Python Data Analysis - Practice Questions 2026

أهلا بك عزيزي المتابع لموقع (journey for learn) نقدم دورات بكوبونات متاحة لاول 1000 تسجيل مجاني فقط وكوبونات اخري لفترة محدودة فاذا كنت تريد ان تحصل علي كل الكورسات علي موقعنا وان تكون اول المسجلين في الكورسات المجانية قم بتسجيل الدخول أوقم بالدخول علي وسائل التواصل الاجتماعي وخصوصا التليجرام نوضح الوصف المختصر والطويل للدورات لكي تعرف الدروس التي سوف تتعلمها بسهولة ويسر :

يعد إتقان معالجة البيانات وتحليلها حجر الزاوية في أي مهنة ناجحة في علوم البيانات أو تحليلات الأعمال. تم تصميم هذه الدورة التدريبية الشاملة للاختبار التدريبي بدقة لسد الفجوة بين المعرفة النظرية والكفاءة العملية في NumPy وPandas. مرحبًا بك في مورد الإعداد النهائي لرحلة تحليل بيانات Python. سواء كنت تستعد لمقابلة فنية، أو للحصول على شهادة، أو تتطلع ببساطة إلى تعزيز مهاراتك في البرمجة، فإن اختبارات التدريب هذه توفر بيئة صارمة لاختبار حدودك. لماذا يختار المتعلمون الجادون هذه الاختبارات التدريبية؟ يدرك المتعلمون الجادون أن مشاهدة البرامج التعليمية ليست كافية. تأتي الكفاءة من حل المشكلات وفهم المنطق الكامن وراء كل سطر من التعليمات البرمجية. تم تصميم هذه الاختبارات لمحاكاة تحديات البرمجة والتقييمات الأكاديمية في العالم الحقيقي. من خلال التسجيل، يمكنك الوصول إلى بنك الأسئلة المنسق الذي يركز على الحالات المتطورة، وتحسين الأداء، والمزالق الشائعة في معالجة البيانات. هيكل الدورة التدريبية

• الأساسيات / الأسس: يركز هذا القسم على اللبنات الأساسية. سيتم اختبارك على إنشاء مصفوفة NumPy، وهياكل Pandas Series وDataFrame الأساسية، وتقنيات الفهرسة البسيطة. يعد فهم هذه الأساسيات أمرًا بالغ الأهمية لضمان سلامة البيانات منذ البداية.
• المفاهيم الأساسية: هنا، نتعمق في العمليات الأساسية. سوف تتعامل مع العمليات الحسابية والوظائف العامة (ufuncs) وطرق Pandas الأساسية لاختيار البيانات وتصفيتها وفرزها.
• المفاهيم المتوسطة: يقدم هذا المستوى تنظيف البيانات وتحويلها. سوف تحل المشكلات التي تتضمن البيانات المفقودة (NaN)، ودمج مجموعات بيانات متعددة والانضمام إليها، وتنفيذ عمليات مجمعة معقدة لتجميع المعلومات.
• المفاهيم المتقدمة: تحدى نفسك بمعالجة البيانات عالية المستوى. يتضمن ذلك الفهرسة المتعددة، والجداول المحورية، وتحليل السلاسل الزمنية، وتقنيات التوجيه لضمان تشغيل التعليمات البرمجية الخاصة بك بكفاءة على مجموعات البيانات الكبيرة.
• سيناريوهات العالم الحقيقي: يتم تأطير هذه الأسئلة على أنها مشاكل عمل. يتم إعطاؤك هدفًا يعتمد على البيانات ويجب عليك تحديد التسلسل الصحيح لوظائف NumPy أو Pandas للوصول إلى الحل، مما يعكس المهام اليومية لمحلل البيانات.
• مراجعة مختلطة / الاختبار النهائي: التحدي النهائي. يقوم هذا الاختبار الشامل بسحب الأسئلة من جميع المستويات السابقة بشكل عشوائي، ويختبر قدرتك على تبديل السياق وتطبيق الأدوات المناسبة تحت الضغط.

نموذج أسئلة التدريب السؤال 1 لديك Pandas DataFrame المسمى df مع عمود "المبيعات". أي من الأوامر التالية سيُرجع DataFrame جديد يحتوي فقط على الصفوف التي تكون فيها "المبيعات" أكبر من 500 وليست خالية؟

• الخيار 1: df[df['Sales'] > 500 & df['Sales'].notnull()]
• الخيار 2: df.query('Sales > 500')
• الخيار 3: df.loc[df['Sales'] > 500]
• الخيار 4: df[(df['Sales'] > 500) & (df['Sales'].notna())]
• الخيار 5: df.filter(sales > 500)

الإجابة الصحيحة: الخيار 4 الإجابة الصحيحة شرح: في Pandas، عند دمج شروط منطقية متعددة، يجب عليك وضع كل شرط بين قوسين بسبب أسبقية عامل التشغيل. يتطلب عامل التشغيل & هذا لتقييم المقارنة على مستوى البت بشكل صحيح. notna() هي طريقة قياسية لضمان استبعاد القيم الخالية. شرح الإجابات الخاطئة:

• الخيار 1: فشل لأنه يفتقر إلى الأقواس حول الشروط، مما يؤدي إلى خطأ في الكتابة أو تقييم غير صحيح في Python.
• الخيار 2: على الرغم من أن الاستعلام قوي، إلا أنه لا يتعامل بشكل صريح مع المتطلبات "غير الخالية" كما هو مطلوب في منطق المطالبة، على الرغم من أن الاستعلام غالبًا ما يتعامل مع NaNs ضمنيًا اعتمادًا على المحرك.
• الخيار 3: على غرار الخيار 2، يتحقق هذا فقط من حالة "أكبر من 500" ولكنه لا يوضح المنطق المركب المطلوب.
• الخيار 5: يتم استخدام طريقة التصفية في Pandas لتعيين الأعمدة أو الصفوف فرعيًا حسب التسميات (الأسماء)، وليس للفهرسة المنطقية بناءً على القيم.

السؤال 2 ما هي نتيجة عملية NumPy التالية؟استيراد numpy as npa = np.array([1, 2, 3])b = np.array([[10], [20]])result = a + b

• الخيار 1: خطأ في القيمة بسبب أشكال غير متوافقة.
• الخيار 2: مصفوفة أحادية الأبعاد: [11, 22, 23].
• الخيار 3: مصفوفة ثنائية الأبعاد من الأشكال (2، 3) حيث تتم إضافة كل صف من b إلى a.
• الخيار 4: مصفوفة ثنائية الأبعاد من الأشكال (3، 2).
• الخيار 5: القيمة العددية: 57.

الإجابة الصحيحة: الخيار 3 شرح الإجابة الصحيحة: هذا مثال كلاسيكي لبث NumPy. المصفوفة أ لها شكل (3،) والمصفوفة ب لها شكل (2، 1). يقوم NumPy بتوسيع b إلى (2, 3) وa إلى (2, 3) عن طريق تكرار القيم، مما يؤدي إلى مصفوفة 2x3 حيث يكون الصف الأول هو [11, 12, 13] والثاني هو [21, 22, 23). شرح الإجابات الخاطئة:

• الخيار 1: غير صحيح لأن قواعد البث في NumPy تسمح بالعمليات بين صفائف ذات أبعاد مختلفة إذا كان أحد الأبعاد هي 1.
• الخيار 2: غير صحيح لأن العملية تؤدي إلى بنية ثنائية الأبعاد، وليس مصفوفة أحادية الأبعاد.
• الخيار 4: غير صحيح لأن البعد اللاحق لـ (3) والبعد البادئ لـ b (2) يملي إخراج (2، 3).
• الخيار 5: إضافة المصفوفات في NumPy هي عنصر حكيم، وليس جمعًا في a العددية.

ما تحصل عليه من هذه الدورة التدريبية

• يمكنك إعادة إجراء الاختبارات عدة مرات للتأكد من إتقانها.
• هذا بنك أسئلة أصلي ضخم مصمم لتغطية كل ركن من أركان المكتبات.
• يمكنك الحصول على الدعم من المدرسين إذا كانت لديك أسئلة بخصوص أي منطق أو حل.
• يحتوي كل سؤال على شرح مفصل لمساعدتك على التعلم من أخطائك.
• متوافق مع الهاتف المحمول مع تطبيق Udemy للتعلم أثناء التنقل .
• ضمان استرداد الأموال لمدة 30 يومًا إذا لم تكن راضيًا عن الجودة .

نأمل أن تكون مقتنعًا الآن! وهناك الكثير من الأسئلة داخل الدورة.

ما هي المتطلبات الأساسية لدخول الدورة والتسجيل فيها على موقعنا؟ رحلة التعلم:

(احصل على الدورة للدخول إلى الموقع والتسجيل)

يجب أن يكون لديك بريد إلكتروني (حساب بريد) تتذكره لنفسك وأيضًا يجب أن تتذكر كلمة مرور البريد الإلكتروني الذي ستسجل به ، وإذا لم يكن لديك حساب بريد إلكتروني ، فمن الأفضل إنشاء حساب (Gmail)