ಪರಿಹರಿಸಲಾಗಿದೆ: ಪೈಥಾನ್ NumPy ಸ್ಪ್ಲಿಟ್ ಫಂಕ್ಷನ್ ಸಿಂಟ್ಯಾಕ್ಸ್

ಪರಿಚಯ

ಪೈಥಾನ್ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ವೆಬ್ ಅಭಿವೃದ್ಧಿ ಸೇರಿದಂತೆ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಬಹುಮುಖ ಮತ್ತು ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುವ ಪ್ರೋಗ್ರಾಮಿಂಗ್ ಭಾಷೆಯಾಗಿದೆ. ಪೈಥಾನ್‌ನಲ್ಲಿ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಾದ ಗ್ರಂಥಾಲಯಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ನಂಬಿ. NumPy ಪ್ರಬಲವಾದ N- ಆಯಾಮದ ರಚನೆಯ ವಸ್ತುವನ್ನು ಒದಗಿಸುತ್ತದೆ, ಇದು ಸಂಕೀರ್ಣ ಗಣಿತದ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ಸುಲಭವಾಗಿ ನಿರ್ವಹಿಸಲು ನಮಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ನಿರ್ಣಾಯಕ ಕಾರ್ಯಾಚರಣೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ ವಿಭಜಿತ ಕಾರ್ಯ, ಹೆಚ್ಚಿನ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಡೇಟಾವನ್ನು ಸಣ್ಣ ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ಪ್ರಾಯೋಗಿಕ ಪರಿಹಾರ, ಹಂತ-ಹಂತದ ವಿವರಣೆ ಮತ್ತು ಸಂಬಂಧಿತ ಲೈಬ್ರರಿಗಳು ಮತ್ತು ಕಾರ್ಯಗಳನ್ನು ಚರ್ಚಿಸುವ ಮೂಲಕ ನಾವು NumPy ನ ಸ್ಪ್ಲಿಟ್ ಫಂಕ್ಷನ್‌ನ ಸಿಂಟ್ಯಾಕ್ಸ್ ಮತ್ತು ಬಳಕೆಗೆ ಧುಮುಕುತ್ತೇವೆ.

ಸಮಸ್ಯೆಗೆ ಪರಿಹಾರ:

ನಾವು ಫ್ಯಾಶನ್ ಶೋನಿಂದ ರಚಿಸಲಾದ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಹೊಂದಿದ್ದೇವೆ ಮತ್ತು ವಿಭಿನ್ನ ಶೈಲಿಗಳು, ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಬಣ್ಣ ಸಂಯೋಜನೆಗಳನ್ನು ವಿಶ್ಲೇಷಿಸಲು ಬಯಸುತ್ತೇವೆ ಎಂದು ಭಾವಿಸೋಣ. ಹೆಚ್ಚಿನ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ಈ ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸಣ್ಣ ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸುವುದು ನಮ್ಮ ಗುರಿಯಾಗಿದೆ. ಇದನ್ನು ಸಾಧಿಸಲು, ನಾವು ಬಳಸುತ್ತೇವೆ NumPy ಸ್ಪ್ಲಿಟ್ ಕಾರ್ಯ.

import numpy as np

# Sample data (styles, trends, and colors)
data = np.array([["Bohemian", "Oversized", "Earthy"],
                 ["Minimalist", "Tailored", "Monochrome"],
                 ["Classic", "Simple", "Neutrals"],
                 ["Romantic", "Flowy", "Pastels"]])

# Split the data into 2 equal parts using NumPy split function
split_data = np.split(data, 2)

ಕೋಡ್‌ನ ಹಂತ-ಹಂತದ ವಿವರಣೆ:

1. ನಾವು ಪ್ರಾರಂಭಿಸುತ್ತೇವೆ NumPy ಲೈಬ್ರರಿಯನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಲಾಗುತ್ತಿದೆ, ಇದು ನಮಗೆ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತದೆ.

2. ನಂತರ ನಾವು ಎ ಅನ್ನು ರಚಿಸುತ್ತೇವೆ ಮಾದರಿ ಡೇಟಾಸೆಟ್ ವಿಭಿನ್ನ ಫ್ಯಾಷನ್ ಶೈಲಿಗಳು, ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಬಣ್ಣದ ಯೋಜನೆಗಳೊಂದಿಗೆ. ಈ ಡೇಟಾಸೆಟ್ 2D NumPy ಅರೇ ಆಗಿದೆ.

3. ಅಂತಿಮವಾಗಿ, ಬಳಸಿ NumPy ಸ್ಪ್ಲಿಟ್ ಕಾರ್ಯ, ನಾವು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಎರಡು ಸಮಾನ ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸುತ್ತೇವೆ. 'split_data' ವೇರಿಯೇಬಲ್ ಈಗ ಎರಡು ಸಣ್ಣ ಅರೇಗಳನ್ನು ಒಳಗೊಂಡಿದೆ, ಪ್ರತಿಯೊಂದೂ ಮೂಲ ಡೇಟಾಸೆಟ್‌ನ ಅರ್ಧದಷ್ಟು.

NumPy ಮತ್ತು ಅದರ ವಿಭಜನೆಯ ಕಾರ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ನ್ಯೂಮರಿಕ್ ಪೈಥಾನ್‌ಗೆ ಚಿಕ್ಕದಾದ NumPy, ಪೈಥಾನ್‌ನಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕ ಕಾರ್ಯಾಚರಣೆಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅತ್ಯಗತ್ಯ ಗ್ರಂಥಾಲಯವಾಗಿದೆ. ಇದು ಅದರ ವ್ಯಾಪಕವಾಗಿ ಗುರುತಿಸಲ್ಪಟ್ಟಿದೆ ಸಮರ್ಥ N- ಆಯಾಮದ ರಚನೆಯ ವಸ್ತು, ಇದು ವೈಜ್ಞಾನಿಕ ಕಂಪ್ಯೂಟಿಂಗ್ ಮತ್ತು ಡೇಟಾ ವಿಶ್ಲೇಷಣೆಗೆ ಪ್ರಬಲ ಸಾಧನವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

ನಮ್ಮ NumPy ವಿಭಜನೆ ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಇನ್‌ಪುಟ್ ಅರೇಯನ್ನು ಅನೇಕ ಸಣ್ಣ ಸರಣಿಗಳಾಗಿ ವಿಭಜಿಸಲು ಫಂಕ್ಷನ್ ಅನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಚಿಕ್ಕದಾದ, ಹೆಚ್ಚು ನಿರ್ವಹಿಸಬಹುದಾದ ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸಲು ಈ ಕಾರ್ಯವು ಪ್ರಯೋಜನಕಾರಿಯಾಗಿದೆ, ಹೀಗಾಗಿ ಡೇಟಾದ ಪ್ರತ್ಯೇಕ ಭಾಗಗಳಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ವಿಶ್ಲೇಷಣೆಗಳನ್ನು ಮಾಡಲು ಸುಲಭವಾಗುತ್ತದೆ.

ಡೇಟಾ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್‌ಗಾಗಿ ಇತರ NumPy ಕಾರ್ಯಗಳು

ಸ್ಪ್ಲಿಟ್ ಫಂಕ್ಷನ್‌ನ ಹೊರತಾಗಿ, ಡೇಟಾ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್‌ಗಾಗಿ NumPy ಹಲವಾರು ಇತರ ಕಾರ್ಯಗಳನ್ನು ಸಹ ನೀಡುತ್ತದೆ, ಅವುಗಳೆಂದರೆ:

• ಮರುರೂಪ: ಆಧಾರವಾಗಿರುವ ಡೇಟಾವನ್ನು ಬದಲಾಯಿಸದೆ ನಿರ್ದಿಷ್ಟ ರಚನೆಯ ಆಕಾರವನ್ನು ಬದಲಾಯಿಸಲು ಈ ಕಾರ್ಯವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಒಂದು ಆಯಾಮದ ಶ್ರೇಣಿಯನ್ನು ಎರಡು ಆಯಾಮದ ಅರೇ ಅಥವಾ ಪ್ರತಿಯಾಗಿ ಪರಿವರ್ತಿಸಲು ಇದನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು.
• ಜೋಡಿಸು: ನಿರ್ದಿಷ್ಟಪಡಿಸಿದ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಎರಡು ಅಥವಾ ಹೆಚ್ಚಿನ ಸರಣಿಗಳನ್ನು ವಿಲೀನಗೊಳಿಸಲು ಈ ಕಾರ್ಯವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ವಿವಿಧ ಮೂಲಗಳಿಂದ ಡೇಟಾವನ್ನು ಸಂಯೋಜಿಸುವಾಗ ಇದು ಸಹಾಯಕವಾಗಬಹುದು.
• hstack: ಒಂದೇ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಅರೇಗಳನ್ನು ಅಡ್ಡಲಾಗಿ (ಕಾಲಮ್-ವೈಸ್) ಜೋಡಿಸಲು ಈ ಕಾರ್ಯವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅರೇಗೆ ಕಾಲಮ್‌ಗಳನ್ನು ಸೇರಿಸಲು ಅಥವಾ ಅನೇಕ ಅರೇಗಳನ್ನು ಅಕ್ಕಪಕ್ಕದಲ್ಲಿ ಸೇರಿಸುವ ಮೂಲಕ ಹೊಸ ಶ್ರೇಣಿಯನ್ನು ರಚಿಸಲು ಇದು ಉಪಯುಕ್ತವಾಗಿದೆ.
• vstack: hstack ನಂತೆಯೇ, ಒಂದೇ ಅಕ್ಷದ ಉದ್ದಕ್ಕೂ ಸರಣಿಗಳನ್ನು ಲಂಬವಾಗಿ (ಸಾಲು-ವಾರು) ಜೋಡಿಸಲು ಈ ಕಾರ್ಯವನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಅರೇಗೆ ಸಾಲುಗಳನ್ನು ಸೇರಿಸಲು ಅಥವಾ ಒಂದರ ಮೇಲೊಂದರಂತೆ ಅನೇಕ ಅರೇಗಳನ್ನು ಸೇರುವ ಮೂಲಕ ಹೊಸ ಶ್ರೇಣಿಯನ್ನು ರಚಿಸಲು ಇದು ಪ್ರಯೋಜನಕಾರಿಯಾಗಿದೆ.

ಕೊನೆಯಲ್ಲಿ, ದಿ NumPy ಸ್ಪ್ಲಿಟ್ ಕಾರ್ಯ ಪೈಥಾನ್‌ನಲ್ಲಿ ದೊಡ್ಡ ಪ್ರಮಾಣದ ಡೇಟಾವನ್ನು ನಿರ್ವಹಿಸಲು ಅತ್ಯಗತ್ಯ ಸಾಧನವಾಗಿದೆ. ಡೇಟಾಸೆಟ್ ಅನ್ನು ಸಣ್ಣ ಭಾಗಗಳಾಗಿ ವಿಭಜಿಸುವ ಮೂಲಕ, ನಾವು ಡೇಟಾದ ನಿರ್ದಿಷ್ಟ ಉಪವಿಭಾಗಗಳನ್ನು ಸಮರ್ಥವಾಗಿ ವಿಶ್ಲೇಷಿಸಬಹುದು ಮತ್ತು ಮೌಲ್ಯಯುತ ಒಳನೋಟಗಳನ್ನು ಹೊರತೆಗೆಯಬಹುದು. ಇದಲ್ಲದೆ, NumPy ನಲ್ಲಿ ಸಂಬಂಧಿಸಿದ ಕಾರ್ಯಗಳು ಮತ್ತು ಲೈಬ್ರರಿಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಪೈಥಾನ್‌ನಲ್ಲಿ ನಮ್ಮ ಡೇಟಾ ಮ್ಯಾನಿಪ್ಯುಲೇಷನ್ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಹೆಚ್ಚಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.