📚 دوره آموزش پایتون از 0 تا 100

پارت ۲۲: معرفی NumPy برای محاسبات علمی و عددی 🔢

در این پارت با کتابخانه قدرتمند NumPy آشنا می‌شویم و یاد می‌گیریم چگونه از این ابزار برای انجام محاسبات علمی و عددی استفاده کنیم.

۱. NumPy چیست؟ 🤔
NumPy (Numerical Python) یک کتابخانه متن‌باز برای زبان برنامه‌نویسی پایتون است که به‌طور خاص برای انجام محاسبات عددی و علمی توسعه یافته است. NumPy امکاناتی برای ایجاد و مدیریت آرایه‌ها، انجام عملیات ریاضی پیچیده و مدیریت داده‌های چندبعدی فراهم می‌کند.

۲. نصب NumPy 🛠️

برای نصب NumPy از pip استفاده می‌کنیم:

pip install numpy

۳. ایجاد و کار با آرایه‌ها (Arrays) 📝

آرایه‌ها ساختارهای داده‌ای پایه در NumPy هستند. یک آرایه را می‌توان به‌صورت یک لیست چندبعدی در نظر گرفت.

import numpy as np

# ایجاد یک آرایه یک‌بعدی
array_1d = np.array([1, 2, 3, 4, 5])

# ایجاد یک آرایه دوبعدی
array_2d = np.array([[1, 2, 3], [4, 5, 6]])

print("آرایه یک‌بعدی:", array_1d)
print("آرایه دوبعدی:\n", array_2d)

۴. عملیات پایه‌ای بر روی آرایه‌ها ➕➖

NumPy امکانات متنوعی برای انجام عملیات‌های ریاضی بر روی آرایه‌ها فراهم می‌کند.

# عملیات جمع
array_sum = array_1d + 10
print("جمع آرایه:", array_sum)

# عملیات ضرب
array_product = array_1d * 2
print("ضرب آرایه:", array_product)

۵. ایندکس‌گذاری و بُرش (Indexing and Slicing) 🔍

برای دسترسی به عناصر خاص در آرایه‌ها از ایندکس‌گذاری و بُرش استفاده می‌کنیم.

# دسترسی به عناصر خاص
print("عنصر اول آرایه یک‌بعدی:", array_1d[0])
print("عنصر اول آرایه دوبعدی:", array_2d[0, 0])

# برش آرایه‌ها
print("بُرش آرایه یک‌بعدی:", array_1d[1:4])
print("بُرش آرایه دوبعدی:\n", array_2d[:, 1:3])

۶. ایجاد آرایه‌های خاص 🛠️

NumPy امکاناتی برای ایجاد آرایه‌های خاص مانند آرایه‌های صفر، آرایه‌های یک و آرایه‌های با توزیع‌های مختلف فراهم می‌کند.

# ایجاد آرایه‌های صفر و یک
zeros_array = np.zeros((2, 3))
ones_array = np.ones((3, 3))

# ایجاد آرایه‌های با توزیع مختلف
random_array = np.random.rand(3, 3)

print("آرایه صفر:\n", zeros_array)
print("آرایه یک:\n", ones_array)
print("آرایه تصادفی:\n", random_array)

۷. توابع و عملیات ریاضی پیشرفته 📊

NumPy دارای مجموعه‌ای از توابع ریاضی پیشرفته برای انجام محاسبات پیچیده است.

# محاسبه میانگین و انحراف معیار
mean_value = np.mean(array_1d)
std_dev = np.std(array_1d)

# انجام عملیات ماتریسی
matrix_product = np.dot(array_2d, array_2d.T)

print("میانگین:", mean_value)
print("انحراف معیار:", std_dev)
print("ضرب ماتریسی:\n", matrix_product)

۸. تغییر شکل آرایه‌ها (Reshaping) 🔄

برای تغییر شکل آرایه‌ها و تبدیل آن‌ها به شکل‌های مختلف از توابع reshaping استفاده می‌کنیم.

reshaped_array = array_1d.reshape((5, 1))

print("آرایه تغییر شکل یافته:\n", reshaped_array)

نکات مهم
- NumPy: یک کتابخانه قدرتمند برای انجام محاسبات علمی و عددی در پایتون است.
- آرایه‌ها: ساختارهای داده‌ای پایه برای کار با داده‌های چندبعدی.
- عملیات ریاضی: امکان انجام عملیات‌های ریاضی پایه‌ای و پیشرفته بر روی آرایه‌ها.
- ایندکس‌گذاری و بُرش: دسترسی به عناصر و بخش‌های خاص آرایه‌ها.
- آرایه‌های خاص: ایجاد آرایه‌های صفر، یک و با توزیع‌های مختلف.
- توابع ریاضی پیشرفته: محاسبات پیچیده و عملیات ماتریسی.
- تغییر شکل آرایه‌ها: تغییر شکل و تبدیل آرایه‌ها به فرم‌های مختلف.

با این آموزش، شما می‌توانید به راحتی داده‌ها را با استفاده از NumPy تحلیل و پردازش کنید. موفق باشید! 🌟

🔻برای بیشتر یاد گرفتن بیا اینجا

#پایتون #آموزش_پایتون #NumPy #محاسبات_علمی #PythonScientificComputing #PythonProgramming