Python NumPy એ એક લોકપ્રિય પુસ્તકાલય છે જે બહુવિધ અદ્યતન ગાણિતિક કાર્યક્ષમતા પ્રદાન કરે છે અને તેને બહુપરીમાણીય એરે સાથે કામ કરવા માટે અત્યંત કાર્યક્ષમ બનાવે છે. આવા એક ઉપયોગી કાર્ય NumPy column_stack કાર્ય છે. આ લેખમાં, અમે 2d એરે સાથે કામ કરવા માટે column_stack ફંક્શન અને તેની એપ્લિકેશન પર ઊંડાણપૂર્વક વિચાર કરીશું. અમે પાયથોનમાં એરે સાથે કામ કરવા સંબંધિત વિવિધ લાઇબ્રેરીઓ અને કાર્યોનું પણ અન્વેષણ કરીશું.
NumPy column_stack ફંક્શનનો પરિચય
NumPy's column_stack ફંક્શન એ બહુવિધ 1D અને 2D એરેને એક 2D એરેમાં સ્ટેક કરવા માટેનું એક અનુકૂળ સાધન છે, ઇનપુટ એરેને કૉલમમાં ગોઠવી શકાય છે. તે વિવિધ પરિસ્થિતિઓમાં મદદરૂપ થઈ શકે છે, જેમ કે જ્યારે બહુવિધ ડેટાસેટ્સનું સંયોજન અથવા મેટ્રિક્સ ઑપરેશન્સ સાથે કામ કરવું. column_stack ફંક્શન માટે સિન્ટેક્સ નીચે મુજબ છે:
numpy.column_stack((array1, array2, ..., arrayN))
હવે ચાલો column_stack ફંક્શનનો ઉપયોગ કરીને સમસ્યાને ઉકેલવામાં ડૂબકી લગાવીએ અને કોડને સ્ટેપ બાય સ્ટેપ સમજાવીએ.
સમસ્યાનું નિવેદન અને ઉકેલ
ધારો કે અમારી પાસે બે વિષયોમાં વિદ્યાર્થીઓના સ્કોર્સ ધરાવતા બે અલગ-અલગ ડેટાસેટ્સ છે અને અમે કૉલમ તરીકે બંને વિષયોના સ્કોર્સ સાથે એકીકૃત ડેટાસેટ બનાવવા માંગીએ છીએ. આ હાંસલ કરવા માટે આપણે NumPy column_stack ફંક્શનનો ઉપયોગ કરી શકીએ છીએ.
column_stack નો ઉપયોગ કરીને બે 1D એરેને એક જ 2D એરેમાં જોડવાનું કોડ ઉદાહરણ અહીં છે:
import numpy as np subject_1_scores = np.array([95, 85, 78, 90]) subject_2_scores = np.array([88, 78, 81, 92]) combined_scores = np.column_stack((subject_1_scores, subject_2_scores)) print(combined_scores)
કોડનું પગલું દ્વારા પગલું સમજૂતી
ચાલો કોડને તોડીએ અને દરેક પગલું સમજાવીએ:
1. પ્રથમ, અમે ઉપનામ "np" સાથે NumPy લાઇબ્રેરી આયાત કરીએ છીએ.
2. અમે બે NumPy એરે બનાવીએ છીએ, subject_1_scores અને subject_2_scores, જેમાં બે વિષયોમાં વિદ્યાર્થીઓના સ્કોર્સ હોય છે.
3. પછી અમે ઉપયોગ કરીએ છીએ column_stack બે એરેને કૉલમ મુજબ સ્ટેક કરવા અને પરિણામી 2D એરેને combined_scores નામના ચલમાં સંગ્રહિત કરવા માટેનું કાર્ય.
4. છેલ્લે, અમે કન્સોલ પર combined_scores 2D એરે પ્રિન્ટ કરીએ છીએ.
આ કોડનું આઉટપુટ આ હશે:
[[95 88] [85 78] [78 81] [90 92]]
અહીં, અમે અવલોકન કરી શકીએ છીએ કે ઇનપુટ એરે સફળતાપૂર્વક એક 2D એરેમાં કૉલમ મુજબ સ્ટેક કરવામાં આવ્યા છે.
અરે સાથે કામ કરવા માટે અન્ય કાર્યો અને પુસ્તકાલયો
પાયથોનમાં બહુપરીમાણીય એરે સાથે કામ કરવું વિવિધ પુસ્તકાલયો અને કાર્યોનો ઉપયોગ કરીને અસરકારક રીતે પ્રાપ્ત કરી શકાય છે. NumPy column_stack ફંક્શન સિવાય, કેટલીક અન્ય નોંધપાત્ર સુવિધાઓ છે:
- NumPy.hstack: આ ફંક્શન એરેને આડા (કૉલમ મુજબ) પણ સ્ટેક કરે છે, જોકે તેને કૉલમ_સ્ટૅકથી વિપરીત ઇનપુટ અરેને સમાન સંખ્યામાં પરિમાણ હોવું જરૂરી છે.
- NumPy.vstack: આ ફંક્શન એરેને ઊભી રીતે સ્ટેક કરે છે (પંક્તિ મુજબ).
- NumPy.concatenate: આ બહુમુખી કાર્યનો ઉપયોગ ચોક્કસ અક્ષ સાથે એરેને જોડવા માટે કરી શકાય છે.
- પાંડા: ડેટા પૃથ્થકરણ માટે અન્ય એક લોકપ્રિય પાયથોન લાઇબ્રેરી, પાંડા સ્ટ્રક્ચર્ડ ડેટા સાથે કામ કરવા માટે અદ્યતન કાર્યક્ષમતા પ્રદાન કરે છે, જેમ કે મર્જ, જોડાવા અથવા કોન્કેટ ફંક્શનનો ઉપયોગ કરીને ડેટાફ્રેમ્સ (પાંડા. ડેટાફ્રેમ)નું સંયોજન.
આ લાઇબ્રેરીઓ અને કાર્યોમાં નિપુણતા મેળવીને, તમે પાયથોનમાં વિવિધ બહુપરીમાણીય એરે કામગીરીને અસરકારક રીતે હેન્ડલ અને પ્રક્રિયા કરી શકો છો. હેપી કોડિંગ!
