Python for AI/NumPy/Lesson 35

Indexing ও Slicing

2D array থেকে row, column আর অংশ বের করা; boolean mask দিয়ে filter; fancy indexing; আর view বনাম copy — যে ফাঁদে অনেকেই data নষ্ট করে।

সময়: 24 মিনিট
Exercise: 1
Challenge: 1
Quiz: 3 প্রশ্ন

সহজ ভাষায়

1D array-এর indexing list-এর মতোই। নতুন হলো 2D — যেখানে [row, column] দুটো index:

main.py

import numpy as np

scores = np.array([
    [72, 85, 64],
    [90, 78, 88],
    [55, 92, 70],
])

print(scores[0])
print(scores[1, 2])
print(scores[:, 1])
print(scores[0:2, 1:])

             col 0  col 1  col 2
    row 0  [  72     85     64 ]
    row 1  [  90     78     88 ]    scores[1, 2] = 88
    row 2  [  55     92     70 ]
                      ^
              scores[:, 1] = [85, 78, 92]

কেন দরকার?

Dataset থেকে feature (column) আর label আলাদা করা: X = data[:, :-1], y = data[:, -1]
ছবি crop করা: image[50:150, 100:200]
শর্ত দিয়ে data filter: "যেসব sample-এর বয়স ১৮-এর বেশি"
Model-এর ভুল prediction খোঁজা: X[pred != y]

2D slicing

[row_slice, column_slice] — প্রতিটা অংশে list slicing-এর সব নিয়ম চলে:

main.py

import numpy as np

data = np.arange(1, 21).reshape(4, 5)
print(data)
print("শেষ column:", data[:, -1])
print("শেষ column বাদে:\n", data[:, :-1])
print("প্রতি দ্বিতীয় row:\n", data[::2])

ML-এর সবচেয়ে common slicing

main.py

import numpy as np

dataset = np.array([
    [1400, 3, 10, 85],
    [900, 2, 25, 52],
    [2100, 4, 5, 140],
])

X = dataset[:, :-1]
y = dataset[:, -1]
print("features:\n", X)
print("labels:", y)

শেষ column label (দাম), বাকিগুলো feature (আয়তন, রুম, বয়স)।

Boolean mask: শর্ত দিয়ে filter

তুলনা করলে একই shape-এর True/False array পাওয়া যায় — mask। সেটা দিয়ে index করলে শুধু True জায়গার মান আসে:

main.py

import numpy as np

ages = np.array([15, 22, 17, 30, 45, 12])

mask = ages >= 18
print(mask)
print(ages[mask])
print(ages[(ages >= 18) & (ages < 40)])
print(ages[(ages < 13) | (ages > 40)])

একাধিক শর্তে and/or না — & আর | ব্যবহার করো, আর প্রতিটা শর্ত bracket-এ রাখো। ages >= 18 and ages < 40 error দেয়।

Mask দিয়ে মান বদলানোও যায়:

main.py

import numpy as np

readings = np.array([22.5, -999.0, 23.1, -999.0, 21.8])
readings[readings == -999.0] = np.nan
print(readings)
print("গড় (nan বাদে):", np.nanmean(readings))

Sensor data-য় "missing" বোঝাতে প্রায়ই -999 থাকে — এভাবে NaN-এ রূপান্তর করা হয়।

Fancy indexing: index-এর list

main.py

import numpy as np

names = np.array(["Rafi", "Mim", "Tanvir", "Nusrat"])
print(names[[0, 2]])
print(names[[3, 3, 1]])

matrix = np.arange(12).reshape(4, 3)
print(matrix[[0, 3]])

Index হিসেবে list দিলে সেই position-গুলোর item আসে — যেকোনো ক্রমে, পুনরাবৃত্তি সহ।

View বনাম Copy: গুরুত্বপূর্ণ ফাঁদ

main.py

import numpy as np

original = np.array([10, 20, 30, 40])

view = original[:2]
view[0] = 999
print("slice বদলানোর পর:", original)

original = np.array([10, 20, 30, 40])
copy = original[:2].copy()
copy[0] = 999
print("copy বদলানোর পর:", original)

Slicing (a[1:3]) → view: একই memory, বদলালে মূল array বদলায়। (বড় data-য় memory বাঁচায়।)
Boolean/fancy indexing (a[mask], a[[0, 2]]) → copy।
নিশ্চিত হতে চাইলে .copy() লেখো।

Preprocessing-এর সময় না বুঝে মূল dataset নষ্ট করে ফেলা খুব common bug।

Exercise

Score table থেকে data বের করো

+20 XP

scores একটা 4×3 array — ৪ জন student (row), ৩টা subject (column: Math, Physics, English)।

second_student — দ্বিতীয় student-এর সব score (1D array)
english — সবার English score (শেষ column)
above_80 — পুরো table-এ 80-এর বেশি সব score (1D array), boolean mask দিয়ে

solution.py

import numpy as np

scores = np.array([
    [72, 85, 64],
    [90, 78, 88],
    [55, 92, 70],
    [81, 60, 95],
])

second_student = None
english = None
above_80 = None

print(second_student, english, above_80)

Quiz

Q1a = np.arange(12).reshape(3, 4) — a[1, 2] কত?
697
Q2a[:, 0] কী দেয়?
প্রথম rowপ্রথম columnপ্রথম item
Q3নিচের code-এর পর a কী?
```
a = np.array([1, 2, 3, 4])
b = a[:2]
b[0] = 99
```
[1, 2, 3, 4][99, 2, 3, 4]

0/3 answered

Challenge

One-hot encoding

+50 XP

Classification model-এ label সাধারণত one-hot আকারে যায় — প্রতিটা label-এর জন্য একটা row, যেখানে শুধু সেই class-এর জায়গায় 1:

label 2, 4টা class → [0, 0, 1, 0]

one_hot(labels, num_classes) function লেখো যেটা (len(labels), num_classes) shape-এর float array return করে। Loop ছাড়া।

solution.py

import numpy as np


def one_hot(labels, num_classes):
    pass


print(one_hot([0, 2, 1, 2], 3))

বাস্তবে কোথায় ব্যবহার হয়?

Model-এর ভুলগুলো খুঁজে বের করা — error analysis, ML engineer-এর সবচেয়ে মূল্যবান কাজগুলোর একটা:

main.py

import numpy as np

texts = np.array(["দারুণ", "বাজে", "ঠিক আছে", "অসাধারণ", "খুব খারাপ", "মোটামুটি"])
y_true = np.array([1, 0, 1, 1, 0, 0])
y_pred = np.array([1, 0, 0, 1, 1, 0])

wrong = y_pred != y_true
print(f"Accuracy: {(~wrong).mean():.0%}")
print("ভুল prediction:")
for text, t, p in zip(texts[wrong], y_true[wrong], y_pred[wrong]):
    print(f"  {text!r}: আসল {t}, model বলেছে {p}")

এই ভুলগুলো দেখে বোঝা যায় model কোথায় দুর্বল — "ঠিক আছে", "খুব খারাপ"-এর মতো মাঝামাঝি বা negation-ওয়ালা কথায়। পরের পদক্ষেপ: এমন আরও data যোগ করা।

Interview প্রশ্ন

Beginner: a[1, 2] আর a[1][2]-এর পার্থক্য কী? (ফলাফল একই, কিন্তু প্রথমটা এক ধাপে — দ্রুত।)
Intermediate: Boolean mask কী? দুটো শর্ত কীভাবে মেলাবে?
Advanced: কোন indexing view দেয় আর কোনটা copy? কেন এই পার্থক্য performance-এর জন্য গুরুত্বপূর্ণ?

এরপর কী?

Data বের করতে পারি। এখন পুরো array-এর ওপর গাণিতিক হিসাব — exp, log, sqrt, আর activation function। পরের lesson: Vectorized Operations।