নামপাই পরিচিতি

In [4]:

    

from numpy import arange

big_ndarray = arange(1e7)
big_list = big_ndarray.tolist()

%timeit [i**2 for i in big_list]
%timeit big_ndarray ** 2


    

    




1 loops, best of 3: 1.7 s per loop
10 loops, best of 3: 59.7 ms per loop

In [2]:

    

import numpy as np

# শূন্যে ভরা কিছু অ্যারে। মনে রাখুন RC Cola সূত্র, Row আগে, Column পরে
z5 = np.zeros(5) # মাত্রা ১, দৈর্ঘ্য ৫
z22 = np.zeros([2, 2]) # মাত্রা ২, রো ২, কলাম ২
z56 = np.zeros([5,6]) # মাত্রা ২, রো ৫, কলাম ৬
z567 = np.zeros([5,6,7]) # মাত্রা ৩, (৫, ৬, ৭)

# ক্রমানুযায়ী নাম্বার সৃষ্টি 
r1_10 = np.arange(1, 10) # এক থেকে দশ
r1_10_01 = np.arange(1, 10, 0.1) # এক থেকে দশ, ০.১ করে ব্রিদ্ধি
ls_1_10_2 = np.linspace(10, 50, 25) # দশ থেকে পঞ্চাশ পর্যন্ত ২৫ সদস্য সমান ভাগে বিভাজ্য
l2a = np.array(range(10), dtype=np.int32) # অ্যারে সৃষ্টি লিস্ট থেকে dtype না দিলেও চলত
identity_matrix = np.identity(5) # কর্ণ বরাবর ১, অন্য সব শূন্য, শুধুমাত্র স্কোয়ার ম্যাট্রিক্সের জন্য প্রযোজ্য
random_array = np.random.randn(5, 6) # বলার কি প্রয়োজন আছে? normal distribution থেকে। beta, normal, gamma, chisquare ইত্যাদিও রয়েছে।


    

In [105]:

    

# ম্যাট্রিক্স 
matrix_ = np.matrix([[1, 2, 4], [5, 6, 7]])
matrix_multiplication = np.matrix([[1, 2, 3], [4, 5, 6]]) * np.matrix([[1, 2], [3, 4], [5, 6]])
# উদারহনেরস্বরূপ একটি ভ্যারিয়াবল 
lst = [1, 4, 6, -1, 5, 3]
nd_array = np.array(lst)

# বিভিন্ন ওপেরাটরের ফাংশন ndarray এর উপর-
square_ = nd_array ** 2 # প্রতিটি সদস্যের উপর ** এর প্রয়োগ 
double_ = nd_array * 2 # প্রতিটি সদস্যের উপর * এর প্রয়োগ
triple_ = nd_array + nd_array + nd_array # ভ্যারিয়েবলের প্রতিটি সদস্য একে অপরের সাথে যোগ করা হয়েছে। 
inverse_ = 1. / nd_array # ১ কে প্রতিটি সদস্য দিয়ে ভাগ দেয়া হয়েছে। 

# উপরের মতই, কিন্তু অ্যারেকে প্যারামেটার হিসেবে ব্যবহার করা হয়েছে। 
square_root = np.sqrt(nd_array) 
sin_ = np.sin(nd_array)
floor_ = np.floor(nd_array)

# বুলিয়ান অপেরাটর ম্যাপের কাজ করে, একে যখন আবার অন্য অ্যারের ভিতর ঢুকান হয়, তখন ওটি 
# ফিল্টারের কাজ করে, if এর প্রয়োজন হয় না, বরং আরও দ্রুত কাজ করে এই প্রক্রিয়া।
positive_elements = nd_array[nd_array > 0]
odd_elements = nd_array[nd_array%2 == 1]

# কিছু মেটা ফাংশন, যা অ্যারের ভিতরকার তথ্য দেয়- 
dim_ = nd_array.ndim
shape_ = nd_array.shape
type_ = nd_array.dtype

# আরও কিছ ফাংশন
convert_to_a23 = nd_array.reshape(2, 3) # ৬ -> (২, ৩)
flattened_back = convert_to_a23.ravel() # বহুমাত্রিক -> এক মাত্রিক 
repeatedly_ = np.tile(nd_array, 5) # ৫ বার অ্যারেটিকে রিপিট করবে।

# আরও কিছু ম্যাট্রিক্স 
m35 = np.arange(15).reshape(3, 5)
m35T = m35.T
dot_product = m35.dot(m35T)

# এবার এলো পরিসংখ্যান 
mean_ = nd_array.mean()
standard_deviation = nd_array.std()
cumulative_sum = nd_array.cumsum()
cumulative_product = nd_array.cumprod()


    

In [106]:

    

a34 = np.arange(12).reshape(3, 4)

print a34


    

    




[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

In [107]:

    

a34[2, 3]


    

    
Out[107]:





11

In [108]:

    

a34[:, 1]


    

    
Out[108]:





array([1, 5, 9])

In [109]:

    

a34[0, :]


    

    
Out[109]:





array([0, 1, 2, 3])

In [110]:

    

a34[1:, 1:]


    

    
Out[110]:





array([[ 5,  6,  7],
       [ 9, 10, 11]])

In [111]:

    

a34[1:3, 2:3]


    

    
Out[111]:





array([[ 6],
       [10]])

In [ ]:

    




    

In [93]:

    

A = np.matrix([[2, 3, 1],
               [4, -6, 2],
               [1, 5, -2]])
B = np.matrix([[24],
               [36],
               [18]])
result = A**(-1) * B

print result


    

    




[[ 11.]
 [  1.]
 [ -1.]]

In [97]:

    

def dist(x,y):   
    return np.sqrt(np.sum((x-y)**2))

p1 = np.array([1, 2])
p2 = np.array([4, -1])
print dist(p1, p2)


    

    




4.24264068712