Week 4 Tutorial Part 1 numpy

NPTEL-NOC IITM

5 chapters6 takeaways10 key terms5 questions

Overview

यह ट्यूटोरियल NumPy लाइब्रेरी का उपयोग करके Python में डेटा के साथ काम करने के तरीके पर केंद्रित है। यह Jupyter Lab को लॉन्च करने, NumPy को इंस्टॉल करने और इम्पोर्ट करने, और विभिन्न प्रकार के NumPy arrays बनाने के तरीके को कवर करता है। इसमें arrays को इंडेक्स करने, स्लाइस करने और रीशेप करने के तरीके, साथ ही array ऑपरेशन्स और यूनिवर्सल फंक्शन्स (ufuncs) का उपयोग करके गणितीय गणनाएं करना भी शामिल है। अंत में, यह मैट्रिक्स गुणन और कुछ सामान्य सांख्यिकीय कार्यों जैसे कि योग, न्यूनतम और अधिकतम मानों की गणना पर चर्चा करता है।

How was this?

Save this permanently with flashcards, quizzes, and AI chat

Chapters

Jupyter Lab को टर्मिनल में `jupyter lab` कमांड से लॉन्च किया जा सकता है, जो डिफ़ॉल्ट ब्राउज़र में खुलता है।
Jupyter Notebook को `jupyter notebook` कमांड से लॉन्च किया जा सकता है।
ब्राउज़र में ऑटो-ओपन को रोकने के लिए `jupyter lab --no-browser` का उपयोग करें।
NumPy को `pip install numpy` का उपयोग करके इंस्टॉल किया जाता है।
NumPy को आमतौर पर `import numpy as np` के रूप में इम्पोर्ट किया जाता है।

यह अध्याय आपको Python में डेटा विश्लेषण के लिए आवश्यक टूल, Jupyter Lab और NumPy को सेट अप करने और इम्पोर्ट करने की प्रक्रिया बताता है।

टर्मिनल में `jupyter lab` टाइप करके Jupyter Lab लॉन्च करना।

NumPy arrays को Python lists से `np.array()` का उपयोग करके बनाया जा सकता है।
Arrays में सभी elements का डेटा टाइप समान होना चाहिए।
आप `dtype` पैरामीटर का उपयोग करके डेटा टाइप निर्दिष्ट कर सकते हैं (जैसे, `np.float64`)।
Arrays को `np.zeros()`, `np.ones()`, `np.arange()`, `np.linspace()`, और `np.random.rand()` जैसे फ़ंक्शन्स का उपयोग करके भी बनाया जा सकता है।
`np.arange()` एक निर्दिष्ट अंतराल पर मानों की एक श्रृंखला बनाता है, जबकि `np.linspace()` एक निर्दिष्ट संख्या में समान रूप से दूरी वाले मान बनाता है।

Arrays डेटा को कुशलतापूर्वक स्टोर और मैनिपुलेट करने के लिए NumPy का fundamental building block हैं, और उन्हें बनाने के विभिन्न तरीके आपको अपनी विशिष्ट आवश्यकताओं के लिए सही array बनाने की अनुमति देते हैं।

`np.array([1, 2, 3])` का उपयोग करके एक NumPy array बनाना।

1D arrays को Python lists की तरह ही इंडेक्स किया जा सकता है, जिसमें 0-आधारित इंडेक्सिंग होती है।
Negative indexing का उपयोग अंत से तत्वों तक पहुंचने के लिए किया जा सकता है (जैसे, -1 अंतिम तत्व है)।
Slicing का उपयोग array के एक हिस्से को निकालने के लिए किया जाता है (जैसे, `arr[start:stop:step]`)।
2D arrays (matrices) को `arr[row, column]` सिंटैक्स का उपयोग करके एक्सेस किया जाता है।
स्लाइसिंग का उपयोग पंक्तियों, स्तंभों या दोनों के सबसेट को चुनने के लिए किया जा सकता है।

Indexing और slicing आपको arrays के भीतर विशिष्ट डेटा बिंदुओं या डेटा के सबसेट तक पहुंचने और उन्हें निकालने की अनुमति देते हैं, जो डेटा विश्लेषण के लिए महत्वपूर्ण है।

एक 2D array `arr` से दूसरी पंक्ति और तीसरे कॉलम के तत्व को एक्सेस करने के लिए `arr[1, 2]` का उपयोग करना।

Arrays को `reshape()` फ़ंक्शन का उपयोग करके विभिन्न आकारों में बदला जा सकता है, बशर्ते तत्वों की कुल संख्या समान रहे।
Arrays को `flatten()` या `ravel()` का उपयोग करके 1D array में बदला जा सकता है।
`np.vstack()` और `np.hstack()` का उपयोग arrays को लंबवत या क्षैतिज रूप से स्टैक करने के लिए किया जाता है।
`np.split()`, `np.vsplit()`, और `np.hsplit()` का उपयोग arrays को विभाजित करने के लिए किया जाता है।
Arrays को `np.concatenate()` का उपयोग करके जोड़ा जा सकता है।

Reshaping और manipulation फ़ंक्शन्स आपको डेटा को विभिन्न संरचनाओं में पुनर्व्यवस्थित करने और उन्हें संयोजित करने में सक्षम बनाते हैं, जो विभिन्न प्रकार के डेटा विश्लेषण कार्यों के लिए आवश्यक है।

एक 6-तत्व 1D array को 2x3 मैट्रिक्स में बदलने के लिए `arr.reshape(2, 3)` का उपयोग करना।

NumPy element-wise संचालन का समर्थन करता है, जैसे कि जोड़, घटाव, गुणा और भाग, दो arrays के बीच या एक array और एक स्केलर के बीच।
यूनिवर्सल फ़ंक्शन्स (ufuncs) जैसे `np.add()`, `np.subtract()`, `np.multiply()`, `np.divide()` का उपयोग element-wise संचालन के लिए किया जा सकता है।
NumPy में `np.sqrt()`, `np.exp()`, `np.sin()`, `np.cos()` जैसे कई अंतर्निहित गणितीय फ़ंक्शन्स हैं जो arrays पर लागू होते हैं।
मैट्रिक्स गुणन `np.dot()` या `@` ऑपरेटर का उपयोग करके किया जाता है।
NumPy arrays के लिए `sum()`, `min()`, `max()`, `mean()`, `std()` जैसे सांख्यिकीय फ़ंक्शन्स प्रदान करता है।

NumPy की कुशल गणितीय संचालन क्षमताएं इसे वैज्ञानिक गणना और डेटा विश्लेषण के लिए एक शक्तिशाली उपकरण बनाती हैं, जिससे जटिल गणनाएं सरल हो जाती हैं।

दो arrays `a` और `b` को element-wise जोड़ने के लिए `np.add(a, b)` का उपयोग करना।

Key takeaways

1NumPy Python में कुशल संख्यात्मक गणनाओं के लिए एक foundational library है, विशेष रूप से arrays के साथ काम करने के लिए।
2Arrays को विभिन्न तरीकों से बनाया जा सकता है, जिसमें lists से रूपांतरण और विशेष फ़ंक्शन्स का उपयोग शामिल है।
3Indexing और slicing arrays के भीतर डेटा तक पहुंचने के लिए आवश्यक तकनीकें हैं।
4Reshaping और concatenation जैसे array manipulation फ़ंक्शन्स डेटा को पुनर्व्यवस्थित करने और संयोजित करने के लिए महत्वपूर्ण हैं।
5NumPy element-wise संचालन और अंतर्निहित गणितीय और सांख्यिकीय फ़ंक्शन्स के माध्यम से कुशल गणना को सक्षम बनाता है।
6मैट्रिक्स गुणन के लिए `np.dot()` या `@` ऑपरेटर का उपयोग करना महत्वपूर्ण है।

Key terms

NumPyArrayIndexingSlicingReshapingUniversal Functions (ufuncs)Element-wise operationsMatrix multiplicationJupyter Labdtype

Test your understanding

1NumPy arrays को Python lists से बनाने की प्रक्रिया क्या है और डेटा टाइप क्यों महत्वपूर्ण है?
2आप NumPy array के एक विशिष्ट तत्व या तत्वों के सबसेट तक कैसे पहुंच सकते हैं?
3NumPy array को विभिन्न आयामों में बदलने के लिए किन फ़ंक्शन्स का उपयोग किया जाता है?
4NumPy arrays पर element-wise गणितीय संचालन कैसे किए जाते हैं?
5NumPy में मैट्रिक्स गुणन को कैसे निष्पादित किया जाता है?