Numpy در پایتون چیست – مقدمه ای بر NumPy

NumPy محبوب تر می شود و در سیستم های تجاری مختلف مصرف می شود. در نتیجه، درک آنچه که این کتابخانه ارائه می دهد مهم است. NumPy یکی از قوی‌ترین کتابخانه‌های پایتون است، زیرا سینتکس آن فشرده، قدرتمند و در عین حال رسا است. کاربران را قادر می سازد تا داده ها را در بردارها، ماتریس ها و آرایه های با ابعاد بالا مدیریت کنند و همچنین برای محاسبات آرایه در صنعت استفاده می شود. این مقاله NumPy در پایتون و ویژگی های اصلی کتابخانه NumPy را تشریح می کند.

NumPy در پایتون چیست؟

NumPy (Numerical Python) کتابخانه ای است که شامل اشیاء آرایه چند بعدی و مجموعه ای از توابع برای دستکاری آنها می باشد. این یکی از رایج ترین بسته های پایتون برای محاسبات علمی است زیرا به شما امکان می دهد عملیات ریاضی و منطقی را روی آرایه ها انجام دهید. NumPy یک زبان برنامه نویسی پایتون است.

NumPy. تاریخ

تراویس اولیفانت NumPy را در سال 2005 با تغییرات زیادی در Numeric و ترکیب ویژگی‌های NumAre رقیب ایجاد کرد. Numeric، سلف NumPy، در سال 1995 توسط Jim Hugunin با کمک چندین توسعه دهنده دیگر تاسیس شد. توسعه‌دهنده NumPy، Travis Oliphant، موفق شد جامعه را پشت یک بسته آرایه واحد قرار دهد، بنابراین عملکرد Numarray را به Numeric منتقل کرد و NumPy 1.0 را در سال 2006 منتشر کرد. اکنون با NumPy در پایتون و تاریخچه آن آشنا شدیم. اکنون به ما بگویید که چرا از آن استفاده می کنیم.

چرا از NumPy در پایتون استفاده می شود؟

ما لیست هایی در پایتون داریم که به عنوان آرایه عمل می کنند، اما پردازش آنها کند است. هدف NumPy ارائه یک شیء آرایه ای است که 50 برابر سریعتر از لیست های سنتی پایتون است. می توان از آن برای انجام طیف وسیعی از عملیات ریاضی مبتنی بر آرایه استفاده کرد. پایتون را با ساختارهای تحلیلی پیشرفته ای که محاسبات سریع با آرایه ها و ماتریس ها را تضمین می کند، و همچنین یک کتابخانه بزرگ از توابع ریاضی سطح بالا که با این آرایه ها و ماتریس ها کار می کنند، گسترش می دهد. برخلاف فهرست‌ها، آرایه‌های NumPy در یک مکان ثابت در حافظه نگهداری می‌شوند و به برنامه‌ها اجازه می‌دهند تا به سرعت به آنها دسترسی داشته باشند و آنها را دستکاری کنند.

ویژگی های NumPy

NumPy تا حدی مشکل کندی را با ارائه آرایه ها و توابع چند بعدی و عملگرهایی که روی آرایه ها کار می کنند حل می کند.

• یکپارچه سازی کد از C/C++، Fortran:

ما می توانیم از توابع در NumPy برای کار با کدهای نوشته شده به زبان های دیگر استفاده کنیم. بنابراین ما می توانیم عملکردهای موجود در زبان های برنامه نویسی مختلف را یکپارچه کنیم.

• ظرف چند منظوره:

ndarray یک ظرف چند بعدی (معمولاً با اندازه ثابت) از اجسام با همان نوع و اندازه است. ابعاد و تعداد آیتم‌های یک آرایه با اندازه آن تعریف می‌شود، که چند عدد از N عدد صحیح غیر منفی است که اندازه هر بعد را مشخص می‌کند. نوع آیتم ها در آرایه توسط یک شی از نوع داده جداگانه (dtype) مشخص می شود که یکی از آنها با هر ndarray مرتبط است.

اصطلاح پخش توضیح می‌دهد که NumPy چگونه با آرایه‌هایی با اشکال مختلف در طول عملیات‌های حسابی رفتار می‌کند. وقتی با آرایه هایی از اشکال نابرابر کار می کنیم، این یک مفهوم بسیار مفید است. اندازه آرایه های کوچکتر را با توجه به آرایه های بزرگتر پخش می کند.

• جبر خطی اضافی:

توانایی انجام عملیات پیچیده بر روی عناصری مانند جبر خطی، تبدیل فوریه و … را دارد.

• کار با پایگاه داده های مختلف:

ما می توانیم با آرایه هایی از انواع داده های مختلف کار کنیم. ما می توانیم از تابع dtype برای تعیین نوع داده استفاده کنیم و از این رو ایده روشنی در مورد مجموعه داده های موجود بدست آوریم.

نصب NumPy در پایتون

نصب NumPy با وارد کردن چند دستور در پنجره ترمینال شما آسان است و روی Linux، MacOS و Windows اجرا می شود. به سادگی دستورالعمل های زیر را دنبال کنید.

مرحله 1: نسخه پایتون را بررسی کنید

قبل از نصب NumPy ابتدا باید مشخص کنید که کدام نسخه پایتون را دارید. اکثر سیستم عامل ها با پایتون از پیش بارگذاری شده عرضه می شوند، به استثنای ویندوز که نیاز به نصب دستی دارد.

برای اینکه ببینید پایتون 2 دارید یا نه، دستور زیر را اجرا کنید.

python -V

برای پایتون 3:

python3 -V

شماره نسخه باید در خروجی ترمینال شما ظاهر شود.

مرحله ۲: Pip را نصب کنید

Pip یک مدیر بسته پایتون است که به شما امکان نصب و مدیریت بسته های نرم افزار پایتون را می دهد. در اکثر سیستم عامل ها، پیپ از قبل بارگذاری نشده است. در نتیجه، باید یک مدیر بسته برای نسخه پایتونی که استفاده می کنید نصب کنید. اگر هر دو نسخه پایتون را دارید، هر دو نسخه پیپ را نصب کنید. در ویندوز ما به صورت زیر تنظیم می کنیم:

pip get-pip.py را دانلود کنید

1. Command Prompt را اجرا کنید. برای انجام این کار، cmd را در کادر جستجوی ویندوز تایپ کنید و سپس بر روی نماد کلیک کنید.

2. سپس برای دریافت فایل get-pip.py از دستور زیر استفاده کنید:

curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py

نصب پیپ روی ویندوز:

python get-pip.py

تأیید نصب:

pip help

مرحله 3: NumPy. تاسيس كردن

پس از نصب پیپ، دستور زیر را برای نصب NumPy اجرا کنید.

در پایتون 2:

pip install numpy

در پایتون 3:
pip3 install numpy

نسخه های numpy که با موفقیت نصب شده اند به عنوان خروجی در ترمینال شما نشان داده می شوند.

مرحله 4: نصب NumPy را تأیید کنید

دستور زیر را اجرا کنید تا بررسی کنید NumPy نصب شده است و اکنون بخشی از بسته پایتون شما است یا خیر.

برای پایتون 2:

pip show numpy

برای پایتون 3:

pip3 show numpy

خروجی باید تأیید کند که NumPy را نصب کرده اید و همچنین نسخه و مکان بسته را تأیید می کند.

مرحله 5: بسته های NumPy را وارد کنید

اکنون می توانید بسته را وارد کرده و پس از نصب NumPy به آن نام مستعار بدهید.

برای شروع، یکی از دستورات زیر را تایپ کنید تا به اعلان پایتون برسید:

python

یا

python3

هنگامی که در اعلان پایتون یا پایتون 3 قرار گرفتید، می توانید بسته جدید را وارد کرده و به آن نام مستعار بدهید.

import numpy as np

NumPy – انواع داده

شکل زیر انواع مختلف داده های مورد استفاده در NumPy را شرح می دهد. نوع داده پایان نامه به صورت نوشته می شود

numpy.datatype

NumPy. نمونه هایی از

مثال 1:

import numpy as np
arr = np.array([1, 2, 3, 4, 6])
print(arr)

خروجی:

[1 2 3 4 6]

مثال 2:

import numpy as np

a = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])

print(a[2]) 

خروجی:

[ 9 10 11 12]

مثال 3:

import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])
print(a[5])
 

خروجی:
6

مثال 4:

import numpy as np
dt = np.dtype(np.int32)
print (dt)

خروجی:

int32

[1 2 3 4 6]

عملیات با استفاده از NumPy در پایتون

آرایه ها در NumPy

هدف اصلی NumPy آرایه های چند بعدی همگن است. این ساختار داده اولیه کتابخانه NumPy است. آرایه ماتریسی از مقادیر است که داده های خام، اطلاعاتی در مورد نحوه مکان یابی و تفسیر عناصر را ارائه می دهد. این شامل مجموعه ای از عناصر است که می توانند به روش های مختلف نمایه شوند. چند اعداد صحیح مثبت برای نمایه سازی آن استفاده می شود. محورها در NumPy ابعاد هستند. به تعداد محورها رتبه می گویند. کلاس آرایه در NumPy به نام ndarray شناخته می شود.

ایجاد آرایه:

راه های مختلفی برای ایجاد آرایه در NumPy وجود دارد. بگذارید با یک مثال بفهمیم:

مثال:

import numpy as np
a = np.array([[1, 2, 4], [5, 8, 7]], dtype="float")
print ("Array created using passed list:n", a)
b = np.array((1 , 3, 2))
print ("nArray created using passed tuple:n", b)
c = np.zeros((3, 4))
print ("nAn array initialized with all zeros:n", c)
d = np.full((3, 3), 6, dtype="complex")
print ("nAn array initialized with all 6s.""Array type is complex:n", d)
e = np.random.random((2, 2))
print ("nA random array:n", e)
f = np.arange(0, 30, 5)
print ("nA sequential array with steps of 5:n", f)
g = np.linspace(0, 5, 10)
print ("nA sequential array with 10 values between""0 and 5:n", g)
arr = np.array([[1, 2, 3, 4],[5, 2, 4, 2],[1, 2, 0, 1]])
newarr = arr.reshape(2, 2, 3)
print ("nOriginal array:n", arr)
print ("Reshaped array:n", newarr)
arr = np.array([[1, 2, 3], [4, 5, 6]])
flarr = arr.flatten()
print ("nOriginal array:n", arr)
print ("Fattened array:n", flarr)

خروجی:

نمایه سازی آرایه:

نمایه سازی آرایه مشابه دسترسی به یک عنصر آرایه است. شما می توانید با ارجاع به شماره فهرست به یک عنصر آرایه دسترسی پیدا کنید. مثلا

 import numpy 
arr = np.array([1, 2, 3, 4])
print(arr[0])

خروجی:

1

برش آرایه:

برش در پایتون به معنای جابجایی عناصر از یک شاخص به شاخص دیگر است. مثلا:

import numpy as np
arr = np.array([1, 2, 3, 4, 5, 6, 7])
print(arr[1:5])

خروجی:

[2 3 4 5]

توابع اصلی مورد استفاده در آرایه ها:

NumPy – توابع ریاضی

تابع مثلثاتی

توابع مثلثاتی استاندارد در NumPy نسبت مثلثاتی را برای یک زاویه معین بر حسب رادیان برمی گرداند. توابع arcsin، arcos و arctan معکوس مثلثاتی sin، cos و tan را برای یک زاویه معین برمی گرداند. نتایج این روش ها را می توان با استفاده از تابع numpy.degrees () که رادیان ها را به درجه تبدیل می کند، اعتبارسنجی کرد.

مثال:

 import numpy as np
 a = np.array([0,30,45,60,90]) 
 print ("Sine of different angles:")   
 print (np.sin(a*np.pi/180))   
 print ("n")      
 print ("Cosine values for angles in array:")   
 print (np.cos(a*np.pi/180))
 print ("n")   
 print ("Tangent values for given angles:")   
 print (np.tan(a*np.pi/180))   

خروجی:

عملکرد گرد کردن
تابعی است که یک مقدار گرد شده را به دقت مشخص برمی گرداند. در اینجا تابع استفاده شده است
بی‌حس. فراگیر (a، اعشاری)
مثال:

import numpy as np
in_array = [.5, 1.5, 2.5, 3.5, 4.5, 10.1]
print ("Input array : n", in_array)
round_off_values = np.round_(in_array)
 print ("nRounded values : n", round_off_values)   
 in_array = [.53, 1.54, .71]   
 print ("nInput array : n", in_array)   
 round_off_values = np.round_(in_array)   
 print ("nRounded values : n", round_off_values)   
 in_array = [.5538, 1.33354, .71445]   
 print ("nInput array : n", in_array)   
 round_off_values = np.round_(in_array, decimals = 3)   
 print ("nRounded values : n", round_off_values)   

خروجی:

NumPy – توابع آماری

NumPy تعدادی توابع آماری مفید برای تعیین حداقل، حداکثر، انحراف استاندارد صدک و واریانس و غیره از عناصر موجود در یک آرایه ارائه می‌کند. وظایف به شرح زیر است:

numpy.amin() و numpy.amax() numpy.amin() و numpy.amax()

مثال:

 import numpy as np 
 a = np.array([[3,7,5],[8,4,3],[2,4,9]])
 print ("Our array is:")
 print (a)
 print ("n")
 print ("Applying amin() function:") 
 print (np.amin(a,1)) 
 print ("n")
 print ("Applying amin() function again:") 
 print (np.amin(a,0)) 
 print ("n") 
 print ("Applying amax() function:") 
 print (np.amax(a)) 
 print ("n") 
 print ("Applying amax() function again:") 
 print (np.amax(a, axis = 0)) 

خروجی:

کاربردهای NumPy در پایتون

• NumPy بسیاری از فرآیندهای ریاضی را که معمولاً در محاسبات علمی مورد استفاده قرار می گیرند، بهینه و ساده می کند، مانند:
  • ضرب بردارها
  • ضرب ماتریس-ماتریس و ماتریس-بردار
  • عملیات بردار و ماتریس بر حسب عنصر (یعنی جمع، تفریق، ضرب و تقسیم بر یک عدد)
  • مقایسه بین عناصر یا آرایه ها
  • اعمال توابع به عنصر بردار/ماتریس (مانند pow، log و expexp)
  • NumPy شامل تعداد زیادی عملیات جبر خطی است.
  • لینالاگ
  • آمار، کرانچ و موارد دیگر
• حداقل حافظه را حفظ می کند
• در یادگیری ماشین استفاده می شود

بنابراین، این یک مرور مختصر از کتابخانه NumPy بود، که در آن با NumPy، تاریخچه آن، چرایی اهمیت آن، ویژگی‌های آن و نحوه استفاده از آن آشنا شدیم. امیدوارم این مطالب به شکلی واضح و قابل فهم برای شما روشن شده باشد. خودتان آن را امتحان کنید تا دانش NumPy خود را بهبود ببخشید. اگر می‌خواهید دانشمند داده شوید و مهارت‌های علم داده را از دانشمندان برتر داده در سراسر جهان بیاموزید، آموزش گواهینامه علوم داده Edureka را با استفاده از Python بررسی کنید و به حرفه خود بال بدهید!