NumPy کا مختصر تعارف

NumPy لائبریری اور ufuncs کے بارے میں کچھ بنیادی معلومات

NumPy کا مطلب عددی Python ہے اور یہ ایک ہے۔ ازگر صفوں کے ساتھ کام کرنے کے لیے لائبریری۔ ان صفوں کی مدد سے، لکیری الجبرا کے عناصر، جیسے کہ ویکٹر اور میٹرکس، کی نمائندگی کی جا سکتی ہے۔ ازگر. چونکہ لائبریری کا ایک بڑا حصہ C میں لکھا گیا ہے، اس لیے یہ بڑی میٹرک کے ساتھ بھی خاص طور پر موثر اور تیز رفتار حساب کتاب کر سکتی ہے۔

ازگر ڈیٹا ڈھانچے کی ایک قسم پیش کرتا ہے جو اضافی لائبریریوں کے بغیر ڈیٹا کو ذخیرہ کرنے کے لیے استعمال کیا جا سکتا ہے۔ تاہم، یہ ڈھانچے، جیسے ازگر کی فہرستیں۔, صرف ریاضی کی کارروائیوں کے لیے انتہائی ناقص موزوں ہیں۔ دو کو شامل کرنا فہرستوں بڑی مقدار میں ڈیٹا کے ساتھ کام کرتے وقت عنصر کی تعداد کا عنصر تیزی سے کارکردگی کے لیے نقصان دہ ہو سکتا ہے۔

اس وجہ سے، NumPy کو تیار کیا گیا تھا، کیونکہ یہ عددی کارروائیوں کو تیزی اور مؤثر طریقے سے انجام دینے کا امکان فراہم کرتا ہے۔ خاص طور پر اہم ہیں لکیری الجبرا کے میدان سے حسابات، جیسے میٹرکس ضرب۔

NumPy، بہت سی دوسری لائبریریوں کی طرح، پائپ کا استعمال کرتے ہوئے نوٹ بک سے براہ راست انسٹال کیا جا سکتا ہے۔ ایسا کرنے کے لیے، ماڈیول کے نام کے ساتھ "pip install" کمانڈ استعمال کریں۔ اس لائن سے پہلے ایک فجائیہ نشان ہونا چاہیے تاکہ نوٹ بک پہچان لے کہ یہ ایک ٹرمینل کمانڈ ہے:

اگر انسٹالیشن کامیاب رہی تو ماڈیول کو آسانی سے درآمد کیا جا سکتا ہے اور نوٹ بک میں استعمال کیا جا سکتا ہے۔ مخفف "np" اکثر یہاں پروگرامنگ کے دوران تھوڑا سا وقت بچانے کے لیے استعمال کیا جاتا ہے اور ہر بار NumPy داخل کرنے کی ضرورت نہیں ہے:

NumPy arrays روایتی کا ایک درست متبادل ہیں۔ ازگر کی فہرستیں۔. وہ ڈیٹا کے کثیر جہتی مجموعوں کو ذخیرہ کرنے کا امکان پیش کرتے ہیں۔ زیادہ تر معاملات میں، نمبرز کو محفوظ کیا جاتا ہے اور صفوں کو ویکٹر یا میٹرکس کے طور پر استعمال کیا جاتا ہے۔ مثال کے طور پر، ایک جہتی ویکٹر اس طرح نظر آ سکتا ہے:

NumPy arrays کے مختلف افعال کے علاوہ، جن کا ہم ایک الگ پوسٹ میں احاطہ کریں گے، تفریق کے لیے ممکنہ جہتیں اب بھی اہم ہیں:

درج ذیل جہتوں کو ممتاز کیا جاتا ہے:

• 0D — صف: یہ صرف ایک اسکیلر ہے، یعنی ایک عدد یا قدر۔
• 1D — صف: یہ ایک ویکٹر ہے، ایک جہت میں اعداد یا اقدار کی تار کے طور پر۔
• 2D — صف: اس قسم کی صف ایک میٹرکس ہے، یعنی کئی 1D — arrays کا مجموعہ۔
• 3D — صف: کئی میٹرکس ایک نام نہاد ٹینسر بناتے ہیں۔ ہم نے اپنے مضمون میں ان کو مزید تفصیل سے بیان کیا ہے۔ TensorFlow.

ماخذ پر منحصر ہے، NumPy arrays اور کے درمیان کئی، بنیادی فرق ہیں۔ ازگر کی فہرستیں۔. سب سے زیادہ ذکر کردہ میں سے ہیں:

1. یادداشت کی کھپت: Arrays کو اس طرح سے پروگرام کیا جاتا ہے کہ وہ میموری کے ایک خاص حصے پر قابض ہوں۔ صف کے تمام عناصر پھر وہاں واقع ہیں۔ a کے عناصر فہرستدوسری طرف، یادداشت میں بہت دور ہوسکتا ہے۔ نتیجے کے طور پر، ایک فہرست ایک جیسی صف سے زیادہ میموری استعمال کرتا ہے۔
2. رفتار تیز: Arrays پر بھی اس سے کہیں زیادہ تیزی سے کارروائی کی جا سکتی ہے۔ فہرستوں ان کی کم میموری کی کھپت کی وجہ سے۔ یہ کئی ملین عناصر والی اشیاء کے لیے ایک اہم فرق کر سکتا ہے۔
3. فعالیت: Arrays نمایاں طور پر زیادہ افعال پیش کرتے ہیں، مثال کے طور پر، وہ عنصر بہ عنصر کی کارروائیوں کی اجازت دیتے ہیں، جبکہ فہرستیں ایسا نہیں کرتی ہیں۔

نام نہاد "یونیورسل فنکشنز" (مختصر: ufuncs) استعمال کیے جاتے ہیں جن کو عنصر کے لحاظ سے کچھ آپریشنز کو انجام دینے کی ضرورت نہیں ہوتی ہے، بلکہ براہ راست پوری صف کے لیے۔ کمپیوٹر پروگرامنگ میں، ایک نام نہاد ویکٹرائزیشن کی بات کرتا ہے جب کمانڈ پورے ویکٹر کے لیے براہ راست عمل میں آتے ہیں۔

یہ نہ صرف پروگرامنگ میں زیادہ تیز ہے، بلکہ تیزی سے حساب کتاب بھی کرتا ہے۔ NumPy میں، ان میں سے کئی یونیورسل فنکشنز پیش کیے جاتے ہیں، جنہیں مختلف قسم کے آپریشنز کے لیے استعمال کیا جا سکتا ہے۔ سب سے مشہور میں سے ہیں:

• "add()" کے ساتھ آپ عنصر کے لحاظ سے کئی arrays عنصر کو جمع کر سکتے ہیں۔
• "subtract()" بالکل مخالف ہے اور ارے عنصر کو عنصر کے لحاظ سے گھٹاتا ہے۔
• "multiply()" دو صفوں کے عنصر کو عنصر سے ضرب دیتا ہے۔
• "matmul()" دو صفوں کا میٹرکس پروڈکٹ بناتا ہے۔ نوٹ کریں کہ زیادہ تر معاملات میں یہ وہی نتیجہ نہیں دے گا جیسا کہ "multiply()"۔

• NumPy کا مطلب عددی Python ہے اور یہ صفوں کے ساتھ کام کرنے کے لیے ایک ازگر کی لائبریری ہے۔
• ان صفوں کی مدد سے، لکیری الجبرا کے عناصر، جیسے ویکٹر اور میٹرکس، کو ازگر میں دکھایا جا سکتا ہے۔
• چونکہ لائبریری کا زیادہ تر حصہ C میں لکھا گیا ہے، اس لیے یہ بڑی میٹرک کے ساتھ بھی خاص طور پر موثر اور تیز حساب کتاب کر سکتی ہے۔
• NumPy arrays کا موازنہ Python کی فہرستوں سے کیا جاسکتا ہے لیکن میموری کی ضروریات اور پروسیسنگ کی رفتار میں ان سے نمایاں طور پر برتر ہیں۔

NumPy کا مختصر تعارف ماخذ سے دوبارہ شائع کیا گیا https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 بذریعہ https://towardsdatascience.com/feed

<!–

->