List, Tuple ও Dictionary

এই প্রশ্নটি আসলে immutability নিয়ে — programming language design-এর গভীরতম প্রশ্ন। Functional programming-এর পুরো philosophy এর উপরে দাঁড়ানো।

Immutability-র সুবিধা:

• Hashable: tuple dict-এর key হতে পারে, list পারে না। যেমন: {(0, 0): "origin"} — coordinate-key dict।
• Thread safe: পরিবর্তন হবে না — তাই দু'জন একসাথে পড়লেও race condition নেই।
• Caching/memoization: arg immutable হলে — function output cache করা যায়।
• Defensive copy লাগে না: caller-এর tuple bug-এ change হবে না — confidence।
• Functional purity: input বদলায় না → side-effect-free → test সহজ।

List-এর সুবিধা:

• In-place modification — বড় list copy করতে হয় না।
• append, sort, reverse — incremental কাজে natural।
• Memory pre-allocation — Python পরবর্তী append-এর জন্য জায়গা রাখে।

কখন কোনটা — guideline:

• Tuple বাছুন যখন: heterogeneous data (record-like), function-এ multiple return, fixed dimensions, dict key।
• List বাছুন যখন: homogeneous data (একই ধরনের items), iterate ও modify, length অজানা।

একটি বিখ্যাত Python idiom:

def divmod_(a, b):
    return a // b, a % b    # tuple return

quotient, remainder = divmod_(17, 5)    # unpacking

AI-তে concrete examples:

• Tensor shape: (batch, channels, h, w) — চিরকাল 4। tuple।
• Dataset items: (image, label) — fixed pair। tuple।
• Loss history: per-epoch বাড়ছে। list।
• Hyperparameter combinations: grid search-এ tuple — set-এর element বানানো যায়।

Trade-off-এর গভীর insight:

• Mutable structures simple কিন্তু bug-prone (shared state)।
• Immutable structures safe কিন্তু copy overhead।
• আধুনিক language (Rust, Kotlin) — default immutable, opt-in mutation।
• Python — mutable default, immutable opt-in (tuple, frozenset)।

মূল উপলব্ধি: "Mutability is a leak" — Hickey (Clojure)। Tuple ব্যবহারের অভ্যাস → কম bug, predictable code। AI-তে state-heavy কাজ → immutability discipline স্বর্ণমান।

Hash table — কম্পিউটার বিজ্ঞানের সবচেয়ে গুরুত্বপূর্ণ data structure-গুলোর একটি। ১৯৫৩-এ IBM-এ Hans Peter Luhn আবিষ্কার করেন। আজ Python dict, Java HashMap, JS Object — সব এর উপর।

মূল ধারণা:

• একটি বড় array (bucket)। যেমন: ৬৪ slots।
• Key → hash function → integer (যেমন: "queen" → 7384295)।
• Modulo — slot index: 7384295 % 64 = 39।
• Slot 39-এ key-value জোড়া রাখা।
• Lookup: একই hash + modulo → সেই slot → O(1)।

"গড়ে O(1)" — কেন গড়ে?

• Collision: দু'টি key একই slot-এ। সমাধান: chaining বা open addressing।
• Load factor > 0.75 — array দ্বিগুণ + পুরো rehash।
• Worst case (সব collision) — O(n)। কিন্তু rare।
• Good hash function = uniform distribution।

Hashable হতে কী লাগে?

• Equality (__eq__) ও hash (__hash__)।
• Lifetime-এ hash পরিবর্তন হতে পারবে না → immutable হতে হবে।
• তাই — int, str, tuple, frozenset hashable। list, dict, set না।

AI-তে dict-এর critical applications:

• Vocabulary: word → token_id mapping। ৫ লক্ষ word lookup → microseconds।
• Cached embeddings: sentence → vector lookup।
• Configuration: nested JSON-style hyperparameter।
• Model state_dict: layer name → weight tensor (PyTorch)।
• Memoization: expensive computation result cache।
• Counter/frequency: word count for TF-IDF।

Python-এর dict-এর special powers:

• Insertion-ordered (3.7+) — JSON serialization-এ predictable।
• Compact dict (3.6+) — ~25% কম memory।
• defaultdict, Counter, OrderedDict — collections module।
• Dict comprehension: {k: v*2 for k, v in d.items()}

Hash collision attack — security:

• ২০১১-এ — attacker known hash function-এ deliberate collisions দিয়ে web servers DoS করেছিল।
• Python 3.3+ — hash randomization (PYTHONHASHSEED)।
• প্রতি run-এ different hash → reproducibility-এ subtle issue।

মূল উপলব্ধি: Hash table = "search-এর math trick"। ১ লক্ষ items-এ search → ১ comparison। সঠিক data structure বাছাই = AI কোডের performance-এর ৫০%।

List ও NumPy array দেখতে similar — কিন্তু ভেতরে সম্পূর্ণ ভিন্ন data structure। AI কাজে এই পার্থক্য জানা না থাকলে — production-এ ১০০× ধীর কোড।

Python list — আসলে কী?

• Heterogeneous: যেকোনো type-এর objects।
• Pointer array — প্রতিটি element-এর address।
• Dynamic sizing — পরে append চলে।
• Memory: প্রতি element ~৫৬ bytes overhead।

NumPy array — আলাদা কোথায়?

• Homogeneous: সব একই type (যেমন int32, float64)।
• Contiguous memory — পাশাপাশি buffer।
• C-level loops — vectorized operation।
• Memory: float64 = ৮ bytes per element। শুধু।

Concrete comparison — ১০ লক্ষ float যোগ:

• Python list: 10M × 56B = 560 MB। ~৫০০ ms।
• NumPy array: 10M × 8B = 80 MB। ~৫ ms।
• Memory ৭× কম, speed ১০০× বেশি।

কেন এই পার্থক্য?

• Cache locality: contiguous memory → CPU cache friendly।
• SIMD: CPU-এর Single Instruction Multiple Data — NumPy ব্যবহার করে।
• No interpreter overhead: loop C-তে, Python virtual machine-এ যায় না।
• BLAS/LAPACK: দশকের পর দশক optimized linear algebra library।

কখন list, কখন array?

• List: mixed type, frequent append, small size, non-numerical।
• Array: numerical computation, large data, math operations, AI/ML।

Modern hierarchy:

• Python list → NumPy array → PyTorch tensor → GPU tensor।
• প্রতি ধাপে — speed up + capability up।
• Pandas DataFrame — NumPy-র উপর built, table semantics যোগ করে।

সাধারণ ভুল:

# খারাপ — Python loop
result = []
for x in big_list:
    result.append(x * 2)

# ভাল — vectorized
arr = np.array(big_list)
result = arr * 2          # ১০০× দ্রুত

মূল উপলব্ধি: Python list = data রাখার generic বাক্স। NumPy array = numerical computation-এর GPU-friendly বাক্স। AI = computation-heavy → array সবসময় বাছবেন। L09 থেকে NumPy বিস্তারিত।

JSON ↔ dict — Python-এর secret weapon। এই isomorphism না বুঝলে — modern data engineering অসম্ভব।

JSON-এর জন্ম:

• Douglas Crockford ২০০১-এ formalize করেন।
• "JavaScript Object Notation" — কিন্তু ভাষা-নিরপেক্ষ।
• XML-এর hierarchy + Python dict-এর সরলতা।

structural mapping:

• JSON object {} ↔ Python dict
• JSON array [] ↔ Python list
• JSON string "" ↔ Python str
• JSON number ↔ int/float
• JSON true/false ↔ True/False
• JSON null ↔ None

Python-এর built-in json module:

import json

# dict → JSON string
data = {"name": "ABCL", "scores": [85, 92]}
text = json.dumps(data, indent=2, ensure_ascii=False)

# JSON string → dict
parsed = json.loads(text)
print(parsed["name"])

# File operations
with open("data.json") as f:
    cfg = json.load(f)

AI-তে JSON-dict-এর প্রভাব:

• API responses: OpenAI GPT-৪ API, HuggingFace inference — JSON returns। Python-এ instant dict।
• Dataset annotations: COCO, ImageNet labels JSON-এ।
• Configuration files: hyperparameters, model architecture.
• Logging/metrics: Weights & Biases, MLflow।
• NoSQL: MongoDB, Firestore — document = JSON = dict।

JSON-এর সীমা:

• Comment নেই — তাই config-এ কেউ কেউ YAML/TOML বেছে।
• Type limited — date, datetime নেই।
• Tuple → list-এ rounds। দ্বিমুখী conversion lossy।
• Trailing comma allowed না।

আধুনিক alternatives:

• YAML: human-readable, comment-friendly। Kubernetes, Hugging Face model cards।
• TOML: pyproject.toml — Python packaging।
• Pydantic: JSON ↔ typed Python class। validation built-in।
• Protobuf/MessagePack: binary, faster, ML serving।

Practical AI workflow:

# OpenAI API response
response = openai.chat.completions.create(...)
data = json.loads(response.choices[0].message.content)
# ↑ এখন pure Python dict — যেকোনো operation

মূল উপলব্ধি: JSON ↔ dict isomorphism — দু'টি জগতের মধ্যে অদৃশ্য সেতু। Network এ JSON, code-এ dict, file-এ JSON — কোনো friction নেই। Python AI-তে dominant হওয়ার অন্যতম কারণ এই natural fit।