2:00:00
Complete Data Science Course for Beginners | NumPy | Sheryians AI School
Sheryians AI School
Overview
यह वीडियो डेटा साइंस के लिए NumPy लाइब्रेरी का एक विस्तृत परिचय प्रदान करता है। इसमें NumPy ऐरे बनाने, उन पर विभिन्न ऑपरेशंस करने, और डेटा विश्लेषण के लिए जुपिटर नोटबुक, वीएस कोड और गूगल कोलाब जैसे टूल्स का उपयोग करने के तरीके सिखाए गए हैं। वीडियो में ऐरे इंडेक्सिंग, स्लाइसिंग, और रीशेपिंग जैसी महत्वपूर्ण अवधारणाओं को भी समझाया गया है, जो डेटा साइंस में आगे की पढ़ाई के लिए एक मजबूत नींव प्रदान करती हैं।
How was this?
Save this permanently with flashcards, quizzes, and AI chat
Chapters
- नोटबुक (जैसे जुपिटर नोटबुक) कोड लिखने, रन करने और आउटपुट देखने के लिए एक इंटरैक्टिव एनवायरनमेंट प्रदान करती हैं।
- नोटबुक में नोट्स, समीकरण और इमेजज़ भी शामिल किए जा सकते हैं, जो डेटा विश्लेषण और विज़ुअलाइज़ेशन के लिए उपयोगी हैं।
- एनाकोंडा डिस्ट्रीब्यूशन जुपिटर नोटबुक और NumPy जैसी कई आवश्यक लाइब्रेरीज़ को प्री-इंस्टॉल्ड प्रदान करता है, जिससे इंस्टॉलेशन प्रक्रिया सरल हो जाती है।
- एनाकोंडा को डाउनलोड और इंस्टॉल करने के बाद, जुपिटर नोटबुक को एनाकोंडा नेविगेटर के माध्यम से लॉन्च किया जा सकता है।
नोटबुक डेटा साइंस वर्कफ़्लो के लिए एक महत्वपूर्ण टूल हैं, जो कोड को व्यवस्थित करने और परिणामों को स्पष्ट रूप से प्रस्तुत करने में मदद करती हैं। एनाकोंडा का उपयोग इंस्टॉलेशन को सरल बनाता है।
एनाकोंडा डाउनलोड पेज पर जाकर एनाकोंडा डिस्ट्रीब्यूशन डाउनलोड करना और फिर एनाकोंडा नेविगेटर से जुपिटर नोटबुक लॉन्च करना।
- जुपिटर नोटबुक वेब-आधारित इंटरफ़ेस पर काम करती है, जहाँ कोड को सेल्स में लिखा और एग्जीक्यूट किया जाता है।
- शिफ्ट + एंटर दबाकर सेल को एग्जीक्यूट किया जा सकता है, और आउटपुट उसी सेल के नीचे दिखाई देता है।
- नोटबुक में सेल्स इंटरकनेक्टेड होते हैं, जिसका अर्थ है कि एक सेल में परिभाषित वेरिएबल या फ़ंक्शन दूसरे सेल में उपयोग किए जा सकते हैं।
- वीएस कोड में भी एक्सटेंशन इंस्टॉल करके जुपिटर नोटबुक का उपयोग किया जा सकता है, और गूगल कोलाब क्लाउड-आधारित विकल्प प्रदान करता है जिसमें GPU सपोर्ट भी शामिल है।
यह समझना कि नोटबुक कैसे काम करती है, आपको कोड लिखने, प्रयोग करने और डेटा विश्लेषण के परिणामों को प्रभावी ढंग से प्रस्तुत करने में सक्षम बनाता है।
एक सेल में `print('Hello')` लिखना और शिफ्ट + एंटर दबाकर आउटपुट देखना, या एक सेल में फ़ंक्शन परिभाषित करके दूसरे सेल में उसे कॉल करना।
- Python में मूल रूप से ऐरे (arrays) का अभाव था, जो गणितीय गणनाओं के लिए महत्वपूर्ण हैं।
- NumPy को न्यूमेरिक लाइब्रेरी और नम ऐरे जैसी पिछली लाइब्रेरीज को मिलाकर बनाया गया था ताकि Python में कुशल ऐरे सपोर्ट प्रदान किया जा सके।
- NumPy को C में लिखा गया है, जो इसे Python लिस्ट की तुलना में 50 गुना तक तेज बनाता है।
- NumPy की उच्च प्रदर्शन और मेमोरी दक्षता इसे डेटा साइंस और वैज्ञानिक कंप्यूटिंग के लिए एक अनिवार्य लाइब्रेरी बनाती है।
NumPy की उत्पत्ति और प्रदर्शन लाभों को समझना इसके महत्व को रेखांकित करता है और बताता है कि यह डेटा साइंस में क्यों इतना व्यापक रूप से उपयोग किया जाता है।
NumPy ऐरे Python लिस्ट की तुलना में 50 गुना तेज होते हैं क्योंकि NumPy को C में लिखा गया है।
- NumPy ऐरे Python लिस्ट से बनाए जाते हैं, लेकिन वे केवल एक ही डेटा प्रकार (homogeneous) के तत्वों को स्टोर करते हैं।
- Python लिस्ट के विपरीत, NumPy ऐरे अधिक मेमोरी-कुशल होते हैं और तेज प्रदर्शन प्रदान करते हैं।
- ऐरे को `np.array()` फ़ंक्शन का उपयोग करके बनाया जा सकता है।
- NumPy ऐरे में डेटा प्रकार स्वचालित रूप से परिवर्तित हो सकते हैं (जैसे इंटीजर से फ्लोट या स्ट्रिंग में) यदि वे मिश्रित हों।
NumPy ऐरे बनाने की क्षमता डेटा विश्लेषण के लिए पहला कदम है, और उनके डेटा प्रकार और प्रदर्शन लाभों को समझना महत्वपूर्ण है।
एक Python लिस्ट `[1, 2, 3, 4]` को `np.array([1, 2, 3, 4])` का उपयोग करके NumPy ऐरे में बदलना।
- `np.arange()` फ़ंक्शन एक निर्दिष्ट रेंज में समान दूरी वाले मानों के साथ ऐरे बनाता है, जैसे Python का `range()`।
- `np.zeros()` और `np.ones()` फ़ंक्शन क्रमशः शून्य या एक से भरे हुए ऐरे बनाते हैं, जिन्हें मैट्रिक्स के आकार में भी निर्दिष्ट किया जा सकता है।
- `np.linspace()` फ़ंक्शन एक निर्दिष्ट अंतराल में समान दूरी वाले मानों के साथ ऐरे बनाता है, जहाँ तत्वों की संख्या निर्दिष्ट की जाती है।
- रैंडम नंबर जनरेट करने के लिए `np.random.rand()` (0 और 1 के बीच), `np.random.randn()` (मानक सामान्य वितरण), और `np.random.randint()` (पूर्णांकों की रेंज) जैसे फ़ंक्शन का उपयोग किया जाता है।
ये फ़ंक्शंस विभिन्न प्रकार के डेटा के साथ ऐरे को कुशलतापूर्वक बनाने के लिए शॉर्टकट प्रदान करते हैं, जो सिमुलेशन और डेटासेट निर्माण के लिए उपयोगी हैं।
10 से 20 के बीच 5 रैंडम पूर्णांक उत्पन्न करने के लिए `np.random.randint(10, 20, size=5)` का उपयोग करना।
- ऐरे एट्रिब्यूट्स जैसे `.shape`, `.size`, और `.dtype` ऐरे के आयाम, तत्वों की कुल संख्या और डेटा प्रकार के बारे में जानकारी प्रदान करते हैं।
- ऐरे मेथड्स जैसे `.min()`, `.max()`, `.sum()`, `.mean()`, `.std()` ऐरे के तत्वों पर गणितीय गणनाएँ करते हैं।
- `.sum()` जैसे मेथड को `axis` पैरामीटर के साथ उपयोग करके पंक्तियों (rows) या कॉलम (columns) के अनुसार गणना की जा सकती है।
- `.argmax()` और `.argmin()` मेथड ऐरे में अधिकतम और न्यूनतम मानों के इंडेक्स लौटाते हैं।
ऐरे के गुणों और उन पर लागू होने वाले मेथड्स को समझना आपको डेटा का विश्लेषण करने और उससे महत्वपूर्ण जानकारी निकालने में मदद करता है।
एक 2D ऐरे के लिए `.shape` एट्रिब्यूट का उपयोग करके पंक्तियों और कॉलम की संख्या प्राप्त करना।
- रीशेपिंग (`.reshape()`) ऐरे के आयामों को बदलने की अनुमति देता है, बशर्ते कि तत्वों की कुल संख्या समान रहे।
- रीसाइज़िंग (`.resize()`) ऐरे के आकार को बदलता है और यदि आवश्यक हो तो नए तत्वों को जोड़ता है या मौजूदा को हटाता है।
- रीशेपिंग का उपयोग करके 1D ऐरे को 2D मैट्रिक्स में या इसके विपरीत बदला जा सकता है।
- रीशेपिंग करते समय, नए आकार में तत्वों की कुल संख्या मूल ऐरे के तत्वों की कुल संख्या के बराबर होनी चाहिए।
डेटा को विभिन्न आकारों और आयामों में पुनर्व्यवस्थित करने की क्षमता विभिन्न एल्गोरिदम और विज़ुअलाइज़ेशन तकनीकों के लिए आवश्यक है।
30 तत्वों वाले 1D ऐरे को 6 पंक्तियों और 5 कॉलम वाले 2D ऐरे में बदलने के लिए `.reshape(6, 5)` का उपयोग करना।
- वेक्टर (1D ऐरे) की इंडेक्सिंग Python लिस्ट के समान है, जहाँ पहला तत्व इंडेक्स 0 पर होता है।
- स्लाइसिंग का उपयोग करके ऐरे के एक हिस्से (सब-ऐरे) को निकाला जा सकता है, जिसमें स्टार्ट, स्टॉप और स्टेप पैरामीटर का उपयोग किया जाता है।
- मैट्रिक्स (2D ऐरे) की इंडेक्सिंग में पंक्तियों और कॉलम दोनों को निर्दिष्ट किया जाता है, जैसे `arr[row_index, column_index]`।
- बूलियन इंडेक्सिंग का उपयोग करके विशिष्ट शर्तों को पूरा करने वाले तत्वों का चयन किया जा सकता है।
डेटा के विशिष्ट हिस्सों तक पहुँचने और उन्हें निकालने की क्षमता डेटा विश्लेषण और हेरफेर के लिए मौलिक है।
एक मैट्रिक्स से दूसरी पंक्ति (इंडेक्स 1) को एक्सेस करने के लिए `arr[1]` का उपयोग करना, या एक विशिष्ट तत्व (जैसे तीसरी पंक्ति, दूसरे कॉलम) को एक्सेस करने के लिए `arr[2, 1]` का उपयोग करना।
Key takeaways
- NumPy ऐरे Python लिस्ट की तुलना में अधिक कुशल और तेज होते हैं, जो उन्हें बड़े डेटासेट के लिए आदर्श बनाते हैं।
- जुपिटर नोटबुक, वीएस कोड, और गूगल कोलाब जैसे टूल डेटा विश्लेषण के लिए इंटरैक्टिव एनवायरनमेंट प्रदान करते हैं।
- NumPy ऐरे बनाने के लिए `arange`, `zeros`, `ones`, `linspace`, और विभिन्न रैंडम फ़ंक्शंस का उपयोग किया जा सकता है।
- ऐरे के `.shape`, `.size`, `.dtype` जैसे एट्रिब्यूट्स और `.min()`, `.max()`, `.sum()` जैसे मेथड्स डेटा को समझने और उसका विश्लेषण करने में मदद करते हैं।
- ऐरे को `.reshape()` का उपयोग करके विभिन्न आयामों में बदला जा सकता है, बशर्ते तत्वों की कुल संख्या समान रहे।
- इंडेक्सिंग और स्लाइसिंग का उपयोग करके ऐरे के विशिष्ट तत्वों या हिस्सों तक पहुँचा जा सकता है और उन्हें निकाला जा सकता है।
- NumPy डेटा साइंस, मशीन लर्निंग और वैज्ञानिक कंप्यूटिंग के लिए एक foundational लाइब्रेरी है।
Key terms
NumPyArrayJupyter NotebookAnacondaVS CodeGoogle ColabHomogeneous Data TypeVectorMatrixTensorIndexingSlicingReshapingBoolean IndexingAxis
Test your understanding
- NumPy ऐरे Python लिस्ट की तुलना में क्यों बेहतर माने जाते हैं?
- जुपिटर नोटबुक का उपयोग करके आप कोड कैसे लिखते और एग्जीक्यूट करते हैं?
- NumPy में ऐरे बनाने के लिए उपयोग किए जाने वाले किन्हीं तीन फ़ंक्शंस का वर्णन करें।
- एक 2D NumPy ऐरे के लिए `.shape` एट्रिब्यूट क्या जानकारी प्रदान करता है?
- NumPy में मैट्रिक्स इंडेक्सिंग का उपयोग करके किसी विशिष्ट तत्व तक कैसे पहुँचा जा सकता है?