NumPy ऐरे बनाना
np.array, np.zeros, np.ones और np.arange से 1-D और 2-D ऐरे बनाइए, फिर उनका shape और dtype जाँचिए।
NumPy ऐरे बनाना, CoddyKit पर Pandas & NumPy Academy का एक निःशुल्क पाठ है। यह 4 में से 1वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह Pandas & NumPy Academy सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Pandas & NumPy Academy पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
NumPy Array क्या है
NumPy संख्याओं पर तेज़ी से काम करने के लिए Python की सबसे उपयोगी लाइब्रेरी है। इसका मुख्य भाग ndarray है — समान प्रकार के मानों का एक ग्रिड, जो सूची की तुलना में कहीं अधिक तेज़ और कम मेमोरी लेता है।
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)सूचियों से Array बनाना
Array बनाने का सबसे सरल तरीका है: किसी सूची को np.array() में देना। NumPy आपके लिए dtype चुनता है, और सूचियों की सूची 2-D मैट्रिक्स बन जाती है।
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros और np.ones
क्या आपको खाली आधार चाहिए? np.zeros किसी array को 0.0 से भरता है और np.ones उसे 1.0 से भरता है — वास्तविक मानों की गणना से पहले array तैयार करने के लिए यह बहुत उपयोगी है।
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64पूर्णांक अनुक्रमों के लिए np.arange
np.arange Python के range की तरह काम करता है, लेकिन एक array लौटाता है। इसमें start, stop और step दें — stop मान शामिल नहीं होता।
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]समान अंतर वाले दशमलवों के लिए np.linspace
क्या आपको समान अंतर वाले दशमलव मान चाहिए? np.linspace दो अंतिम बिंदुओं के बीच निश्चित संख्या में मान देता है और दोनों अंतिम बिंदु शामिल होते हैं — राउंडिंग की त्रुटि नहीं होती।
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full और np.eye
किसी array को अपनी पसंद के स्थिर मान से भरने के लिए np.full का उपयोग करें, और identity matrix बनाने के लिए np.eye का — विकर्ण पर ones और बाकी सभी स्थानों पर zeros।
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]बनाते समय dtype निर्धारित करना
हर array के सभी मानों के लिए एक ही dtype होता है। इसे dtype= के साथ स्वयं निर्धारित करें — उदाहरण के लिए float64 की जगह float32 चुनने से मेमोरी आधी हो सकती है।
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32np.random से यादृच्छिक Arrays
क्या आपको यादृच्छिक डेटा चाहिए? np.random आपके लिए इसे बनाता है। पहले seed निर्धारित करें, ताकि हर बार वही संख्याएँ मिलें — दोहराए जा सकने वाले प्रयोगों के लिए यह ज़रूरी है। 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Array का आकार और आयाम जाँचना
Array बनाने के बाद आप आमतौर पर उसका shape जाँचेंगे — हर आयाम के आकारों का एक tuple। उसके कितने आयाम हैं, यह देखने के लिए .ndim का उपयोग करें।
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2सूचियों और Tuples को बदलना
np.array() केवल सूचियाँ ही नहीं लेता — tuples, ranges और अन्य arrays भी काम करते हैं। बस असमान लंबाई वाली अंदरूनी सूचियों से बचें, क्योंकि वे NumPy की गति कम कर देती हैं।
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)Uninitialised Arrays के लिए np.empty
np.empty मेमोरी लेता है, लेकिन उसे भरता नहीं है, इसलिए यह zeros से थोड़ा तेज़ होता है। ध्यान रखें: इसमें पुराना अवशिष्ट डेटा हो सकता है — पढ़ने से पहले हमेशा उसमें मान लिखें।
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]त्वरित जाँच
इस पाठ से NumPy array बनाने की अपनी समझ जाँचें।
पाठ का पुनरावलोकन
बहुत अच्छा! आप np.array() से सूचियों को arrays में बदल सकते हैं और zeros, ones, arange, और linspace से उन्हें शुरू से बना सकते हैं। अगला विषय: array attributes।
एआई शिक्षक के साथ Python सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 30
- पाठ
- 120
अक्सर पूछे जाने वाले प्रश्न
क्या “NumPy ऐरे बनाना” पाठ निःशुल्क है?
हाँ—“NumPy ऐरे बनाना” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Pandas & NumPy Academy पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Pandas & NumPy Academy पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“NumPy ऐरे बनाना” में मैं क्या सीखूँगा?
np.array, np.zeros, np.ones और np.arange से 1-D और 2-D ऐरे बनाइए, फिर उनका shape और dtype जाँचिए। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Pandas & NumPy Academy का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या Pandas & NumPy Academy शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Pandas & NumPy Academy शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 1वाँ पाठ है।
“NumPy ऐरे बनाना” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस Pandas & NumPy Academy पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर Pandas & NumPy Academy पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।