نام پای NumPy چیست و چه کاربردی دارد | مهدی مشایخی

نام پای (NumPy) چیست؟

نام پای بسته اساسی برای محاسبات علمی در پایتون است. این یک کتابخانه پایتون است که یک شی آرایه چند بعدی، اشیاء مشتق شده مختلف (مانند آرایه ها و ماتریس های پوشانده شده) و مجموعه ای از روال ها برای عملیات سریع روی آرایه ها، از جمله ریاضی، منطقی، دستکاری شکل، مرتب سازی، انتخاب، I/O ارائه می کند. تبدیل فوریه گسسته، جبر خطی پایه، عملیات آماری پایه، شبیه سازی تصادفی و بسیاری موارد دیگر.

در هسته بسته (NumPy) شی (ndarray) قرار دارد. این آرایه‌های n بعدی از انواع داده‌های همگن را کپسوله می‌کند و بسیاری از عملیات در کد کامپایل‌شده برای عملکرد انجام می‌شوند. چندین تفاوت مهم بین آرایه های NumPy و دنباله های استاندارد پایتون وجود دارد:

• آرایه‌های NumPy بر خلاف فهرست‌های پایتون (که می‌توانند به صورت پویا رشد کنند)، اندازه ثابتی در هنگام ایجاد دارند. تغییر اندازه یک ndarray یک آرایه جدید ایجاد می کند و اصلی را حذف می کند.
• عناصر موجود در یک آرایه NumPy باید همه از یک نوع داده باشند و بنابراین در حافظه یک اندازه خواهند بود. استثنا: می‌توان آرایه‌هایی از اشیاء (Python، از جمله NumPy) داشت، بنابراین آرایه‌هایی از عناصر با اندازه‌های مختلف را امکان‌پذیر کرد.
• آرایه های NumPy عملیات ریاضی و سایر انواع پیشرفته را بر روی تعداد زیادی داده تسهیل می کنند. به طور معمول، چنین عملیاتی کارآمدتر و با کد کمتری نسبت به آنچه که ممکن است با استفاده از دنباله‌های داخلی پایتون اجرا می‌شوند.
• تعداد زیادی از بسته های علمی و ریاضی مبتنی بر پایتون از آرایه های NumPy استفاده می کنند. اگرچه اینها معمولاً از ورودی دنباله پایتون پشتیبانی می کنند، اما این ورودی را قبل از پردازش به آرایه های NumPy تبدیل می کنند و اغلب آرایه های NumPy را خروجی می کنند. به عبارت دیگر، برای استفاده مؤثر از بسیاری (شاید حتی بیشتر) از نرم‌افزارهای علمی/ریاضی مبتنی بر پایتون امروزی، فقط دانستن نحوه استفاده از انواع توالی‌های داخلی پایتون کافی نیست - همچنین باید بدانید که چگونه از آرایه‌های NumPy استفاده کنید.

چرا NumPy سریع است؟

بردارسازی عدم وجود هرگونه حلقه صریح، نمایه سازی و غیره را در کد توصیف می کند - البته این چیزها فقط "پشت صحنه" در کد C بهینه سازی شده و از پیش کامپایل شده اتفاق می افتد. کد برداری دارای مزایای بسیاری است که از جمله آنها می توان به موارد زیر اشاره کرد:

• کد برداری مختصر تر و خواندن آسان تر است
• خطوط کد کمتر به طور کلی به معنای باگ های کمتر است
• کد بیشتر شبیه نمادهای ریاضی استاندارد است (معمولا کدنویسی صحیح ساختارهای ریاضی را آسان تر می کند)
• برداری منجر به کدهای "پایتونیک" بیشتر می شود. بدون برداری، کد ما پر از forحلقه‌های ناکارآمد و دشوار می‌شود.

پخش اصطلاحی است که برای توصیف رفتار عنصر به عنصر ضمنی عملیات استفاده می شود. به طور کلی، در NumPy همه عملیات، نه فقط عملیات حسابی، بلکه منطقی، بیت عاقلانه، عملکردی و غیره، به این شکل ضمنی عنصر به عنصر عمل می کنند، یعنی پخش می شوند. علاوه بر این، در مثال بالا، aو bمی‌تواند آرایه‌های چند بعدی هم‌شکل، یا یک عددی و یک آرایه، یا حتی دو آرایه با اشکال مختلف باشد، مشروط بر اینکه آرایه کوچک‌تر به شکل آرایه بزرگ‌تر «قابل گسترش» باشد. به نحوی که پخش حاصل بدون ابهام باشد.

کاربرد NumPy چیست و چه کاری میکند؟

کتابخانه NumPy برای محاسبات ریاضی استفاده میشه که همان طور گفتم سرعت بالایی داره و بیشترین استفاده در مباحث یادگیری ماشین هست و به ما کمک زیادی میکنه. کاربرد اصلی‌اش در مقاصد علمی و برای کار با اعداد است. پایتون به صورت پیش‌فرض تنها از آرایه‌ها و متغیرها برای عملیات ریاضی ساده پشتیبانی می‌کند. بستهٔ نام‌پای ویژه کار با اعداد از راه ماتریس ها و آرایه های چندبعدی طراحی شده است. از ویژگی‌های آرایه‌ها در نام‌پای این است که می‌توان اندازه آن‌ها را به صورت پویا تغییر داد که این امر به افزایش سرعت برنامه‌نویسی کمک می‌کند. نام‌پای را می‌توان بسته بنیادی پایتون برای محاسبات علمی دانست.

نصب NumPy و Import کردن در محیط برنامه نویسی

قبل از نصب از این طریق شما باید حتما pip رو نصب کرده باشید ، اگر روش نصب pip رو بلد نیستید در پست های آینده حتما آموزشش رو قرار میدیم.

ابتدا یک محیط ترمینال مثل cmd باز کنید و کد زیر رو کپی کنید

pip3 install numpy

و بعد از نصب کافیه اون رو وارد کنیم:

import numpy as np

نکته : شاید براتون سوال باشه که as np چی هست؟ درواقع باید بگم که با این روش میتونید کلمه numpy رو خلاصه کنید و داخل کد ها هربار بخواید بنویسید numpy فقط با دو حرف np اینکار رو بکنید.

خوشحال میشم این مقاله رو لایک کنید و اگه سوالی داشتید میتونید توی کامنت ها یا لینکدین از من بپرسید.

لینک حمایت مالی برای ادامه راه : اینجا کلیک کنید.

آدرس لینکدین من و جواب به سوالات شما : اینجا کلیک کنید.

انجام پروژه های ماشین لرنینگ و یادگیری عمیق در تلگرام : Mashayekhi_Ai@