بررسی 14 تابع مهم و کاربردی در Numpy

Numpy یکی از کتابخانه‌های اصلی و قدرتمند در زبان برنامه‌نویسی پایتون برای کار با داده‌های عددی و محاسبات علمی است. این کتابخانه به خصوص برای کار با آرایه‌ها و ماتریس‌ها طراحی شده و بسیاری از توابع و ابزارهای کاربردی را ارائه می‌دهد. در این مقاله، به بررسی برخی از مهم‌ترین و کاربردی‌ترین توابع Numpy خواهیم پرداخت.

1. ایجاد آرایه‌ها

Numpy توابع متنوعی را برای ایجاد آرایه‌ها ارائه می‌دهد:

• numpy.array(): برای تبدیل لیست‌ها یا توالی‌ها به آرایه‌های Numpy.

  import numpy as np 
  arr = np.array([1, 2, 3]) # آرایه یک‌بعدی 

• numpy.zeros() و numpy.ones(): برای ایجاد آرایه‌هایی پر از صفر یا یک.

  zeros_array = np.zeros((2, 3)) # آرایه ۲ در ۳ پر از صفر 
  ones_array = np.ones((2, 3)) # آرایه ۲ در ۳ پر از یک 

• numpy.arange(): برای ایجاد آرایه‌ای شامل مقادیر متوالی.

  range_array = np.arange(0, 10, 2) # آرایه شامل ۰، ۲، ۴، ۶، ۸ 

2. عملیات ریاضی روی آرایه‌ها

Numpy دارای توابع ریاضی متنوعی است که می‌توانند به‌راحتی بر روی آرایه‌ها اعمال شوند:

• numpy.add() و numpy.subtract(): برای جمع و تفریق آرایه‌ها.

  arr1 = np.array([1, 2, 3]) 
  arr2 = np.array([4, 5, 6]) 
  sum_array = np.add(arr1, arr2) # جمع دو آرایه 

• numpy.multiply() و numpy.divide(): برای ضرب و تقسیم آرایه‌ها.

  product_array = np.multiply(arr1, arr2) # ضرب دو آرایه 

• numpy.dot(): برای محاسبه ضرب داخلی (Dot Product) دو آرایه.

  dot_product = np.dot(arr1, arr2) # ضرب داخلی 

3. توابع آماری

Numpy توابع آماری بسیار مفیدی را برای تحلیل داده‌ها ارائه می‌دهد:

• numpy.mean(): برای محاسبه میانگین آرایه.

  mean_value = np.mean(arr1) # میانگین آرایه 

• numpy.median(): برای محاسبه میانه.

  median_value = np.median(arr1) # میانه آرایه 

• numpy.std(): برای محاسبه انحراف استاندارد.

  std_value = np.std(arr1) # انحراف استاندارد 

4. عملیات بر روی ابعاد مختلف آرایه‌ها

Numpy به شما امکان می‌دهد تا به راحتی عملیات را بر روی ابعاد مختلف آرایه‌ها انجام دهید:

• numpy.reshape(): برای تغییر شکل آرایه.

  reshaped_array = arr1.reshape((3, 1)) # تغییر شکل به آرایه ۳ در ۱ 

• numpy.transpose(): برای ترانهاده کردن آرایه‌ها.

  matrix = np.array([[1, 2], [3, 4]]) 
  transposed_matrix = np.transpose(matrix) # ترانهاده 

5. فیلتر کردن داده‌ها

Numpy به شما این امکان را می‌دهد که داده‌ها را براساس شرایط خاص فیلتر کنید:

• فیلتر کردن آرایه‌ها:

  filtered_array = arr1[arr1 > 1] # عناصر بزرگتر از ۱ 

6. جمع و تفریق در محورهای مختلف

Numpy به شما این امکان را می‌دهد که عملیات جمع و تفریق را در محورهای مختلف انجام دهید:

• numpy.sum():

  sum_along_axis0 = np.sum(matrix, axis=0) # جمع در محور ۰ 
  sum_along_axis1 = np.sum(matrix, axis=1) # جمع در محور ۱ 

7. کار با داده‌های تصادفی

Numpy توابعی برای ایجاد داده‌های تصادفی نیز دارد:

• numpy.random.rand(): برای ایجاد آرایه‌ای با مقادیر تصادفی بین ۰ و ۱.

  random_array = np.random.rand(3, 4) # آرایه ۳ در ۴ با مقادیر تصادفی 

جهت آشنایی و ثبت نام دوره “آنالیز داده و یادگیری ماشین” اینجا کلیک کنید.

علم داده و یادگیری ماشین

نتیجه‌گیری

Numpy ابزاری قدرتمند و کاربردی برای برنامه‌نویسان و محققان داده است که به آن‌ها این امکان را می‌دهد تا به راحتی با داده‌های عددی کار کنند. آشنایی با توابع مهم و کاربردی Numpy، می‌تواند بهبود قابل توجهی در سرعت و کارایی تحلیل‌های داده‌ای شما ایجاد کند. برای کسب اطلاعات بیشتر، می‌توانید به مستندات رسمی Numpy مراجعه کنید.