🆕️یه مشکل کلا ما داریم که وقتی داریم کارای ... .
مامان بابا هامون یه دفعه میان تو اتاق درسته 😤
❗️راه حلشو براتون آوردم 🥳

یه برنامه که وقتی اجراش کنید یه قابلیت اضافه می‌کنه که وقتی دکمه win + F5 رو بزنید تمام برنامه های بازتون رو میبنده و یک نوت میسازه و همشونو توش لیست میکنه 😁

کتابخانه های مورد نیاز با دستور زیر نصب میشن

pip install keyboard
pip install psutil

خود کد کاربردی هم

import psutil
import keyboard
import tkinter as tk
from tkinter import messagebox
import subprocess
import os

class App:
    def __init__(self, root):
        self.root = root
        self.root.title("Switcher")
        
        self.var = tk.IntVar()
        self.checkbox = tk.Checkbutton(root, text="Enable Win+F5", variable=self.var, command=self.toggle)
        self.checkbox.pack(pady=20)
        
        self.is_enabled = False
        self.process_list = []

    def toggle(self):
        self.is_enabled = not self.is_enabled
        if self.is_enabled:
            messagebox.showinfo("Info", "Win+F5 is enabled")
            keyboard.add_hotkey('win+f5', self.close_apps)
        else:
            messagebox.showinfo("Info", "Win+F5 is disabled")
            keyboard.remove_hotkey('win+f5')

    def close_apps(self):
        self.process_list.clear()
        for proc in psutil.process_iter(attrs=['pid', 'name']):
            try:
                if proc.info['name'] not in ['explorer.exe', 'python.exe', 'System Idle Process']:
                    proc.kill()
                    self.process_list.append(proc.info['name'])
            except (psutil.NoSuchProcess, psutil.AccessDenied, psutil.ZombieProcess):
                pass
        self.write_to_notepad()

    def write_to_notepad(self):
        notepad_path = "C:\\Windows\\system32\\notepad.exe"
        with open("closed_apps.txt", "w") as f:
            f.write("Closed Applications:\n")
            for name in self.process_list:
                f.write(name + "\n")
        subprocess.Popen([notepad_path, "closed_apps.txt"])

if __name__ == "__main__":
    root = tk.Tk()
    app = App(root)
    root.mainloop()

🟥البته که پسرا بهتر کار برد این کد رو میدونن 🥛😐
👇پس اینجا عضو شید برای کد های کار بردی بیشتر 👇
🔗https://t.iss.one/hamidpython123

نتیجه نهایی نظر سنجی آموزش کار با کتابخانه های پایتون
البته اینجا ما در باره کاربرد و مثال هایی از ۱۰ کتابخانه برتر پایتون هم تحقیق کردیم و اطلاعات ازش براتون گذاشتیم
صبح تا حالا دارم تحقیق میکنم این پیامو برای دوستاتون بفرستین اینجا عضو شن خدایی گناه دارم🥲🥺

🆕️اینام ۱۰ کتابخانه برتر و مثال و کار هایی که می‌کنند
همونطور که گفتم👇

1. NumPy
کاربردها:
- عملیات عددی کارآمد بر روی آرایه‌ها و ماتریس‌ها
- انجام محاسبات علمی و مهندسی
- تولید اعداد تصادفی
- انجام عملیات جبری مانند ضرب ماتریسی، تبدیل فوریه، و غیره

import numpy as np

# ایجاد آرایه و انجام عملیات عددی
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b)  # جمع آرایه‌ها

# محاسبات علمی
matrix_a = np.array([[1, 2], [3, 4]])
matrix_b = np.array([[5, 6], [7, 8]])
print(np.dot(matrix_a, matrix_b))  # ضرب ماتریسی

# تولید اعداد تصادفی
random_numbers = np.random.rand(3, 3)
print(random_numbers)

# تبدیل فوریه
signal = np.array([1, 2, 1, 0, 1, 2, 1, 0])
fourier_transform = np.fft.fft(signal)
print(fourier_transform)

2. Pandas
کاربردها:
- تحلیل داده‌های ساختاریافته و نیمه‌ساختاریافته
- عملیات بر روی جداول داده
- پاکسازی داده‌ها
- تحلیل‌های آماری
- عملیات گروه‌بندی و پیوتینگ

import pandas as pd

# ایجاد DataFrame و تحلیل داده‌ها
data = {'name': ['Alice', 'Bob'], 'age': [25, 30]}
df = pd.DataFrame(data)
print(df.describe())  # نمایش خلاصه آماری داده‌ها

# پاکسازی داده‌ها
df['age'] = df['age'].replace(25, 26)
print(df)

# عملیات گروه‌بندی
data = {'name': ['Alice', 'Bob', 'Alice'], 'age': [25, 30, 26], 'score': [85, 90, 88]}
df = pd.DataFrame(data)
grouped = df.groupby('name').mean()
print(grouped)

3. Matplotlib
کاربردها:
- ترسیم نمودارها و گراف‌ها
- مصورسازی داده‌ها
- ایجاد انواع مختلف نمودار مانند خطی، میله‌ای، پراکنده و غیره

import matplotlib.pyplot as plt

# نمودار خطی
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.plot(x, y)
plt.title("Linear Plot")
plt.xlabel("X-axis")
plt.ylabel("Y-axis")
plt.show()

# نمودار میله‌ای
labels = ['A', 'B', 'C']
values = [10, 20, 15]
plt.bar(labels, values)
plt.title("Bar Chart")
plt.show()

# نمودار پراکنده
x = [1, 2, 3, 4, 5]
y = [10, 20, 25, 30, 35]
plt.scatter(x, y)
plt.title("Scatter Plot")
plt.show()

4. Scikit-Learn
کاربردها:
- پیاده‌سازی الگوریتم‌های یادگیری ماشین
- آموزش و ارزیابی مدل‌های یادگیری
- پیش‌پردازش داده‌ها
- انجام عملیات خوشه‌بندی، دسته‌بندی و رگرسیون

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

# تولید داده‌ها و پیاده‌سازی الگوریتم رگرسیون خطی
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = LinearRegression()
model.fit(X_train, y_train)

# پیش‌بینی و ارزیابی مدل
y_pred = model.predict(X_test)
print(mean_squared_error(y_test, y_pred))

# پیش‌پردازش داده‌ها
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)
print(X_scaled)

# خوشه‌بندی
from sklearn.cluster import KMeans

kmeans = KMeans(n_clusters=3)
kmeans.fit(X)
print(kmeans.labels_)

5. TensorFlow
کاربردها:
- پیاده‌سازی شبکه‌های عصبی
- توسعه مدل‌های یادگیری عمیق
- آموزش مدل‌های پیچیده
- انجام پردازش موازی و کار با GPU

import tensorflow as tf

# ایجاد و آموزش یک مدل شبکه عصبی ساده
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

# آموزش مدل با داده‌های MNIST
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)
``


 6. Keras
کاربردها:
- ساخت مدل‌های یادگیری عمیق به سادگی
- رابط کاربری سطح بالا برای TensorFlow
- ایجاد و آموزش شبکه‌های عصبی پیچیده

python
from keras.models import Sequential
from keras.layers import Dense
from keras.datasets import mnist
from keras.utils import to_categorical

max'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# آموزش مدل با داده‌های MNIST
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
y_train, y_test = to_categorical(y_train), to_categorical(y_test)

model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)

7. Flask
کاربردها:
- توسعه وب اپلیکیشن‌های سبک و کوچک
- ساخت API های RESTful
- پیاده‌سازی سریع پروتوتایپ‌ها

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route('/')
def home():
    return "Hello, Flask!"

@app.route('/api', methods=['POST'])
def api():
    data = request.json
    return jsonify(data)

if __name__ == '__main__':
    app.run(debug=True)

8. Django
کاربردها:
- توسعه وب اپلیکیشن‌های بزرگ و پیچیده
- مدیریت پایگاه داده و ORM
- ایجاد و مدیریت پنل‌های ادمین

# در پروژه Django باید از طریق خط فرمان کدهای مربوطه را اجرا کنید

# ایجاد یک پروژه جدید
# django-admin startproject myproject

# ایجاد یک اپلیکیشن جدید
# python manage.py startapp myapp

# کدهای مربوط به views.py در اپلیکیشن
from django.http import HttpResponse

def home(request):
    return HttpResponse("Hello, Django!")

# تنظیم URL ها در urls.py
from django.urls import path
from . import views

urlpatterns = [
    path('', views.home, name='home'),
]

9. OpenCV
کاربردها:
- پردازش تصویر و ویدئو
- تشخیص الگو و شیء
- پیاده‌سازی الگوریتم‌های بینایی ماشین

import cv2

# خواندن و نمایش یک تصویر
image = cv2.imread('path/to/image.jpg')
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

# تبدیل تصویر به خاکستری
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

10. Beautiful Soup
کاربردها:
- استخراج داده‌ها از صفحات وب
- پارس کردن HTML و XML
- استخراج داده‌های ساختاریافته از محتوای وب

from bs4 import BeautifulSoup
import requests

# ارسال درخواست و دریافت محتوا
response = requests.get('https://example.com')
soup = BeautifulSoup(response.content, 'html.parser')

# استخراج عنوان صفحه
title = soup.find('title').get_text()
print(title)

# استخراج تمام لینک‌ها
links = soup.find_all('a')
for link in links:
    print(link.get('href'))

🔺️این نمونه‌ها کاربردهای رایج هر کتابخانه را نشان می‌دهند و می‌توانند به شما در شروع کار با هر یک از این کتابخانه‌ها کمک کنن❗️

🟥اگه مفید بود کانال منو به دوستاتون معرفی کنید و اگه خودتون غضو نشدین عضو شین 😁

🔗https://t.iss.one/boost/hamidpython123

🆕️برای استفاده از کتابخانه‌ها در پایتون، به ترتیب مراحل زیر را دنبال کنید

1. نصب کتابخانه
ابتدا باید کتابخانه مورد نظر را نصب کنید. برای این کار از ابزار مدیریت بسته‌های پایتون (PIP) استفاده می‌شود. در خط فرمان دستور زیر را وارد کنید:

pip install library_name

به جای library_name نام کتابخانه مورد نظر را وارد کنید.

2. وارد کردن کتابخانه
پس از نصب کتابخانه، باید آن را در کد پایتون خود وارد کنید. برای این کار از دستور import استفاده می‌شود:

import library_name

به جای library_name نام کتابخانه مورد نظر را وارد کنید.

3. استفاده از توابع و قابلیت‌های کتابخانه
پس از وارد کردن کتابخانه، می‌توانید از توابع و قابلیت‌های آن استفاده کنید. معمولاً مستندات کتابخانه حاوی اطلاعات کامل و مثال‌هایی است که به شما در استفاده از آن کمک می‌کند. در اینجا مثال‌هایی برای کتابخانه‌های پرکاربرد آورده شده است

NumPy
کاربرد: عملیات عددی و محاسبات علمی

import numpy as np

 ایجاد آرایه
a = np.array([1, 2, 3, 4])
print(a)

 عملیات ریاضی
b = np.array([5, 6, 7, 8])
print(a + b)

Pandas
کاربرد: تحلیل داده‌ها

import pandas as pd

 ایجاد DataFrame
data = {'name': ['John', 'Anna'], 'age': [28, 24]}
df = pd.DataFrame(data)
print(df)

 فیلتر کردن داده‌ها
print(df[df['age'] > 25])

Matplotlib
کاربرد: مصورسازی داده‌ها

import matplotlib.pyplot as plt

 نمودار خطی
x = [1, 2, 3, 4]
y = [10, 20, 25, 30]
plt.plot(x, y)
plt.xlabel('X-axis')
plt.ylabel('Y-axis')
plt.title('Linear Plot')
plt.show()

Scikit-Learn
کاربرد: یادگیری ماشین

from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error

 تولید داده‌ها
X, y = make_regression(n_samples=100, n_features=1, noise=0.1)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

 مدل رگرسیون خطی
model = LinearRegression()
model.fit(X_train, y_train)

 پیش‌بینی و ارزیابی مدل
y_pred = model.predict(X_test)
print(mean_squared_error(y_test, y_pred))

TensorFlow
کاربرد: یادگیری عمی

import tensorflow as tf

 ایجاد مدل شبکه عصبی
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

 بارگیری داده‌های MNIST
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

 آموزش مدل
model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)

Keras
کاربرد: ساخت شبکه‌های عصبی

from keras.models import Sequential
from keras.layers import Dense
from keras.datasets import mnist
from keras.utils import to_categorical

# مدل شبکه عصبی
model = Sequential()
model.add(Dense(128, activation='relu', input_shape=(784,)))
model.add(Dense(10, activation='softmax'))

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# بارگیری داده‌های MNIST
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
y_train, y_test = to_categorical(y_train), to_categorical(y_test)

# آموزش مدل
model.fit(x_train.reshape(-1, 784), y_train, epochs=5)
model.evaluate(x_test.reshape(-1, 784), y_test)

Flask
کاربرد: توسعه وب اپلیکیشن‌ها

from flask import Flask, request, jsonify

app = Flask(__name__)

@app.route('/')
def home():
    return "Hello, Flask!"

@app.route('/api', methods=['POST'])
def api():
    data = request.json
    return jsonify(data)

if __name__ == '__main__':
    app.run(debug=True)

Django
کاربرد: توسعه وب اپلیکیشن‌های بزرگ
برای استفاده از Django، باید پروژه و اپلیکیشن را از طریق خط فرمان ایجاد کنید:

# ایجاد یک پروژه جدید
django-admin startproject myproject

# ورود به دایرکتوری پروژه
cd myproject

# ایجاد یک اپلیکیشن جدید
python manage.py startapp myapp

# تنظیمات اولیه و اجرای سرور
python manage.py runserver

### OpenCV
کاربرد: پردازش تصویر و ویدئو

import cv2

# خواندن و نمایش یک تصویر
image = cv2.imread('path/to/image.jpg')
cv2.imshow('Image', image)
cv2.waitKey(0)
cv2.destroyAllWindows()

# تبدیل تصویر به خاکستری
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray Image', gray_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

Beautiful Soup
کاربرد: استخراج داده‌ها از صفحات وب

from bs4 import BeautifulSoup
import requests

 # ارسال درخواست و دریافت محتوا
response = requests.get('https://example.com')
soup = BeautifulSoup(response.content, 'html.parser')

# استخراج عنوان صفحه
title = soup.find('title').get_text()
print(title)

# استخراج تمام لینک‌ها
links = soup.find_all('a')
for link in links:
    print(link.get('href'))

🟥این راهنماهای کوتاه باید به شما کمک کند تا با نحوه استفاده از این کتابخانه‌های پرکاربرد آشنا شوید😁

🔗https://t.iss.one/boost/hamidpython123

واقعا اگه مطالب کار بردیه کانال منو به دوستاتون معرفی کنید دارم زحمت میکشم 😭
🔗https://t.iss.one/hamidpython123

"خدمات درسی دانش آموزی و دانشجویی با هر رشته و مقطعی، شامل پروژه‌ها، تحقیقات و تسک‌ها، با جزئیات کامل پذیرفته می‌شود. برای بررسی فوری، تسک‌های خود را به همراه صورت مسئله، مهلت انجام و رشته و مقطع تحصیلی خود، ارسال فرمایید."

@PythonProTalk

🆕️به عنوان یک برنامه‌نویس، یادگیری زبان‌های برنامه‌نویسی و توانایی کدنویسی از اهمیت بالایی برخوردار است. در زیر، لیستی از برخی از بهترین دوره‌های آموزشی رایگان برنامه‌نویسی را برای شما معرفی می‌کنم:

1. BitDegree: BitDegree دوره‌های آموزشی متنوعی را از جمله HTML، CSS، PHP، JavaScript، JQuery و SQL به صورت رایگان ارائه می‌دهد¹.
2. Coursera: Coursera نیز دوره‌های آموزشی رایگانی را ارائه می‌دهد، اما برخی از دوره‌ها نیاز به پرداخت دارند¹.
3. Codecademy: Codecademy یکی از معروف‌ترین پلتفرم‌ها برای یادگیری کدنویسی است¹.
4. MIT Open Courseware: MIT Open Courseware دسترسی به مواد درسی دانشگاه MIT را فراهم می‌کند¹.
5. W3Schools W3Schools مناسب توسعه‌دهندگان وب است و تمام جنبه‌های توسعه را پوشش می‌دهد⁴.

همچنین، در کانال‌های یوتیوب نیز می‌توانید آموزش‌های برنامه‌نویسی را دنبال کنید. برخی از کانال‌های معتبر در این زمینه عبارتند از:
- Traversy Media: کانالی که به طور جامع به آموزش تکنولوژی‌های مختلف می‌پردازد.
- The Net Ninja: کانالی که دوره‌های آموزشی
متنوعی را ارائه می‌دهد.
- Academind: کانالی که به طور جامع به موضوعات مختلف برنامه‌نویسی می‌پردازد.

با یادگیری زبان‌های برنامه‌نویسی، می‌توانید به عنوان یک برنامه‌نویس حرفه‌ای در دنیای فناوری موفق شوید. موفق باشید! 😊

🟥اگه مطالب مفید هستن در کانال من هم عضو شین 😁

🔗https://t.iss.one/hamidpython123

---

آموزش کلاس‌ها در پایتون

کلاس‌ها در پایتون یک راه بسیار قدرتمند برای ایجاد و مدیریت ساختارهای داده پیچیده هستند. با استفاده از کلاس‌ها، می‌توانید اشیاء (objects) ایجاد کنید که دارای صفات (attributes) و متدها (methods) باشند. در این آموزش، به معرفی کلاس‌ها و نحوه استفاده از آن‌ها خواهیم پرداخت.

تعریف یک کلاس

برای تعریف یک کلاس، از کلمه کلیدی class استفاده می‌کنیم. در اینجا یک کلاس ساده به نام Person را تعریف می‌کنیم:

class Person:
    def __init__(self, name, age):
        self.name = name
        self.age = age

    def greet(self):
        print(f"Hello, my name is {self.name} and I am {self.age} years old.")

توضیح کد:

- class Person:: تعریف کلاس با نام Person.
- initit__(self, name, age):: این یک متد سازنده است که هنگام ایجاد یک شیء جدید از کلاس، به صورت خودکار فراخوانی می‌شود. متغیرهای name و age به عنوان پارامتر دریافت می‌شوند.
- self.name = name و self.age = age: این خطوط مقادیر پارامترها را به صفات شیء اختصاص می‌دهند.
- def greet(self):: تعریف یک متد که یک پیام خوشامدگویی چاپ می‌کند.

ایجاد اشیاء از کلاس

حالا که کلاس را تعریف کردیم، می‌توانیم اشیاء (نمونه‌هایی از کلاس) ایجاد کنیم:

person1 = Person("Alice", 30)
person2 = Person("Bob", 25)

person1.greet()
person2.greet()

خروجی کد بالا:

Hello, my name is Alice and I am 30 years old.
Hello, my name is Bob and I am 25 years old.

افزودن صفات و متدهای بیشتر

می‌توانید صفات و متدهای بیشتری به کلاس اضافه کنید. برای مثال، اضافه کردن یک صفت location و یک متد برای تغییر مکان:

class Person:
    def __init__(self, name, age, location):
        self.name = name
        self.age = age
        self.location = location

    def greet(self):
        print(f"Hello, my name is {self.name} and I am {self.age} years old.")

    def move(self, new_location):
        self.location = new_location
        print(f"{self.name} has moved to {self.location}.")

استفاده از کلاس به روز شده:

person1 = Person("Alice", 30, "New York")
person1.greet()
person1.move("Los Angeles")

خروجی کد بالا:

Hello, my name is Alice and I am 30 years old.
Alice has moved to Los Angeles.

نتیجه‌گیری

کلاس‌ها و اشیاء در پایتون ابزارهای قدرتمندی برای مدیریت داده‌ها و رفتارها هستند. با تعریف کلاس‌ها، می‌توانید کد خود را سازماندهی کرده و قابلیت‌های جدیدی به آن اضافه کنید. این فقط یک مقدمه کوچک به کلاس‌ها در پایتون بود. امیدواریم که این آموزش برای شما مفید واقع شده باشد!
اگه خوشتون اومد اینجا عضو شید و کانال 👇منو به دوستانتون معرفی کنید👇

🔗https://t.iss.one/hamidpython123
---

"خدمات درسی دانش آموزی و دانشجویی با هر رشته و مقطعی، شامل پروژه‌ها، تحقیقات و تسک‌ها، با جزئیات کامل پذیرفته می‌شود. برای بررسی فوری، تسک‌های خود را به همراه صورت مسئله، مهلت انجام و رشته و مقطع تحصیلی خود، ارسال فرمایید."

@PythonProTalk

🆕️ آموزش آرایه‌ها در پایتون رو داریم اینبار ❗️

آرایه‌ها یکی از ساختارهای داده‌ای مهم در پایتون هستند که به ما اجازه می‌دهند تا مجموعه‌ای از مقادیر را در یک متغیر ذخیره کنیم. در این آموزش، ما به بررسی آرایه‌ها، نحوه ایجاد، دسترسی و تغییر عناصر آنها، و برخی از عملیات‌های مهم روی آرایه‌ها می‌پردازیم.

1. ایجاد یک آرایه
برای ایجاد یک آرایه در پایتون، می‌توانید از لیست‌ها استفاده کنید. لیست‌ها قابلیت نگهداری انواع مختلف داده‌ها را دارند.

# ایجاد یک آرایه از اعداد صحیح
numbers = [1, 2, 3, 4, 5]

# ایجاد یک آرایه از رشته‌ها
fruits = ["apple", "banana", "cherry"]

2. دسترسی به عناصر آرایه
می‌توانید با استفاده از اندیس‌ها به عناصر آرایه دسترسی پیدا کنید. اندیس‌ها از 0 شروع می‌شوند.

# دسترسی به اولین عنصر
print(numbers[0])  # خروجی: 1

# دسترسی به دومین عنصر از انتها
print(fruits[-2])  # خروجی: banana

3. تغییر عناصر آرایه
شما می‌توانید عناصر موجود در یک آرایه را تغییر دهید.

# تغییر اولین عنصر
numbers[0] = 10
print(numbers)  # خروجی: [10, 2, 3, 4, 5]

# تغییر دومین عنصر
fruits[1] = "blueberry"
print(fruits)  # خروجی: ["apple", "blueberry", "cherry"]

4. افزودن عناصر به آرایه
شما می‌توانید با استفاده از متد append، عناصر جدیدی به آرایه اضافه کنید.

# افزودن یک عدد به آرایه
numbers.append(6)
print(numbers)  # خروجی: [10, 2, 3, 4, 5, 6]

# افزودن یک میوه به آرایه
fruits.append("orange")
print(fruits)  # خروجی: ["apple", "blueberry", "cherry", "orange"]

5. حذف عناصر از آرایه
برای حذف عناصر از آرایه می‌توانید از متد remove یا pop استفاده کنید.

# حذف یک عدد مشخص
numbers.remove(3)
print(numbers)  # خروجی: [10, 2, 4, 5, 6]

# حذف عنصر با استفاده از اندیس
removed_fruit = fruits.pop(1)
print(fruits)  # خروجی: ["apple", "cherry", "orange"]
print(removed_fruit)  # خروجی: blueberry

6. پیمایش آرایه
می‌توانید با استفاده از حلقه‌ها، عناصر آرایه را پیمایش کنید.

# پیمایش با استفاده از حلقه for
for number in numbers:
    print(number)
# خروجی:
# 10
# 2
# 4
# 5
# 6

# پیمایش با استفاده از اندیس
for i in range(len(fruits)):
    print(fruits[i])
# خروجی:
# apple
# cherry
# orange

7. برخی از متدهای مفید دیگر
پایتون متدهای زیادی برای کار با لیست‌ها دارد که در ادامه به چند نمونه اشاره می‌کنیم:

# شمارش تعداد تکرار یک عنصر
count_of_apple = fruits.count("apple")
print(count_of_apple)  # خروجی: 1

# پیدا کردن اندیس یک عنصر
index_of_orange = fruits.index("orange")
print(index_of_orange)  # خروجی: 2

# معکوس کردن لیست
numbers.reverse()
print(numbers)  # خروجی: [6, 5, 4, 2, 10]

# مرتب‌سازی لیست
numbers.sort()
print(numbers)  # خروجی: [2, 4, 5, 6, 10]

---

🆗️این آموزش مختصر می‌تواند به شما کمک کند تا مفاهیم پایه‌ای آرایه‌ها در پایتون را یاد بگیرید و اگه از آموزش های من خوشتون میاد اینجا عضو شید دارم زحمت میکشم خدایی👇به بقیه هم معرفی کنید کانال منو👇

🔗https://t.iss.one/hamidpython123
---

🆕️ آموزش شی‌گرایی در پایتون رو هم داریم بریم که توضیح بدم👇❗️

شی‌گرایی (Object-Oriented Programming یا OOP) یک روش برنامه‌نویسی است که حول مفهوم "اشیا" و "کلاس‌ها" بنا شده است. در این آموزش، ما به بررسی اصول پایه شی‌گرایی در پایتون، از جمله کلاس‌ها، اشیا، وراثت و چندریختی می‌پردازیم.

1. کلاس‌ها و اشیا
کلاس‌ها قالب‌هایی برای ایجاد اشیا هستند. هر کلاس می‌تواند ویژگی‌ها (متغیرها) و متدها (توابع) خاص خود را داشته باشد.

# تعریف یک کلاس ساده
class Dog:
    # متد سازنده
    def __init__(self, name, age):
        self.name = name
        self.age = age
    
    # متدی برای معرفی سگ
    def bark(self):
        print(f"{self.name} is barking")

# ایجاد یک شی از کلاس Dog
dog1 = Dog("Buddy", 3)

# دسترسی به ویژگی‌ها و متدهای شی
print(dog1.name)  # خروجی: Buddy
print(dog1.age)   # خروجی: 3
dog1.bark()       # خروجی: Buddy is barking

در این مثال، یک کلاس به نام Dog تعریف کرده‌ایم که دو ویژگی name و age دارد و یک متد bark برای صدای سگ.

2. وراثت (Inheritance)
وراثت به شما اجازه می‌دهد تا یک کلاس جدید را بر اساس یک کلاس موجود تعریف کنید و ویژگی‌ها و متدهای آن را به ارث ببرید.

# تعریف یک کلاس پدر
class Animal:
    def __init__(self, name):
        self.name = name
    
    def eat(self):
        print(f"{self.name} is eating")

# تعریف یک کلاس فرزند که از Animal ارث می‌برد
class Cat(Animal):
    def meow(self):
        print(f"{self.name} is meowing")

# ایجاد یک شی از کلاس Cat
cat1 = Cat("Whiskers")

# دسترسی به ویژگی‌ها و متدهای کلاس پدر و کلاس فرزند
cat1.eat()   # خروجی: Whiskers is eating
cat1.meow()  # خروجی: Whiskers is meowing

در این مثال، کلاس Cat از کلاس Animal ارث‌بری کرده است و می‌تواند از متد eat استفاده کند و متد meow را هم به خود اضافه کند.

3. چندریختی (Polymorphism)
چندریختی به شما اجازه می‌دهد تا از متدهای یکسان با رفتارهای مختلف در کلاس‌های مختلف استفاده کنید.

# تعریف یک کلاس پدر
class Bird:
    def sound(self):
        print("Bird is making a sound")

# تعریف کلاس‌های فرزند که از Bird ارث می‌برند
class Sparrow(Bird):
    def sound(self):
        print("Sparrow is chirping")

class Crow(Bird):
    def sound(self):
        print("Crow is cawing")

# استفاده از چندریختی
def make_sound(bird):
    bird.sound()

# ایجاد اشیا از کلاس‌های فرزند
sparrow = Sparrow()
crow = Crow()

# استفاده از تابع make_sound
make_sound(sparrow)  # خروجی: Sparrow is chirping
make_sound(crow)     # خروجی: Crow is cawing

در این مثال، کلاس‌های Sparrow و Crow هر دو متد sound را بازنویسی کرده‌اند و می‌توانند با استفاده از تابع make_sound صدای خاص خود را تولید کنند.

4. کپسوله‌سازی (Encapsulation)
کپسوله‌سازی به مخفی کردن جزئیات داخلی یک کلاس و فراهم کردن دسترسی کنترل شده به آن‌ها می‌پردازد.

# تعریف یک کلاس با ویژگی‌های خصوصی
class BankAccount:
    def __init__(self, balance):
        self.__balance = balance  # ویژگی خصوصی
    
    # متد عمومی برای دسترسی به ویژگی خصوصی
    def get_balance(self):
        return self.__balance
    
    # متد عمومی برای تغییر ویژگی خصوصی
    def deposit(self, amount):
        if amount > 0:
            self.__balance += amount

# ایجاد یک شی از کلاس BankAccount
account = BankAccount(1000)

# دسترسی به ویژگی‌ها و متدهای کلاس
print(account.get_balance())  # خروجی: 1000
account.deposit(500)
print(account.get_balance())  # خروجی: 1500

در این مثال، ویژگی __balance خصوصی است و تنها از طریق متدهای get_balance و deposit قابل دسترسی و تغییر است.

---

🟥این آموزش مفاهیم پایه‌ای شی‌گرایی در پایتون را پوشش می‌دهد. با یادگیری این اصول، می‌توانید برنامه‌های پیچیده‌تر و منعطف‌تری بنویسید واقعا اگه اموزشای منو دوست دارین کانال منو به دوستانتون معرفی کنید😉👇

🔗https://t.iss.one/hamidpython123

---