توسط : از کتابخانه NumPy یا Numerical Python برای انجام محاسبات عددی استفاده می‌شود. این کتابخانه از آرایه‌ها و ماتریس‌های چند بعدی به همراه مجموعه‌ای از توابع ریاضی پشتیبانی می‌کند. استفاده از NumPy برای محاسبات علمی و تجزیه و تحلیل داده‌ها مفید است. در ادامه با آرایه‌ها، متدها، نحوه نصب و آموزش مقدماتی آن آشنا خواهیم شد:
فهرست مطالب
- کتابخانه NumPy چیست؟
- آرایه در کتابخانه NumPy چیست؟
- متد های NumPy چیست؟
- آموزش کتابخانه NumPy در پایتون
- استفاده از سرویس ژوپیتر لب ابر فردوسی
کتابخانه NumPy چیست؟
کتابخانه NumPy یک ابزار مهم در دنیای پایتون است. این کتابخانه به دلیل کارایی و سهولت به طور گسترده در علم داده، یادگیری ماشین و انواع مهندسی‌ها استفاده می‌شود. قدرت NumPy در محاسبات عددی، آن را به یک ابزار ضروری برای کار با داده‌ها تبدیل کرده است.
NumPy از آرایه‌ها و ماتریس‌های چندبعدی بزرگ، به همراه مجموعه‌ای از توابع ریاضی برای عملکرد مؤثر بر روی این آرایه‌ها پشتیبانی می‌کند. در ادامه با برخی از ویژگی‌های NumPy آشنا می‌شویم:
1- N-Dimensional Array Object (ndarray):
ویژگی اصلی NumPy همین ndarray بودن آن است. یک شی آرایه N بعدی، یک ظرف سریع و انعطاف‌پذیر برای مجموعه داده‌های بزرگ در پایتون است و امکان ذخیره سازی و دستکاری کارآمد داده‌ها را فراهم می‌کند.
2- Mathematical Functions:
NumPy طیف گسترده‌ای از توابع ریاضی را برای انجام عملیات بر روی آرایه‌ها مانند توابع آماری، جبری و مثلثاتی ارائه می‌دهد.
3- Broadcasting:
با کمک آن NumPy می‌تواند عملیات بر روی آرایه‌هایی با اشکال و اندازه‌های مختلف انجام دهد.
4- ادغام با سایر کتابخانه‌ها:
NumPy به طور یکپارچه با سایر کتابخانه‌های علمی و عددی در پایتون، مانند SciPy (برای محاسبات علمی پیشرفته تر)، Matplotlib (برای ترسیم و تجسم)، و pandas (برای دستکاری و تجزیه و تحلیل داده‌ها) یکپارچه می‌شود.
5- عملکرد:
عملیات NumPy در C پیاده‌سازی می‌شوند، که باعث می‌شود در مقایسه با کدهای خالص پایتون بسیار سریع‌تر باشند. این ویژگی برای تجزیه و تحلیل داده‌ها در مقیاس بزرگ و وظایف محاسباتی مفید است.
6- تولید اعداد تصادفی:
این شامل توابعی برای تولید اعداد تصادفی است که برای شبیه‌سازی و نمونه برداری آماری مفید است.
7- جبر خطی:
NumPy روال‌های جبر خطی، مانند حل سیستم‌های خطی، تجزیه مقادیر ویژه و تجزیه مقادیر منفرد را فراهم می‌کند.
8- Fourier Transform and Shape Manipulation:
NumPy از قابلیت‌ها و ابزارهای تبدیل فوریه برای دستکاری شکل آرایه‌ها، از جمله تغییر شکل، انباشته کردن و تقسیم آرایه‌ها پشتیبانی می‌کند.
آرایه در کتابخانه NumPy چیست؟
آرایه‌های NumPy ابزارهای قدرتمندی برای محاسبات عددی هستند که امکان ذخیره‌سازی، دستکاری و عملیات کارآمد در مجموعه داده‌های بزرگ را فراهم می‌کنند. آرایه‌ها ستون فقرات اکثر وظایف محاسباتی عددی و علمی در پایتون هستند.
آرایه یک ساختار داده‌ای لیست مانند است که شامل مجموعه‌ای از عناصر، معمولاً اعداد مشابه هستند. رایج ترین نوع آرایه مورد استفاده در NumPy، آرایه ndarray (آرایه N- بعدی) است. در اینجا برخی از ویژگی‌های آرایه های NumPy آورده شده‌اند:
- همه عناصر در یک آرایه از یک نوع هستند. مثلا اعداد صحیح یا شناور.
- آرایه ها می توانند ابعاد مختلفی از تک بعدی تا چند بعدی داشته باشند.
- این آرایه‌ها به دلیل پیاده‌سازی در C بهتر و سریع‌تر در حافظه ذخیره‌سازی می‌شوند.
- آرایه های NumPy از تکنیک های نمایه سازی و برش پیچیده پشتیبانی می‌کنند.
- می‌توان آرایه با استفاده از توابعی مانند np.array، np.zeros، np.ones، np.arange، np.linspace و np.linspace ایجاد کردد.
متد های NumPy چیست؟
NumPy methods آن را به ابزاری قدرتمند برای محاسبات عددی و علمی در پایتون تبدیل می‌کند. این متدها مجموعه‌ای جامع از توابع را برای خلق، دستکاری، عملیات حسابی، محاسبات آماری و تجزیه و تحلیل کارآمد داده‌ها ارائه می‌دهند. معمولا آرایه‌ها بخشی از متدها هستند. در ادامه به ترتیب مثال‌های از متد خلق (Creation) و دستکاری (Manipulation) آرایه آمده‌اند:
خلق (Creation):
دستکاری (Manipulation):
آموزش کتابخانه NumPy در پایتون
برای نصب کتابخانه NumPy در پایتون، می‌توانید از pip یا conda استفاده کنید که در ادامه به ترتیب آمده‌اند:
pip install numpy
conda install numpy
در ادامه پس از فراخوانی کتابخانه NumPy در پایتون، روش استفاده مقدماتی از آن را آورده‌ایم:
import numpy as np
روش ایجاد آرایه‌های NumPy از لیست‌های پایتون، با استفاده از توابع داخلی:
روش توضیح ویژگی‌هایی مانند شکل، اندازه و dtype:
کد نحوه تغییر شکل آرایه ها:
reshaped = arr1.reshape((3, 1))
نحوه دسترسی به عناصر در آرایه NumPy:
element = arr2[1, 2] # Output: 6
آموزش تکنیک‌های برش برای دسترسی به زیرآرایه‌ها:
sub_array = arr2[:2, 1:3] # Output: array([[2, 3], [5, 6]])
استفاده از سرویس ژوپیتر لب ابر فردوسی
استفاده از ژوپیتر لب به عنوان نسل بعد ژوپیتر نوت بوک، در ابر فردوسی فراهم است. در ادامه به معرفی مزایای آن می‌پردازیم:
۱- عدم وجود محدودیت زمانی و مکانی
2- قیمت مقرون به‌صرفه و پرداخت با روش PAY AS YOU GO
3- امکان انتخاب میزان منابع پردازشی از قبیل CPU، RAM، هارد
4- امکان انتخاب نوع کارت‌های گرافیک قدرتمند در ابر فردوسی:
(RTX 2080i (11GB
RTX 3090 (24G)
(32GB) Tesla v100s
Tesla a100 (40GB
5- امکان انتخاب کتابخانه‌ها و افزونه های ژوپیتر لب در ابر فردوسی:
Tensor flow
Pytorch
Pure python
جهت تست رایگان سرویس ژوپیتر لب در ابر فردوسی کلیک نمایید.
