NumPy: सङ्ख्याको एरेसँग काम

NumPy स्थापना

यदि पहिले नै गर्नुभएको छैन भने, परियोजनामा स्थापना गर्नुहोस्। परियोजना फोल्डरबाट टर्मिनलमा:

pip install numpy

नोटबुकमा सेलको सुरुमा ! लगाएर पनि उही गर्न सकिन्छ:

!pip install numpy

यो प्रति परियोजना एक पटक मात्र गर्ने हो। (हामी अध्याय 4 मा “प्रति परियोजना” को अर्थ ठीकसँग बुझ्नेछौं।)

काम गरेको जाँच्न, नोटबुक सेलमा:

import numpy as np
print(np.__version__)

import numpy as np विश्वव्यापी संयम हो। झन्डै हरेक NumPy ट्युटोरियल, पुस्तकालय, र पुस्तकमा छोटो नाम np हुन्छ। भीडलाई पछ्याउनुहोस्।

तपाईंको पहिलो एरे

एरे सूचीको NumPy संस्करण हो। Python सूचीबाट बनाउनुहोस्:

import numpy as np

temps = np.array([22.4, 24.1, 19.8, 21.7, 23.0])
print(temps)

यसले प्रिन्ट गर्छ:

[22.4 24.1 19.8 21.7 23.  ]

बिना अल्पविरामको सूची जस्तो देखिन्छ। लगभग त्यही नै हो — तर गणित गर्न धेरै छिटो, किनभने NumPy ले भित्री रूपमा सङ्ख्याहरूलाई स्मरणको एउटै कसिएको ब्लकमा भण्डारण गर्छ र अनुकूलित C कोडले सञ्चालन गर्छ।

केही उपयोगी निर्मित:

temps.mean()       # 22.2 — औसत
temps.max()        # 24.1
temps.min()        # 19.8
temps.sum()        # 111.0
len(temps)         # 5
temps.shape        # (5,) — एरेको आयाम

shape NumPy को सबैभन्दा महत्त्वपूर्ण अवधारणामध्ये एक हो। हामी एकैछिनमा दुई-आयामिक एरेमा पुग्नेछौं, र पुगेपछि आकार थाहा हुनु आवश्यक हुन्छ।

ठूलो विचार: भेक्टराइजेसन

सादा Python मा, सेल्सियस तापक्रमलाई फरेनहाइटमा बदल्न लूप लेख्नुपर्थ्यो:

celsius = [22.4, 24.1, 19.8, 21.7, 23.0]
fahrenheit = []
for c in celsius:
    fahrenheit.append(c * 9 / 5 + 32)

NumPy मा, तपाईं जे चाहनुहुन्छ त्यही लेख्नुहोस्:

celsius = np.array([22.4, 24.1, 19.8, 21.7, 23.0])
fahrenheit = celsius * 9 / 5 + 32

एउटै लाइन। लूप छैन। NumPy ले सञ्चालनलाई एकैचोटि हरेक तत्त्वमा लागू गर्छ, र छिटो कम्पाइल गरिएको कोडमा गर्छ। यसलाई भेक्टराइजेसन भनिन्छ, र NumPy अस्तित्वमा रहनुको एकल सबैभन्दा ठूलो कारण यही हो। एक पटक तपाईंले आत्मसात् गर्नुभयो भने धेरै फरक कोड लेख्नुहुन्छ।

केही थप उदाहरण:

temps + 5          # हरेक तापक्रममा 5 थप्नुहोस्
temps * 2          # हरेक तापक्रमलाई दोब्बर बनाउनुहोस्
temps > 22         # True/False को एरे — हरेक तापक्रम 22 भन्दा माथि हो?
temps[temps > 22]  # 22 भन्दा माथिका तापक्रम मात्र

अन्तिम लाइन सानो प्रकाशन हो। NumPy ले तपाईंलाई सर्तले सूचकाङ्क गर्न दिन्छ — बुलियनको एरे दिनुहोस् र यसले शर्त सत्य भएको तत्त्व फिर्ता दिन्छ। यो ढाँचालाई बुलियन मास्किङ भनिन्छ, र वास्तविक डाटा कामका हरेक ठाउँमा छ।

दुई आयाम: सानो म्याट्रिक्स

वास्तविक डाटा विरलै एउटै पङ्क्ति हुन्छ। यो पङ्क्ति र स्तम्भ हुन्छन् — मौसम स्टेसनहरूको सूची, प्रत्येकमा सात दिनका पढाइ; खल्ती खाताहरूको सूची, प्रत्येकमा एक वर्षको मासिक मौज्दात। NumPy ले यसलाई 2D एरे ले सम्हाल्छ:

readings = np.array([
    [22.4, 24.1, 19.8, 21.7, 23.0],   # काठमाडौं
    [28.6, 29.1, 27.4, 28.9, 28.3],   # बीरगन्ज
    [15.2, 16.4, 14.0, 15.8, 15.1],   # जोमसोम
])

print(readings.shape)   # (3, 5) — 3 पङ्क्ति, 5 स्तम्भ
print(readings.mean())                 # सबैको औसत
print(readings.mean(axis=1))           # प्रति पङ्क्ति औसत → प्रति शहर
print(readings.mean(axis=0))           # प्रति स्तम्भ औसत → प्रति दिन

shape ले पङ्क्ति र स्तम्भको सङ्ख्या भन्छ। axis=1 ले “स्तम्भ खुम्च्याउनुहोस्, प्रति पङ्क्ति एउटा मान दिनुहोस्” भन्छ। axis=0 ले “पङ्क्ति खुम्च्याउनुहोस्, प्रति स्तम्भ एउटा मान दिनुहोस्” भन्छ। axis सानो विचार हो जुन पहिलो तीन-चार पटक प्रयोग गर्दा गलत हुन्छ; यो सामान्य हो।

विशिष्ट पङ्क्ति र स्तम्भमा पनि सूचकाङ्क लगाउन सकिन्छ:

readings[0]         # पहिलो पङ्क्ति — काठमाडौंका सबै पढाइ
readings[0, 2]      # पङ्क्ति 0, स्तम्भ 2 — काठमाडौंको तेस्रो दिनको पढाइ
readings[:, 2]      # स्तम्भ 2 — हरेक शहरको तेस्रो दिनको पढाइ

कोलोनको अर्थ “यो अक्षको सबै” हो।

सय पटक लेख्ने सामान्य सञ्चालन

सानो सूची, सबै नोटबुकमा प्रयास गर्नुहोस् क्विजअघि:

np.zeros(5)              # पाँच शून्यको एरे
np.ones((3, 4))          # 3×4 एकहरूको एरे
np.arange(0, 10, 2)      # [0, 2, 4, 6, 8]
np.linspace(0, 1, 11)    # [0.0, 0.1, 0.2, ..., 1.0] — 11 समान दूरीका
np.random.rand(5)        # 0 र 1 बीचका 5 अनियमित दशमलव

np.arange Python को range को NumPy संस्करण हो। np.linspace अमूल्य छ जब निश्चित सङ्ख्याका समान दूरीका बिन्दु चाहिन्छ (जस्तै, प्लट गर्न)। np.random.rand केहीको परीक्षण गर्दा सस्तो नक्कली डाटा बनाउने तरिका हो।

आफ्नो बुझाइ जाँच्नुहोस्

Quick check

—

यो कोडले के प्रिन्ट गर्छ? import numpy as np a = np.array([10, 20, 30, 40, 50]) print((a > 25).sum())

1. A3
2. B125
3. C5
4. D0

Check answer→

Quick check

—

2D एरेको shape (4, 6) छ। कुन सही हो?

1. Aयसमा 6 पङ्क्ति र 4 स्तम्भ छन्।
2. Bयसमा 4 पङ्क्ति र 6 स्तम्भ छन्, जम्मा 24 तत्त्व।
3. Cयसमा 10 तत्त्व छन् वर्गाकारमा मिलाएर।
4. DNumPy ले कहिल्यै shape लाई टपलका रूपमा रिपोर्ट गर्दैन — यो प्रश्न गलत छ।

Check answer→

अब के आउँछ

NumPy इन्जिन हो। अर्को खण्डको pandas अधिक सामान्य अवस्थाका लागि मित्रवत् इन्टरफेस हो: नाम भएका स्तम्भहरूसहितको तालिका। Pandas DataFrames प्रत्यक्ष NumPy एरेहरूमाथि बनेका छन् — तपाईंले भर्खर भेटेका सबै गति-फाइदाहरू अघि सर्छन्, स्तम्भ सूचकाङ्कको सट्टा नामको थप सुविधासहित। त्यसपछि matplotlib ले तपाईंका सङ्ख्याहरूले के गरिरहेका छन् अन्ततः देख्न दिन्छ।