Пусть m = np.array([[1, 2, 3], [4, 5, 6]]). Чему равен np.mean(m, axis=1)?
AСкаляр 3.5
B
np.array([2, 5, 8])C
np.array([2, 3, 4])D
np.array([2., 5.])Правильный ответ.
axis=1 агрегирует по столбцам внутри строки: среднее по каждой строке.Разбор
Для 2D массива axis=1 означает: «свернуть столбцы, получить результат на каждую строку». В первой строке среднее (1+2+3)/3 = 2, во второй (4+5+6)/3 = 5, поэтому результат np.array([2., 5.]). Это типичный приём для расчёта метрик по объектам (строкам).
Проверь себя · 1/3разбор после ответа
Пусть
m = np.array([[1, 2, 3], [4, 5, 6]]). Чему равен np.mean(m, axis=1)?Ещё вопросы по теме «NumPy: основы»
- После `import numpy as np` вы сравниваете операции над Python `list` и NumPy `ndarray`. Что верно для `lst * 2` и `arr * 2`, где `lst = [1, 2, 3]`, а `arr = np.array([1, 2, 3])`?
- Какое значение вернёт `arr.shape`, если `arr = np.array([[1, 2, 3], [4, 5, 6]])`?
- Что будет результатом выражения `arr + 10`, если `arr = np.array([1, 2, 3])`?
- Пусть `x = np.array([[1, 2], [3, 4]])`. Чему равен результат `np.sum(x, axis=0)`?
- Вы считаете метрику по большому массиву чисел и выбираете NumPy вместо Python `list`. Почему операции вроде `arr * 1.1` на `ndarray` обычно быстрее, чем цикл `for` по `list`?
- Все вопросы по «NumPy: основы» →