NumPy এর সংক্ষিপ্ত ভূমিকা

NumPy লাইব্রেরি এবং ufuncs এর কিছু প্রাথমিক জ্ঞান

NumPy হল সংখ্যাসূচক পাইথন এবং একটি পাইথন অ্যারের সাথে কাজ করার জন্য লাইব্রেরি। এই অ্যারেগুলির সাহায্যে, রৈখিক বীজগণিত থেকে উপাদানগুলি, যেমন ভেক্টর এবং ম্যাট্রিসগুলিকে উপস্থাপন করা যেতে পারে পাইথন. যেহেতু লাইব্রেরির একটি বড় অংশ সি তে লেখা, তাই এটি বড় ম্যাট্রিক্সের সাথেও বিশেষভাবে দক্ষ এবং দ্রুত গণনা করতে পারে।

পাইথন অতিরিক্ত লাইব্রেরি ছাড়াই ডেটা সঞ্চয় করতে ব্যবহার করা যেতে পারে এমন বিভিন্ন ডেটা স্ট্রাকচার অফার করে। তবে এসব কাঠামো যেমন পাইথন তালিকা, শুধুমাত্র গাণিতিক ক্রিয়াকলাপের জন্য খুব খারাপভাবে উপযুক্ত। দুটি যোগ করা হচ্ছে তালিকা বৃহৎ পরিমাণ ডেটা নিয়ে কাজ করার সময় উপাদান দ্বারা সংখ্যার উপাদান দ্রুত কর্মক্ষমতার জন্য ক্ষতিকর হতে পারে।

এই কারণে, NumPy তৈরি করা হয়েছিল, কারণ এটি সংখ্যাসূচক ক্রিয়াকলাপগুলি দ্রুত এবং দক্ষতার সাথে সম্পাদন করার সম্ভাবনা সরবরাহ করে। বিশেষ করে গুরুত্বপূর্ণ হল রৈখিক বীজগণিতের ক্ষেত্র থেকে গণনা, যেমন ম্যাট্রিক্স গুণ।

NumPy, অন্যান্য অনেক লাইব্রেরির মতো, পিপ ব্যবহার করে একটি নোটবুক থেকে সরাসরি ইনস্টল করা যেতে পারে। এটি করার জন্য, মডিউল নামের সাথে একসাথে "pip install" কমান্ডটি ব্যবহার করুন। এই লাইনের আগে একটি বিস্ময়বোধক চিহ্ন থাকতে হবে যাতে নোটবুকটি স্বীকার করে যে এটি একটি টার্মিনাল কমান্ড:

ইনস্টলেশন সফল হলে, মডিউলটি সহজভাবে আমদানি করা এবং নোটবুকে ব্যবহার করা যেতে পারে। সংক্ষিপ্ত রূপ "np" প্রায়শই এখানে ব্যবহার করা হয় প্রোগ্রামিং চলাকালীন একটু সময় বাঁচানোর জন্য এবং প্রতিবার NumPy প্রবেশ করতে হবে না:

NumPy অ্যারেগুলি প্রচলিত এর একটি বৈধ বিকল্প পাইথন তালিকা. তারা ডেটার বহুমাত্রিক সংগ্রহ সঞ্চয় করার সম্ভাবনা অফার করে। বেশিরভাগ ক্ষেত্রে, সংখ্যাগুলি সংরক্ষণ করা হয় এবং অ্যারেগুলি ভেক্টর বা ম্যাট্রিস হিসাবে ব্যবহৃত হয়। উদাহরণস্বরূপ, একটি এক-মাত্রিক ভেক্টর দেখতে এইরকম হতে পারে:

NumPy অ্যারেগুলির বিভিন্ন ফাংশন ছাড়াও, যা আমরা একটি পৃথক পোস্টে কভার করব, সম্ভাব্য মাত্রাগুলি পার্থক্যের জন্য এখনও গুরুত্বপূর্ণ:

নিম্নলিখিত মাত্রিকতা আলাদা করা হয়:

• 0D — অ্যারে: এটি কেবল একটি স্কেলার, অর্থাৎ একটি একক সংখ্যা বা মান।
• 1D — অ্যারে: এটি একটি ভেক্টর, এক মাত্রার সংখ্যা বা মানের স্ট্রিং হিসাবে।
• 2D — অ্যারে: এই ধরনের অ্যারে একটি ম্যাট্রিক্স, অর্থাৎ, বেশ কয়েকটি 1D — অ্যারের সংগ্রহ।
• 3D — অ্যারে: বেশ কিছু ম্যাট্রিক্স একটি তথাকথিত টেনসর গঠন করে। আমরা আমাদের নিবন্ধে আরও বিস্তারিতভাবে এগুলি ব্যাখ্যা করেছি TensorFlow.

উৎসের উপর নির্ভর করে, NumPy অ্যারে এবং এর মধ্যে বেশ কিছু মৌলিক পার্থক্য রয়েছে পাইথন তালিকা. সবচেয়ে সাধারণভাবে উল্লেখ করা হয়:

1. মেমরি খরচ: অ্যারেগুলি এমনভাবে প্রোগ্রাম করা হয় যে তারা মেমরির একটি নির্দিষ্ট অংশ দখল করে। তারপর অ্যারের সমস্ত উপাদান সেখানে অবস্থিত। ক এর উপাদান তালিকাঅন্যদিকে, স্মৃতিতে অনেক দূরে থাকতে পারে। ফলস্বরূপ, ক তালিকা একটি অভিন্ন অ্যারের চেয়ে বেশি মেমরি খরচ করে।
2. গতি: অ্যারে এর চেয়ে অনেক দ্রুত প্রক্রিয়া করা যেতে পারে তালিকা তাদের কম মেমরি খরচের কারণে। এটি কয়েক মিলিয়ন উপাদান সহ বস্তুর জন্য একটি উল্লেখযোগ্য পার্থক্য করতে পারে।
3. কার্যকারিতার: অ্যারেগুলি উল্লেখযোগ্যভাবে আরও কার্যকারিতা অফার করে, উদাহরণস্বরূপ, তারা উপাদান দ্বারা উপাদান ক্রিয়াকলাপের অনুমতি দেয়, যেখানে তালিকাগুলি করে না।

তথাকথিত "ইউনিভার্সাল ফাংশন" (সংক্ষিপ্ত: ufuncs) ব্যবহার করা হয় উপাদান দ্বারা নির্দিষ্ট অপারেশন উপাদান চালানোর জন্য নয়, কিন্তু সরাসরি সমগ্র অ্যারের জন্য। কম্পিউটার প্রোগ্রামিং-এ, একজন তথাকথিত ভেক্টরাইজেশনের কথা বলে যখন সম্পূর্ণ ভেক্টরের জন্য কমান্ড সরাসরি কার্যকর করা হয়।

এটি শুধুমাত্র প্রোগ্রামিংয়ে অনেক দ্রুত নয়, দ্রুত গণনার দিকেও নিয়ে যায়। NumPy-এ, এই ইউনিভার্সাল ফাংশনগুলির মধ্যে বেশ কয়েকটি অফার করা হয়, যেগুলি বিভিন্ন অপারেশনের জন্য ব্যবহার করা যেতে পারে। সবচেয়ে পরিচিত মধ্যে হল:

• "add()" দিয়ে আপনি উপাদান অনুসারে বেশ কয়েকটি অ্যারে উপাদান যোগ করতে পারেন।
• "বিয়োগ()" হল ঠিক বিপরীত এবং অ্যারে উপাদানটিকে উপাদান দ্বারা বিয়োগ করে।
• "multiply()" উপাদান দ্বারা দুটি অ্যারে উপাদানকে গুণ করে।
• "matmul()" দুটি অ্যারের ম্যাট্রিক্স গুণফল গঠন করে। মনে রাখবেন যে বেশিরভাগ ক্ষেত্রে এটি "গুণ()" এর মতো একই ফলাফল দেবে না।

• NumPy হল সংখ্যাসূচক পাইথন এবং অ্যারেগুলির সাথে কাজ করার জন্য একটি পাইথন লাইব্রেরি।
• এই অ্যারেগুলির সাহায্যে, রৈখিক বীজগণিত থেকে উপাদানগুলি, যেমন ভেক্টর এবং ম্যাট্রিক্স, পাইথনে উপস্থাপন করা যেতে পারে।
• যেহেতু লাইব্রেরির বেশিরভাগ অংশ সি তে লেখা, তাই এটি বড় ম্যাট্রিক্সের সাথেও বিশেষভাবে দক্ষ এবং দ্রুত গণনা করতে পারে।
• NumPy অ্যারেগুলি পাইথন তালিকার সাথে তুলনীয় তবে মেমরির প্রয়োজনীয়তা এবং প্রক্রিয়াকরণের গতিতে তাদের থেকে উল্লেখযোগ্যভাবে উচ্চতর।

NumPy-এর সংক্ষিপ্ত ভূমিকা সূত্র https://towardsdatascience.com/feed এর মাধ্যমে পুনঃপ্রকাশিত https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4

<!–

->