Introduction of NumPy

NumPy क्या होता है?

NumPy (Numerical Python) एक पायथन लाइब्रेरी है, जो तेज़ और कुशल गणना करने के लिए इस्तेमाल होती है। यह अरे (Array) पर आधारित गणनाएँ करने के लिए सबसे ज़्यादा उपयोगी होती है।

👉 NumPy का मुख्य उपयोग:
✔️ बड़ी मात्रा में सांख्यिकीय डेटा (Numerical Data) को प्रबंधित और प्रोसेस करने के लिए
✔️ तेज़ी से गणितीय (Mathematical) और वैज्ञानिक (Scientific) कैलकुलेशन करने के लिए
✔️ Machine Learning और AI में डेटा प्रोसेसिंग के लिए

NumPy की खास बातें

✅ Normal Python List से तेज़:
NumPy का Array (ndarray) साधारण Python List से 10-50 गुना तेज़ काम करता है।

✅ कम मेमोरी का उपयोग करता है:
NumPy में डेटा Contiguous Memory Blocks में स्टोर होता है, जिससे यह कम मेमोरी लेता है और तेज़ी से एक्सेस होता है।

✅ Multi-Dimensional Arrays (बहु-आयामी सरणी):
NumPy में 1D, 2D, 3D या उससे अधिक आयाम (Dimensions) वाले Arrays आसानी से बनाए जा सकते हैं।

✅ Machine Learning और Deep Learning के लिए जरूरी:
SciPy, Pandas, TensorFlow, और PyTorch जैसी लाइब्रेरी भी NumPy का उपयोग करती हैं।

NumPy कैसे Install करें?

Google Colab या Jupyter Notebook में पहले से NumPy Installed होता है।
अगर आपके सिस्टम में नहीं है, तो इसे pip से इंस्टॉल कर सकते हैं:

pip install numpy

NumPy का उपयोग (Examples)

1️⃣ Simple NumPy Array बनाना

import numpy as np

arr = np.array([1, 2, 3, 4, 5])  # 1D Array
print(arr)

Output:

[1 2 3 4 5]

2️⃣ 2D NumPy Array बनाना

import numpy as np

arr2d = np.array([[1, 2, 3], [4, 5, 6]])  # 2D Array
print(arr2d)

Output:

[[1 2 3]
 [4 5 6]]

3️⃣ Zeros और Ones Array बनाना

import numpy as np

zeros_array = np.zeros((3, 3))  # 3x3 का Zero Matrix
ones_array = np.ones((2, 2))    # 2x2 का One Matrix

print(zeros_array)
print(ones_array)

Output:

[[0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

[[1. 1.]
 [1. 1.]]

4️⃣ NumPy में Array की Shape और Size निकालना

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

print("Shape:", arr.shape)  # (Rows, Columns)
print("Size:", arr.size)    # कुल कितने एलिमेंट हैं

Output:

Shape: (2, 3)
Size: 6

5️⃣ NumPy में Array पर गणितीय ऑपरेशन

import numpy as np

arr1 = np.array([10, 20, 30])
arr2 = np.array([1, 2, 3])

print("Addition:", arr1 + arr2)      # जोड़
print("Subtraction:", arr1 - arr2)   # घटाव
print("Multiplication:", arr1 * arr2)  # गुणा
print("Division:", arr1 / arr2)      # भाग

Output:

Addition: [11 22 33]
Subtraction: [ 9 18 27]
Multiplication: [10 40 90]
Division: [10. 10. 10.]

NumPy क्यों ज़रूरी है?

🔹 NumPy तेज़ी से बड़े डेटा पर गणना कर सकता है।
🔹 यह AI और Machine Learning के Data Processing में सबसे ज़रूरी लाइब्रेरी है।
🔹 Pandas, Scikit-learn, TensorFlow, और PyTorch जैसी लाइब्रेरी भी NumPy पर आधारित हैं।

👉 अगर आप AI सीख रहे हैं, तो NumPy सीखना बहुत ज़रूरी है! 🚀

NumPy में और क्या-क्या सीख सकते हैं? 🚀

NumPy सिर्फ Arrays बनाने तक सीमित नहीं है। इसमें बहुत सारे Advanced Features हैं जो Data Science, AI, और Machine Learning के लिए ज़रूरी होते हैं।

🔹 1. NumPy में Indexing और Slicing (डेटा को एक्सेस करना)

NumPy में आप Arrays के Specific Elements, Rows, और Columns को आसानी से एक्सेस कर सकते हैं।

✅ Example: Indexing (एक एलिमेंट निकालना)

import numpy as np

arr = np.array([10, 20, 30, 40, 50])
print(arr[2])  # तीसरा एलिमेंट (Index 2 पर)

Output:

30

✅ Example: Slicing (कई एलिमेंट्स निकालना)

arr = np.array([10, 20, 30, 40, 50])
print(arr[1:4])  # Index 1 से 3 तक (20, 30, 40)

Output:

[20 30 40]

✅ Example: 2D Array में Slicing

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d[0:2, 1:3])  # पहले 2 Rows और Column 1 से 2 तक

Output:

[[2 3]
 [5 6]]

🔹 2. NumPy में Reshaping (Array का आकार बदलना)

आप किसी Array के Rows और Columns को बदल सकते हैं।

✅ Example: 1D से 2D में बदलना

arr = np.array([1, 2, 3, 4, 5, 6])
reshaped = arr.reshape(2, 3)  # 2 Rows, 3 Columns
print(reshaped)

Output:

[[1 2 3]
 [4 5 6]]

🔹 3. NumPy में Mathematical Operations (गणितीय गणना)

NumPy में कई Mathematical और Statistical Functions होते हैं।

✅ Example: Sum, Mean, और Standard Deviation

arr = np.array([10, 20, 30, 40, 50])

print("Sum:", np.sum(arr))
print("Mean:", np.mean(arr))
print("Standard Deviation:", np.std(arr))

Output:

Sum: 150
Mean: 30.0
Standard Deviation: 14.14

✅ Example: Maximum और Minimum Values

arr = np.array([5, 15, 25, 35, 45])

print("Max:", np.max(arr))
print("Min:", np.min(arr))

Output:

Max: 45
Min: 5

🔹 4. NumPy में Random Numbers Generate करना

Machine Learning में Random Numbers बहुत काम आते हैं, जैसे Data Augmentation और Testing Data बनाने के लिए।

✅ Example: Random Numbers से Array बनाना

import numpy as np

random_arr = np.random.randint(1, 100, (3, 3))  # 1 से 100 के बीच 3x3 का मैट्रिक्स
print(random_arr)

Output: (हर बार नया होगा)

[[23 65 78]
 [12 90 45]
 [34 67 89]]

🔹 5. NumPy में Matrix Operations (मैट्रिक्स ऑपरेशन)

AI और ML में Matrices (गणितीय मैट्रिक्स) का बहुत बड़ा रोल होता है।

✅ Example: Matrix Multiplication

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

result = np.dot(A, B)  # मैट्रिक्स गुणा (Matrix Multiplication)
print(result)

Output:

[[19 22]
 [43 50]]

🔹 6. NumPy में Boolean Masking (Filter करना)

किसी Array में से सिर्फ वही Values निकालना जो किसी Condition को Satisfy करती हों।

✅ Example: 50 से बड़े सभी नंबर निकालना

arr = np.array([10, 25, 50, 75, 100])

filtered = arr[arr > 50]
print(filtered)

Output:

[75 100]

🔹 7. NumPy और Pandas में क्या अंतर है?

अगर आपको सिर्फ संख्याओं पर काम करना है, तो NumPy अच्छा है।
लेकिन अगर आपको Excel जैसी टेबल पर काम करना है, तो Pandas ज़्यादा उपयोगी है।

🔹 8. NumPy कहां-कहां इस्तेमाल होता है?

✔ Machine Learning – TensorFlow और Scikit-Learn में इस्तेमाल होता है।
✔ Data Science – Pandas, SciPy जैसी लाइब्रेरी में NumPy का बेस है।
✔ Image Processing – OpenCV (cv2) लाइब्रेरी NumPy Arrays पर काम करती है।
✔ Artificial Intelligence – Deep Learning Frameworks (PyTorch, Keras) में NumPy का उपयोग होता है।
✔ Finance & Stock Market – बड़े डेटा सेट्स का एनालिसिस करने में मदद करता है।

🔹 9. क्या मुझे NumPy सीखना चाहिए?

✅ अगर आप AI, Machine Learning, या Data Science सीख रहे हैं, तो NumPy अनिवार्य है।
✅ यह Python की सबसे तेज़ और उपयोगी लाइब्रेरी में से एक है।
✅ Google Colab या Jupyter Notebook पर Practically Try करें, इससे जल्दी समझ आएगा।

📌 NumPy का अगला स्टेप क्या है?

अब Pandas सीखें, क्योंकि Pandas = NumPy + DataFrames है।
👉 अगर NumPy में कोई और सवाल हो, तो पूछिए! 😊🚀

NumPy में डेटा को Save और Load कैसे करें?

NumPy में डेटा को सेव (Save) और लोड (Load) करने के लिए कई तरीके होते हैं।
आप Binary (.npy, .npz) और Text (.csv, .txt) दोनों फॉर्मेट में डेटा सेव कर सकते हैं।

🔹 1. NumPy में Binary Format (.npy) में Save और Load करना

अगर आपको NumPy Array को तेज़ और सुरक्षित तरीके से सेव करना है, तो .npy (NumPy Binary Format) सबसे अच्छा तरीका है।

✅ Example: Save NumPy Array as .npy

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# Array को "data.npy" नाम से सेव करें
np.save("data.npy", arr)

print("Data saved successfully!")

✅ Example: Load NumPy Array from .npy

import numpy as np

# "data.npy" फाइल से डेटा लोड करें
loaded_arr = np.load("data.npy")

print("Loaded Data:", loaded_arr)

Output:

Loaded Data: [1 2 3 4 5]

📌 Note: .npy फॉर्मेट NumPy के लिए सबसे तेज़ और सुरक्षित है, लेकिन इसे दूसरे प्रोग्राम में आसानी से नहीं पढ़ा जा सकता।

🔹 2. कई Arrays को एक साथ Save और Load करना (.npz Format)

अगर आपको एक ही फाइल में Multiple Arrays सेव करने हैं, तो .npz (Compressed NumPy Format) उपयोग कर सकते हैं।

✅ Example: Save Multiple Arrays in .npz

import numpy as np

arr1 = np.array([10, 20, 30])
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

# दोनों Arrays को "multi_data.npz" में सेव करें
np.savez("multi_data.npz", array1=arr1, array2=arr2)

print("Multiple arrays saved successfully!")

✅ Example: Load Multiple Arrays from .npz

import numpy as np

# "multi_data.npz" फाइल से डेटा लोड करें
loaded_data = np.load("multi_data.npz")

print("Array 1:", loaded_data["array1"])
print("Array 2:", loaded_data["array2"])

Output:

Array 1: [10 20 30]
Array 2: [[1 2 3]
          [4 5 6]]

📌 Note: .npz में डेटा Compressed रहता है, जिससे स्टोरेज कम लगता है।

🔹 3. NumPy Array को Text File (.txt, .csv) में Save और Load करना

अगर आपको डेटा को Excel, Pandas, या किसी दूसरे टूल में इस्तेमाल करना हो, तो आप CSV (Comma Separated Values) या TXT (Text File) में सेव कर सकते हैं।

✅ Example: Save NumPy Array as .txt

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

# Array को "data.txt" में सेव करें
np.savetxt("data.txt", arr)

print("Data saved successfully in text format!")

✅ Example: Load NumPy Array from .txt

import numpy as np

# "data.txt" से डेटा लोड करें
loaded_arr = np.loadtxt("data.txt")

print("Loaded Data:", loaded_arr)

Output:

Loaded Data:
[[1. 2. 3.]
 [4. 5. 6.]]

📌 Note: .txt फॉर्मेट में Floats के रूप में डेटा सेव होता है।

🔹 4. NumPy Array को CSV File में Save और Load करना

अगर आप डेटा को Excel या Pandas के साथ उपयोग करना चाहते हैं, तो CSV (Comma Separated Values) सबसे अच्छा फॉर्मेट है।

✅ Example: Save NumPy Array as .csv

import numpy as np

arr = np.array([[10, 20, 30], [40, 50, 60]])

# "data.csv" में Array सेव करें
np.savetxt("data.csv", arr, delimiter=",")

print("Data saved successfully in CSV format!")

✅ Example: Load NumPy Array from .csv

import numpy as np

# "data.csv" से डेटा लोड करें
loaded_arr = np.loadtxt("data.csv", delimiter=",")

print("Loaded Data:", loaded_arr)

Output:

Loaded Data:
[[10. 20. 30.]
 [40. 50. 60.]]

📌 Note: CSV फॉर्मेट में डेटा Comma-Separated रहता है, जो Pandas और Excel में आसानी से ओपन किया जा सकता है।

🔹 5. NumPy Array को Pandas DataFrame में बदलना (Excel के लिए उपयोगी)

अगर आप NumPy डेटा को Excel में इस्तेमाल करना चाहते हैं, तो इसे Pandas DataFrame में बदल सकते हैं।

✅ Example: NumPy Array को CSV के रूप में सेव करना (Pandas के साथ)

import numpy as np
import pandas as pd

arr = np.array([[101, "Alice", 90], [102, "Bob", 85], [103, "Charlie", 95]])

# NumPy Array को Pandas DataFrame में बदलना
df = pd.DataFrame(arr, columns=["ID", "Name", "Marks"])

# DataFrame को CSV में सेव करना
df.to_csv("students.csv", index=False)

print("Data saved in CSV using Pandas!")

📌 Note: Pandas का उपयोग करके आप CSV में Column Names भी जोड़ सकते हैं।

📌 कौन सा Format कब इस्तेमाल करें?

🎯 Conclusion (Final Summary)

✅ अगर आप AI/ML में काम कर रहे हैं, तो .npy और .npz सबसे अच्छा है।
✅ अगर आपको डेटा Excel, Pandas या दूसरे टूल्स में इस्तेमाल करना है, तो .csv या .txt का उपयोग करें।
✅ NumPy में डेटा को Load और Save करना बहुत आसान है, और यह आपके कोड को तेज़ बनाता है।

🔹 अब आप NumPy में डेटा सेव और लोड करना सीख गए हैं! 🎉
👉 अगर कोई डाउट हो, तो पूछिए! 😊🚀