🐍 Introduction to Python NumPy Library

পাইথন প্রোগ্রামিংয়ের জগতে NumPy হলো এমন একটি লাইব্রেরি, যা ডেটা সায়েন্স, মেশিন লার্নিং, আর্টিফিশিয়াল ইন্টেলিজেন্স কিংবা সায়েন্টিফিক ক্যালকুলেশনের জন্য একেবারে অপরিহার্য। যদি পাইথনকে আমরা ডেটা অ্যানালাইসিসের মস্তিষ্ক বলি, তবে NumPy হলো সেই মস্তিষ্কের গণিতবিদ।

---

🔢 NumPy কী?
✔️ NumPy (Numerical Python) হলো একটি ওপেন-সোর্স পাইথন লাইব্রেরি, যা মূলত arrays (বহুমাত্রিক অ্যারে) এবং numerical computation এর জন্য ব্যবহৃত হয়।
✔️ এটি প্রথম তৈরি হয় Travis Oliphant এর নেতৃত্বে ২০০৫ সালে।
✔️ এর লক্ষ্য ছিল বড় পরিমাণ numerical data দ্রুত ও দক্ষভাবে প্রসেস করা।
✔️ বর্তমানে এটি Python Data Science Ecosystem এর ভিত্তি হিসেবে ব্যবহৃত হয়।

👉 সহজ কথায়: NumPy = Python + Fast Math Operations

---

🔹 কেন NumPy ব্যবহার করবেন?
NumPy সাধারণ Python list-এর তুলনায় অনেক বেশি শক্তিশালী এবং দ্রুত।
✔️ Multi-dimensional array নিয়ে কাজ করা যায়।
✔️ Linear Algebra, Fourier Transform, Statistics সহজে করা যায়।
✔️ বড় matrix operation (ML, AI, Deep Learning) সহজে করা যায়।
✔️ C/C++ Integration থাকায় অনেক দ্রুত কাজ করে।

---

🔹 NumPy দিয়ে আমরা কী কী করতে পারি?

📊 Arrays তৈরি এবং manipulate করা
📊 Mathematical operations (sum, mean, median, standard deviation)
📊 Linear Algebra operations (matrix multiplication, eigenvalues ইত্যাদি)
📊 Random number generation (ডেটা সিমুলেশন)
📊 Broadcasting (বড় ডেটার উপর ছোট ডেটা apply করা)
📊 Data preprocessing in Machine Learning

---

🔹 NumPy এর Important Methods

Method কাজ
np.array() Array তৈরি
np.zeros() সব 0 দিয়ে array তৈরি
np.ones() সব 1 দিয়ে array তৈরি
np.arange() Range সহ array তৈরি
np.linspace() সমান ভাগে মান তৈরি
np.reshape() Array এর শেপ পরিবর্তন
np.mean() গড় মান
np.median() Median বের করা
np.std() Standard deviation
np.dot() Matrix multiplication
np.random.rand() Random সংখ্যা তৈরি
np.max(), np.min() সর্বোচ্চ ও সর্বনিম্ন মান

---

🔹 NumPy Practical Examples

নিচের কোডগুলোতে ডেফিনেশন সহ কমেন্ট দেওয়া আছে যেন নতুনরা সহজে বুঝতে পারে:

import numpy as np

✅ 1. Create a simple array

arr = np.array([1, 2, 3, 4, 5])
print(“Array:”, arr)

✅ 2. Create 2D array (Matrix)

matrix = np.array([[1, 2], [3, 4]])
print(“Matrix:\n”, matrix)

✅ 3. Create array of zeros

zeros = np.zeros((3, 3))
print(“Zeros:\n”, zeros)

✅ 4. Create array of ones

ones = np.ones((2, 4))
print(“Ones:\n”, ones)

✅ 5. Create array using range

range_array = np.arange(0, 10, 2) # 0 থেকে 10 পর্যন্ত, প্রতি 2 ধাপে
print(“Range Array:”, range_array)

✅ 6. Reshape an array

reshaped = np.arange(12).reshape(3, 4)
print(“Reshaped Array:\n”, reshaped)

✅ 7. Basic Statistics

data = np.array([10, 20, 30, 40, 50])
print(“Mean:”, np.mean(data))
print(“Median:”, np.median(data))
print(“Standard Deviation:”, np.std(data))

✅ 8. Matrix Multiplication

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(“Matrix Multiplication:\n”, np.dot(A, B))

✅ 9. Random Numbers

random_arr = np.random.rand(3, 3)
print(“Random Array:\n”, random_arr)

---

🔹 NumPy কোথায় ব্যবহৃত হয়? (Major Projects)

✅ Machine Learning (TensorFlow, Scikit-Learn এর ভিতরে NumPy heavily used হয়)
✅ Data Analysis (Pandas-এর backend এ NumPy ব্যবহার হয়)
✅ Deep Learning (Keras, PyTorch এর গাণিতিক হিসাব)
✅ Scientific Computing (Physics, Biology data simulation)
✅ Image Processing (OpenCV + NumPy ব্যবহার হয়)
✅ Financial Modeling (স্টক মার্কেট ডেটা অ্যানালাইসিস)

---

🔹 NumPy এর গুরুত্ব

Python এর Data Science Ecosystem (Pandas, SciPy, Matplotlib, Scikit-Learn) সবকিছুই NumPy এর উপর নির্ভরশীল।

বড় ডেটা দ্রুত হ্যান্ডেল করতে NumPy অপরিহার্য।

এটি Python এর গাণিতিক powerhouse।

---

🏁 উপসংহার

যদি আপনি Data Science, Machine Learning, বা AI শিখতে চান, তাহলে NumPy হলো প্রথম ধাপ। এর উপর ভিত্তি করেই পরবর্তীতে Pandas, TensorFlow, PyTorch এর মতো লাইব্রেরি ব্যবহার করতে পারবেন।

👉 তাই, NumPy শেখা মানে হলো ডেটা সায়েন্সের দরজা খুলে দেওয়া।