Javascript Disabled!

Please Enable Javascript if you disabled it, or use another browser we preferred Google Chrome.
Please Refresh Page After Enable

Powered By UnCopy Plugin.

Python 3 NumPy


Python 3 NumPy

آشنایی با Python 3 NumPy

Python 3 NumPy یک کتابخانه آرایه است. همچنین توابعی را برای کار با ماتریس ها، تبدیل های فوریه و حوزه جبر خطی ارائه می کند. تراویس اولیفانت NumPy را در سال 2005 تأسیس کرد. ما می‌توانیم به‌طور رایگان از آن استفاده کنیم زیرا منبع باز است. پایتون عددی به اختصار NumPy است. Numpy ویژگی های بسیاری دارد. این یک کتابخانه پایتون برای کار با آرایه ها است که می تواند برای کارهای مختلف استفاده شود.

Python 3 NumPy چیست؟

  • این مهم ترین بسته پایتون برای محاسبات علمی است. به عنوان مثال، NumPy ممکن است عملیات منطقی و ریاضی را روی آرایه ها انجام دهد. بنابراین پایتون یک بسته به نام NumPy دارد.
  • NumPy اغلب در ارتباط با سایر کتابخانه های پایتون مانند SciPy و Matplotlib استفاده می شود. این ترکیب اغلب جایگزین MatLab، یک پلت فرم محاسبات فنی محبوب می شود. از سوی دیگر، پایتون امروزه زبان برنامه نویسی مدرن و جامع تری نسبت به MatLab در نظر گرفته می شود.

چرا از Python 3 NumPy استفاده کنیم؟

  • لیست ها شبیه آرایه ها در پایتون هستند، اگرچه پردازش آنها کندتر است. NumPy قصد دارد یک شی آرایه سریعتر از لیست های معمولی پایتون، تا 50 برابر سریعتر ارائه دهد.
  • شیء آرایه NumPy ndarray نام دارد و دارای توابع کمکی زیادی است تا کار با آن را آسان کند.
  • زمانی که منابع و سرعت در تحقیقات داده ضروری است، آرایه ها به طور گسترده مورد استفاده قرار می گیرند.

نصب Python 3 NumPy

پایتون عددی مخفف NumPy است. این یک کتابخانه اشیاء آرایه چند بعدی با روال های پردازش آرایه است.

مرحله زیر نصب python 3 NumPy را در سیستم عامل ویندوز نشان می دهد.

  • برای نصب NumPy در ویندوز، باید دستورات زیر را اجرا کنیم.
pip install numpy

نصب Python 3 NumPy

مثال زیر نحوه استفاده از NumPy در آرایه پایتون را به شرح زیر نشان می دهد.

1. آرایه ها در NumPy

این یک جدول با یک عدد صحیح است که جدولی از موارد مشابه را نمایه می کند. محورها همان چیزی هستند که NumPy آن را ابعاد می نامد. رتبه محورها تعداد آنها را مشخص می کند. Ndarray نام کلاس آرایه NumPy است. آرایه مستعار نیز به آن اشاره دارد. مثال زیر آرایه های NumPy را به شرح زیر نشان می دهد.

کد:

import numpy as py_np
py_arr = py_np.array ( [[ 13, 29, 36],
                 [ 43, 25, 59]] )
print ("Array type: ", type(py_arr))
print ("Dimension: ", py_arr.ndim)
print ("Shape: ", py_arr.shape)
print ("Size : ", py_arr.size)
print ("Element type: ", py_arr.dtype)

آرایه ها در NumPy Python 3

2. ایجاد آرایه با استفاده از NumPy

در NumPy، ممکن است آرایه ها را به روش های مختلف بسازیم. به عنوان مثال، تابع آرایه یک آرایه از یک لیست یا تاپل معمولی پایتون تولید می کند. عنصر آرایه اغلب در ابتدا ناشناخته است، اما اندازه آن مشخص است. در نتیجه، NumPy توابع متعددی را برای ایجاد آرایه‌ها با محتوای مکان‌دار فراهم می‌کند.

این امر نیاز به ساخت آرایه ها را که فرآیندی پرهزینه است، از بین می برد. NumPy یک تابع محدوده مانند دارد که آرایه‌ها را برای ایجاد دنباله‌های عددی برمی‌گرداند. linspace مقادیری را برمی گرداند که در فواصل زمانی مساوی قرار گرفته اند. تعداد عناصر برگردانده عدد است.

استدلال دستور پذیرفته شده است. ‘C’ مقدار پیش فرض است (برای ترتیب ردیف اصلی). برای ترتیب ستون اصلی، «F» را تایپ کنید. مثال زیر ایجاد آرایه با استفاده از NumPy را نشان می دهد.

کد:

import numpy as py_np
py1 = py_np.array ([[15, 29, 42], [51, 85, 73]], dtype="float")
print ("Array list:\n", py1)
py2 = py_np.array ((19 , 34, 27))
print ("\nArray tuple:\n", py2)
py3 = py_np.zeros ((31, 45))
print ("\nAn Array initialized :\n", py3)
py4 = py_np.full ((32, 36), 62, dtype="complex")
print ("\nAn array initialized :\n", py4)
py5 = py_np.random.random ((23, 26))
print ("\nA Array:\n", py5)
py6 = py_np.arange (10, 34, 52)
print ("\nA Sequential array :\n", py6)
py7 = py_np.linspace (20, 52, 16)
print ("\nA Sequential array", py7)
py_ar = py_np.array ([[18, 23, 37, 46],
                [55, 23, 48, 29],
                [74, 22, 10, 19]])
py_narr = py_ar.reshape (21, 24, 36)
print ("\nArray:\n", py_ar)
print ("Reshaped arr:\n", py_narr)
py_ar = py_np.array ([[31, 23, 38], [45, 57, 61]])
py_farr = py_ar.flatten ()
print ("\nArray:\n", py_ar)
print ("Fattened :\n", py_farr)

ایجاد آرایه با استفاده از NumPy 1

ایجاد آرایه با استفاده از NumPy 2

ایجاد آرایه با استفاده از NumPy 3

3. نمایه سازی آرایه با استفاده از NumPy

NumPy چندین روش برای نمایه سازی آرایه ها دارد. آرایه اگر NumPy به طور مشابه لیست های موجود در پایتون برش داده شود. ما باید یک برش تعریف کنیم زیرا آرایه ها می توانند چند بعدی باشند. نمایه سازی آرایه صحیح – این تکنیک لیست ها را به عنوان ورودی برای هر بعد می پذیرد. نقشه برداری یک به یک از عناصر مرتبط برای ایجاد یک آرایه دلخواه جدید انجام می شود.

هنگامی که می‌خواهیم ورودی‌هایی را از آرایه‌ای انتخاب کنیم که معیاری را برآورده می‌کند، از تابع نمایه‌سازی آرایه بولی استفاده می‌کنیم. مثال زیر نمایه سازی آرایه را با استفاده از NumPy نشان می دهد.

کد:

import numpy as py_np
py_arr = py_np.array([[-11, 23, 0, 43],
                [43, -0.5, 63, 0],
                [3.6, 0, 79, 83],
                [36, -72, 43, 8.0]])
py1 = py_arr[:2, ::2]
print ("Array :\n", py1)
py1 = py_arr[[0, 1, 2, 3], [3, 2, 1, 0]]
print ("\nElements :\n", py1)
py_con = py_arr > 0 
py1 = py_arr[py_con]
print ("\n Element:\n", py1)

نمایه سازی آرایه با استفاده از NumPy در پایتون 3

4. عملیات بر روی یک آرایه با استفاده از پایتون 3 NumPy

ما می‌توانیم از عملگرهای محاسباتی اضافه بار برای اجرای عملیات عنصری روی یک آرایه و ساخت یک آرایه جدید استفاده کنیم. مثال زیر نشان می دهد که عملیات روی آرایه واحد با استفاده از پایتون 3 NumPy به شرح زیر است.

کد:

import numpy as py_np
py1 = py_np.array([23, 29, 54, 36])
print ("Adding element:", py1+1)
print ("Subtracting element:", py1-3)

عملیات بر روی یک آرایه واحد

5. اپراتورهای Unary

تنظیم یک آرگومان محور به ما این امکان را می دهد که این توابع را سطر به سطر یا ستون به ستون اعمال کنیم. مثال زیر عملگرهای unary را به شرح زیر نشان می دهد.

کد:

import numpy as py_np
py_arr = py_np.array([[14, 58, 65],
                [41, 76, 29],
                [32, 13, 98]])
print ("Large element:", py_arr.max())
print ("Max element:", py_arr.max(axis = 1))

اپراتورهای Unary Python 3 NumPy

6. اپراتورهای باینری

این عملیات بر روی عناصر یک آرایه اعمال می شود و در نتیجه یک آرایه جدید ایجاد می شود. همه عملگرهای اساسی حسابی مانند +، -، / و غیره در دسترس هستند. هنگام استفاده از عملگرهای +=، -=، و =. مثال زیر عملگرهای باینری را به صورت زیر نشان می دهد.

کد:

import numpy as py_np
py1 = np.array([[24, 39],
            [31, 46]])
py2 = np.array([[41, 37],
            [26, 19]])
print ("Sum:\n", py1 + py2)
print ("Multiplication:\n", py1 * py2)

اپراتورهای باینری

7. مرتب سازی آرایه

ما از روش مرتب سازی برای مرتب سازی روش با استفاده از NumPy در پایتون استفاده می کنیم. مثال زیر یک آرایه مرتب سازی را نشان می دهد.

کد:

import numpy as py_np
py1 = py_np.array([[19, 42, 29],
                 [39, 45, 67]]),
print ("Sorted array", py_np.sort (py1, axis = None))

مرتب سازی آرایه

نتیجه

NumPy اغلب در ارتباط با سایر کتابخانه های پایتون مانند SciPy و Matplotlib استفاده می شود. پایتون عددی به اختصار NumPy است. Numpy ویژگی های بسیاری دارد. این یک کتابخانه پایتون برای کار با آرایه ها است که می تواند برای کارهای مختلف استفاده شود.

مقالات پیشنهادی

این راهنمای Python 3 NumPy است. در اینجا ما در مورد تعریف و چرایی استفاده از Python 3 NumPy به همراه فرآیند نصب گام به گام آن صحبت می کنیم. همچنین می توانید برای کسب اطلاعات بیشتر به مقالات زیر نگاهی بیندازید –

  1. محصول NumPy Cross
  2. حداکثر NumPy
  3. Numpy.loadtxt()
  4. ماتریس پراکنده در پایتون

پست Python 3 NumPy اولین بار در تگ سرویس ظاهر شد.


به این مطلب امتیاز دهید

جهت ارسال نظر اینجا کلیک کنید.