या लेखात, आम्ही Python प्रोग्रामिंग भाषेवर चर्चा करणार आहोत, विशेषत: NumPy लायब्ररीवर लक्ष केंद्रित करणार आहोत आणि या लायब्ररीचा वापर करून कॉलम कसा हटवायचा. Python ही एक अष्टपैलू प्रोग्रामिंग भाषा आहे जी वेब डेव्हलपमेंट, डेटा विश्लेषण, कृत्रिम बुद्धिमत्ता आणि बरेच काही यासह विविध उद्देशांसाठी वापरली जाते. पायथनच्या लोकप्रियतेचा एक महत्त्वाचा घटक म्हणजे त्याची असंख्य लायब्ररी, जी कोडींग प्रक्रिया अधिक कार्यक्षम आणि हाताळण्यास सुलभ बनवते. NumPy ही अशीच एक लायब्ररी आहे, विशेषत: मोठ्या, बहु-आयामी अॅरे आणि संख्यात्मक डेटाच्या मॅट्रिक्ससह कार्य करण्यासाठी डिझाइन केलेली आहे. डेटा मॅनिपुलेशनच्या क्षेत्रात, अॅरेमधून कॉलम कसे हटवायचे हे जाणून घेणे आवश्यक आहे, कारण अनेक वर्कफ्लोमध्ये ही एक सामान्य प्रीप्रोसेसिंग पायरी आहे.
हे कार्य साध्य करण्यासाठी NumPy लायब्ररी `delete` नावाचे वापरकर्ता-अनुकूल कार्य देते. numpy.delete() फंक्शन एका विशिष्ट अक्षासह, अॅरेमधील घटक काढून टाकण्यास सक्षम आहे. हे आम्हाला 2D अॅरे किंवा मॅट्रिक्समधून कॉलम हटवणे सोपे करते.
सुरू करण्यासाठी, NumPy लायब्ररी आयात करू आणि नमुना 2D अॅरे तयार करू:
import numpy as np
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print("Original array:")
print(array)
आता, आम्ही आमच्या 2D अॅरेमधून विशिष्ट स्तंभ हटवण्यासाठी `np.delete()` फंक्शन वापरू:
# Deleting the second column (index 1)
array_modified = np.delete(array, 1, axis=1)
print("nArray with the second column deleted:")
print(array_modified)
np.delete() फंक्शनचे स्पष्टीकरण
np.delete() फंक्शन तीन मुख्य युक्तिवाद घेते: इनपुट अॅरे, हटवल्या जाणार्‍या घटकाची किंवा स्तंभाची अनुक्रमणिका आणि हटवायचा अक्ष. या प्रकरणात अक्ष पॅरामीटर महत्त्वपूर्ण आहे कारण आम्हाला स्तंभ हटवायचा आहे, फक्त एक घटक नाही. axis=1 सेट करून, आम्ही फंक्शनला कॉलम अक्षाच्या बाजूने हटवण्यास सांगत आहोत. जर आपण axis=0 सेट केले तर फंक्शन रो अक्षाच्या बाजूने हटवले जाईल.
लक्षात घ्या की np.delete() फंक्शन मूळ अॅरेमध्ये बदल करत नाही. त्याऐवजी, ते एक नवीन सुधारित अॅरे परत करते, जे तुम्ही तुमच्या वर्कफ्लोमध्ये मूळ डेटा राखू इच्छित असताना आवश्यक आहे.
NumPy लायब्ररी नेव्हिगेट करत आहे
NumPy लायब्ररीमध्ये मोठ्या, बहु-आयामी अॅरे आणि संख्यात्मक डेटाचे मॅट्रिक्स हाताळण्यासाठी विविध तंत्रे आणि कार्ये आहेत. अनेक लोकप्रिय फंक्शन्समध्ये `reshape`, `concatenate`, `split`, आणि बरेच काही समाविष्ट आहे. NumPy हे त्याच्या कार्यक्षम आणि वापरण्यास सोप्या डेटा स्ट्रक्चर्समुळे Python सह गणितीय आणि वैज्ञानिक संगणनासाठी मूलभूत पॅकेज आहे.
अॅरे आणि डेटा मॅनिप्युलेशन हाताळण्याचा NumPy चा मार्ग समजून घेणे हे प्रत्येक डेटा सायंटिस्ट किंवा मशीन लर्निंग उत्साही व्यक्तीसाठी आवश्यक पाऊल आहे. याव्यतिरिक्त, NumPy अॅरेमधील स्तंभ हटवणे आणि सुधारणे ही संकल्पना समजून घेणे मोठ्या प्रमाणात डेटा प्रीप्रोसेसिंग हाताळण्यासाठी उपयुक्त ठरू शकते, कारण असंबद्ध किंवा अनावश्यक स्तंभ हटवण्यामुळे प्रक्रियेच्या वेळेत लक्षणीय सुधारणा होऊ शकते आणि डेटाचे विश्लेषण करणे सोपे होते.
