Python NumPy Arrays

Functions से Arrays बनाना

NumPy Python lists से हाथ से arrays बनाने की बजाय समर्पित constructor functions देती है: np.zeros(shape) और np.ones(shape) एक constant से पहले से भरे arrays बनाते हैं, जबकि np.arange() और np.linspace() समान अंतराल वाली numeric ranges सीधे arrays के रूप में generate करते हैं।

उदाहरण: Creating Arrays with Functions

import numpy as np
print(np.zeros(3))  # array pre-filled with zeros
print(np.arange(0, 10, 2))  # evenly spaced range as an array

Slicing और Indexing

NumPy array को index और slice करना Python list जैसे ही array[start:stop:step] syntax को follow करता है, लेकिन यह comma से अलग किए गए indices जैसे array[row, col] के साथ स्वाभाविक रूप से multiple dimensions तक फैल जाता है।

NumPy arrays के slices default रूप से original data पर *views* होते हैं, स्वतंत्र copies नहीं, इसलिए किसी slice को बदलने से source array भी बदल सकता है।

उदाहरण: Slicing and Indexing

import numpy as np
arr = np.array([[1, 2], [3, 4]])
print(arr[0, 1])  # row 0, column 1
print(arr[:, 0])  # every row, column 0

Reshaping और Resizing

.reshape() बदलता है कि array के मौजूदा data को dimensions में कैसे व्यवस्थित किया गया है -- जैसे किसी flat 12-element array को 3x4 grid में बदलना -- बिना underlying values को copy या बदले, जब तक नई shape की total element count original से मेल खाती है।

उदाहरण: Reshaping and Resizing

import numpy as np
arr = np.arange(12)
print(arr.reshape(3, 4))  # reorganizes the same 12 values into a 3x4 grid

Array Stacking और Splitting

np.concatenate() (या ज़्यादा specific np.vstack()/np.hstack()) कई arrays को किसी चुने axis पर जोड़ता है, जबकि np.split() एक array को कई छोटे arrays में बाँट देता है।

ये lists को जोड़ने या तोड़ने के array-equivalent हैं, बस पूरे numeric blocks पर एक साथ काम करते हैं।

उदाहरण: Array Stacking and Splitting

import numpy as np
a = np.array([1, 2])
b = np.array([3, 4])
print(np.concatenate([a, b]))  # joins the arrays into one

Conditional Selection

Boolean indexing आपको सीधे किसी condition का इस्तेमाल करके array elements चुनने देती है, जैसे array[array > 10], जो एक boolean mask बनाता है और सिर्फ उन elements को लौटाता है जहाँ वो mask True हो।

यह manual filtering loops की जगह एक ही expressive line लेती है, जिसे NumPy compiled speed पर execute करती है।

उदाहरण: Conditional Selection

import numpy as np
arr = np.array([5, 15, 25])
print(arr[arr > 10])  # boolean mask keeps only elements greater than 10