१. परिचय
पाइथन डाटा विश्लेषण, मेसिन लर्निङ, र वैज्ञानिक कम्प्युटिङका लागि धेरै लोकप्रिय प्रोग्रामिङ भाषा हो। तिनीहरू मध्ये, numpy (NumPy) लाइब्रेरी संख्यात्मक कम्प्युटेसनहरूलाई सरलीकरण गर्नका लागि शक्तिशाली उपकरण हो। यो लेखले पाइथनको “np.array” को विस्तृत व्याख्या प्रदान गर्दछ, आधारभूत कुराहरूबाट व्यावहारिक अनुप्रयोगहरू सम्म, र संख्यात्मक डाटा प्रोसेसिङ र विश्लेषणका लागि उपयोगी ठोस प्रविधिहरूको परिचय दिन्छ।
आधिकारिक पृष्ठ
२. numpy के हो?
numpy एक संख्यात्मक कम्प्युटिङ लाइब्रेरी हो जसले बहु-आयामी एरेहरू (ndarray), म्याट्रिक्स अपरेसनहरू, र सांख्यिकीय विश्लेषण सुविधाहरू प्रदान गर्दछ, जसले डाटा विश्लेषणको आधारको रूपमा काम गर्दछ। अन्य पाइथन लाइब्रेरीहरूसँग मिलेर काम गर्दा, यसले जटिल डाटा प्रोसेसिङलाई सरल र छिटो बनाउँछ।
numpy कसरी स्थापना गर्ने
numpy स्थापना गर्न सजिलो छ। तलको कमान्ड चलाउनुहोस्।
pip install numpy
numpy किन छान्ने
numpy को छिटो र कुशल डाटा-प्रोसेसिङ क्षमताहरू वैज्ञानिक कम्प्युटिङ र डाटा साइन्सका लागि अपरिहार्य छन्। numpy बारे थप विवरणका लागि, आधिकारिक कागजात हेर्नुहोस्।
Why NumPy? Powerful n-dimensional arrays. Numerical computin…
३. np.array को आधारभूत कुराहरू
पाइथनको np.array numpy को मुख्य डाटा संरचना हो र संख्यात्मक डाटा कुशलतापूर्वक ह्यान्डल गर्नका लागि कार्यक्षमता समावेश गर्दछ। उदाहरणका लागि, यहाँ एक-आयामी एरे कसरी सिर्जना गर्ने भनेर दिइएको छ।
import numpy as np
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)
सुझाव:
np.arrayको डाटा प्रकार निर्दिष्ट गर्दा मेमोरी दक्षता पनि सुधार्न सकिन्छ। पूर्णांक प्रकारहरू (जस्तैint32) वा फ्लोटिङ-पोइन्ट प्रकारहरू निर्दिष्ट गर्नdtypeतर्क प्रयोग गर्नुहोस्।
४. बहु-आयामी एरेहरू सिर्जना गर्ने
np.array ले बहु-आयामी एरेहरूलाई पनि समर्थन गर्दछ। उदाहरणका लागि, निम्न कोडले दुई-आयामी एरे सिर्जना गर्दछ।
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d)
सामान्य प्रश्नहरू प्रश्न: तीन वा बढी आयामहरू भएका एरेहरू कसरी सिर्जना गर्ने? उत्तर:
np.arrayलाई थप नेस्टेड सूची पास गरेर तिनीहरूलाई सिर्जना गर्न सकिन्छ।
५. एरे अपरेसनहरू
np.array ले इंडेक्सिङ र स्लाइसिङ प्रयोग गरेर तत्वहरू प्राप्त गर्न र आंशिक अपरेसनहरू गर्न अनुमति दिन्छ। तल इंडेक्सिङको आधारभूत उदाहरण छ।
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d[1, 2]) # Output: 6
स्लाइसिङ प्रयोग गरेर, तपाईं विशेष पङ्क्ति वा स्तम्भहरू सजिलै निकाल्न सक्नुहुन्छ।
६. एरेहरूलाई पुन: आकार दिने
डाटा विश्लेषणमा, तपाईंलाई प्रायः एरेहरूको आकार परिवर्तन गर्न आवश्यक पर्छ; reshape विधि प्रयोग गरेर तिनीहरूलाई कुशलतापूर्वक पुन: आकार दिन सकिन्छ।
array_1d = np.array([1, 2, 3, 4, 5, 6])
array_2d = array_1d.reshape(2, 3)
print(array_2d)
सुझाव: पुन: आकार दिनका लागि
resizeविधि पनि प्रयोग गर्न सकिन्छ, तर सावधान रहनुहोस् किनकि यसले मूल एरेलाई प्रत्यक्ष रूपमा परिवर्तन गर्दछ।
७. एरे अपरेसनहरू
numpy को अंकगणितीय क्षमताहरू प्रयोग गरेर एरेहरू बीचका अपरेसनहरू सरल हुन्छन्। तलको उदाहरणले दुई एरेहरूको तत्व-द्वारा थप्ने गर्दछ।
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
print(array1 + array2) # Output: [5 7 9]
सामान्य प्रश्नहरू प्रश्न: फरक आकारका एरेहरूमा अपरेसनहरू गर्न सकिन्छ? उत्तर:
numpyको ब्रोडकास्टिङ सुविधा प्रयोग गरेर, फरक आकारका एरेहरूमा अपरेसनहरू सही रूपमा गर्न सकिन्छ।
८. सांख्यिकीय फङ्कसनहरू प्रयोग गर्ने
डाटा विश्लेषणमा, एरेको औसत, अधिकतम र न्यूनतम मानहरू, र भेरियन्स जस्ता सांख्यिकीय मापनहरू जाँच गर्न महत्वपूर्ण छ। उदाहरणका लागि, तल एरेको औसत कसरी गणना गर्ने भनेर दिइएको छ।
array = np.array([1, 2, 3, 4, 5])
print(array.mean()) # Output: 3.0
९. व्यावहारिक उदाहरण: डाटा विश्लेषणमा अनुप्रयोग
यहाँ, काल्पनिक बिक्री डाटा प्रयोग गरेर, हामी बिक्री वृद्धि दरहरू विश्लेषण गर्नेछौं र मासिक बिक्री प्रवृत्तिहरू जाँच्नेछौं।
import numpy as np
import matplotlib.pyplot as plt
sales_data = np.array([120, 150, 170, 200, 220, 180, 190, 210, 230, 250, 240, 260])
# Monthly sales growth rate
growth_rate = (sales_data[1:] - sales_data[:-1]) / sales_data[:-1] * 100
print("Monthly growth rate:", growth_rate)
# Plotting the sales data
plt.plot(range(1, 13), sales_data, marker='o')
plt.title("Monthly Sales Trend")
plt.xlabel("Month")
plt.ylabel("Sales (thousands)")
plt.grid(True)
plt.show()
सुझाव: डेटा दृश्यीकरणले वृद्धि शिखरहरू र प्रवृत्तिहरूलाई सहजै पहिचान गर्न मद्दत गर्छ, जसले व्यापार विश्लेषणमा सहयोग पुर्याउँछ।
10. सारांश
यो लेखले Python मा np.array को प्रयोगका आधारभूत कुराहरू र डेटा विश्लेषणमा यसको प्रयोगहरू व्याख्या गरेको छ। मुख्य बुँदाहरू तल दिइएका छन्।
- मूलभूत प्रयोग :
np.arrayसिर्जना गर्नु र डेटा प्रकारहरू निर्दिष्ट गर्नु। - बहु-आयामी एरेहरू : दुई-आयामी र तीन-आयामी एरेहरू सिर्जना गर्नु र तिनीहरूलाई हेरफेर गर्नु।
- आकार परिवर्तन :
reshapeरflattenप्रयोग गरेर आकार परिवर्तन गर्ने विधिहरू। - अपरेसनहरू र तथ्यांक : तत्व-स्तरका अपरेसनहरू र सांख्यिकीय मापनहरू गणना गर्नु।
- व्यावहारिक उदाहरणहरू : वृद्धि दरहरू गणना गर्नु र बिक्री डेटा दृश्यीकरण गर्नु।
यी अवधारणाहरू डेटा विश्लेषण र मेसिन लर्निङ परियोजनाहरूको आधार बनाउँछन्, त्यसैले तिनीहरूलाई प्रयोग गर्न नबिर्सनुहोस्। यदि तपाईं आफ्नो बुझाइलाई गहिरो बनाउन चाहनुहुन्छ भने, आधिकारिक numpy दस्तावेजीकरण र अन्य सम्बन्धित विषयहरूलाई पनि सन्दर्भ गर्नुहोस्।
