Python Libraries MCQ Quiz in हिन्दी - Objective Question with Answer for Python Libraries - मुफ्त [PDF] डाउनलोड करें

सही उत्तर विकल्प 1 है।

Key Points

• DataFrame.std() - यह फंक्शन डेटाफ़्रेम में मानों का मानक विचलन की गणना करता है, इसलिए यह IV. मानक विचलन से सुमेलित है।
• DataFrame.describe() - यह फंक्शन वर्णनात्मक सांख्यिकी उत्पन्न करता है जो डेटासेट के वितरण की केंद्रीय प्रवृत्ति, प्रकीर्णन और आकार का सारांश देता है, NaN मानों को छोड़कर। इसलिए, यह III. वर्णनात्मक सांख्यिकीय मान से सुमेलित है।
• DataFrame.var() - यह फंक्शन डेटाफ़्रेम में मानों का प्रसरण की गणना करता है, इसलिए यह I. प्रसरण से सुमेलित है।
• DataFrame.mode() - यह फंक्शन डेटाफ़्रेम का (के) बहुलक प्रदान करता है। बहुलक वह मान है जो डेटासेट में सबसे अधिक बार आता है। इस प्रकार, यह II. वह मान जो सबसे अधिक दिखाई देता है से सुमेलित है।

इसलिए, सही मिलान है:

• A - IV
• B - III
• C - I
• D - II

सही उत्तर विकल्प 1 है।

Additional Information

• फंक्शनों और उनके संगत आउटपुट को समझना डेटा विश्लेषण और हेरफेर के लिए महत्वपूर्ण है।
• मानक विचलन और प्रसरण दोनों डेटासेट में प्रकीर्णन के माप हैं।
• वर्णनात्मक सांख्यिकी डेटा का सारांश प्रदान करती है, जो प्रारंभिक डेटा विश्लेषण के लिए आवश्यक है।
• माध्य केंद्रीय प्रवृत्ति का एक माप है, जो डेटासेट में सबसे सामान्य मान को समझने में उपयोगी है।

सही उत्तर plt.xlabel("No. of patients") है।

Key Points

• कमांड plt.xlabel("No. of patients") का उपयोग मैटप्लॉटलिब आलेख में X-अक्ष के लिए शीर्षक सेट करने के लिए किया जाता है।
  • मैटप्लॉटलिब पायथन में एक लोकप्रिय प्लॉटिंग लाइब्रेरी है जिसका उपयोग डेटा प्रत्यक्षीकरण के लिए किया जाता है।
  • फ़ंक्शन plt.xlabel() एक स्ट्रिंग तर्क लेता है जो X-अक्ष के लिए लेबल सेट करता है।
  • यह X-अक्ष के साथ प्रदर्शित डेटा के बारे में स्पष्ट जानकारी प्रदान करके आलेख को अधिक समझने में मदद करता है।

Additional Information

• मैटप्लॉटलिब में अन्य संबंधित फ़ंक्शन्स में Y-अक्ष लेबल सेट करने के लिए plt.ylabel() और ग्राफ़ का शीर्षक सेट करने के लिए plt.title() शामिल हैं।
• ये फ़ंक्शन आलेख को अधिक सूचनात्मक और आसानी से व्याख्या करने योग्य बनाने में योगदान करते हैं।
• यहाँ एक पूर्ण मैटप्लॉटलिब स्क्रिप्ट में इन फ़ंक्शनों के उपयोग का एक उदाहरण दिया गया है:

import matplotlib.pyplot as plt

# Example data
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 35]

# Plot the data
plt.plot(x, y)

# Set the title for the X-axis
plt.xlabel("No. of patients")

# Set the title for the Y-axis
plt.ylabel("Frequency")

# Set the title for the graph
plt.title("Cancer Patient Analysis in Mumbai")

# Display the plot
plt.show()

सही उत्तर NaN है।

Key Points

• NaN का अर्थ है "नॉट ए नंबर " और यह लुप्त या अपरिभाषित संख्यात्मक डेटा के लिए एक मानक IEEE फ्लोटिंग पॉइंट प्रतिनिधित्व है।
• पायथन के पांडास लाइब्रेरी में, NaN का उपयोग डेटाफ्रेम में लुप्त मानों को दर्शाने के लिए किया जाता है।
• जब डेटा को डेटाफ्रेम में पढ़ा जाता है, तो कोई भी लुप्त मान पांडास द्वारा स्वचालित रूप से NaN के रूप में दर्शाया जाता है।
• isna() या isnull() जैसे फ़ंक्शनों का उपयोग डेटाफ्रेम के भीतर इन लुप्त मानों की पहचान करने के लिए किया जा सकता है।
• पांडास इन लुप्त मानों को प्रभावी ढंग से संभालने के लिए fillna() या dropna() जैसे विभिन्न तरीके प्रदान करता है।

Additional Information

• पांडास में, NaN NumPy लाइब्रेरी का हिस्सा है और विशेष रूप से संख्यात्मक डेटा के लिए उपयोग किया जाता है।
• अन्य लाइब्रेरी और सिस्टम लुप्त मानों के लिए अलग-अलग प्रतिनिधित्व का उपयोग कर सकते हैं, जैसे कि SQL डेटाबेस में NULL।
• डेटा विश्लेषण और मशीन लर्निंग वर्कफ़्लो में डेटा की सफाई और पूर्व-प्रसंस्करण के लिए NaN मानों को ठीक से संभालना महत्वपूर्ण है।
• NaN मानों को संभालने के लिए उपयुक्त विधि का निर्णय लेने के लिए लापता डेटा के संदर्भ और प्रकृति को समझना महत्वपूर्ण है।

यहाँ पांडास डेटाफ्रेम में NaN मानों को संभालने का एक सरल उदाहरण दिया गया है:

import pandas as pd
import numpy as np

# Create a DataFrame with missing values
data = {'A': [1, 2, np.nan, 4],
        'B': [np.nan, 5, 6, 7],
        'C': [8, 9, 10, np.nan]}

df = pd.DataFrame(data)

# Display the original DataFrame
print("Original DataFrame:")
print(df)

# Identify missing values
print("\nMissing values in DataFrame:")
print(df.isna())

# Fill missing values with a specific value
df_filled = df.fillna(0)
print("\nDataFrame after filling missing values with 0:")
print(df_filled)

# Drop rows with missing values
df_dropped = df.dropna()
print("\nDataFrame after dropping rows with missing values:")
print(df_dropped)

सही उत्तर sort() है।

Key Points

• फलन sort() एक एग्रीगेट फंक्शन नहीं है। एग्रीगेट फंक्शन मानों के एक समुच्चय पर गणना करते हैं और एकल मान लौटाते हैं। एग्रीगेट फंक्शनों के उदाहरणों में max(), std और var शामिल हैं।
• max() मानों के एक समुच्चय में अधिकतम मान की गणना करता है।
• std मानों के एक समुच्चय का मानक विचलन की गणना करता है।
• var मानों के एक समुच्चय का प्रसरण की गणना करता है।
• दूसरी ओर, sort() का उपयोग डेटाफ्रेम में डेटा को क्रमबद्ध करने के लिए किया जाता है, न कि समुच्चय करने के लिए।

Additional Information

• डेटा विश्लेषण और संक्षेपीकरण के लिए एग्रीगेट फंक्शन आवश्यक हैं।
• अन्य सामान्य एग्रीगेट फंक्शनों में sum(), mean(), count() और min() शामिल हैं।
• ये फलन डेटा से उपयोगी सांख्यिकीय जानकारी निकालने में मदद करते हैं।
• sort() का उपयोग करके, आप अपने डेटा को एक या अधिक स्तंभ के आधार पर आरोही या अवरोही क्रम में व्यवस्थित कर सकते हैं।

सही उत्तर avg() है।

Key Points

• वर्णनात्मक सांख्यिकीय विधियाँ डेटासेट की विशेषताओं का सारांश या वर्णन करने के लिए उपयोग की जाती हैं।
• सामान्य वर्णनात्मक सांख्यिकीय विधियों में शामिल हैं:
  • sum(): संख्यात्मक स्तंभ का कुल योग की गणना करता है।
  • count(): स्तंभ में अरिक्त प्रविष्टियों की संख्या निर्धारित करता है।
  • mean(): संख्यात्मक स्तंभ के औसत मान की गणना करता है।
• avg() फ़ंक्शन अधिकांश डेटाफ्रेम लाइब्रेरी (जैसे पायथन में pandas) में एक मानक विधि नहीं है। इसके बजाय, औसत की गणना करने के लिए आमतौर पर mean() फ़ंक्शन का उपयोग किया जाता है।

Additional Information

• पांडास (pandas) आप योग प्राप्त करने के लिए df.sum(), प्रविष्टियों की गणना करने के लिए df.count() और डेटाफ्रेम में डेटा का माध्य प्राप्त करने के लिए df.mean() का उपयोग कर सकते हैं।
• पांडास का उपयोग करके औसत की गणना करने के लिए, सही विधि avg() के बजाय df.mean() है।
• पांडास में अन्य वर्णनात्मक सांख्यिकीय विधियों में median(), std() (मानक विचलन), और describe() शामिल हैं जो आँकड़ों का सारांश प्रदान करते हैं।

सही उत्तर विकल्प 3 है।

अवधारणा:

रीशेपिंग:

डेटाफ़्रेम की संरचना को बदलने की प्रक्रिया को रीशेपिंग के रूप में जाना जाता है। डेटा का रूप यह दर्शाता है कि डेटासेट को रोज़ और कॉलम्स में कैसे व्यवस्थित किया जाता है। विशेष विश्लेषणात्मक मुद्दों के लिए इसे स्वीकार्य बनाने के लिए डेटासेट के रूप को संशोधित करने की प्रक्रिया को डेटा रीशेपिंग के रूप में जाना जाता है।

डेटा को रीशेप करने के लिए, पांडा में दो बुनियादी कार्य pivot, और pivot_table उपलब्ध हैं।

अतः सही उत्तर रीशेपिंग है।

Additional Information

इम्पोर्टिंग:

MySQL से पांडा में डेटा इम्पोर्ट करना MySQL टेबल या डेटाबेस से डेटा को पांडा डेटाफ़्रेम में लाने की प्रक्रिया को संदर्भित करता है।

एक्सपोर्टिंग:

पांडा से MySQL में डेटा एक्सपोर्ट करना पांडा डेटाफ़्रेम से MySQL टेबल या डेटाबेस में डेटा संग्रहीत करने की प्रक्रिया को संदर्भित करता है।

सही विकल्प उपरोक्त सभी है। 

अवधारणा:

एग्रीगेशन का अर्थ है डेटासेट को बदलना और एक ऐरे से सिंगल न्यूमेरिक वैल्यू उत्पन्न करना जिसे एक या अधिक कॉलम्स पर एक साथ लागू किया जा सकता है।

एग्रीगेशन फंक्शन्स max(),min(), sum(), count(), std(), var()...आदि हैं।  

DataFrame.aggregate() विधि का उपयोग किसी फ़ंक्शन या फ़ंक्शन नेम्स की लिस्ट को एक या अधिक कॉलम में निष्पादित करने के लिए किया जाता है।

उपरोक्त प्रश्न में बताए गए सभी फ़ंक्शन  को एक साथ एग्रीगेट जा सकता है

>>>DataFrame.aggregate(['max','min','sum','count','mean','std','var',])

सही उत्तर 4 है

pandas.DataFrame( data, index, columns, dtype, copy) का एक सिंटैक्स।

• डेटा - डेटा को विभिन्न तरीकों से दर्शाया जा सकता है, जिसमें ndarray, सीरीज़, मैप, लिस्ट, dict, कांस्टेंट और अन्य डेटाफ्रेम शामिल हैं।
• इंडेक्स - रो लेबल के लिए, रेसल्टिंग फ़्रेम के लिए उपयोग किया जाने वाला इंडेक्स ऑप्शनल डिफ़ॉल्ट इंडेक्स है. यदि कोई इंडेक्स प्रदान नहीं की जाती है, तो np.arange(n) का उपयोग किया जाता है।
• कॉलम - कॉलम लेबल के लिए ऑप्शन डिफ़ॉल्ट सिंटैक्स np.arange है, जो न्यूमेरिक रेंज (n) के लिए है। जब कोई इंडेक्स पास नहीं होता है, तो निम्न ट्रू होता है।
• dtype -dtype प्रत्येक कॉलम के डेटा टाइप की पहचान करता है।
• कॉपी - इस कमांड का उपयोग डेटा कॉपी करने के लिए किया जाता है यदि डिफ़ॉल्ट वैल्यू  है, अन्यथा इसका उपयोग नहीं किया जाता है।

सही उत्तर विकल्प 1 है।

अवधारणा:

Pandas dataframe.max():

Pandas dataframe.max() आपूर्ति किए गए ऑब्जेक्ट में उच्चतम वैल्यू देता है। यदि इनपुट एक सीरीज है, तो विधि एक स्केलर लौटाएगी जिसमें अधिकतम सीरीज की वैल्यू होगी।

दिया गया कोड है,

कथन 1: यहां पांडा को pd के रूप में इम्पोर्ट करना

import pandas as pd

कथन 2: डेटाफ़्रेम बनाने के लिए
df = pd.DataFrame({"A":[12, 4, 5, 44, 1],
"B":[5, 2, 54, 3, 2],
"C":[20, 16, 7, 3, 8],
"D":[14, 3, 17, 2, 6]})

दिया गया डेटा फ्रेम इस प्रकार है,

कथन 3: भले ही हम एक्सिस = 0 निर्दिष्ट न करें, विधि डिफ़ॉल्ट रूप से इंडेक्स एक्सिस पर अधिकतम लौटाएगी।
df.max(axis = 0)   

आउटपुट इस तरह है,

A 44
B 54
C 20
D 17

यह डिफ़ॉल्ट रूप से इंडेक्स एक्सिस पर अधिकतम लौटाएगा।

अत: सही उत्तर है

A 44
B 54
C 20
D 17

डिक्शनरी: पायथन डिक्शनरी की-वैल्यू पेयर का एक कलेक्शन है जहाँ प्रत्येक की को एक स्पेसिफिक वेल्यू पर मैप किया जाता है।

• पायथॉन डिक्शनरी में की यूनिक होती है ना कि की-वैल्यू पेयर। इसमें वैल्यू डुप्लीकेट भी हो सकती है। 

उदाहरण के लिए, निम्नलिखित पायथन स्टटेमेंन्ट्स पर विचार करें:​temp_dict = {1: 'a', 2: 'b', 3: 'c', 1: 'd', 4: 'b'}
print(temp_dict)

उपरोक्त पायथन कोड यह प्रिंट करेगा: {1: 'd', 2: 'b', 3: 'c', 4: 'b'}

• वैल्यू यूनिक नहीं है अन्यथा की में (2, 4) एरर होगा।
• की-वैल्यू पेयर यूनिक नहीं है अन्यथा (1: 'a') और (1: 'd') दोनों वहां पर होते है। 
• इसलिए की यूनिक होनी चाहिए, (1, 'a') को (1: 'd') से रिप्लेस कर दिया गया है। 

पायथन के फायदे हैं:

• पायथन एक भाषांतरित भाषा है। इसके लिए कोड के पूर्व संकलन की आवश्यकता नहीं होती है और यह सीधे निर्देशों को निष्पादित करता है।
• यह एक खुला स्त्रोत प्रोजेक्ट है जो सार्वजनिक रूप से पुन: उपयोग के लिए उपलब्ध है। इसे मुफ्त में डाउनलोड किया जा सकता है।
• यह किसी भी मॉड्यूल के साथ बहुत लचीला और विस्तारणीय है।
• यह एप्लिकेशन समाधान बनाने के लिए ऑब्जेक्ट-ओरिएंटेड अवधारणाओं को लागू करने की अनुमति देता है। इसमें टुपल, लिस्ट और डिक्शनरी जैसी अंतर्निहित डेटा संरचना है।
• यह उच्च स्तरीय भाषा है
• पायथन प्रोग्राम इसके प्रदर्शन को प्रभावित किए बिना क्रॉस प्लेटफॉर्म पर चल सकते हैं।

स्लाइसिंग - पायथन में, यह एक ऐसी विधि है जहाँ हम एलिमेंट्स की एक रेंज तक एक्सेस प्राप्त करते हैं। जिस तरह किसी सरणी तक पहुँचने के दौरान, हम स्क्वायर ब्रैकेट में आवश्यक एलिमेंट्स के इंडेक्स का उपयोग करते हैं, उसी तरह, जब हमें किसी सूची, टुपल या स्ट्रिंग से एलिमेंट्स की एक रेंज की आवश्यकता होती है, तो हम स्क्वायर ब्रैकेट में इंडेक्स रेंज प्रदान करते हैं।

उदाहरण के लिए, एक सूची, a = [1,2,3,4,5,6,7] है और हम इसके दूसरे, तीसरे, चौथे और पांचवें एलिमेंट का उपयोग करना चाहते हैं, इसलिए हम सूची को स्लाइस करेंगे और इसे प्रिंट करेंगे  print(a[1:5])

उपरोक्त प्रिंट स्टेटमेंट आउटपुट के रूप में: [2, 3, 4, 5] में देता है। 

• स्लाइसिंग लिस्ट, टपल और स्ट्रिंग्स पर काम करती है लेकिन यह सेट पर काम नहीं करती है।​

सही उत्तर विकल्प 3 है। 

स्पष्टीकरण:

• count() फ़ंक्शन केवल न्यूमेरिकल वैल्यूज की गणना करता है।
• जब दो सीरीज को + साइन के साथ जोड़ा जाता है, तो दोनों सीरीज में मौजूद केवल इंडेक्स वैल्यूज जोड़ी जाती हैं। दूसरों के लिए, NaN वैल्यू लौटाई जाती है।

महत्वपूर्ण बिंदु:

+ साइन की आंतरिक कार्यप्रणाली नीचे दी गई है:

सही उत्तर विकल्प 3 है।

अवधारणा:

   पांडा और MySQL के बीच डेटा के इम्पोर्ट और एक्सपोर्ट की सुविधा के लिए Pymysql और sqlalchemy दो अनिवार्य लाइब्रेरीज हैं। इम्पोर्ट और एक्सपोर्ट से पहले, पाइथन स्क्रिप्ट से MySQL डेटाबेस में एक कनेक्शन स्थापित करने की आवश्यकता है।

  Pymysql और sqlalchemy:

• sqlalchemy एक लाइब्रेरी है जिसका उपयोग आवश्यक क्रेडेंशियल प्रदान करके MySQL डेटाबेस के साथ इंटरेक्ट करने के लिए किया जाता है।
• PyMySQL Python से MySQL डेटाबेस सर्वर से कनेक्ट करने के लिए एक इंटरफ़ेस है।

इन लाइब्रेरीज को निम्नलिखित कमांड का उपयोग करके स्थापित किया जा सकता है:

pip install sqlalchemy

pip install pymysql

• MySQL से पांडा में डेटा इम्पोर्ट करना MySQL टेबल या डेटाबेस से डेटा को पांडा डेटाफ़्रेम में लाने की प्रक्रिया को संदर्भित करता है।
• पांडा से MySQL में डेटा एक्सपोर्ट करना पांडा डेटाफ़्रेम से MySQL टेबल या डेटाबेस में डेटा संग्रहीत करने की प्रक्रिया को संदर्भित करता है।

अतः सही उत्तर विकल्प 1 और विकल्प 2 है।

सही उत्तर विकल्प 1 है।

अवधारणा:

NumPy:

NumPy का मतलब न्यूमेरिकल पायथन है और यह वैज्ञानिक कंप्यूटिंग के लिए एक पायथन पैकेज है। यह ऑब्जेक्ट्स की एक कुशल मल्टी-डायमेंशनल ऐरे के साथ-साथ उनके साथ काम करने के लिए विभिन्न प्रकार के फंक्शन्स प्रदान करता है।

एक NumPy ऐरे समरूप वैल्यूज की एक ऐरे है। एक्सिस NumPy में एक ऐरे के आयाम होते हैं। रैंक एक्सिस की संख्या होती है। एक ऐरे का रूप गैर-ऋणात्मक पूर्णांक का एक टपल है जो बताता है कि यह प्रत्येक आयाम में कितना बड़ा है।

अतः सही उत्तर न्यूमेरिकल पायथन है।