NumPy – ऐरे और मैट्रिक्स के साथ कार्य

html

NumPy का परिचय: Python में वैज्ञानिक गणना का आधार

NumPy Python में वैज्ञानिक गणना के लिए एक मौलिक लाइब्रेरी है। यह बहुआयामी arrays और matrices के लिए शक्तिशाली समर्थन प्रदान करती है, साथ ही उनके साथ काम करने के लिए कार्यों की एक विस्तृत श्रृंखला भी प्रदान करती है। NumPy डेटा विश्लेषकों, मशीन लर्निंग विशेषज्ञों और वैज्ञानिक कार्यकर्ताओं के लिए एक अपरिहार्य उपकरण है।

NumPy आपको डेटा की बड़ी मात्रा को कुशलतापूर्वक संसाधित करने और गणितीय संचालन करने की अनुमति देता है, लूप को कॉम्पैक्ट और वेक्टराइज्ड कोड से बदलता है। लाइब्रेरी में रैखिक बीजगणित और सांख्यिकी के लिए अंतर्निहित कार्य शामिल हैं।

NumPy लाइब्रेरी की स्थापना और आयात

NumPy के साथ काम शुरू करने के लिए, इसे स्थापित करना और अपने प्रोजेक्ट में आयात करना आवश्यक है।

NumPy की स्थापना

लाइब्रेरी की स्थापना इसके साथ की जाती है

लुप्त मानों (NaN) को संभालना

लुप्त मानों के साथ काम करने के लिए NumPy np.nan का उपयोग करता है।

arr = np.array([1, 2, np.nan, 4, 5])
print(np.isnan(arr)) # [False False  True False False]

NaN को संभालने के लिए विशेष कार्यों का उपयोग किया जाता है, जैसे nanmean(), nanstd(), nansum(), जो लुप्त मानों को अनदेखा करते हैं।

शुद्ध Python बनाम NumPy का प्रदर्शन

NumPy C में लिखा गया है और शुद्ध Python की तुलना में काफी तेजी से काम करता है, खासकर बड़े arrays पर संचालन करते समय। यह कुशल वेक्टराइजेशन और ऑप्टिमाइजेशन के कारण है।

import time
import numpy as np

size = 100000

# Python list
lista = list(range(size))
listb = list(range(size))

starttime = time.time()
resultpython = [a + b for a, b in zip(lista, listb)]
pythontime = time.time() - starttime

# NumPy array
anp = np.arange(size)
bnp = np.arange(size)

starttime = time.time()
resultnumpy = anp + bnp
numpytime = time.time() - starttime

print(f"Python time: {pythontime:.4f} seconds")
print(f"NumPy time: {numpytime:.4f} seconds")

डेटा की बड़ी मात्रा पर प्रदर्शन में अंतर दसियों और सैकड़ों गुना तक हो सकता है।

NumPy के वास्तविक उपयोग के मामले

NumPy का उपयोग विभिन्न क्षेत्रों में किया जाता है:

• विज्ञान: प्रयोगात्मक डेटा का प्रसंस्करण
• वित्त: समय श्रृंखला का विश्लेषण
• मशीन लर्निंग: डेटा तैयार करना और सामान्यीकरण, मॉडलिंग
• कंप्यूटर ग्राफिक्स: इमेज के साथ काम करना
• शिक्षा: गणितीय कार्यों और एल्गोरिदम का विज़ुअलाइज़ेशन

अक्सर पूछे जाने वाले प्रश्न (FAQ)

NumPy array Python list से कैसे अलग है?

NumPy array एक डेटा संरचना है जो संख्याओं को तालिकाओं (tensors) के रूप में संग्रहीत करती है, इसका एक निश्चित डेटा प्रकार होता है और यह वेक्टराइज्ड संचालन का समर्थन करती है। Python list अधिक लचीला है, लेकिन संख्यात्मक गणनाओं के लिए कम कुशल है।

3x3 आकार का शून्य मैट्रिक्स कैसे बनाएं?

matrix = np.zeros((3, 3))

मैट्रिक्स को ट्रांसपोज़ कैसे करें?

transposedmatrix = matrix.T

मैट्रिक्स को कैसे गुणा करें?

result = matrix1 @ matrix2

व्युत्क्रम मैट्रिक्स कैसे खोजें?

inversedmatrix = np.linalg.inv(matrix)

NumPy कार्यों की मुख्य श्रेणियां

NumPy विभिन्न कार्यों के लिए कार्यों का एक व्यापक सेट प्रदान करता है:

• Arrays का निर्माण: NumPy विभिन्न प्रारंभिक मानों (शून्य, एक, यादृच्छिक संख्याएं आदि) के साथ arrays बनाने और आरंभ करने के लिए कई कार्य प्रदान करता है।
• गणितीय संचालन: लाइब्रेरी arrays पर कई गणितीय संचालन का समर्थन करती है, जिसमें अंकगणितीय संचालन, सांख्यिकीय कार्य और रैखिक बीजगणित कार्य शामिल हैं।
• रैखिक बीजगणित कार्य: NumPy रैखिक बीजगणित संचालन करने के लिए कार्य प्रदान करता है, जैसे मैट्रिक्स गुणन, eigenvalues की गणना आदि।
• त्रिकोणमितीय और लघुगणकीय कार्य: लाइब्रेरी फ़ंक्शन प्रदान करती है