Chapter 0.4 — Python + NumPy + matplotlib Setup & First Plot (সেটআপ ও প্রথম ছবি)¶
🎯 এই chapter-এ যা শিখবে¶
- নিজের computer-এ Python, NumPy, matplotlib আর Jupyter Notebook install করা — ধাপে ধাপে, কোনো ধাপ বাদ না দিয়ে
- Python-এর একদম basics: variable, list, loop, function — যতটুকু এই কোর্সে লাগবে
- NumPy array — কেন plain list দিয়ে math হয় না, আর array দিয়ে হয়
- matplotlib দিয়ে জীবনের প্রথম plot আঁকা — এবং plot-এর প্রতিটা অংশ চেনা
- আগের তিন chapter-এর সব ধারণা (function, লাইন, set, \(\Sigma\), \(\mathbb{R}^n\)) কোডে জীবন্ত করা
🖼️ এক ছবিতে মূল idea¶
তোমার Data Science যাত্রার চারটা হাতিয়ার, একটা টিম হিসেবে: Python ভাষাটা, NumPy সেই ভাষায় দ্রুত math করার ইঞ্জিন, matplotlib ছবি আঁকার তুলি, আর Jupyter Notebook হলো খাতা — যেখানে কোড, লেখা আর ছবি পাশাপাশি থাকে। আজ এই চারজনের সাথেই পরিচয় হবে।
১. কি? (What)¶
কেন programming — আমরা না math শিখছিলাম?¶
সংগত প্রশ্ন। উত্তরটা এই কোর্সের দর্শনের গভীরে:
- Code হলো সত্যতা যাচাইয়ের যন্ত্র। বইয়ে লেখা আছে distance \(=5\)? এক লাইনের কোডে নিজে check করো। নিজের চোখে দেখা জিনিস কখনো ভোলা যায় না।
- Code দিয়ে ছবি আঁকা যায়। এই কোর্সের মন্ত্র "আগে ছবি, পরে সূত্র" — আর ছবিগুলো আঁকবে matplotlib। এই বইয়ের প্রতিটা figure Python-এ আঁকা!
- Data Science-এর পেশাগত ভাষাই Python। Linear Algebra শিখছ ML-এর জন্য, আর ML হয় Python-এ। দুটো একসাথে শিখলে এক ঢিলে দুই পাখি।
ভয়ের কিছু নেই: এই কোর্সে programming-এর যতটুকু লাগবে ঠিক ততটুকুই শেখাব, এবং প্রতিটা নতুন জিনিস math-এর সাথে মিলিয়ে। Chapter 0.3-এ তো দেখেছই — math notation আর Python প্রায় একই ভাষা।
চার হাতিয়ারের পরিচয়¶
- Python(পাইথন): পৃথিবীর সবচেয়ে জনপ্রিয় programming ভাষাগুলোর একটা — জনপ্রিয় হওয়ার কারণই হলো এর সরলতা। Python-এর কোড অনেকটা ইংরেজি বাক্যের মতো পড়া যায়।
- NumPy(নামপাই) — "Numerical Python": সংখ্যার array(অ্যারে) নিয়ে বিদ্যুৎগতিতে কাজ করার library(লাইব্রেরি)। Library মানে অন্যদের লেখা কোডের সংগ্রহ, যা আমরা ধার নিই। এই কোর্সের প্রায় প্রতিটা ধারণার NumPy রূপ আছে: vector = array, matrix = 2D array।
- matplotlib(ম্যাটপ্লটলিব): ছবি/graph আঁকার library। নাম এসেছে "MATLAB-plotting-library" থেকে।
- Jupyter Notebook(জুপিটার নোটবুক): browser-এ চলা interactive খাতা — একটা ঘরে (cell) কোড লেখো,
Shift+Enterচাপো, ফল সাথে সাথে নিচে। পরের ঘরে বাংলায় নোট লেখো। Data scientist-দের প্রতিদিনের কর্মক্ষেত্র।
Installation — ধাপে ধাপে¶
সবচেয়ে ঝামেলাহীন রাস্তা দুটো। রাস্তা ১ সুপারিশ করি।
রাস্তা ১: Miniforge/Anaconda (সব এক প্যাকেটে)
- anaconda.com/download থেকে নিজের OS-এর (Windows/Mac/Linux) installer নামাও
- Installer চালাও — সব default-এ "Next" চাপলেই হবে
- Windows-এ Start Menu-তে "Anaconda Prompt" খোলো (Mac/Linux-এ সাধারণ Terminal)
- লেখো:
jupyter notebook→ Enter — browser-এ Jupyter খুলে যাবে!
Anaconda-র ভেতরে Python, NumPy, matplotlib, Jupyter — সব আগে থেকেই আছে। আর কিছু লাগবে না।
রাস্তা ২: python.org + pip (হালকা রাস্তা)
- python.org/downloads থেকে Python নামাও ও install করো (Windows-এ "Add Python to PATH" checkbox-এ টিক দিতে ভুলো না — এটাই সবচেয়ে common ভুল!)
- Terminal/Command Prompt খুলে:
pip install numpy matplotlib notebook - তারপর:
jupyter notebook
যাচাই করো setup ঠিক আছে কিনা — Jupyter-এর একটা cell-এ এটা চালাও:
import numpy as np
import matplotlib
print("Python OK!")
print("NumPy version:", np.__version__)
print("matplotlib version:", matplotlib.__version__)
তিন লাইন output এলেই তুমি প্রস্তুত। Error এলে §৯ (Common ভুল) দেখো।
২. দেখতে কেমন?¶
List বনাম array: আসল পার্থক্যটা চোখে দেখো¶
একই লেখা * 2, দুই ভিন্ন ফল! Python-এর সাধারণ list [1,2,3] * 2 দিলে list-টা repeat হয় — কোনো math হয় না। NumPy array-তে * 2 মানে প্রতিটা সংখ্যাকে দ্বিগুণ — সত্যিকারের math। Linear Algebra-য় আমরা সংখ্যার লিস্টকে একটাই জিনিস (একটা vector!) হিসেবে গণ্য করতে চাই — তাই NumPy-ই আমাদের ঘর।
একটা plot-এর শারীরস্থান¶
একটা সম্পূর্ণ matplotlib figure-এর যন্ত্রপাতি: title, axis label, legend(লেজেন্ড — কোন রেখা কী, তার তালিকা), grid, আর মূল রেখাগুলো। প্রতিটা অংশের পাশে লেখা আছে কোন command সেটা বানায়। এই ছবিটাই তোমার plot-আঁকার cheat sheet।
চার রকমের plot — চার রকমের প্রশ্ন¶
চার অস্ত্রের গ্যালারি: line plot (ধারা/প্রবণতা দেখতে), scatter plot (দুই জিনিসের সম্পর্ক — পড়ার ঘণ্টা বনাম নম্বর!), bar chart (দলে দলে তুলনা — বিভাগভিত্তিক জনসংখ্যা), histogram (একটা রাশির বিস্তার — কার উচ্চতা কত ঘন ঘন)। Data দেখেই কোন plot লাগবে বুঝে ফেলা একজন data scientist-এর প্রথম দক্ষতা।
৩. কোথায় ইউজ হয়?¶
বাস্তব জীবনে (এই stack-টা কারা চালায়):
- NASA থেকে Netflix: James Webb টেলিস্কোপের ছবি প্রসেসিং, Netflix-এর recommendation, ব্যাংকের ঝুঁকি হিসাব — সবখানে Python + NumPy।
- গবেষণা: পদার্থবিজ্ঞান থেকে জিনতত্ত্ব — বৈজ্ঞানিক paper-এর গ্রাফগুলোর বিশাল অংশ matplotlib-এ আঁকা। (LIGO-র মহাকর্ষীয় তরঙ্গ আবিষ্কারের বিখ্যাত ছবিটাও!)
- তোমার ফোনের weather app-এর গ্রাফ থেকে নির্বাচনের ফলাফলের চার্ট — data visualization সর্বত্র।
Data Science / ML-এ (সামনের chapter-গুলোতেই):
- Part I থেকেই: vector মানেই
np.array([3, 2]), vector-এর ছবি মানেই matplotlib-এর quiver plot। আজকের setup ছাড়া কাল এক পা-ও চলা যাবে না। - pandas, scikit-learn, PyTorch, TensorFlow — ML-এর সব বড় library-র ভিত্তির নিচে NumPy array। NumPy শেখা মানে সবগুলোর অর্ধেক শেখা।
- Exploratory Data Analysis (EDA): নতুন dataset পেলে data scientist প্রথম যে কাজটা করে — plot! Histogram-এ বিস্তার দেখো, scatter-এ সম্পর্ক খোঁজো। "আগে ছবি" নীতিটা পেশাদার জগতেও এক নম্বর নিয়ম।
৪. Properties¶
Programming ভাষারও "properties" আছে — নিয়ম, যেগুলো জানলে ভুল কমে।
৪.১ Variable assignment: = মানে "সমান" না, "রাখো"¶
x = 5 # "x নামের বাক্সে 5 রাখো" (Chapter 0.1-এর খালি বাক্স!)
x = x + 1 # math-এ অর্থহীন, Python-এ স্বাভাবিক: "পুরনো x-এর সাথে 1 যোগ করে আবার x-এ রাখো"
print(x) # output: 6
Math-এর \(=\) (দুই পাশ সমান — দাঁড়িপাল্লা) আর Python-এর = (ডান পাশের জিনিস বাঁ পাশের বাক্সে ঢোকাও) আলাদা জিনিস। Python-এ "সত্যিই সমান কিনা" জিজ্ঞেস করতে হয় == দিয়ে: x == 6 → True।
৪.২ NumPy-র elementwise নিয়ম¶
Array-র উপর যেকোনো গাণিতিক কাজ প্রতিটা element-এ আলাদা আলাদা প্রযোজ্য হয়:
a = np.array([1, 2, 3, 4])
print(a * 2) # [2 4 6 8]
print(a + 10) # [11 12 13 14]
print(a ** 2) # [ 1 4 9 16]
print(a + a) # [2 4 6 8] — দুই array মিললে জোড়ায় জোড়ায় যোগ
এক লাইনে চারটা (বা চল্লিশ লাখ!) হিসাব — কোনো loop ছাড়া। একে বলে vectorization(ভেক্টরাইজেশন) — নামটা শুনেই বুঝছ, Part I-এর vector-দের সাথে এর আত্মীয়তা গভীর।
৪.৩ Indexing: গোনা শুরু শূন্য থেকে¶
a = np.array([10, 20, 30, 40])
print(a[0]) # 10 — প্রথম element-এর index 0!
print(a[3]) # 40 — শেষ element-এর index (দৈর্ঘ্য - 1)
print(a[-1]) # 40 — ঋণাত্মক মানে পেছন থেকে
print(a[1:3]) # [20 30] — slice: index 1 থেকে 3-এর *আগে* পর্যন্ত
Python শূন্য থেকে গোনে। আর slice 1:3 মানে "১ ঢুকবে, ৩ ঢুকবে না" — Chapter 0.3-এর \(\{n : 1 \le n < 3\}\)-এর মতো: শুরুতে \(\le\), শেষে \(<\)।
৪.৪ np.linspace ও plotting-এর মূল রেসিপি¶
মসৃণ curve আঁকার সার্বজনীন রেসিপি — Chapter 0.1-এর টেবিল-পদ্ধতিরই যান্ত্রিক রূপ:
x = np.linspace(-3, 3, 100) # -3 থেকে 3 পর্যন্ত সমান দূরত্বে 100টা সংখ্যা
y = x**2 # প্রতিটা x-এর জন্য y (elementwise!)
plt.plot(x, y) # বিন্দুগুলো জুড়ে দাও
plt.show()
১০০টা বিন্দু এত ঘন যে চোখে মসৃণ curve মনে হয়। টেবিল বানাও → বিন্দু বসাও → জোড়ো — এই তিন ধাপ কখনো বদলাবে না, function যত জটিলই হোক।
৫. Intuition — কেন সত্য?¶
কেন NumPy এত দ্রুত — আর এর সাথে Linear Algebra-র কী সম্পর্ক¶
Python-এর সাধারণ list-এ প্রতিটা element আলাদা আলাদা "প্যাকেটে" মোড়া থাকে — যোগ করার আগে Python প্রতিবার প্যাকেট খুলে দেখে ভেতরে কী। এক লাখ সংখ্যা মানে এক লাখবার প্যাকেট খোলা।
NumPy array হলো এক টানা সারিতে রাখা খোলা সংখ্যা — সবগুলো একই ধরনের, পাশাপাশি, computer-এর memory-তে। তাই NumPy পুরো সারিটার উপর একবারে কাজ চালাতে পারে (ভেতরে চলে দ্রুতগতির C ভাষার কোড, এমনকি processor-এর বিশেষ vector-নির্দেশনা)।
এখানেই সুন্দর মিলটা: Linear Algebra-ও ঠিক একই দর্শন — একশটা সংখ্যাকে একশটা আলাদা জিনিস না ভেবে একটা vector ভাবো, তারপর পুরোটার উপর এক অপারেশন চালাও। NumPy দ্রুত হওয়ার কারণ আর Linear Algebra শক্তিশালী হওয়ার কারণ একই: জিনিসগুলোকে একসাথে, এক unit হিসেবে দেখা। সামনের chapter-এ for loop যত কমবে, তোমার কোড তত বেশি "linear-algebraic" হবে।
কেন "আগে নিজে চালাও" এত জরুরি¶
গবেষণায় বারবার দেখা গেছে: শুধু পড়ে শেখা জ্ঞান দ্রুত মুছে যায়, হাতে করে শেখা জ্ঞান থেকে যায়। কোড হলো math-এর হাতেকলমে রূপ। বইয়ে \(\sum_{i=1}^{100} i = 5050\) পড়া এক জিনিস, আর np.arange(1, 101).sum() লিখে নিজের স্ক্রিনে 5050 ফুটে উঠতে দেখা আরেক জিনিস — দ্বিতীয়টা তুমি ভুলবে না। তাই নিয়ম করে নাও: এই বইয়ের প্রতিটা কোড-ব্লক নিজের notebook-এ টাইপ করে চালাবে। Copy-paste না — টাইপ। আঙুলও শিখুক।
৬. Code-এ কেমনে লিখে¶
এবার সব জোড়া লাগাই — জীবনের প্রথম সম্পূর্ণ plot, ধাপে ধাপে:
# ধাপ ১: হাতিয়ার আনো (প্রতি notebook-এর শুরুতে একবার)
import numpy as np
import matplotlib.pyplot as plt
# ধাপ ২: data বানাও — y = x² -এর জন্য
x = np.linspace(-3, 3, 100) # 100টা x মান
y = x**2 # প্রতিটার বর্গ (elementwise)
# ধাপ ৩: আঁকো ও সাজাও
plt.figure(figsize=(8, 5)) # ক্যানভাসের মাপ (ইঞ্চিতে)
plt.plot(x, y, color='#1f77b4', linewidth=2.5, # রেখা
label='y = x²')
plt.scatter([-2, 0, 2], [4, 0, 4], # তিনটা বিশেষ বিন্দু
color='#d62728', s=80, zorder=5)
plt.xlabel('x') # অক্ষের নাম
plt.ylabel('y')
plt.title('Amar prothom plot!') # শিরোনাম
plt.legend() # লেজেন্ড দেখাও
plt.grid(True) # গ্রিড
plt.show() # ছবি হাজির!
Output ব্যাখ্যা: চালালে পাবে নিচের মতো ছবি — একটা নীল parabola(প্যারাবোলা — \(x^2\)-এর U-আকৃতির curve), তিনটা লাল বিন্দুসহ:
তোমার প্রথম curve। লক্ষ করো \((-2, 4)\) আর \((2, 4)\) — দুটোই curve-এর উপরে, কারণ \((-2)^2 = 2^2 = 4\) (Chapter 0.3-এর সেই "দুই তীর এক জায়গায় পড়া")। আর পুরো ছবিটা আসলে set-builder: \(\{(x,y) : y = x^2\}\) — "ছবি = সমীকরণ" এখন তোমার হাতের মুঠোয়।
প্রতিটা লাইন কী করছে আরেকবার দেখে নাও — plt.plot রেখা, plt.scatter ছাড়া ছাড়া বিন্দু, label + plt.legend() জোড়ায় কাজ করে, plt.show() সবশেষে ছবি দেখায়। এই কাঠামোটা মুখস্থ করার দরকার নেই — প্রতি chapter-এ এত বার লিখবে যে এমনিই মনে থাকবে।
# Bonus: আগের তিন chapter এক cell-এ!
x = np.linspace(0, 10, 50)
plt.plot(x, 5*x + 20, label='Rickshaw A: 5x + 20') # Ch 0.2-এর লাইন
plt.plot(x, 7*x + 10, label='Rickshaw B: 7x + 10')
plt.scatter([5], [45], color='red', zorder=5) # ছেদবিন্দু
plt.xlabel('distance (km)'); plt.ylabel('fare (taka)')
plt.legend(); plt.show()
print(np.sum(np.arange(1, 5)**2)) # Ch 0.3-এর Σi² = 30
Output ব্যাখ্যা: রিকশা-ভাড়ার সেই দুটো লাইন আর তাদের ছেদবিন্দু \((5, 45)\) — এবার তোমার নিজের হাতে আঁকা। আর শেষ লাইনে \(\Sigma\)-ও চলে এল। তিন chapter-এর math, দশ লাইনের কোড।
৭. Worked Examples¶
Example 1 — থার্মোমিটার function-এর graph¶
Chapter 0.1-এর \(F = 1.8C + 32\) function-টা \(C = -10\) থেকে \(40\) পর্যন্ত plot করো, আর শরীরের তাপমাত্রা \(37°C\) বিন্দুটা চিহ্নিত করো।
ধাপ ১: Data:
C = np.linspace(-10, 40, 100)
F = 1.8 * C + 32
plt.plot(C, F, label='F = 1.8C + 32')
plt.scatter([37], [98.6], color='red', zorder=5)
plt.annotate('Body temp (37, 98.6)', (37, 98.6),
textcoords='offset points', xytext=(-90, 10))
plt.xlabel('Celsius'); plt.ylabel('Fahrenheit')
plt.legend(); plt.show()
Example 2 — কোন বিন্দুগুলো লাইনের উপরে? (কোড দিয়ে set-membership)¶
Chapter 0.2-এর প্রশ্ন কোডে: \((2,3), (1,3), (-2,-1), (0,1)\) — কোনগুলো \(y = x + 1\) লাইনের উপরে?
ধাপ ১: প্রতিটা বিন্দুর জন্য শর্তটা check করো:
points = [(2, 3), (1, 3), (-2, -1), (0, 1)]
for (px, py) in points:
on_line = (py == px + 1) # শর্ত: y কি x+1-এর সমান?
print(f"({px}, {py}) on line: {on_line}")
(2, 3) on line: True
(1, 3) on line: False
(-2, -1) on line: True
(0, 1) on line: True
== জিজ্ঞেস করছে "সত্যিই সমান?" — ঠিক Chapter 0.2-এর "শর্ত মানে কিনা" পরীক্ষা। True পাওয়া বিন্দুরাই set \(\{(x,y) : y = x+1\}\)-এর element। Math-এর তিনটা ভাষা (geometry, algebra, set) আর কোড — চারটাই এক বিন্দুতে মিলল।
Example 3 — প্রথম সত্যিকারের data plot¶
পাঁচ দিনের তাপমাত্রা: সোম ৩১°, মঙ্গল ৩৩°, বুধ ৩০°, বৃহস্পতি ৩৪°, শুক্র ৩২°। Line plot আঁকো, গড় তাপমাত্রার একটা সমতল রেখা দাও।
ধাপ ১: Data ও গড়:
days = ['Mon', 'Tue', 'Wed', 'Thu', 'Fri']
temp = np.array([31, 33, 30, 34, 32])
avg = temp.mean() # np.sum(temp)/5 — Σ আবার!
print(avg) # 32.0
plt.plot(days, temp, 'o-', label='daily temp')
plt.axhline(avg, color='red', linestyle='--', label=f'average = {avg}')
plt.ylabel('temperature (°C)'); plt.legend(); plt.show()
np.sum(temp - avg) চালিয়ে দেখো — 0.0 পাবে!
৮. Problems ও Solutions¶
এগুলো সব হাতে-কলমে — নিজের Jupyter Notebook-এ করো। Solution দেখার আগে অন্তত একবার error খাও — error message পড়তে শেখাও এই chapter-এর syllabus-এর অংশ!
Problem 1. Python-এ হিসাব করে অনুমান মিলিয়ে দেখো: \((a)\) 2 + 3 * 4 \((b)\) (2 + 3) * 4 \((c)\) 2 ** 3 \((d)\) 7 // 2 এবং 7 % 2 (নতুন দুটো চিহ্ন — চালিয়ে অর্থ আবিষ্কার করো!)
Solution
print(2 + 3 * 4) # 14 — BODMAS: আগে গুণ (Chapter 0.1!)
print((2 + 3) * 4) # 20 — বন্ধনী আগে
print(2 ** 3) # 8 — ** মানে power: 2³
print(7 // 2) # 3 — floor division: ভাগফলের পূর্ণ অংশ
print(7 % 2) # 1 — modulo: ভাগশেষ
// আর % জোড়া মনে রাখো: \(7 = 2 \times 3 + 1\) — ভাগফল ৩, ভাগশেষ ১। (\(x\) % 2 == 0` দিয়েই Chapter 0.3-এ জোড় সংখ্যা চিনেছিলাম!)
Problem 2. একটা function f(x) লেখো যেটা \(3x - 2\) return করে। তারপর \(f(4), f(0), f(-2)\) print করে Chapter 0.1-এর Problem 5-এর উত্তরের সাথে মিলিয়ে দেখো।
Solution
def f(x):
return 3*x - 2
print(f(4)) # 10
print(f(0)) # -2
print(f(-2)) # -8
f(np.array([4, 0, -2])) দিলে একবারে [10 -2 -8]! Function-টা না বদলেই — এটাই vectorization-এর জাদু।
Problem 3. np.linspace(0, 10, 5) কী দেবে — আগে অনুমান করো, পরে চালাও। তারপর এমন linspace লেখো যেটা \(-1\) থেকে \(1\) পর্যন্ত \(201\)টা বিন্দু দেয়, এবং তার প্রথম ৩টা ও শেষ ৩টা element print করো।
Solution
print(np.linspace(0, 10, 5)) # [ 0. 2.5 5. 7.5 10. ]
x = np.linspace(-1, 1, 201)
print(x[:3]) # [-1. -0.99 -0.98]
print(x[-3:]) # [0.98 0.99 1. ]
[:3] = প্রথম তিনটা, [-3:] = শেষ তিনটা।
Problem 4. \(y = 2x + 1\) এবং \(y = x^2\) — দুটোকে একই ছবিতে plot করো (\(x\): \(-2\) থেকে \(4\)), legend সহ। ছবি দেখে বলো এরা কোথায় কোথায় ছেদ করেছে, তারপর algebra দিয়ে যাচাই করো।
Solution
x = np.linspace(-2, 4, 100)
plt.plot(x, 2*x + 1, label='y = 2x + 1')
plt.plot(x, x**2, label='y = x²')
plt.legend(); plt.grid(True); plt.show()
Algebra: \(x^2 = 2x + 1 \Rightarrow x^2 - 2x - 1 = 0\)। Quadratic formula: \(x = \frac{2 \pm \sqrt{4+4}}{2} = 1 \pm \sqrt{2}\), অর্থাৎ \(x \approx -0.414\) এবং \(x \approx 2.414\) — ছবির অনুমানের সাথে মিলে গেল! ছবি আগে উত্তরের আন্দাজ দেয়, algebra সেটা নিখুঁত করে — এই জুটিই পুরো কোর্স।
Problem 5. np.arange(1, 101) ব্যবহার করে \((a)\) \(\sum_{i=1}^{100} i\) \((b)\) \(\sum_{i=1}^{100} i^2\) \((c)\) \(1\) থেকে \(100\)-এর মধ্যে জোড় সংখ্যাগুলোর যোগফল বের করো।
Solution
i = np.arange(1, 101) # 1, 2, ..., 100
print(i.sum()) # (a) 5050
print((i**2).sum()) # (b) 338350
print(i[i % 2 == 0].sum()) # (c) 2550
i[i % 2 == 0] জিনিসটা দেখো: শর্ত দিয়ে বাছাই — boolean masking — এটা আসলে set-builder notation-এর NumPy রূপ: \(\{i : i \text{ জোড়}\}\)! Data science-এ প্রতিদিন লাগবে।
Problem 6. Chapter 0.2-এর Problem 6-এর internet package-দুটো (\(C_A = 20g + 500\), \(C_B = 50g + 200\)) \(g = 0\) থেকে \(20\) GB পর্যন্ত plot করো। ছেদবিন্দু \((10, 700)\)-তে একটা কালো বিন্দু দাও এবং ছবি থেকে পড়ে বলো: \(15\) GB-তে কোন লাইনটা নিচে?
Solution
g = np.linspace(0, 20, 100)
plt.plot(g, 20*g + 500, label='Alpha: 20g + 500')
plt.plot(g, 50*g + 200, label='Beta: 50g + 200')
plt.scatter([10], [700], color='black', zorder=5)
plt.xlabel('data (GB)'); plt.ylabel('cost (taka)')
plt.legend(); plt.grid(True); plt.show()
Problem 7. ৫০০ জনের উচ্চতার নকল data বানাও: h = np.random.default_rng(42).normal(165, 8, 500) — গড় ১৬৫ cm, ছড়ানো ৮ cm। \((a)\) Histogram আঁকো (২৫টা bin)। \((b)\) h.mean(), h.min(), h.max() print করো। \((c)\) ১৮০ cm-এর চেয়ে লম্বা কতজন — boolean masking দিয়ে বের করো।
Solution
h = np.random.default_rng(42).normal(165, 8, 500)
plt.hist(h, bins=25)
plt.xlabel('height (cm)'); plt.ylabel('count'); plt.show()
print(h.mean()) # (b) ≈ 165.09 — গড় প্রায় 165 ✓
print(h.min(), h.max()) # ≈ 141.5, 189.3
print((h > 180).sum()) # (c) 17 জন
h > 180 দেয় ৫০০টা True/False; .sum()-এ True গোনা হয় ১ হিসেবে। "শর্ত → গোনা" — দুই অক্ষরের এই idiom data science-এ অমূল্য।
Problem 8 (challenge). একই figure-এ subplot দিয়ে দুটো ছবি পাশাপাশি আঁকো: বাঁয়ে \(y = x^2\), ডানে \(y = \sqrt{x}\) (দুটোই \(x: 0\) থেকে \(9\))। Hint: plt.subplots(1, 2)। তারপর এক বাক্যে লেখো: দুটো curve-এর সম্পর্ক কী?
Solution
x = np.linspace(0, 9, 100)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(10, 4))
ax1.plot(x, x**2, color='#1f77b4'); ax1.set_title('y = x²')
ax2.plot(x, np.sqrt(x), color='#d62728'); ax2.set_title('y = √x')
plt.show()
(fig, (ax1, ax2) = plt.subplots(1, 2) ধাঁচটা এই বইয়ের figure script-গুলোতেও শত শত বার পাবে — এখন থেকে ওগুলোও তুমি পড়তে পারো!)
৯. Common ভুল¶
ভুল ১: = আর == গুলিয়ে ফেলা
- ❌
if x = 5:— SyntaxError! - ✓ রাখার জন্য
=(x = 5), তুলনার জন্য==(x == 5)। মনে রাখো: এক দাগ = আদেশ ("রাখো"), দুই দাগ = প্রশ্ন ("সমান কি?")।
ভুল ২: Indentation (শুরুর ফাঁকা জায়গা) এলোমেলো করা
- ❌
def f(x):-এর পরের লাইন বাঁ ঘেঁষে লেখা → IndentationError - ✓ Python-এ ফাঁকা জায়গাই ব্যাকরণ:
def,for,if-এর ভেতরের লাইনগুলো ঠিক ৪ space ভেতরে। Jupyter নিজেই সাধারণত ঠিক জায়গায় cursor রাখে — সেটার সাথে যুদ্ধ কোরো না।
ভুল ৩: import না করেই ব্যবহার করা / প্রতি cell-এ আবার install করা
- ❌
NameError: name 'np' is not definedদেখে আতঙ্ক - ✓ প্রতিটা notebook-এর প্রথম cell-এ একবার
import numpy as npআরimport matplotlib.pyplot as pltচালাও — তারপর পুরো notebook-এ আর লাগবে না। (নতুন করে খুললে আবার চালাতে হবে — notebook-এর স্মৃতি বন্ধ করলেই মুছে যায়!)
ভুল ৪: List আর array গুলিয়ে ফেলা
- ❌
[1, 2, 3] * 2লিখে[2, 4, 6]আশা করা (পাবে[1, 2, 3, 1, 2, 3]!) - ✓ Math করতে চাইলে আগে
np.array([1, 2, 3])বানাও। সন্দেহ হলেtype(x)print করো —listনাnumpy.ndarrayদেখে নাও।
ভুল ৫: Error message না পড়ে হাল ছেড়ে দেওয়া
- ❌ লাল লেখা দেখেই "আমার দ্বারা হবে না"
- ✓ Error message হলো Python-এর চিঠি — শেষ লাইনটা পড়ো:
NameErrorমানে নাম চেনেনি (বানান? import?),SyntaxErrorমানে লেখায় ভুল (কোলন? বন্ধনী?),IndexErrorমানে যত নম্বর element চেয়েছ তত নেই (শূন্য থেকে গোনা মনে আছে?)। Error-সহ লাইন নম্বরও লেখা থাকে। পেশাদার programmer-রা দিনে দশবার error খায় — পার্থক্য হলো তারা চিঠিটা পড়ে।
১০. এক নজরে¶
| ধারণা | এক লাইনে | কোড |
|---|---|---|
| Python | সহজ, ইংরেজির-মতো programming ভাষা | x = 5, def f(x): |
| Jupyter Notebook | কোড+লেখা+ছবির interactive খাতা | cell-এ Shift+Enter |
| NumPy array | সংখ্যার সারি যার উপর একবারে math চলে | np.array([1,2,3]) * 2 → [2 4 6] |
| Vectorization | loop ছাড়া পুরো array-তে অপারেশন | x**2, a + b |
| Indexing/slicing | শূন্য থেকে গোনা; 1:3 মানে ১ থেকে ৩-এর আগে |
a[0], a[-1], a[1:3] |
| Boolean masking | শর্ত দিয়ে বাছাই — কোডের set-builder | h[h > 180] |
np.linspace |
দুই প্রান্তের মাঝে সমান ফাঁকে n-টা সংখ্যা | np.linspace(-3, 3, 100) |
| Plot-রেসিপি | data বানাও → আঁকো → সাজাও → show() |
plt.plot(x, y) |
| Plot-এর চার অস্ত্র | line, scatter, bar, histogram | plot / scatter / bar / hist |
| Error message | Python-এর চিঠি — শেষ লাইন পড়ো | NameError, SyntaxError |
পরের Part-এর সেতু (Part 0 সমাপ্ত! 🎉): ভিত মেরামত শেষ। এখন তোমার হাতে আছে: সংখ্যা আর equation-এর সাহস (0.1), "ছবি = সমীকরণ"-এর চোখ (0.2), notation পড়ার ভাষা (0.3), আর কোড চালানোর হাত (0.4)। Part I-তে এই চারটা একসাথে জ্বলে উঠবে: আমরা দেখা করব এই পুরো কোর্সের নায়কের সাথে — Vector(ভেক্টর)। জানো কি, তুমি আসলে আজই vector বানিয়েছ? np.array([3, 2]) — ওটাই একটা vector, শুধু নামটা তখনো বলিনি। Chapter 1.1-এ দেখা হচ্ছে!
চোখ বন্ধ করে মনে করো (Part 0 recap): দাঁড়িপাল্লা (equation) → গ্রাফ কাগজে ঠিকানা \((x,y)\) → লুকানো ত্রিভুজ (distance) → সিঁড়ির খাড়াই (slope) → জিনিসের ব্যাগ (set) → input-output মেশিন (function) → \(\Sigma\) = for-loop → আর তোমার নিজের আঁকা প্রথম নীল parabola। এই আটটা ছবি মাথায় থাকলে Part 0 তোমার সাথেই আছে।
📓 Notebook Project¶
ch04-project notebook — notebooks/part-00/ch04-project.ipynb: Part 0-এর flagship project — বাংলাদেশের বিভাগভিত্তিক জনসংখ্যা ও আয়তনের data দিয়ে নিজের প্রথম সম্পূর্ণ data-visualization: bar chart, scatter plot (জনঘনত্ব আবিষ্কার!), আর Part 0-র সব কৌশল এক জায়গায়।