先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7
深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！
因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！
由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新
如果你需要这些资料，可以添加V获取：vip1024c （备注Python）
正文
# 随机选择p个不重复的位置
chosen_positions = np.random.choice(all_positions,p,replace=False)
# 在选定的位置放置元素
np.put(arr,chosen_positions,value)
return arr
>
> 58. 减去矩阵每行的平均值（★★☆）
>
>
>
arr = np.array([[0,1,2],[1,1,1],[2,2,2]])
arr.mean(axis=1)
arr_mean = arr - arr.mean(axis=1,keepdims=True)
>
> 59. 如何按照第n列排序一个数组？（★★☆）
>
>
>
arr = np.array([[0,1,2],[1,1,1],[2,2,2]])
arr[arr[:,2].argsort()]
argsort()返回的是数组中元素的索引，argsort()默认是升序排序
>
> 60. 如何判断一个给定的2D数组是否有空列？（★★☆）
>
>
>
arr = np.array([[1,2,3],[4,5,6],[7,8,np.nan]])
np.isnan(arr).any(axis=0)
.any()相当于or的操作,加上axis=0,表示判断每一列
>
> 61. 在一个数组中找到最接近给定值的数（★★☆）
>
>
>
arr = np.array([4, 2, 9, 6, 10, 1])
target = 8
arr[(np.abs(arr-target)).argmin()]
.argming()返回的是数组中最小元素的索引
>
> 62. 考虑两个形状分别为（1,3）和（3,1）的数组，如何使用迭代器计算它们的和？（★★☆）
>
>
>
定义两个数组
a = np.array([[1, 2, 3]])
b = np.array([[1], [2], [3]])
手动广播到共同形状
a_broadcasted, b_broadcasted = np.broadcast_arrays(a, b)
np.broadcast_arrays()会返回输入数组的广播版本列表,这些返回的数组试图表面看似具有相同的形状
创建一个空数组用于存放结果，形状与广播后的数组相同
result = np.empty(a_broadcasted.shape, dtype=a_broadcasted.dtype)
使用迭代器逐元素计算和
it = np.nditer([a_broadcasted, b_broadcasted, result], [], [[‘readonly’], [‘readonly’], [‘writeonly’, ‘allocate’]])
for x, y, z in it:
z[…] = x + y
result
>
> 63. 创建一个具有name属性的数组类（★★☆）
>
>
>
class NamedArray(np.ndarray):
def new(cls,input_array,name=‘’):
# 使用__new__方法创建对象.因为np.darry是不可变的
# 我们需要在对象被创建时设置
obj = np.asarray(input_array).view(cls)
obj.name = name
return obj
def array_finalize(self,obj):
# __array_finalize__方法在对象被创建时被调用
# 用来设置属性,这里确保name属性也会被复制
if obj is None:
return
self.info = getattr(obj,‘name’, ‘’)
>
> 64. 考虑一个给定的向量，如何给由第二个向量索引的每个元素加1（注意重复索引）？（★★★）
>
>
>
可以使用Numpy的’np.add.at’方法,这个方法允许对数组的特定索引执行就地操作,或直接修改原数组
当遇到重复索引时,会对每个重复的索引都进行操作
定义原始向量
v = np.array([1, 2, 3, 4, 5])
定义索引向量，可能包含重复的索引
i = np.array([0, 1, 2, 1, 3, 3, 4])
使用 np.add.at 对 v 的指定索引进行加 1 操作
np.add.at(v, i, 1)
print(v)
>
> 65. 如何根据索引列表（I）将向量（X）的元素累加到一个数组（F）中？（★★★）
>
>
>
同样使用np.add.at方法,这个方法允许对数组的特定索引执行就地操作,或直接修改原数组
定义向量 X
X = np.array([1.1, 2.2, 3.3, 4.4, 5.5])
定义索引列表 I
I = np.array([0, 1, 2, 1, 3])
定义目标数组 F，假设我们想要累加到的数组有 5 个元素，初始化为 0
F = np.zeros(5)
使用 np.add.at 根据索引 I 将 X 的元素累加到 F 中
np.add.at(F, I, X)
print(F)
>
> 66. 考虑一个（w,h,3）形状的图像（dtype=ubyte），计算唯一颜色的数量（★★☆）
>
>
>
假设 img 是一个 (w,h,3) 形状的图像数组，这里使用随机数据来模拟一个图像
w, h = 100, 100 # 图像的宽度和高度
img = np.random.randint(0, 256, size=(w, h, 3), dtype=np.ubyte) # 生成一个模拟图像
将图像数组重塑为 (w*h, 3)
reshaped_img = img.reshape((-1, 3))
将重塑后的数组视为含有多个字段的结构化数组，使 np.unique 能按三元组处理
unique_colors = np.unique(reshaped_img.view([(‘’, reshaped_img.dtype)]*3), axis=0)
计算唯一颜色的数量
num_unique_colors = unique_colors.shape[0]
print(“Number of unique colors:”, num_unique_colors)
>
> 67. 考虑一个四维数组，如何一次性获得最后两轴的和？（★★★）
>
>
>
创建一个四维数组
arr = np.arange(48).reshape((2, 3, 4, 2))
计算最后两个轴的和
sum_last_two_axes = np.sum(arr, axis=(-2, -1))
print(sum_last_two_axes)
>
> 68. 考虑一维向量D，如何使用描述子集索引的同大小向量S来计算D的子集均值？（★★★）
>
>
>
使用布尔索引 D[S] 来选择向量 D 中与 S 中对应为 True 的元素。然后，我们使用 np.mean 函数计算所选子集的平均值。
D = np.array([1, 2, 3, 4, 5])
S = np.array([True, False, True, False, True])
subset_mean = np.mean(D[S])
print(subset_mean)
>
> 69. 如何获得点积的对角线？（★★★）
>
>
>
可以使用 NumPy 的 np.einsum 函数来计算两个数组的点积，并同时获取点积结果的对角线。
创建两个数组
a = np.array([[1, 2, 3],
[4, 5, 6]])
b = np.array([[7, 8],
[9, 10],
[11, 12]])
计算点积并获取对角线
dot_product_diagonal = np.einsum(‘ij,ji->i’, a, b)
print(dot_product_diagonal)
>
> 70. 考虑向量[1, 2, 3, 4, 5]，如何构建一个新向量，在每个值之间插入3个连续的零？（★★★）
>
>
>
使用 np.insert 函数将 zero_vector 插入到原始向量的特定位置。我们使用 np.arange(1, len(original_vector) + 1) * 4 - 1 来生成要插入的位置索引，这样就能在每个原始值之后插入 3 个连续的零。
原始向量
original_vector = np.array([1, 2, 3, 4, 5])
零向量
zero_vector = np.zeros(3 * len(original_vector))
构建新向量
new_vector = np.insert(original_vector, np.arange(1, len(original_vector) + 1) * 4 - 1, zero_vector)
print(new_vector)
>
> 71. 考虑一个维度为（5,5,3）的数组，如何将其乘以一个维度为（5,5）的数组？（★★★）
>
>
>
使用广播功能，将维度为 (5,5) 的数组 arr_2d 扩展为维度为 (5,5,1) 的数组，以便与维度为 (5,5,3) 的数组 arr_3d 进行逐元素乘法。这是通过 arr_2d[:, :, np.newaxis] 实现的。
创建一个维度为 (5,5,3) 的数组
arr_3d = np.random.randint(1, 10, size=(5, 5, 3))
创建一个维度为 (5,5) 的数组
arr_2d = np.random.randint(1, 5, size=(5, 5))
对数组进行乘法运算
result = arr_3d * arr_2d[:, :, np.newaxis]
print(result)
>
> 72. 如何交换数组的两行？（★★★）
>
>
>
可以通过直接交换行的索引来实现
创建一个数组
arr = np.arange(25).reshape((5, 5))
交换第一行和第三行
arr[[0, 2]] = arr[[2, 0]]
print(arr)
>
> 73. 考虑一组描述10个三角形（具有共享顶点）的10个三元组，找到组成所有三角形的唯一线段集（★★★）
>
>
>
假设 triangles 是一个包含 10 个三元组的数组，每个三元组代表一个三角形的三个顶点
这里用随机数据生成一个示例
np.random.seed(0) # 保证可重复性
triangles = np.random.randint(1, 100, (10, 3))
生成线段
每个三角形由三个顶点组成，因此有三个线段：(v1, v2), (v2, v3), (v1, v3)
segments = np.vstack([triangles[:, [0, 1]], triangles[:, [1, 2]], triangles[:, [0, 2]]])
标准化线段，确保每个线段的起点小于终点
segments = np.sort(segments, axis=1)
去除重复的线段
unique_segments = np.unique(segments, axis=0)
print(“Unique segments:”)
print(unique_segments)
>
> 74. 给定一个对应于bincount的排序数组C，如何产生一个数组A使得np.bincount(A) == C？（★★★）
>
>
>
bincount用来计算整数数组中各个元素的频率
给定的排序数组 C，表示 np.bincount 的结果
C = np.array([0, 2, 1, 0, 4])
产生数组 A
A = np.repeat(np.arange(len©), C)
print(“Generated Array A:”, A)
>
> 75. 如何使用数组上的滑动窗口计算平均值？（★★★）
>
>
>
#首先定义了一个简单的数组 a 和一个窗口大小 N。然后，我们创建了一个均匀的权重数组 window，其所有元素之和为 1。最后，我们通过 np.convolve 函数与这个窗口进行卷积，计算滑动平均值。
示例数组
a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
窗口大小
N = 3
创建一个等于滑动窗口大小的均匀权重数组
window = np.ones(N) / N
计算滑动平均值
mode=‘valid’ 意味着只计算完全覆盖数组的窗口位置
这会导致输出数组的大小比输入数组小
moving_average = np.convolve(a, window, mode=‘valid’)
print(moving_average)
后续会更行全部100题，欢迎关注
以上
学习在于行动，总结和坚持，共勉
做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。
别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。
我先来介绍一下这些东西怎么用，文末抱走。
* * *
**（1）Python所有方向的学习路线（新版）**
这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。
最近我才对这些路线做了一下新的更新，知识体系更全面了。
**（2）Python学习视频**
包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。
**（3）100多个练手项目**
我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。
**（4）200多本电子书**
这些年我也收藏了很多电子书，大概200多本，有时候带实体书不方便的话，我就会去打开电子书看看，书籍可不一定比视频教程差，尤其是权威的技术书籍。
基本上主流的和经典的都有，这里我就不放图了，版权问题，个人看看是没有问题的。
**（5）Python知识点汇总**
知识点汇总有点像学习路线，但与学习路线不同的点就在于，知识点汇总更为细致，里面包含了对具体知识点的简单说明，而我们的学习路线则更为抽象和简单，只是为了方便大家只是某个领域你应该学习哪些技术栈。
**（6）其他资料**
还有其他的一些东西，比如说我自己出的Python入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。
**这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。**
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）**
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
hon入门图文类教程，没有电脑的时候用手机也可以学习知识，学会了理论之后再去敲代码实践验证，还有Python中文版的库资料、MySQL和HTML标签大全等等，这些都是可以送给粉丝们的东西。
**这些都不是什么非常值钱的东西，但对于没有资源或者资源不是很好的学习者来说确实很不错，你要是用得到的话都可以直接抱走，关注过我的人都知道，这些都是可以拿到的。**
**网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。**
**需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）**
[外链图片转存中...(img-QIDRxX4P-1713210322502)]
**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
239
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
