أقل للذاكرة بواسطة المصفوفات مقارنة بالقوائم. c) قدرة NumPy على تنفيذ عمليات رياضية متقدمة مثل الضرب والقسمة. d) جميع ما ذكر.
ما الذي يمكن استنتاجه من الوقت الذي استغرقته عمليتي ضرب المصفوفة وضرب القائمة؟ a) NumPy أسرع بكثير من القوائم في أداء العمليات الرياضية. b) القوائم أسرع بكثير من NumPy في أداء العمليات الرياضية. c) الوقت المستغرق متساوٍ بين NumPy والقوائم. d) يتعذر تحديد أي أداء أفضل بناءً على المعلومات المقدمة.
ماذا يمث
ل my_arr2
و my_list2
في الكود المقدم؟
a) نسخة مضاعفة للمصفوفة والقائمة الأصلية.
b) مصفوفة وقائمة جديدة تحتوي على عناصر مضاعفة للعناصر الأصلية.
c) مصفوفة وقائمة جديدة تحتوي على عناصر تم ضربها في العدد 2.
d) يتعذر تحديد محتوى my_arr2
و my_list2
بناءً على المعلومات المقدمة.
my_arr_2d
وقائمة متداخلة my_list_nested
، حيث تحتوي كل واحدة منهما على مليون عنصر. هل ستكون هناك فروق في الأداء بين ضرب my_arr_2d
في 2 وضرب my_list_nested
في 2؟
a) نعم، ستكون هناك فروق واضحة في الأداء.
b) لا، لن تكون هناك فروق في الأداء.
c) يعتمد ذلك على طريقة تنفيذ العمليتين.
d) يتعذر تحديد الفروق بناءً على المعلومات المقدمة.my_arr_2d
وقائمة متداخلة my_list_nested
، حيث تحتوي كل واحدة منهما على مليون عنصر. هل ستكون هناك فروق في الأداء بين ضرب my_arr_2d
في 2 وضرب my_list_nested
في 2؟
a) نعم، ستكون هناك فروق واضحة في الأداء.
b) لا، لن تكون هناك فروق في الأداء.
c) يعتمد ذلك على طريقة تنفيذ العمليتين.
d) يتعذر تحديد الفروق بناءً على المعلومات المقدمة.ما هو الهدف الرئيسي لاستخدام مصفوفة NumPy (ndarray) في البرمجة العلمية والحسابات العددية؟ a) توفير واجهة سهلة لقراءة وكتابة البيانات إلى القرص. b) توفير مكتبة لعمليات الجبر الخطي وتحويل فوريه. c) تمكين تنفيذ العمليات الرياضية على مجموعات من البيانات بشكل فعال وسريع. d) توفير واجهة برمجة تعتمد على الـ C لربط NumPy بلغات برمجة أخرى.
ماذا يعني أن مصفوفة NumPy (ndarray) مرنة في التعامل مع البيانات؟ a) تمكنك من تغيير حجم المصفوفة بدون فقدان البيانات. b) تمكنك من تنفيذ العمليات الرياضية بسهولة على مجموعات من البيانات. c) توفر واجهة برمجة سهلة الاستخدام لقراءة وكتابة البيانات. d) تمكنك من تنفيذ العمليات الحسابية على المصفوفة بسرعة عالية.
ما هي ميزة استخدام مصفوفة NumPy (ndarray) في العمليات الرياضية؟ a) تتيح تنفيذ العمليات الرياضية على البيانات بشكل فوري وبدون حلقات (loops). b) توفر واجهة برمجة سهلة لتنفيذ العمليات الرياضية. c) تقوم بحساب الإحصائيات والملخصات للبيانات بشكل فعال. d) تقوم بتخزين البيانات بشكل متسلسل وبدون استهلاك زائد للذاكرة.
ما هي العمليات التي يمكن تنفيذها باستخدام مصفوفة NumPy (ndarray) بطريقة سهلة وفعالة؟
a) العمليات الجبرية مثل ضرب المصفوفات وتحويل فوريه. b) الفرز والبحث عن القيم الفريدة وعمليات المجموعات. c) العمليات الاحصائية وتجميع البيانات. d) جميع ما ذكر أعلاه.
ما هي الفوائد الرئيسية لاستخدام مصفوفة NumPy (ndarray) عن القوائم العادية في Python؟ a) توفير أداء أسرع واستهلاك أقل للذاكرة. b) تسهيل تنفيذ العمليات الرياضية على مجموعات البيانات. c) تمكين التعامل مع البيانات بشكل متعدد الأبعاد. d) جميع ما ذكر أعلاه.
ما هو الناتج عن تطبيق العملية data * 10
على المصفوفة data
؟
a) ضرب كل عنصر في المصفوفة بالعدد 10.
b) جمع كل عنصر في المصفوفة بالعدد 10.
c) ضرب المصفوفة بنفسه.
d) طرح كل عنصر في المصفوفة من العدد 10.
ما هو الناتج عن تطبيق العملية data + data
على المصفوفة data
؟
a) ضرب كل عنصر في المصفوفة بنفسه.
b) جمع كل عنصر في المصفوفة مع نفسه.
c) طرح كل عنصر في المصفوفة من نفسه.
d) قسمة كل عنصر في المصفوفة على نفسه.
ماذا يعني تنفيذ العمليات الرياضية على المصفوفة data
"بنفس القواعد الخاصة بالقيم السكالية"؟
a) تطبيق العمليات الرياضية على كل عنصر في المصفوفة بشكل منفصل.
b) تطبيق العمليات الرياضية على صفوف المصفوفة بشكل منفصل.
c) تطبيق العمليات الرياضية على أعمدة المصفوفة بشكل منفصل.
d) تطبيق العمليات الرياضية على المصفوفة ككل بشكل مجمع.
ما هو النوع الأساسي لعناصر المصفوفة data
؟
a) أعداد صحيحة (integers).
b) أعداد عشوائية (random numbers).
c) أعداد عشرية (float numbers).
d) أحرف وسلاسل نصية (characters and strings).
ما هو الناتج عن تطبيق العملية np.abs(data)
على المصفوفة data
؟
a) حساب القيم المطلقة لكل عنصر في المصفوفة.
b) ضرب كل عنصر في المصفوفة بعنصر عشوائي من المصفوفة.
c) جمع كل عنصر في المصفوفة مع عنصر عشوائي من المصفوفة.
d) طرح كل عنصر في المصفوفة من عنصر عشوائي من المصفوفة.
ما هو الناتج عن تطبيق العملية np.exp(data)
على المصفوفة data
؟
a) حساب القيمة المطلقة لكل عنصر في المصفوفة.
b) ضرب كل عنصر في المصفوفة بعنصر ثابت.
c) جمع كل عنصر في المصفوفة مع عنصر ثابت.
d) حساب قيمة الأساس لكل عنصر في المصفوفة.
ما هو الناتج عن تطبيق العملية np.max(data)
على المصفوفة data
؟
a) جمع كل عنصر في المصفوفة مع عنصر ثابت.
b) ضرب كل عنصر في المصفوفة بعنصر ثابت.
c) حساب القيمة الأقصى في المصفوفة.
d) حساب القيمة الصغرى في المصفوفة.
ماذا يعني استخدام np.random.randn(2, 3)
لإنشاء المصفوفة data
؟
a) إنشاء مصفوفة بأبعاد 2 × 3 تحتوي على أعداد صحيحة عشوائية.
b) إنشاء مصفوفة بأبعاد 2 × 3 تحتوي على أعداد عشوائية بتوزيع طبيعي.
c) إنشاء مصفوفة بأبعاد 2 × 3 تحتوي على أعداد عشوائية بتوزيع متساوي.
d) إنشاء مصفوفة بأبعاد 2 × 3 تحتوي ع
لى أحرف وسلاسل نصية عشوائية.
ما هي الطريقة الأكثر شيوعًا لاستيراد مكتبة NumPy في الشفرة؟
a) import numpy
b) import numpy as np
c) from numpy import *
d) from numpy import numpy
لماذا يوصى بعدم استخدام from numpy import *
في الشفرة بشكل متكرر؟
a) يجعل الشفرة أكثر تنظيمًا وواضحة.
b) يسهل عملية كتابة الشفرة بدون الحاجة إلى كتابة np.
قبل كل استدعاء لدالة NumPy.
c) يساعد على تجنب التعارض بين أسماء الدوال في NumPy والدوال المدمجة في Python.
d) يقلل من حجم الذاكرة المستخدمة بواسطة NumPy.
ما هو التأثير الرئيسي لاستيراد from numpy import *
في الشفرة؟
a) تستيرد جميع الدوال والأنواع والثوابت المعرفة في NumPy بشكل مباشر.
b) تستيرد جميع الدوال والأنواع والثوابت المعرفة في NumPy بشكل غير مباشر عبر النمط np.function_name
.
c) تستيرد جميع الدوال والأنواع والثوابت المعرفة في NumPy بشكل مباشر وتستبدل أي تعارض أسماء مع الدوال المدمجة في Python.
d) تستيرد جميع الدوال والأنواع والثوابت المعرفة في NumPy بشكل غير مباشر عبر النمط numpy.function_name
.
ما هي الاستراتيجية الأفضل لاستيراد مكتبة NumPy في الشفرة؟
a) استخدام import numpy
b) استخدام import numpy as np
c) استخدام from numpy import *
d) استخدام from numpy import numpy
ما هو معنى "homogeneous data" بالنسبة لـ ndarray في NumPy؟ a) يعني أن جميع العناصر في الـ ndarray يجب أن تكون من نفس النوع. b) يعني أن جميع العناصر في الـ ndarray يمكن أن تكون من أنواع مختلفة. c) يعني أن الـ ndarray يحتوي على عناصر غير مرتبطة بنوع معين. d) يعني أن الـ ndarray يحتوي على قيم متغيرة بين أنواع مختلفة.
ما هو مخرج الشفرة data.shape
في المثال أعلاه؟
a) حجم الـ ndarray بوحدات عناصره.
b) حجم الـ ndarray بوحدات طول وعرضه.
c) حجم الـ ndarray بوحدات الأبعاد المختلفة التي يحتوي عليها.
d) حجم الـ ndarray بوحدات البايتات التي تشغلها العناصر في الذاكرة.
ما هو مخرج الشفرة data.dtype
في المثال أعلاه؟
a) نوع البيانات الذي يمثله الـ ndarray.
b) نوع البيانات الافتراضي لجميع الـ ndarrays في NumPy.
c) نوع البيانات الذي يمثله العناصر الفردية في الـ ndarray.
d) نوع البيانات الذي يمكن استخدامه لتحويل الـ ndarray إلى نوع آخر.
ماذا يعني أن الـ ndarray هو "generic multidimensional container" في NumPy؟ a) أنه يمكن استخدام الـ ndarray لتخزين البيانات ذات الأبعاد المتعددة فقط. b) أن الـ ndarray يمكن استخدامه فقط لتخزين أنواع البيانات العددية. c) أن الـ ndarray قادر على تخزين أنواع البيانات المختلفة بشكل عام. d) أن الـ ndarray يحتوي على عناصر متعددة الأبعاد ذات نوع واحد فقط.
ما هو الشكل الذي يُعينه الشفرة data.shape
للـ ndarray في المثال؟
a) (2, 3)
b) (3, 2)
c) (2,)
d) (3,)
ما هو نوع البيانات الذي يُعينه الشفرة data.dtype
للـ ndarray في المثال؟
a) float64
b) int64
c) float32
d) int32
ما هو الحد الأدنى من الأبعاد التي يمكن أن يحتويها الـ ndarray في NumPy؟ a) 0 b) 1 c) 2 d) لا يوجد حد أدنى، يمكن أن تحتوي الأبعاد على قيمة تساوي الصفر.
ما هو الهدف الرئيسي لاستخدام NumPy arrays في البرمجة العلمية وتحليل البيانات؟ a) تحسين أداء الحسابات الرياضية والعمليات العلمية على مجموعات البيانات. b) تبسيط عملية تخزين وإدارة البيانات المتعددة الأبعاد. c) تحويل البيانات النصية إلى بيانات رقمية. d) توفير واجهة برمجة التطبيقات (API) لتحليل البيانات.
ما الذي يشير إليه مصطلح "array" في السياق الذي تم ذكره؟ a) كائن ndarray في NumPy. b) بنية البيانات القياسية في Python لتخزين مجموعة من القيم. c) وحدة برمجية تعمل على تحليل البيانات العددية. d) نوع البيانات العددية المخزنة في مصفوفة NumPy.
ما هو الحد الأدنى للمفاهيم الأساسية التي يجب أن يكون المرء على دراية بها لاستخدام NumPy arrays بشكل جيد؟ a) فهم كيفية استخدام الدوال الرياضية في NumPy. b) معرفة كيفية تحويل النصوص إلى أعداد في Python. c) القدرة على العمل مع البيانات المتعددة الأبعاد. d) اكتساب خبرة في برمجة Python على مستوى متوسط.
ما هو المصطلح الصحيح للكائن الذي يتم الإشارة إليه عند ذكر "NumPy array" أو "ndarray"؟ a) جميع البنى المتعددة الأبعاد المتوفرة في NumPy. b) نوع البيانات العددية المستخدمة في NumPy. c) مصفوفة الأعداد المرتبة حسب الأبعاد في NumPy. d) واجهة برمجة التطبيقات (API)
المستخدمة في NumPy.
ما هي الطريقة الأسهل لإنشاء مصفوفة باستخدام NumPy؟ a) استخدام دالة array. b) استخدام دالة create_array. c) استخدام دالة make_array. d) استخدام دالة numpy_array.
ما هو نوع الكائن الذي يمكن قبوله كمدخل لدالة array؟ a) أي كائن يحتوي على مجموعة متسلسلة من القيم. b) فقط البيانات العددية. c) فقط المصفوفات الأخرى التي تم إنشاؤها باستخدام NumPy. d) فقط النصوص والأحرف.
ما هو نوع الكائن الذي تعيده دالة array؟ a) قائمة (list) عادية في Python. b) مصفوفة ndarray في NumPy. c) نوع البيانات المستخدم في الكائن الأصلي. d) مجموعة من القيم المدخلة.
يمكن استخدام دالة array لإنشاء مصفوفة جديدة من: a) المصفوفات الأخرى التي تم إنشاؤها باستخدام NumPy فقط. b) المصفوفات الأخرى التي تم إنشاؤها باستخدام أي مكتبة برمجية. c) أي كائن يحتوي على مجموعة متسلسلة من القيم. d) النصوص والأحرف فقط.
ما هي الطريقة الأسهل لإنشاء مصفوفة باستخدام الدالة array في NumPy؟ a) تحويل قائمة إلى مصفوفة باستخدام الدالة array. b) استخدام الدالة zeros لإنشاء مصفوفة من الأصفار. c) استخدام الدالة ones لإنشاء مصفوفة من الواحدات. d) استخدام الدالة empty لإنشاء مصفوفة فارغة.
ما هي النتيجة الصحيحة للتعبير arr1 = np.array(data1) إذا كانت قيمة data1 هي [6, 7.5, 8, 0, 1]؟ a) array([6, 7.5, 8, 0, 1]) b) array([6., 7.5, 8., 0., 1.]) c) array([6, 7, 8, 0, 1]) d) array([6., 7, 8, 0, 1])
ما هي النتيجة الصحيحة للتعبير arr2.ndim إذا كانت قيمة arr2 هي: array([[1, 2, 3, 4], [5, 6, 7, 8]]) a) 1 b) 2 c) 3 d) 4
ما هي النتيجة الصحيحة للتعبير np.zeros((3, 6))؟ a) array([[0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0]]) b) array([[0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.], [0., 0., 0., 0., 0., 0.]]) c) array([[0., 0., 0.], [0., 0., 0.], [0., 0., 0.], [0., 0., 0.], [0., 0., 0.], [0., 0., 0.]]) d) array([[0, 0, 0, 0], [0, 0, 0, 0], [0, 0, 0, 0]])
data3 = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
arr3 = np.array(data3)
ما هي القيمة الصحيحة للتعبير arr3.ndim
؟
أ) 1 ب) 2 ج) 3 د) 4
arr4 = np.empty((2, 2))
ما هي القيمة الصحيحة للتعبير arr4.dtype
؟
أ) dtype('float64') ب) dtype('int64') ج) dtype('object') د) dtype('uint8')
What does arange
function in NumPy do?
a) It creates an array with a sequence of numbers.
b) It creates an array with random values.
c) It creates an array with all zeros.
d) It creates an array with all ones.
What is the output of np.arange(15)
?
a) [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]
b) [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]
c) [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]
d) [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]
What is the default data type of the elements in the array created by np.arange
if not specified?
a) int32
b) int64
c) float32
d) float64
Which of the following is NOT a standard array creation function in NumPy? a) zeros b) ones c) empty d) random
What is the purpose of the arange
function in NumPy?
a) It creates an array with a specified shape.
b) It creates an array with a specified data type.
c) It creates an array with a sequence of numbers.
d) It creates an array with random values.
What does arange
function in NumPy do?
a) It creates an array with a sequence of numbers.
b) It creates an array with random values.
c) It creates an array with all zeros.
d) It creates an array with all ones.
What is the output of np.arange(15)
?
a) [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]
b) [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]
c) [0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15]
d) [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14]
What is the default data type of the elements in the array created by np.arange
if not specified?
a) int32
b) int64
c) float32
d) float64
Which of the following is NOT a standard array creation function in NumPy? a) zeros b) ones c) empty d) random
What is the purpose of the arange
function in NumPy?
a) It creates an array with a specified shape.
b) It creates an array with a specified data type.
c) It creates an array with a sequence of numbers.
d) It creates an array with random values.
data = [1, 2, 3, 4, 5, 6]
arr = np.arange(len(data))
What will be the output of arr
?
a) [0, 1, 2, 3, 4, 5, 6]
b) [1, 2, 3, 4, 5, 6]
c) [0, 1, 2, 3, 4, 5]
d) [1, 3, 5]
What is the purpose of the np.arange
function in the given code snippet?
a) To create an array with the same values as data
.
b) To create an array with the same length as data
.
c) To create an array with incremented values starting from 0.
d) To create an array with decremented values starting from the length of data
.
Assuming the data type is not specified, what will be the default data type of the elements in the arr
array?
a) int32 b) int64 c) float32 d) float64
الدالة | الوصف | السمات والخصائص |
---|---|---|
array | تحويل بيانات الإدخال (قائمة، صف، آراي، أو نوع تتابعي آخر) إلى ndarray إما عن طريق تخمين نوع البيانات أو تحديده بشكل صريح؛ ينسخ بيانات الإدخال افتراضيًا. | يمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح عند الأمر. |
asarray | تحويل الإدخال إلى ndarray، ولكن لا يتم نسخه إذا كان الإدخال بالفعل ndarray. | يمكن استخدام هذه الدالة للتحقق من نوع البيانات الداخلة وتحويلها إلى ndarray في حالة عدم وجود ضرورة لنسخ البيانات. |
arange | تشابه الدالة المدمجة range في لغة Python ولكنها تعيد ndarray بدلاً من قائمة. |
تقوم الدالة بإنشاء مجموعة من الأرقام التي تتبع تسلسل محدد بناءً على البداية والنهاية والخطوة المحددة. |
ones, ones_like | إنتاج مصفوفة من الأحاديات (قيم 1) بالشكل ونوع البيانات المحددين؛ ones_like تستخدم مصفوفة أخرى وتنتج مصفوفة من الأحاديات بنفس الشكل ونوع البيانات. | يمكن استخدام هذه الدوال لإنشاء مصفوفة من الأحاديات بأشكال وأحجام مختلفة، ويمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح. |
zeros, zeros_like | تشابه الدوال ones و ones_like ولكنها تنتج مصفوفة من الصفر (قيم 0) بدلاً من الأحاديات. |
يمكن استخدام هذه الدوال لإنشاء مصفوفة من الأصفار بأشكال وأحجام مختلفة، ويمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح. |
empty, empty_like | إنشاء مصفوفات جديدة عن طريق تخصيص ذاكرة جديدة، ولكن لا يتم ملءها بأي قيم محددة كما هو الحال في ones و zeros . |
تستخدم هذه الدوال لإنشاء مصفوفات فارغة بأشكال وأحجام مختلفة، ولكن قد تحتوي على قيم غير معرفة (غير مهيأة) قبل تعيين قيم فعلية إليها. |
full, full_like | إنتاج مصفوفة من الحجم ونوع البيانات المحددين، حيث تكون جميع القيم معينة مسبقًا. يُستخدم full_like لإنتاج مصفوفة مملوءة بقيم محددة مسبقًا وبنفس الشكل ونوع البيانات لمصفوفة أخرى. |
يمكن استخدام هذه الدوال لإنشاء مصفوفة بأحجام وأشكال مختلفة، ويتم تعيين جميع القيم في المصفوفة المنتجة إلى قيمة "القيمة المحددة" المحددة مسبقًا. يمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح. |
eye, identity | إنشاء مصفوفة مربعة ذات الحجم N × N وجميع القيم على القطر الرئيسي مساوية للواحد والباقي مساوٍ للصفر. | يستخدم هذا النوع من المصفوفات على نطاق واسع في الجبر الخطي وعمليات المصفوفات المرتبطة. |
الدالة | الوصف | السمات والخصائص |
---|---|---|
array | تحويل بيانات الإدخال (قائمة، صف، آراي، أو نوع تتابعي آخر) إلى ndarray إما عن طريق تخمين نوع البيانات أو تحديده بشكل صريح؛ ينسخ بيانات الإدخال افتراضيًا. | يمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح عند الأمر. |
asarray | تحويل الإدخال إلى ndarray، ولكن لا يتم نسخه إذا كان الإدخال بالفعل ndarray. | يمكن استخدام هذه الدالة للتحقق من نوع البيانات الداخلة وتحويلها إلى ndarray في حالة عدم وجود ضرورة لنسخ البيانات. |
arange | تشابه الدالة المدمجة range في لغة Python ولكنها تعيد ndarray بدلاً من قائمة. |
تقوم الدالة بإنشاء مجموعة من الأرقام التي تتبع تسلسل محدد بناءً على البداية والنهاية والخطوة المحددة. |
ones, ones_like | إنتاج مصفوفة من الأحاديات (قيم 1) بالشكل ونوع البيانات المحددين؛ ones_like تستخدم مصفوفة أخرى وتنتج مصفوفة من الأحاديات بنفس الشكل ونوع البيانات. | يمكن استخدام هذه الدوال لإنشاء مصفوفة من الأحاديات بأشكال وأحجام مختلفة، ويمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح. |
zeros, zeros_like | تشابه الدوال ones و ones_like ولكنها تنتج مصفوفة من الصفر (قيم 0) بدلاً من الأحاديات. |
يمكن استخدام هذه الدوال لإنشاء مصفوفة من الأصفار بأشكال وأحجام مختلفة، ويمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح. |
empty, empty_like | إنشاء مصفوفات جديدة عن طريق تخصيص ذاكرة جديدة، ولكن لا يتم ملءها بأي قيم محددة كما هو الحال في ones و zeros . |
تستخدم هذه الدوال لإنشاء مصفوفات فارغة بأشكال وأحجام مختلفة، ولكن قد تحتوي على قيم غير معرفة (غير مهيأة) قبل تعيين قيم فعلية إليها. |
full, full_like | إنتاج مصفوفة من الحجم ونوع البيانات المحددين، حيث تكون جميع القيم معينة مسبقًا. يُستخدم full_like لإنتاج مصفوفة مملوءة بقيم محددة مسبقًا وبنفس الشكل ونوع البيانات لمصفوفة أخرى. |
يمكن استخدام هذه الدوال لإنشاء مصفوفة بأحجام وأشكال مختلفة، ويتم تعيين جميع القيم في المصفوفة المنتجة إلى قيمة "القيمة المحددة" المحددة مسبقًا. يمكن استخدام الدالة dtype لتحديد نوع البيانات المطلوب بشكل صريح. |
eye, identity | إنشاء مصفوفة مربعة ذات الحجم N × N وجميع القيم على القطر الرئيسي مساوية للواحد والباقي مساوٍ للصفر. | يستخدم هذا النوع من المصفوفات على نطاق واسع في الجبر الخطي وعمليات المصفوفات المرتبطة. |
dtype
في NumPy؟
a. تحديد حجم المصفوفة.
b. تحديد شكل المصفوفة.
c. تحديد نوع البيانات المستخدمة في المصفوفة.
d. تحديد البيانات المخزنة في المصفوفة.الإجابة الصحيحة: c. تحديد نوع البيانات المستخدمة في المصفوفة.
arr1
في المثال؟
a. float32
b. int64
c. float64
d. int32الإجابة الصحيحة: c. float64.
arr2
في المثال؟
a. float32
b. int64
c. float64
d. int32الإجابة الصحيحة: d. int32.
dtype
في NumPy؟
a. تحديد حجم المصفوفة.
b. تحديد شكل المصفوفة.
c. تحديد نوع البيانات المستخدمة في المصفوفة.
d. تحديد البيانات المخزنة في المصفوفة.الإجابة الصحيحة: c. تحديد نوع البيانات المستخدمة في المصفوفة.
arr2
بنوع البيانات:
a. float64
b. int64
c. float32
d. int32الإجابة الصحيحة: d. int32.
arr = np.array([1.5, 2.7, 3.3])
arr = arr.astype(int)
print(arr)
a. [1, 2, 3] b. [1.0, 2.0, 3.0] c. [1, 2, 3.0] d. Error: cannot convert float to int
الإجابة الصحيحة: a. [1, 2, 3]
arr1
و arr2
في الأمثلة المذكورة؟a. arr1
: float64، arr2
: int32
b. arr1
: int32، arr2
: float64
c. arr1
: float32، arr2
: int64
d. arr1
: int64، arr2
: float32
الإجابة الصحيحة: a. arr1
: float64، arr2
: int32
arr = np.array([1, 2, 3.5, 4.7])
arr = arr.astype(int)
print(arr)
a. float64 b. int32 c. int64 d. Error: cannot convert float to int
الإجابة الصحيحة: b. int32
arr = np.array([1, 2, 3])
arr = arr.astype(bool)
print(arr)
a. [True, True, True] b. [1, 1, 1] c. [False, False, False] d. Error: cannot convert int to bool
الإجابة الصحيحة: a. [True, True, True]
arr = np.array(['1', '2', '3'])
arr = arr.astype(int)
print(arr)
a. [1, 2, 3] b. ['1', '2', '3'] c. Error: cannot convert string to int d. [49, 50, 51]
الإجابة الصحيحة: c. Error: cannot convert string to int
نوع البيانات float64
يستخدم 4 بايتات لتخزين كل عنصر.
صحيح أم خطأ؟
يوفر dtypes
في NumPy مرونة في التفاعل مع البيانات من مصادر أخرى.
صحيح أم خطأ؟
نوع البيانات int32
يستخدم 32 بت لتخزين كل عنصر.
صحيح أم خطأ؟
تسمح أنواع البيانات في NumPy بتوصيل البيانات المخزنة في الذاكرة مباشرةً إلى لغات منخفضة المستوى مثل C و Fortran. صحيح أم خطأ؟
نوع البيانات int8
يستخدم 8 بت لتخزين كل عنصر.
صحيح أم خطأ؟
الإجابات المحتملة:
يعتبر uint16
نوع بيانات يستخدم 16 بت لتخزين كل عنصر.
ما هو الحد الأقصى للقيمة التي يمكن تخزينها في عنصر واحد من هذا النوع؟
a) 255 b) 65535 c) 32767 d) 2147483647
تحتاج إلى معرفة جميع أنواع البيانات المدعومة في NumPy وتفاصيلها الدقيقة لتتمكن من التعامل مع البيانات بشكل فعال.
هل هذا العبارة صحيحة؟
نعم، بالفعل يمكنك تحويل أو تحويل صراحة مصفوفة من نوع dtype إلى نوع آخر باستخدام طريقة astype المتوفرة في كائن ndarray.
هل يمكنك تحديد النوع الصحيح الذي يتم تحويل المصفوفة إليه في الكود المقدم؟
يرجى اختيار الإجابة الصحيحة: np.float64 أو int64 أو float_arr.
هل يمكنك تحديد القيمة الصحيحة التي ستحصل عليها عند تحويل المصفوفة إلى نوع البيانات المحدد في الكود المقدم؟
يرجى اختيار الإجابة الصحيحة: [3, -1, -2, 0, 12, 10] أو [3.7, -1.2, -2.6, 0.5, 12.9, 10.1] أو [3, -1, -2, 0, 13, 10].
هل يمكنك تحديد القيمة الصحيحة التي ستحصل عليها عند تحويل المصفوفة إلى نوع البيانات المحدد في الكود المقدم؟
يرجى اختيار الإجابة الصحيحة: [3, -1, -2, 0, 12, 10] أو [3.7, -1.2, -2.6, 0.5, 12.9, 10.1] أو [3, -1, -2, 0, 13, 10].
arr = np.array([1.5, 2.3, 3.9, 4.7])
ما هو الناتج الذي ستحصل عليه عند تحويل المصفوفة arr
إلى نوع البيانات np.uint16
؟
أ) array([1, 2, 3, 4], dtype=uint16)
ب) array([2, 3, 4, 5], dtype=uint16)
ج) array([1, 2, 3, 5], dtype=uint16)
د) array([2, 2, 4, 4], dtype=uint16)
numeric_strings = np.array(['3.14', '-2.5', '7.8'], dtype=np.string_)
ما هو الناتج الذي ستحصل عليه عند تحويل المصفوفة numeric_strings
إلى نوع البيانات np.int32
؟
أ) TypeError: Cannot convert string to integer
ب) array([3, -2, 7], dtype=int32)
ج) array([3.14, -2.5, 7.8], dtype=int32)
د) array([3, 2, 7], dtype=int32)
numeric_strings = np.array(['3.14', '-2.5', '7.8'], dtype=np.string_)
ما هو الناتج الذي ستحصل عليه عند تحويل المصفوفة numeric_strings
إلى نوع البيانات np.int32
؟
أ) TypeError: Cannot convert string to integer
ب) array([3, -2, 7], dtype=int32)
ج) array([3.14, -2.5, 7.8], dtype=int32)
د) array([3, 2, 7], dtype=int32)
صحيح أو خطأ؟
نوع البيانات numpy.string_
في NumPy قادر على التعامل مع البيانات النصية بشكل ديناميكي ومرونة مماثلة لـ pandas.
صحيح أو خطأ؟
عند قيامك بتحويل نوع البيانات باستخدام الطريقة astype
في NumPy، فإنه في حالة فشل العملية بسبب سلسلة نصية غير قابلة للتحويل إلى float64
، فإنه سيتم رفع خطأ ValueError
.
عند استخدام الطريقة astype
في NumPy، ماذا يحدث إذا تم تحويل سلسلة نصية غير قابلة للتحويل إلى النوع المحدد؟
a. يتم تجاهل القيمة ولا يتم إجراء أي تغيير على النوع.
b. يتم رفع خطأ ValueError
.
c. يتم تحويل السلسلة النصية إلى القيمة الافتراضية للنوع المحدد.
d. يتم تحويل السلسلة النصية إلى NaN
(قيمة غير معرفة).
ما الذي يمكن استخدامه كقيمة نوع البيانات في الطريقة astype
لتحويل مصفوفة إلى نفس نوع بيانات مصفوفة أخرى؟
a. اسم النوع الخاص بالمصفوفة المستهدفة.
b. float
.
c. int
.
d. object
.
ما هي الاختصارات المتاحة لتمثيل أنواع البيانات في NumPy؟
a. f
للأعداد العشرية (العدد العائم).
b. i
للأعداد الصحيحة.
c. U
للسلاسل النصية.
d. جميع ما ذكرته.
ما سيكون نوع بيانات المصفوفة empty_uint32
التي تم إنشاؤها في المثال بواسطة الشيفرة 'u4'
؟
a. float32
.
b. int32
.
c. uint32
.
d. object
.
ماذا يمثل نوع البيانات 'float64'
في NumPy؟
a. أعداد عشرية مزدوجة الدقة (64 بت).
b. أعداد عشرية مفردة الدقة (32 بت).
c. أعداد صحيحة بدون علامة (64 بت).
d. أعداد صحيحة مع علامة (32 بت).
NumPy هو مكتبة برمجية مهمة للحوسبة العددية في Python. (صح/خطأ) ndarray هو نوع البيانات في NumPy ويوفر عمليات حسابية موجهة للمصفوفات وإمكانيات البث المرنة. (صح/خطأ) NumPy لا يوفر دعمًا للرياضيات والتحليل العلمي في حد ذاته، ولكنه يستخدم كأساس للعديد من الأدوات العلمية والإحصائية مثل pandas. (صح/خطأ) NumPy يوفر دعمًا للجبر الخطي وتوليد الأعداد العشوائية والتحويلات الفوريه. (صح/خطأ) NumPy يتيح ربط البايثون بمكتبات أخرى مكتوبة بلغة منخفضة مثل C وC++ وFORTRAN. (صح/خطأ)