परिचय
Python ही डेटा विश्लेषण, कृत्रिम बुद्धिमत्ता आणि वेब डेव्हलपमेंटसह विविध क्षेत्रांमध्ये बहुमुखी आणि मोठ्या प्रमाणावर वापरली जाणारी प्रोग्रामिंग भाषा आहे. Python मध्ये मोठ्या प्रमाणात डेटा हाताळण्यासाठी आवश्यक लायब्ररींपैकी एक आहे सुन्न. NumPy एक शक्तिशाली N-डायमेंशनल अॅरे ऑब्जेक्ट प्रदान करते, जे आम्हाला जटिल गणिती ऑपरेशन्स सहजतेने करण्यास सक्षम करते. डेटा विश्लेषणातील एक गंभीर ऑपरेशन आहे विभाजित कार्य, ज्याचा उपयोग पुढील विश्लेषणासाठी लहान भागांमध्ये डेटा विभाजित करण्यासाठी केला जातो. या लेखात, आम्ही व्यावहारिक उपाय, चरण-दर-चरण स्पष्टीकरण आणि संबंधित लायब्ररी आणि कार्ये यावर चर्चा करून NumPy च्या स्प्लिट फंक्शनच्या वाक्यरचना आणि वापरात जाऊ.
समस्येचे निराकरण:
समजा आमच्याकडे फॅशन शोमधून व्युत्पन्न केलेला डेटासेट आहे आणि आम्हाला वेगवेगळ्या शैली, ट्रेंड आणि रंग संयोजनांचे विश्लेषण करायचे आहे. पुढील विश्लेषणासाठी हा डेटासेट लहान भागांमध्ये विभाजित करणे हे आमचे ध्येय आहे. हे साध्य करण्यासाठी, आम्ही वापरू NumPy स्प्लिट फंक्शन.
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)
कोडचे चरण-दर-चरण स्पष्टीकरण:
1. आम्ही सुरुवात करतो NumPy लायब्ररी आयात करत आहे, जे आम्हाला मोठ्या प्रमाणात डेटा हाताळण्यासाठी आवश्यक कार्ये प्रदान करते.
2. आम्ही नंतर एक तयार करतो नमुना डेटासेट विविध फॅशन शैली, ट्रेंड आणि रंगसंगती. हा डेटासेट 2D NumPy अॅरे आहे.
3. शेवटी, वापरून NumPy स्प्लिट फंक्शन, आम्ही डेटासेट दोन समान भागांमध्ये विभागतो. 'स्प्लिट_डेटा' व्हेरिएबलमध्ये आता दोन लहान अॅरे आहेत, प्रत्येक मूळ डेटासेटच्या अर्ध्यासह.
NumPy आणि त्याचे विभाजन कार्य समजून घेणे
NumPy, Numeric Python साठी लहान, Python मध्ये संख्यात्मक ऑपरेशन्स करण्यासाठी एक आवश्यक लायब्ररी आहे. हे त्याच्यासाठी मोठ्या प्रमाणावर ओळखले जाते कार्यक्षम N-मितीय अॅरे ऑब्जेक्ट, जे वैज्ञानिक संगणन आणि डेटा विश्लेषणासाठी एक शक्तिशाली साधन म्हणून काम करते.
अगोदर निर्देश केलेल्या बाबीसंबंधी बोलताना NumPy विभाजित फंक्शनचा वापर इनपुट अॅरेला एका विनिर्दिष्ट अक्षावर अनेक लहान अॅरेमध्ये विभाजित करण्यासाठी केला जातो. हे कार्य मोठ्या डेटासेटला लहान, अधिक व्यवस्थापित करण्यायोग्य भागांमध्ये विभाजित करण्यासाठी फायदेशीर ठरू शकते, त्यामुळे डेटाच्या स्वतंत्र भागांवर विशिष्ट विश्लेषणे करणे सोपे होते.
डेटा हाताळणीसाठी इतर NumPy कार्ये
स्प्लिट फंक्शन व्यतिरिक्त, NumPy डेटा मॅनिपुलेशनसाठी इतर अनेक कार्ये देखील ऑफर करते, जसे की:
- आकार बदलणे: हे फंक्शन अंतर्निहित डेटामध्ये बदल न करता दिलेल्या अॅरेचा आकार बदलण्यासाठी वापरला जातो. एका-आयामी अॅरेला द्वि-आयामी अॅरेमध्ये रूपांतरित करण्यासाठी किंवा त्याउलट त्याचा वापर केला जाऊ शकतो.
- जोडणे: हे फंक्शन निर्दिष्ट अक्षावर दोन किंवा अधिक अॅरे विलीन करण्यासाठी वापरले जाते. वेगवेगळ्या स्रोतांकडील डेटा एकत्र करताना ते उपयुक्त ठरू शकते.
- hstack: हे फंक्शन एका अक्षावर क्षैतिजरित्या (स्तंभानुसार) अॅरे स्टॅक करण्यासाठी वापरले जाते. विद्यमान अॅरेमध्ये स्तंभ जोडण्यासाठी किंवा अनेक अॅरे शेजारी जोडून नवीन अॅरे तयार करण्यासाठी हे उपयुक्त आहे.
- vstack: hstack प्रमाणेच, हे फंक्शन एकाच अक्षावर उभ्या (पंक्तीनुसार) अॅरे स्टॅक करण्यासाठी वापरले जाते. विद्यमान अॅरेमध्ये पंक्ती जोडण्यासाठी किंवा एकमेकांच्या वर असलेल्या अनेक अॅरे जोडून नवीन अॅरे तयार करण्यासाठी हे फायदेशीर आहे.
शेवटी, द NumPy स्प्लिट फंक्शन Python मध्ये मोठ्या प्रमाणात डेटा हाताळण्यासाठी एक आवश्यक साधन आहे. डेटासेटला लहान भागांमध्ये विभाजित करून, आम्ही डेटाच्या विशिष्ट उपसंचांचे कार्यक्षमतेने विश्लेषण करू शकतो आणि मौल्यवान अंतर्दृष्टी काढू शकतो. शिवाय, NumPy मधील संबंधित फंक्शन्स आणि लायब्ररी समजून घेतल्याने Python मधील डेटा मॅनिपुलेशन क्षमता वाढवण्यास मदत होईल.
