R में वेक्टर और मैट्रिक्स के साथ कार्य करना (Working with Vectors and Matrices in R)

परिचय

R प्रोग्रामिंग में डेटा संरचनाओं (Data Structures) की मूल इकाइयाँ वेक्टर (Vectors) और मैट्रिक्स (Matrices) हैं। इनका उपयोग संख्यात्मक, तार्किक, या चरित्र डेटा को सुव्यवस्थित ढंग से संग्रहीत और संसाधित करने के लिए किया जाता है। डेटा साइंस और सांख्यिकी विश्लेषण में अधिकांश गणनाएँ इन दो संरचनाओं पर आधारित होती हैं।

1️⃣ वेक्टर (Vector)

वेक्टर R में एक समान प्रकार (homogeneous) के डेटा तत्वों का अनुक्रम होता है। वेक्टर में सभी मान एक ही प्रकार के होने चाहिए (जैसे सभी संख्या या सभी टेक्स्ट)।

वेक्टर बनाना

वेक्टर बनाने के लिए c() फ़ंक्शन का उपयोग किया जाता है:

# Numeric vector
num_vec <- c(10, 20, 30, 40)

# Character vector
char_vec <- c('R', 'Python', 'SQL')

# Logical vector
log_vec <- c(TRUE, FALSE, TRUE)

वेक्टर की लंबाई

length(num_vec)

वेक्टर के तत्वों तक पहुंच

num_vec[1]      # पहला तत्व
num_vec[2:4]    # दूसरा से चौथा तत्व
num_vec[-3]     # तीसरे को छोड़कर बाकी

वेक्टर पर अंकगणितीय संचालन

R में वेक्टर ऑपरेशन्स एलिमेंट-वाइज़ (element-wise) होते हैं:

a <- c(1, 2, 3)
b <- c(4, 5, 6)
a + b
a * b
a ^ 2

सांख्यिकीय फ़ंक्शन्स

mean(a)
sum(b)
min(a)
max(a)
sd(b)

वेक्टर संयोजन (Combining vectors)

combined <- c(a, b)

वेक्टर फ़िल्टरिंग

nums <- c(12, 25, 8, 30, 15)
nums[nums > 15]

2️⃣ मैट्रिक्स (Matrix)

मैट्रिक्स दो आयामी (2D) संरचना है जो केवल समान डेटा प्रकार के तत्व रखती है। यह R में गणितीय और सांख्यिकीय गणनाओं के लिए अत्यंत उपयोगी है।

मैट्रिक्स बनाना

# Matrix with 2 rows and 3 columns
m <- matrix(c(1, 2, 3, 4, 5, 6), nrow=2, ncol=3)
print(m)

मैट्रिक्स को कॉलम-वाइज़ भरा जाता है।

Row-wise Matrix

m2 <- matrix(1:6, nrow=2, byrow=TRUE)

मैट्रिक्स के नाम देना

rownames(m) <- c('Row1', 'Row2')
colnames(m) <- c('Col1', 'Col2', 'Col3')

मैट्रिक्स के तत्वों तक पहुँच

m[1, 2]   # पहली पंक्ति, दूसरी कॉलम
m[ , 3]   # तीसरी कॉलम
m[2, ]    # दूसरी पंक्ति

मैट्रिक्स पर अंकगणितीय ऑपरेशन

m1 <- matrix(1:4, nrow=2)
m2 <- matrix(5:8, nrow=2)
m1 + m2
m1 * m2
m1 %*% m2  # Matrix Multiplication

मैट्रिक्स ट्रांसपोज़ (Transpose)

t(m)

डिटरमिनेंट और इनवर्स

m3 <- matrix(c(2,1,1,2), nrow=2)
det(m3)           # Determinant
solve(m3)         # Inverse Matrix

Row और Column Operations

rowSums(m)
colSums(m)
rowMeans(m)
colMeans(m)

Bind Functions

वेक्टर या मैट्रिक्स को जोड़ने के लिए:

rbind(a, b)  # Row-wise bind
cbind(a, b)  # Column-wise bind

3️⃣ वेक्टर और मैट्रिक्स के बीच संबंध

मैट्रिक्स वास्तव में एक वेक्टर ही होता है जिसमें एक अतिरिक्त आयाम (dimension) जुड़ा होता है। हम किसी वेक्टर को मैट्रिक्स में बदल सकते हैं:

v <- 1:9
dim(v) <- c(3,3)
v

4️⃣ उपयोगी फ़ंक्शन्स

diag(m)         # Diagonal elements
nrow(m)         # Number of rows
ncol(m)         # Number of columns
is.matrix(m)    # Check if matrix
as.vector(m)    # Convert to vector

5️⃣ वास्तविक उदाहरण — स्कोर विश्लेषण

scores <- matrix(c(80,75,90,85,70,95), nrow=3, byrow=TRUE)
rownames(scores) <- c('Maths','Science','English')
colnames(scores) <- c('Student1','Student2')
scores
colMeans(scores)  # Average per student
rowMeans(scores)  # Average per subject

6️⃣ डेटा साइंस में उपयोग

• सांख्यिकीय विश्लेषण (Statistical Analysis)
• रेखीय बीजगणित (Linear Algebra)
• मशीन लर्निंग में मॉडल प्रशिक्षण
• डेटा ट्रांसफॉर्मेशन
• इमेज प्रोसेसिंग

7️⃣ Python और R में तुलना

8️⃣ टिप्स

• वेक्टर के साथ लूप्स की बजाय वेक्टराइज्ड ऑपरेशन का प्रयोग करें।
• मैट्रिक्स गुणा के लिए %*% का उपयोग करें, * केवल तत्ववार गुणा करता है।
• rowMeans() और colMeans() फ़ंक्शन्स तेज़ हैं।

निष्कर्ष

R में वेक्टर और मैट्रिक्स डेटा संरचनाएँ डेटा प्रोसेसिंग का आधार हैं। इनके माध्यम से हम बड़ी मात्रा में डेटा को कुशलतापूर्वक विश्लेषित और संगठित कर सकते हैं। इनकी समझ डेटा वैज्ञानिक के लिए आवश्यक है, क्योंकि लगभग हर मॉडलिंग, सांख्यिकीय परीक्षण, या डेटा विश्लेषण इन्हीं पर आधारित होता है।