Chapter 9: NumPy Basics — Data Science की पहली सीढ़ी

import numpy as np

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

🏗️ Ready-made Array Creators

print(np.zeros(4))          # 4 zeros
print(np.ones(3))           # 3 ones
print(np.arange(1, 10, 2))  # 1 se 10 tak, 2-2 ke gap se
print(np.linspace(0, 1, 5)) # 0 se 1 tak 5 barabar bante hue points

print(np.full(4, 7))      # 4 elements, sabki value 7
print(np.eye(3))           # 3x3 Identity Matrix (diagonal par 1)

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

print(arr[0])       # pehla
print(arr[-1])      # aakhri
print(arr[1:4])     # index 1,2,3
print(arr[::2])     # har 2nd element

🎯 Boolean Indexing — Array का जादू (List में नहीं होता!)

marks = np.array([45, 78, 92, 34, 88, 55])
print(marks > 60)              # True/False ka array
print(marks[marks > 60])       # sirf jo condition satisfy kare!

import numpy as np
matrix = np.array([[1, 2, 3], [4, 5, 6]])

print(matrix)
print(matrix[1, 1])     # row1, col1
print(matrix[0])        # poori pehli row
print(matrix[:, 1])     # poora dusra column

➕ Matrix Operations

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

print(A + B)              # element-wise addition
print(A * B)              # element-wise multiplication
print(np.dot(A, B))       # matrix multiplication (asli wali!)

🔄 Transpose — Rows को Columns बनाना

matrix = np.array([[1, 2, 3], [4, 5, 6]])
print("Original shape:", matrix.shape)
print(matrix.T)                    # ya np.transpose(matrix)
print("Transpose shape:", matrix.T.shape)

📐 axis Parameter — Row-wise या Column-wise Calculation

marks = np.array([[80, 90], [70, 60], [95, 85]])   # 3 students, 2 subjects

print(marks.sum())          # SABKA total
print(marks.sum(axis=0))    # HAR SUBJECT ka total (column-wise)
print(marks.sum(axis=1))    # HAR STUDENT ka total (row-wise)

import numpy as np
arr = np.array([10, 20, 30, 40])

print(arr + 5)      # har element me 5 jodo
print(arr - 5)
print(arr * 2)
print(arr / 10)
print(arr ** 2)

📊 Statistical Functions — Data Science का आधार

marks = np.array([78, 92, 65, 88, 55])
print("Sum:", marks.sum())
print("Mean:", marks.mean())
print("Max:", marks.max())
print("Min:", marks.min())
print("Std Dev:", round(marks.std(), 2))

📍 argmax() व argmin() — सबसे बड़ा/छोटा कहाँ है?

marks = np.array([78, 92, 65, 88, 55])
print("Max value:", marks.max())
print("Max kahan hai (index):", marks.argmax())
print("Min kahan hai (index):", marks.argmin())

⚠️ copy() vs साधारण Assignment — बड़ा Trap!

a = np.array([1, 2, 3])
b = a              # SIRF reference — Chapter 5 ke aliasing jaisa!
b[0] = 100
print("a:", a)      # a bhi badal gaya!
print("b:", b)

a = np.array([1, 2, 3])
b = a.copy()        # ab dono ALAG hain
b[0] = 100
print("a:", a)       # a surakshit rahi!
print("b:", b)

🔢 Two Arrays के बीच Operations

a = np.array([1, 2, 3])
b = np.array([10, 20, 30])
print(a + b)     # position-by-position: 1+10, 2+20, 3+30

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6])
matrix = arr.reshape(2, 3)     # 1D ko 2x3 me badla
print(matrix)

nums = np.array([5, 2, 8, 1])
print(np.sort(nums))

marks = np.array([45, 78, 55, 90])
result = np.where(marks >= 60, "Pass", "Fail")
print(result)

➕ Array में जोड़ना/हटाना — append(), insert(), delete()

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

added = np.append(arr, 40)         # aakhir me jodna
print("append:", added)

inserted = np.insert(arr, 1, 99)   # index 1 par 99 daalna
print("insert:", inserted)

deleted = np.delete(arr, 0)         # index 0 hatana
print("delete:", deleted)

print("Original arr abhi bhi wahi hai:", arr)

📚 Stacking — Arrays को जोड़ना (vstack, hstack)

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

print(np.vstack((a, b)))    # vertically (rows ban jate hain)
print(np.hstack((a, b)))    # horizontally (ek line me jud jate hain)

Q1. Vectorized Multiplication

import numpy as np
arr = np.array([1, 2, 3])
print(arr * 3)

Q2. shape Attribute

import numpy as np
arr = np.array([[1,2,3],[4,5,6]])
print(arr.shape)

Q3. Boolean Indexing

import numpy as np
nums = np.array([12, 45, 7, 89, 23])
print(nums[nums < 30])

Q4. Broadcasting Scalar

import numpy as np
arr = np.array([2, 4, 6])
print(arr - 1)

Q5. 2D Column Access

import numpy as np
m = np.array([[1,2],[3,4],[5,6]])
print(m[:, 0])

Q6. reshape() की Condition

import numpy as np
arr = np.array([1,2,3,4,5])
print(arr.reshape(2,3))

Q7. mean() Calculation

import numpy as np
arr = np.array([10, 20, 30, 40])
print(arr.mean())

Q8. np.where() Logic

import numpy as np
n = np.array([3, 8, 15, 2])
print(np.where(n % 2 == 0, "Even", "Odd"))

• NumPy = Numerical Python; ndarray = n-dimensional array; List से तेज़ (homogeneous, contiguous memory)।
• Array बनाना: np.array(list), np.zeros(n), np.ones(n), np.arange(start,stop,step), np.linspace(start,stop,n)।
• Attributes: shape (rows,cols), size (total elements), dtype (data type), ndim (dimensions की संख्या)।
• Indexing/Slicing List जैसी ही; Boolean Indexing — condition से सीधे filter (arr[arr > 60]), सिर्फ NumPy में।
• 2D Arrays: arr[row, col] या arr[row][col]; arr[:, col] पूरा column; arr[row, :] पूरी row; np.dot() असली matrix multiplication।
• Vectorized Operations: arr + n, arr * n — बिना loop पूरे array पर; sum(), mean(), max(), min(), std() सांख्यिकी functions।
• Broadcasting: छोटा array/scalar अपने आप बड़े shape में "फैलकर" operation करता है — NumPy की सबसे बड़ी खासियत।
• Useful functions: reshape() shape बदलना (elements count match ज़रूरी), sort(), concatenate(), flatten(), np.where(condition, true_val, false_val)।

❓ A. Multiple Choice Questions (50)

📝 B. 15 Theory Questions (Short Answers)

1. NumPy क्या है? इसकी ज़रूरत क्यों है?NumPy (Numerical Python) एक library है जो fast, memory-efficient arrays (ndarray) देती है। Data Science, ML व scientific computing में बड़ी मात्रा में numerical data को तेज़ी से process करने के लिए ज़रूरी है।
2. NumPy Array और Python List में 4 अंतर लिखिए।List mixed types रख सकती है, Array सिर्फ एक type (homogeneous); List धीमी, Array तेज़; List operations के लिए loop चाहिए, Array vectorized (बिना loop); List scattered memory, Array contiguous memory।
3. NumPy array कैसे बनाते हैं? 3 तरीके लिखिए।np.array(list) — list से; np.zeros(n)/np.ones(n) — भरे हुए arrays; np.arange(start,stop,step) — range जैसा; np.linspace(start,stop,n) — बराबर बँटे points।
4. Array के 4 मुख्य attributes लिखिए।shape (rows,columns का tuple), size (कुल elements), dtype (data type), ndim (dimensions की संख्या)।
5. Boolean Indexing क्या है? उदाहरण दीजिए।Condition से array को सीधे filter करना — जैसे arr[arr > 60] सिर्फ 60 से बड़े elements देता है। List में यह करने के लिए loop/comprehension चाहिए होता।
6. 2D Array में element कैसे access करते हैं?arr[row, col] या arr[row][col] दोनों से — पहला index row चुनता है, दूसरा column। arr[:, col] पूरा column देता है, arr[row, :] पूरी row।
7. Element-wise multiplication और Matrix multiplication में अंतर बताइए।Element-wise (A * B) — position-by-position साधारण गुणा; Matrix multiplication (np.dot(A, B)) — असली linear algebra matrix multiplication, अलग नियम से।
8. Vectorized Operation क्या है? उदाहरण दीजिए।पूरे array पर एक साथ operation करना, बिना loop लिखे — जैसे arr * 2 हर element को double कर देता है, जबकि list में यही काम के लिए loop चाहिए होता।
9. Broadcasting क्या है? समझाइए।अलग shape के arrays/scalars के बीच operations करने की NumPy की क्षमता — छोटे array या scalar को अपने आप बड़े array के shape में "फैलाकर" (broadcast करके) operation किया जाता है। जैसे [1,2,3] + 5 = [6,7,8]।
10. Statistical functions (sum, mean, max, min, std) का उपयोग लिखिए।arr.sum() — योग; arr.mean() — औसत; arr.max()/min() — सबसे बड़ा/छोटा; arr.std() — standard deviation (data का फैलाव)।
11. reshape() function क्या करता है? क्या सावधानी रखनी चाहिए?Array का shape बदलता है — जैसे 1D को 2D में। सावधानी: नए shape के elements की कुल संख्या पुराने array के बराबर होनी चाहिए, वरना ValueError आती है (जैसे 5 elements को (2,3) में नहीं बदल सकते)।
12. np.where() function समझाइए।np.where(condition, value_if_true, value_if_false) — पूरे array पर एक साथ if-else जैसा काम करता है। जैसे marks पर Pass/Fail label लगाना np.where(marks>=60, "Pass", "Fail") से एक line में हो जाता है।
13. flatten() function क्या करता है?किसी 2D (या अधिक dimensions वाले) array को 1D array में बदल देता है — सभी elements एक ही row/line में आ जाते हैं। Data को simple sequence में process करने के लिए उपयोगी।
14. NumPy array indexing/slicing List से कैसे मिलती-जुलती है?0-based indexing, negative index पीछे से गिनती, slicing [start:stop:step] — ये सब List जैसे ही काम करते हैं। अतिरिक्त सुविधा — Boolean Indexing, जो List में नहीं होती।
15. Concatenate function का उपयोग व syntax लिखिए।np.concatenate((array1, array2)) — दो या अधिक arrays को जोड़कर एक नया बड़ा array बनाता है। Tuple के रूप में arrays पास करने होते हैं।