Array Creation Routines in Python in Hindi – पूरी जानकारी Examples के साथ

Table of Contents

• 1. Creating Arrays (1D and Multi-Dimensional) in Python in Hindi

• 2. Common Array Creation Functions in Python in Hindi

• 3. zeros(), ones(), full(), eye() Functions in Python in Hindi

Data Science हो, Machine Learning हो या Scientific Computing — हर जगह सबसे पहले काम आता है array बनाना। Python में normal lists तो होती हैं, लेकिन जब बात numerical calculations की आती है, तो NumPy library के arrays कहीं ज्यादा fast और powerful होते हैं। इस blog में हम सीखेंगे कि array कैसे बनाए जाते हैं, कौन-कौन से ready-made functions इसके लिए मिलते हैं, और zeros(), ones(), full(), eye() जैसे functions का इस्तेमाल कैसे किया जाता है — वो भी बिल्कुल आसान भाषा में।

Creating Arrays (1D and Multi-Dimensional) in Python in Hindi

Array बनाने के लिए सबसे पहले हमें numpy library को import करना होता है। इसे आमतौर पर np नाम से short करके import किया जाता है, ताकि बार-बार पूरा नाम न लिखना पड़े।

import numpy as np

1D Array (One-Dimensional Array)

1D array एक simple सीधी list की तरह होता है, जिसमें values एक ही line में एक के बाद एक रखी जाती हैं। इसे बनाने के लिए np.array() function में एक Python list पास की जाती है।

arr_1d = np.array([10, 20, 30, 40, 50])
print(arr_1d)
# Output: [10 20 30 40 50]

print(arr_1d.shape)   # Output: (5,)
print(arr_1d.ndim)    # Output: 1

यहाँ shape बताता है कि array में कितने elements हैं, और ndim बताता है कि array कितने dimensions का है। चूँकि यह सिर्फ एक row है, इसलिए ndim यहाँ 1 आया।

2D Array (Multi-Dimensional Array)

2D array को rows और columns के रूप में समझा जा सकता है — बिल्कुल एक table की तरह। इसे बनाने के लिए हम list के अंदर एक और list पास करते हैं (यानी nested list)।

arr_2d = np.array([[1, 2, 3],
                    [4, 5, 6]])

print(arr_2d)
# Output:
# [[1 2 3]
#  [4 5 6]]

print(arr_2d.shape)   # Output: (2, 3)
print(arr_2d.ndim)    # Output: 2

यहाँ (2, 3) का मतलब है — 2 rows और 3 columns। अगर हमें 3D या उससे भी ज्यादा dimensions वाला array बनाना हो, तो बस list के अंदर और नई lists जोड़ते जाते हैं। नीचे दिया गया diagram 1D और 2D array के structure में फर्क दिखाता है।

यह SVG दिखाता है कि 1D array में values एक single line में होती हैं, जबकि 2D array में values rows और columns के रूप में एक table की तरह arrange होती हैं।

Common Array Creation Functions in Python in Hindi

हर बार manually values type करके array बनाना practical नहीं होता, खासकर जब array बहुत बड़ा हो। इसलिए NumPy कुछ ready-made functions देता है, जिनसे बड़े arrays कुछ ही seconds में बन जाते हैं।

• 1. np.arange():
  यह Python के built-in range() जैसा ही काम करता है, बस यह एक array return करता है। इसमें start, stop और step values दी जा सकती हैं।

  
  arr = np.arange(0, 10, 2)
  print(arr)
  # Output: [0 2 4 6 8]
    

• 2. np.linspace():
  यह दो values के बीच बराबर दूरी वाले (equally spaced) कुल कितने points चाहिए, यह बताता है। जैसे 0 से 1 के बीच 5 equal points चाहिए तो:

  
  arr = np.linspace(0, 1, 5)
  print(arr)
  # Output: [0.   0.25 0.5  0.75 1.  ]
    

• 3. np.random.rand():
  यह 0 से 1 के बीच random values का array बनाता है, जो data testing और simulations में बहुत काम आता है।

  
  arr = np.random.rand(3)
  print(arr)
  # Output: [0.42 0.81 0.15]  (values हर बार अलग आएंगी)
    

• 4. np.array() with dtype:
  Array बनाते समय हम यह भी बता सकते हैं कि उसमें values किस type की होनी चाहिए, जैसे integer, float आदि।

  
  arr = np.array([1, 2, 3], dtype=float)
  print(arr)
  # Output: [1. 2. 3.]
    

यह सारे functions इसलिए useful हैं क्योंकि इनसे बड़े और पैटर्न वाले arrays को बहुत कम code में, बिना गलती के बनाया जा सकता है।

zeros(), ones(), full(), eye() Functions in Python in Hindi

जब हमें किसी particular value से भरा हुआ array चाहिए होता है — जैसे सारे zeros, सारे ones, या कोई fixed number — तो NumPy चार बहुत काम के functions देता है: zeros(), ones(), full() और eye()। ये सभी deep learning और matrix operations में बहुत ज्यादा इस्तेमाल होते हैं, इसलिए exam के नज़रिए से भी ये काफी important हैं।

1. np.zeros()

यह function दिए गए shape का एक array बनाता है, जिसमें हर value 0 होती है। इसका इस्तेमाल अक्सर किसी array को शुरुआत में initialize करने के लिए किया जाता है।

arr = np.zeros((2, 3))
print(arr)
# Output:
# [[0. 0. 0.]
#  [0. 0. 0.]]

2. np.ones()

यह बिल्कुल zeros() जैसा ही काम करता है, बस इसमें हर value 1 होती है।

arr = np.ones((3, 2))
print(arr)
# Output:
# [[1. 1.]
#  [1. 1.]
#  [1. 1.]]

3. np.full()

अगर हमें 0 या 1 नहीं बल्कि किसी भी custom value से array भरना हो, तो full() function काम आता है। इसमें shape के साथ-साथ वह value भी देनी होती है जिससे array fill करना है।

arr = np.full((2, 2), 7)
print(arr)
# Output:
# [[7 7]
#  [7 7]]

4. np.eye()

यह function एक Identity Matrix बनाता है, जिसमें diagonal पर सारी values 1 होती हैं और बाकी सारी जगह 0 होता है। Linear Algebra और Machine Learning में identity matrix बहुत ज्यादा इस्तेमाल होता है।

arr = np.eye(3)
print(arr)
# Output:
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

नीचे दिया गया diagram इन चारों functions के output pattern को एक साथ visually compare करके दिखाता है।

यह SVG zeros, ones, full और eye — चारों functions के output pattern को एक साथ दिखाकर उनका फर्क visually समझाता है, खासकर eye() में diagonal पर 1 और बाकी जगह 0 का pattern साफ नज़र आता है।

Exam Tip: याद रखें — zeros(), ones() और full() तीनों में shape को tuple की तरह पास किया जाता है, जैसे (2, 3), जबकि eye() में सिर्फ एक number दिया जाता है क्योंकि identity matrix हमेशा square (rows = columns) होता है।