ಪರಿಹರಿಸಲಾಗಿದೆ: ಪೈಥಾನ್ NumPy ಆಕಾರ ಕಾರ್ಯ ಸಿಂಟ್ಯಾಕ್ಸ್

ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಜಗತ್ತಿನಲ್ಲಿ, ಪೈಥಾನ್ ಅದರ ಬಳಕೆಯ ಸುಲಭತೆ, ಓದುವಿಕೆ ಮತ್ತು ನಮ್ಯತೆಗೆ ಹೆಸರುವಾಸಿಯಾದ ಜನಪ್ರಿಯ ಭಾಷೆಯಾಗಿದೆ. ಅದರ ಹಲವಾರು ಗ್ರಂಥಾಲಯಗಳಲ್ಲಿ, NumPy ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸುವ ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಸಾಧನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ, ಇದು ಫ್ಯಾಷನ್ ಸೇರಿದಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಅನೇಕ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಹೊಂದಿದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು NumPy ಆಕಾರದ ಕಾರ್ಯವನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ, ಅದರ ಸಿಂಟ್ಯಾಕ್ಸ್ ಅನ್ನು ಚರ್ಚಿಸುತ್ತೇವೆ ಮತ್ತು ಫ್ಯಾಷನ್ ಪ್ರವೃತ್ತಿಗಳ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಒಳಗೊಂಡಿರುವ ಸಮಸ್ಯೆಗೆ ಪ್ರಾಯೋಗಿಕ ಪರಿಹಾರವನ್ನು ಒದಗಿಸುತ್ತೇವೆ. ದಾರಿಯುದ್ದಕ್ಕೂ, ನಾವು ಸಂಬಂಧಿತ ಗ್ರಂಥಾಲಯಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಸಹ ಅನ್ವೇಷಿಸುತ್ತೇವೆ. ಆದ್ದರಿಂದ, ಪ್ರಾರಂಭಿಸೋಣ!

ಸರಣಿಯ ರಚನೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಲು NumPy ಆಕಾರ ಕಾರ್ಯವು ಅತ್ಯಗತ್ಯ ಸಾಧನವಾಗಿದೆ. ಬೇರೆ ರೀತಿಯಲ್ಲಿ ಹೇಳುವುದಾದರೆ, ರಚನೆಯ ಆಯಾಮಗಳನ್ನು ಪಡೆಯಲು ಮತ್ತು ಅದನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಲು ಇದು ನಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. ಈ ಕಾರ್ಯವನ್ನು ಬಳಸಲು, ನಾವು ಮೊದಲು NumPy ಲೈಬ್ರರಿಯನ್ನು ಈ ಕೆಳಗಿನಂತೆ ಆಮದು ಮಾಡಿಕೊಳ್ಳಬೇಕು:

import numpy as np

ಗ್ರಂಥಾಲಯವನ್ನು ಆಮದು ಮಾಡಿಕೊಂಡ ನಂತರ, ಪ್ರಾಯೋಗಿಕ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಗಣಿಸೋಣ: ಕಾಲಾನಂತರದಲ್ಲಿ ಹೊರಹೊಮ್ಮಿದ ವಿಭಿನ್ನ ಶೈಲಿಗಳು ಮತ್ತು ನೋಟವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಐತಿಹಾಸಿಕ ಫ್ಯಾಷನ್ ಪ್ರವೃತ್ತಿಗಳ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು. ನಾವು ವಿವಿಧ ಬಟ್ಟೆ ವಸ್ತುಗಳು, ಅವುಗಳ ಬಣ್ಣಗಳು ಮತ್ತು ಅವು ಟ್ರೆಂಡಿಯಾಗಿರುವ ವರ್ಷದ ಮಾಹಿತಿಯನ್ನು ಒಳಗೊಂಡಿರುವ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಹೊಂದಿದ್ದೇವೆ ಎಂದು ಭಾವಿಸೋಣ.

NumPy ಆಕಾರ ಕಾರ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

NumPy ಯಲ್ಲಿನ ಆಕಾರ ಕಾರ್ಯವು ಅಂತರ್ನಿರ್ಮಿತ ಕಾರ್ಯವಾಗಿದ್ದು ಅದು ನಿರ್ದಿಷ್ಟ ರಚನೆಯ ಆಯಾಮಗಳನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ. ಈ ಕಾರ್ಯವನ್ನು ಪ್ರವೇಶಿಸಲು, ಇದನ್ನು ಬಳಸಿಕೊಂಡು ಕರೆ ಮಾಡಿ ಆಕಾರ ರಚನೆಯ ವಸ್ತುವಿನ ಗುಣಲಕ್ಷಣ, ಹಾಗೆ:

array_shape = array_name.shape

ಉದಾಹರಣೆಗೆ, ನಮ್ಮ ಫ್ಯಾಶನ್ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಒಳಗೊಂಡಿರುವ ಕೆಳಗಿನ ಶ್ರೇಣಿಯನ್ನು ನಾವು ಹೊಂದಿದ್ದೇವೆ ಎಂದು ಭಾವಿಸೋಣ:

fashion_data = np.array([[2000, "red", "skirt"],
                         [2001, "blue", "jeans"],
                         [2002, "green", "jacket"]])

fashion_data_shape = fashion_data.shape
print(fashion_data_shape)  # Output: (3, 3)

ಈ ಉದಾಹರಣೆಯಲ್ಲಿ, ಆಕಾರ ಕಾರ್ಯವು ಟುಪಲ್ (3, 3) ಅನ್ನು ಹಿಂತಿರುಗಿಸುತ್ತದೆ, ನಮ್ಮ ಡೇಟಾಸೆಟ್ ಮೂರು ಸಾಲುಗಳು ಮತ್ತು ಮೂರು ಕಾಲಮ್‌ಗಳನ್ನು ಹೊಂದಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.

NumPy ಜೊತೆಗೆ ಫ್ಯಾಶನ್ ಟ್ರೆಂಡ್‌ಗಳನ್ನು ಅನ್ವೇಷಿಸಲಾಗುತ್ತಿದೆ

ಆಕಾರ ಕಾರ್ಯದ ಸ್ಪಷ್ಟ ತಿಳುವಳಿಕೆಯೊಂದಿಗೆ, ಫ್ಯಾಷನ್ ಪ್ರವೃತ್ತಿಗಳ ವಿಶ್ಲೇಷಣೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಅದನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಬಹುದು ಎಂಬುದನ್ನು ನಾವು ಈಗ ಚರ್ಚಿಸಬಹುದು. ನಮ್ಮ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಪ್ರತಿ ವರ್ಷಕ್ಕೆ ಹೆಚ್ಚು ಜನಪ್ರಿಯವಾದ ಬಣ್ಣಗಳು ಮತ್ತು ಬಟ್ಟೆ ವಸ್ತುಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ನಾವು ಬಯಸುತ್ತೇವೆ ಎಂದು ಭಾವಿಸೋಣ. ಹಾಗೆ ಮಾಡಲು, ರಚನೆಯ ಮೂಲಕ ಪುನರಾವರ್ತಿಸಲು ಮತ್ತು ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಪ್ರವೇಶಿಸಲು ನಾವು ಆಕಾರ ಕಾರ್ಯವನ್ನು ಬಳಸುತ್ತೇವೆ.

ಮೊದಲಿಗೆ, ನಮ್ಮ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ನಾವು ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು (ವರ್ಷಗಳು) ಪಡೆಯುತ್ತೇವೆ:

num_years = fashion_data_shape[0]

ಮುಂದೆ, ನಾವು ಸಾಲುಗಳ ಮೂಲಕ ಲೂಪ್ ಮಾಡಬಹುದು ಮತ್ತು ಪ್ರತಿ ವರ್ಷಕ್ಕೆ ಬಟ್ಟೆಯ ಬಣ್ಣ ಮತ್ತು ಐಟಂ ಅನ್ನು ಹೊರತೆಗೆಯಬಹುದು:

for i in range(num_years):
    trend_year = fashion_data[i, 0]
    trend_color = fashion_data[i, 1]
    trend_item = fashion_data[i, 2]
    print(f"In {trend_year}, {trend_color} {trend_item} were fashionable.")

ಈ ಕೋಡ್ ತುಣುಕನ್ನು ಈ ಕೆಳಗಿನಂತೆ ಔಟ್‌ಪುಟ್ ಮಾಡುತ್ತದೆ:

""
2000 ರಲ್ಲಿ, ಕೆಂಪು ಸ್ಕರ್ಟ್ ಫ್ಯಾಶನ್ ಆಗಿತ್ತು.
2001 ರಲ್ಲಿ, ನೀಲಿ ಜೀನ್ಸ್ ಫ್ಯಾಶನ್ ಆಗಿತ್ತು.
2002 ರಲ್ಲಿ, ಹಸಿರು ಜಾಕೆಟ್ ಫ್ಯಾಶನ್ ಆಗಿತ್ತು.
""

NumPy ಆಕಾರ ಕಾರ್ಯದ ಬಳಕೆಯ ಮೂಲಕ, ನಮ್ಮ ಡೇಟಾಸೆಟ್‌ನಿಂದ ಸಂಬಂಧಿತ ಮಾಹಿತಿಯನ್ನು ಪ್ರವೇಶಿಸಲು ಮತ್ತು ವರ್ಷಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಶೈಲಿಗಳು, ನೋಟ ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳನ್ನು ಪ್ರದರ್ಶಿಸಲು ನಮಗೆ ಸಾಧ್ಯವಾಯಿತು.

ಕೀ ಟೇಕ್ಅವೇಸ್

ಈ ಲೇಖನದಲ್ಲಿ, ನಾವು ಅನ್ವೇಷಿಸಿದ್ದೇವೆ NumPy ಆಕಾರ ಕಾರ್ಯ ಮತ್ತು ಅದರ ಸಿಂಟ್ಯಾಕ್ಸ್, ವಿಶ್ಲೇಷಣೆಯ ಪ್ರಾಯೋಗಿಕ ಉದಾಹರಣೆಯಾಗಿ ಡೈವಿಂಗ್ ಫ್ಯಾಷನ್ ಪ್ರವೃತ್ತಿಗಳು ಡೇಟಾ. ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ವಿವಿಧ ಅಂಶಗಳನ್ನು ಪ್ರವೇಶಿಸಲು ಆಕಾರ ಕಾರ್ಯದ ಬಳಕೆಯನ್ನು ನಾವು ಪ್ರದರ್ಶಿಸಿದ್ದೇವೆ, ಕಾಲಾನಂತರದಲ್ಲಿ ವಿಭಿನ್ನ ಶೈಲಿಗಳು ಮತ್ತು ಪ್ರವೃತ್ತಿಗಳನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ವಿಶ್ಲೇಷಿಸಲು ಮತ್ತು ಪ್ರದರ್ಶಿಸಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಕೊನೆಯಲ್ಲಿ, ಆಕಾರ ಕಾರ್ಯವು ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಲು ಪ್ರಬಲ ಸಾಧನವಾಗಿದೆ, ಸೇರಿದಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಹಲವಾರು ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಫ್ಯಾಷನ್ ಮತ್ತು ಶೈಲಿ ವಿಶ್ಲೇಷಣೆ.