NumPyPython میں ایک طاقتور library ہے جو بڑے، کثیر الجہتی arrays اور matrices کے لیے معاونت فراہم کرتی ہے، ساتھ ہی ان arrays پر عمل کرنے کے لیے اعلی سطحی ریاضیاتی افعال کا مجموعہ بھی۔ یہ سائنسی کمپیوٹنگ کے ecosystem میں بنیادی libraries میں سے ایک ہے اور سادہ ریاضیاتی عملیات سے لے کر پیچیدہ ڈیٹا تجزیہ تک کے کاموں کے لیے وسیع پیمانے پر استعمال ہوتی ہے۔

NumPy کی بنیادی خصوصیت اس کا ndarray (n-dimensional array) آبجیکٹ ہے، جو Python میں بڑے ڈیٹا سیٹس کے لیے ایک تیز اور لچکدار کنٹینر ہے۔ Python کی لسٹس کے برعکس، NumPy arrays متصل میموری لوکیشنز میں محفوظ کیے جاتے ہیں، جس سے انہیں زیادہ مؤثر طریقے سے رسائی اور جوڑ توڑ کیا جا سکتا ہے۔ اس کی وجہ سے NumPy بڑی مقدار میں ڈیٹا کے انتظام اور ریاضیاتی حسابات کرنے کے لیے جو تیز رفتاری اور درستگی کی ضرورت ہوتی ہے، نہایت قیمتی ہے۔

NumPy ریاضیاتی افعال کی ایک وسیع مجموعہ فراہم کرتا ہے، جیسے کہ خطی الجبرا کے آپریشنز، شماریاتی افعال، اور بے ترتیب اعداد کی پیداوار۔ یہ افعال کارکردگی کے لئے بہتر بنائے گئے ہیں اور مؤثر طریقے سے چلائے جا سکتے ہیں، جو کہ NumPy کو ڈیٹا سائنس، مشین لرننگ، یا سائنسی تحقیق میں کام کرنے والے کسی بھی شخص کے لئے ایک ضروری آلہ بناتا ہے۔

NumPy نے Python میں بہت سی دیگر ڈیٹا سائنس لائبریریوں جیسے کہ pandas, SciPy, اور scikit-learn کے لئے بنیاد فراہم کی ہے۔ ان لائبریریوں کے ساتھ بغیر کسی رکاوٹ کے انضمام کی صلاحیت اور اس کی وسیع کمیونٹی معاونت NumPy کو ڈیولپرز اور محققین کے لئے ایک پسندیدہ انتخاب بناتی ہے جو مؤثر طریقے سے ڈیٹا تجزیہ اور عددی حساب کرنا چاہتے ہیں۔

اہم خصوصیات:

• این-ڈائمنشنل ایرے: بڑے ڈیٹا سیٹس کو سنبھالنے کے لیے مؤثر، کثیر الجہتی ایرے شے۔
• براڈکاسٹنگ: مختلف شکلوں کے حامل arrays پر واضح لوپنگ کے بغیر ریاضیاتی عملیات کرنے کی اجازت دیتی ہے۔
• یونیورسل فنکشنز (ufuncs): تیز رفتار، عنصر کی سطح پر آپریشنز جو arrays پر ریاضیاتی حسابات کے لئے ہیں۔
• انڈیکسنگ اور سلائسنگ: ایریزمیں ڈیٹا تک رسائی حاصل اور اسے تبدیل کرنے کے لیے طاقتور اوزار۔
• لکیری الجبرا اور ریاضیاتی فنکشنز: میٹرکس آپریشنز، لکیری الجبرا، اور شماریاتی فنکشنز کے لیے بلٹ ان سپورٹ۔
• بین العملیت: دیگر سائنسی لائبریریوں کے ساتھ مطابقت رکھتا ہے اور C، C++، اور Fortran کوڈ کے ساتھ انٹرفیس کر سکتا ہے۔
• بے ترتیب نمبر پیدا کرنا: سیمولیشنز اور شماریاتی ایپلیکیشنز کے لئے بے ترتیب نمبر پیدا کرنے کے اوزار۔
• موثر میموری کا استعمال: بڑے ڈیٹا سیٹس کو سنبھالنے کے لیے Python لسٹوں سے زیادہ میموری مؤثر اور تیز۔