NumPy, न्यूमेरिकल पायथन के लिए छोटा, पायथन में वैज्ञानिक कंप्यूटिंग के लिए एक मूलभूत पैकेज है। यह इन सरणियों पर कुशलता से काम करने के लिए गणितीय कार्यों की एक विस्तृत श्रृंखला के साथ-साथ बड़े, बहु-आयामी सरणियों और आव्यूहों के लिए समर्थन प्रदान करता है। इस लेख में, हम NumPy की क्षमताओं का पता लगाएंगे, इसे स्थापित करना सीखेंगे, सरणियाँ बनाएंगे, संचालन करेंगे और डेटा विश्लेषण के लिए इसकी शक्ति का लाभ उठाएँगे।
 |
| numpy in python in hindi |
न्यूमपी का परिचय
NumPy एक ओपन-सोर्स लाइब्रेरी है जो संख्यात्मक कंप्यूटिंग के लिए Python की क्षमताओं का विस्तार करती है। यह वैज्ञानिक पायथन इकोसिस्टम में कई अन्य पुस्तकालयों की नींव के रूप में कार्य करता है, जैसे कि पांडा, साइपी और माटप्लोटलिब। NumPy के साथ, आप बड़े डेटासेट पर कुशलतापूर्वक गणितीय और तार्किक संचालन कर सकते हैं, जिससे यह डेटा विश्लेषण, मशीन सीखने और वैज्ञानिक अनुसंधान के लिए एक आवश्यक उपकरण बन जाता है।
NumPy इंस्टॉल करना
इससे पहले कि हम NumPy में गोता लगाएँ, आइए सुनिश्चित करें कि हमने इसे स्थापित कर लिया है। आप Python के लिए पैकेज इंस्टॉलर, पाइप का उपयोग करके NumPy इंस्टॉल कर सकते हैं। अपना टर्मिनल या कमांड प्रॉम्प्ट खोलें और निम्न आदेश दर्ज करें:
pip install numpy
सुनिश्चित करें कि आपके पास एक काम करने वाला इंटरनेट कनेक्शन है, और पाइप आपके लिए इंस्टॉलेशन को संभाल लेगा। एक बार इंस्टॉल हो जाने पर, आप अपने पायथन स्क्रिप्ट या इंटरैक्टिव सत्रों में NumPy आयात कर सकते हैं।
NumPy के साथ Arrays बनाना
मूल सरणी निर्माण
NumPy की प्रमुख विशेषताओं में से एक इसकी सरणियों को कुशलतापूर्वक संभालने की क्षमता है। एक मूल सरणी बनाने के लिए, आप इसका उपयोग कर सकते हैंसरणी () कार्य करें और इसे एक पायथन सूची या टपल पास करें। उदाहरण के लिए:
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
print(my_array)
यह 1, 2, 3, 4 और 5 तत्वों के साथ एक आयामी सरणी बनाएगा।
प्रारंभिक मूल्यों के साथ सरणी
आप जैसे कार्यों का उपयोग करके प्रारंभिक मानों के साथ सरणियाँ भी बना सकते हैंशून्य (),वाले (), याभरा हुआ(). उदाहरण के लिए:
import numpy as np
zeros_array = np.zeros((3, 4))
ones_array = np.ones((2, 3))
full_array = np.full((2, 2), 7)
print(zeros_array)
print(ones_array)
print(full_array)
यहां, हम शून्य, एक और एक विशिष्ट मान (इस मामले में 7) से भरे सरणियाँ बनाते हैं।
विशेष सरणी निर्माण
NumPy विशिष्ट प्रकार की सरणियाँ बनाने के लिए कई विशेष कार्य प्रदान करता है। उदाहरण के लिए, आप का उपयोग करके एक पहचान मैट्रिक्स बना सकते हैंआँख() फ़ंक्शन या उपयोग करके समान रूप से दूरी वाले मानों की एक सरणी उत्पन्न करेंअरेंज () यालिंस्पेस (). यहाँ एक उदाहरण है:
import numpy as np
identity_matrix = np.eye(3)
range_array = np.arange(1, 10, 2)
linspace_array = np.linspace(0, 1, 5)
print(identity_matrix)
print(range_array)
print(linspace_array)
उपरोक्त कोड एक पहचान मैट्रिक्स बनाता है, 2 के चरण के साथ 1 से 9 तक के मानों के साथ एक सरणी, और 0 और 1 के बीच पांच समान दूरी वाले मानों वाला एक सरणी।
NumPy ऐरे ऑपरेशंस
सरणी अंकगणित
NumPy आपको आसानी से सरणियों पर अंकगणितीय संचालन करने की अनुमति देता है। आप सरणियों को तत्व-वार जोड़, घटा, गुणा और विभाजित कर सकते हैं। उदाहरण के लिए:
import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
sum_array = array1 + array2
difference_array = array2 - array1
product_array = array1 * array2
quotient_array = array2 / array1
print(sum_array)
print(difference_array)
print(product_array)
print(quotient_array)
ऊपर दिया गया कोड तत्व-वार दो सरणियों के जोड़, घटाव, गुणा और भाग को प्रदर्शित करता है।
सरणी तुलना
आप तुलना ऑपरेटरों का उपयोग करके सरणियों की तत्व-वार तुलना भी कर सकते हैं<,<=,>,>=,==, और!=. इसका परिणाम एक बूलियन सरणी में होता है जो प्रत्येक तत्व के लिए तुलना परिणाम दर्शाता है। उदाहरण के लिए:
import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([2, 2, 3])
less_than_array = array1 < array2
greater_than_equal_array = array1 >= array2
equal_array = array1 == array2
not_equal_array = array1 != array2
print(less_than_array)
print(greater_than_equal_array)
print(equal_array)
print(not_equal_array)
उपरोक्त कोड दो सरणियों की तत्व-वार तुलना करता है और तुलना परिणामों के आधार पर बूलियन सरणियाँ उत्पन्न करता है।
ऐरे मैनिपुलेशन
NumPy सरणियों में हेरफेर करने के लिए कई प्रकार के कार्य प्रदान करता है। आप अन्य परिचालनों के बीच सरणियों को फिर से आकार दे सकते हैं, स्थानांतरित कर सकते हैं, जोड़ सकते हैं और विभाजित कर सकते हैं। आइए उनमें से कुछ का अन्वेषण करें:
सरणियों को फिर से आकार देना
आप इसका उपयोग करके किसी सरणी को उसके डेटा को बदले बिना एक अलग आकार में बदल सकते हैंनयी आकृति प्रदान करना () समारोह। उदाहरण के लिए:
import numpy as np
my_array = np.arange(12)
reshaped_array = my_array.reshape(3, 4)
print(reshaped_array)
यह कोड पुनः आकार देता हैmy_array 12 तत्वों की एक आयामी सरणी से तीन पंक्तियों और चार स्तंभों वाली द्वि-आयामी सरणी तक।
NumPy में प्रसारण
NumPy प्रसारण की अनुमति देता है, जो विभिन्न आकृतियों के सरणियों के बीच संचालन करने की क्षमता है। उदाहरण के लिए:
import numpy as np
array1 = np.array([[1, 2, 3]])
array2 = np.array([[4], [5], [6]])
broadcasted_array = array1 * array2
print(broadcasted_array)
यहां, गुणा ऑपरेशन 1x3 सरणी और 3x1 सरणी के बीच किया जाता है। NumPy स्वचालित रूप से बड़े सरणी के आकार से मिलान करने के लिए छोटे सरणी को प्रसारित करता है।
इंडेक्सिंग और स्लाइसिंग NumPy Arrays
बुनियादी अनुक्रमण
आप इंडेक्सिंग का उपयोग करके NumPy सरणी में अलग-अलग तत्वों या तत्वों की श्रेणी तक पहुँच सकते हैं। NumPy में अनुक्रमण 0 से शुरू होता है। यहाँ एक उदाहरण दिया गया है:
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
first_element = my_array[0]
range_of_elements = my_array[1:4]
print(first_element)
print(range_of_elements)
यह कोड सरणी के पहले तत्व को पुनः प्राप्त करता है (1) और इंडेक्स 1 से 3 तक के तत्वों की श्रेणी ([2, 3, 4]).
स्लाइसिंग ऐरे
मूल अनुक्रमण के अतिरिक्त, आप डेटा के विशिष्ट भागों को निकालने के लिए सरणियों को स्लाइस कर सकते हैं। स्लाइसिंग नोटेशन का उपयोग करता हैस्टार्ट: स्टॉप: स्टेप, कहाँशुरू प्रारंभिक सूचकांक है,रुकना एंडिंग इंडेक्स (एक्सक्लूसिव) है, औरकदम तत्वों के बीच का अंतराल है। यहाँ एक उदाहरण है:
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
sliced_array = my_array[1:4:2]
print(sliced_array)
उपरोक्त कोड 2 के चरण के साथ सरणी 1 से 4 तक सरणी को स्लाइस करता है, जिसके परिणामस्वरूप[2, 4].
सारणियों को आकार देना और आकार बदलना
NumPy कुशलता से सरणियों को फिर से आकार देने और आकार बदलने के लिए कार्य प्रदान करता है। आकार बदलने से सरणी के डेटा को संशोधित किए बिना उसका आकार बदल जाता है, जबकि आकार बदलने से सरणी का आकार और आकार दोनों बदल सकते हैं। आइए इन कार्यों का पता लगाएं:
import numpy as np
my_array = np.array([1, 2, 3, 4, 5, 6])
reshaped_array = np.reshape(my_array, (2, 3))
resized_array = np.resize(my_array, (3, 4))
print(reshaped_array)
print(resized_array)
इस उदाहरण में, हम नया आकार देते हैंmy_array एक 2x3 सरणी में और इसे 3x4 सरणी में बदलें। रीशेपिंग और रीसाइज़िंग फ़ंक्शंस स्वचालित रूप से डेटा को आवश्यकतानुसार समायोजित करते हैं।
NumPy में प्रसारण
NumPy की ब्रॉडकास्टिंग सुविधा आपको विभिन्न आकृतियों के सरणियों पर संचालन करने की अनुमति देती है। प्रसारण कोड को सरल बना सकता है और अनावश्यक छोरों की आवश्यकता को समाप्त कर सकता है। आइए देखें कि यह कैसे काम करता है:
import numpy as np
array1 = np.array([[1, 2, 3]])
array2 = np.array([[4], [5], [6]])
broadcasted_array = array1 * array2
print(broadcasted_array)
इस उदाहरण में, हम एक 1x3 सरणी को गुणा करते हैं (सरणी1) एक 3x1 सरणी के साथ (array2). NumPy स्वचालित रूप से बड़े सरणी के आकार से मिलान करने के लिए छोटे सरणी को प्रसारित करता है, जिसके परिणामस्वरूप तत्व-वार गुणन होता है।
NumPy गणितीय कार्य
NumPy सरणियों को कुशलतापूर्वक संचालित करने के लिए गणितीय कार्यों का एक समृद्ध संग्रह प्रदान करता है। इन कार्यों में त्रिकोणमितीय कार्य, घातीय और लघुगणक कार्य और सांख्यिकीय कार्य शामिल हैं। आइए उनमें से कुछ का अन्वेषण करें:
त्रिकोणमितीय कार्य
import numpy as np
angles = np.array([0, np.pi / 2, np.pi])
sine_values = np.sin(angles)
cosine_values = np.cos(angles)
tangent_values = np.tan(angles)
print(sine_values)
print(cosine_values)
print(tangent_values)
इस कोड में, हम कोणों (0, π/2, π) के ज्या, कोज्या और स्पर्शरेखा मानों की गणना करते हैं।
घातीय और लघुगणकीय कार्य
import numpy as np
angles = np.array([0, np.pi / 2, np.pi])
sine_values = np.sin(angles)
cosine_values = np.cos(angles)
tangent_values = np.tan(angles)
print(sine_values)
print(cosine_values)
print(tangent_values)
यह कोड संख्याओं की एक सरणी के घातीय और लघुगणकीय मानों की गणना को प्रदर्शित करता है।
सांख्यिकीय कार्य
import numpy as np
data = np.array([[1, 2, 3], [4, 5, 6]])
mean = np.mean(data)
median = np.median(data)
standard_deviation = np.std(data)
print(mean)
print(median)
print(standard_deviation)
इस उदाहरण में, हम एक 2-आयामी सरणी के माध्य, माध्यिका और मानक विचलन की गणना करते हैं (आंकड़े).
एकाधिक आयामों के साथ कार्य करना
बहुआयामी सरणियाँ
NumPy बहु-आयामी सरणियों के लिए समर्थन प्रदान करता है, जिससे आप उच्च-आयामी डेटा के साथ काम कर सकते हैं। आप बहु-आयामी सरणियों को आसानी से बना सकते हैं, अनुक्रमित कर सकते हैं और उनमें हेरफेर कर सकते हैं। यहाँ एक उदाहरण है:
import numpy as np
my_array = np.array([[1, 2, 3], [4, 5, 6]])
print(my_array)
print(my_array.shape)
print(my_array.ndim)
इस कोड में, हम एक द्वि-आयामी सरणी बनाते हैं (my_array) और इसके आकार और आयामों की संख्या को प्रिंट करें।
ऐरे स्टैकिंग और स्प्लिटिंग
आप NumPy का उपयोग करके सरणियों को क्षैतिज या लंबवत रूप से ढेर कर सकते हैं और विभिन्न अक्षों के साथ सरणियों को विभाजित कर सकते हैं। यहाँ एक उदाहरण है:
import numpy as np
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
stacked_array = np.vstack((array1, array2))
split_arrays = np.split(stacked_array, 2)
print(stacked_array)
print(split_arrays)
यह कोड स्टैक करता हैसरणी1 औरarray2 लंबवत और फिर स्टैक्ड सरणी को दो बराबर भागों में विभाजित करता है।
NumPy और डेटा विश्लेषण
NumPy डेटा विश्लेषण में महत्वपूर्ण भूमिका निभाता है। इसके शक्तिशाली सरणी संचालन और गणितीय कार्य इसे डेटा की सफाई, तैयारी, फ़िल्टरिंग, एकत्रीकरण और विश्लेषण के लिए एक उत्कृष्ट विकल्प बनाते हैं। आइए कुछ सामान्य उपयोग के मामलों का पता लगाएं:
डेटा की सफाई और तैयारी
NumPy सरणियाँ डेटा को साफ करने और तैयार करने का एक सुविधाजनक और कुशल तरीका प्रदान करती हैं। आप लापता मूल्यों को हटा सकते हैं, डेटा प्रकारों को परिवर्तित कर सकते हैं और विभिन्न परिवर्तनों को आसानी से लागू कर सकते हैं।
डेटा फ़िल्टरिंग और चयन
NumPy के साथ, आप शर्तों के आधार पर विशिष्ट डेटा को फ़िल्टर और चुन सकते हैं। आप सरणियों से प्रासंगिक जानकारी निकालने के लिए तार्किक संचालन, तुलना ऑपरेटर और मास्किंग तकनीकों का उपयोग कर सकते हैं।
एकत्रीकरण डेटा
NumPy कुशलता से सरणियों पर एकत्रीकरण की गणना करने के लिए कार्य प्रदान करता है। आप अपने डेटा के लिए रकम, माध्य, औसत, मानक विचलन और अन्य सांख्यिकीय उपायों की गणना कर सकते हैं।
सांख्यिकीय विश्लेषण
NumPy डेटा का विश्लेषण करने के लिए सांख्यिकीय कार्यों की एक विस्तृत श्रृंखला प्रदान करता है। आप अपने डेटा से अंतर्दृष्टि प्राप्त करने के लिए परिकल्पना परीक्षण कर सकते हैं, सहसंबंधों की गणना कर सकते हैं और अन्य सांख्यिकीय तकनीकों को लागू कर सकते हैं।
निष्कर्ष
इस लेख में, हमने पायथन में संख्यात्मक कंप्यूटिंग के लिए एक मूलभूत पैकेज, NumPy की शक्ति का पता लगाया है। हमने सीखा कि NumPy कैसे स्थापित करें, सरणियाँ बनाएँ, सरणी संचालन करें, सरणियों में हेरफेर करें और बहु-आयामी डेटा के साथ काम करें। हमने डेटा विश्लेषण में NumPy की भूमिका पर भी चर्चा की और डेटा की सफाई, फ़िल्टरिंग, एकत्रीकरण और विश्लेषण में इसकी उपयोगिता पर प्रकाश डाला।
NumPy की दक्षता और बहुमुखी प्रतिभा इसे पायथन में संख्यात्मक डेटा के साथ काम करने वाले किसी भी व्यक्ति के लिए एक अनिवार्य उपकरण बनाती है। चाहे आप एक डेटा वैज्ञानिक, शोधकर्ता या डेवलपर हों, NumPy में महारत हासिल करने से वैज्ञानिक कंप्यूटिंग और डेटा विश्लेषण में आपकी क्षमताओं में वृद्धि होगी।
पूछे जाने वाले प्रश्न
मैं NumPy कैसे स्थापित करूं?
NumPy को स्थापित करने के लिए, आप निम्न आदेश का उपयोग कर सकते हैं:पिप स्थापित numpy.क्या NumPy बड़े डेटासेट को संभाल सकता है?
हां, NumPy को बड़े डेटासेट को कुशलता से मेमोरी उपयोग को अनुकूलित करके और तेजी से सरणी संचालन प्रदान करने के लिए डिज़ाइन किया गया है।क्या मैं NumPy के साथ मैट्रिक्स ऑपरेशन कर सकता हूँ?
हां, NumPy मैट्रिक्स संचालन के लिए व्यापक समर्थन प्रदान करता है, जिसमें मैट्रिक्स गुणन, व्युत्क्रम और ईजेनवेल्यू संगणना शामिल हैं।क्या मैं पंडों और माटप्लोटलिब जैसे अन्य पायथन पुस्तकालयों के साथ NumPy का उपयोग कर सकता हूँ?
बिल्कुल! NumPy अन्य लोकप्रिय पायथन पुस्तकालयों के साथ मूल रूप से एकीकृत करता है, जैसे डेटा हेरफेर के लिए पांडा और डेटा विज़ुअलाइज़ेशन के लिए माटप्लोटलिब।क्या NumPy केवल संख्यात्मक डेटा के लिए है?
जबकि NumPy मुख्य रूप से संख्यात्मक कंप्यूटिंग पर केंद्रित है, यह अन्य प्रकार के डेटा को भी संभाल सकता है, जैसे कि तार या बूलियन मान, सरणियों के भीतर।अब जब आपको NumPy और इसकी क्षमताओं की ठोस समझ हो गई है, तो आप अपने स्वयं के Python प्रोजेक्ट्स में इसकी शक्ति का लाभ उठाना शुरू कर सकते हैं। आज ही NumPy के साथ शुरुआत करें और Python में न्यूमेरिकल कंप्यूटिंग की पूरी क्षमता को अनलॉक करें।
