کتابخانه Numpy در پایتون

کتابخانه NumPy یکی از مهم‌ترین و پرکاربردترین کتابخانه‌ها در پایتون است که برای محاسبات علمی و پردازش داده‌ها استفاده می‌شود. این کتابخانه بیشتر برای کار با آرایه‌ها (Arrays) و محاسبات عددی به کار می‌رود و از ابزارهای قدرتمندی برای انجام محاسبات ریاضی و علمی برخوردار است. در ادامه، برخی از ویژگی‌ها و امکانات مهم این کتابخانه را بررسی می‌کنیم:

ویژگی‌های کلیدی NumPy:

1. آرایه‌های چندبعدی (ndarray):
   • NumPy امکان کار با آرایه‌های n‌بعدی (ndarray) را فراهم می‌کند که برخلاف لیست‌های پایتون بسیار کارآمدتر هستند.
   • این آرایه‌ها به شما اجازه می‌دهند تا محاسبات را روی داده‌های بزرگ به‌صورت سریع و با مصرف کم حافظه انجام دهید.
2. عملکرد بالا (Performance):
   • عملیات بر روی آرایه‌های NumPy به‌طور قابل توجهی سریع‌تر از عملیات مشابه روی لیست‌های پایتون است، زیرا NumPy از زبان C برای پیاده‌سازی الگوریتم‌های خود استفاده می‌کند.
   • عملیات عددی (مانند جمع، ضرب و دیگر عملیات ریاضی) می‌تواند به صورت عنصر به عنصر یا ماتریس به ماتریس انجام شود.
3. پشتیبانی از انواع داده‌های مختلف:
   • NumPy از انواع داده‌های مختلفی مانند عدد صحیح، عدد اعشاری، و داده‌های منطقی پشتیبانی می‌کند.
4. عملیات ریاضی پیشرفته:
   • NumPy دارای توابع ریاضی و علمی متعددی است مانند: توابع مثلثاتی، لگاریتم، رادیکال، آمار و احتمال، و حتی تبدیل فوریه.
5. پشتیبانی از پخش (Broadcasting):
   • پخش به این معنی است که NumPy می‌تواند عملیات‌ها را بین آرایه‌ها با ابعاد مختلف انجام دهد، به‌طور خودکار ابعاد مناسب را برای هر عملیات تنظیم می‌کند.
6. یادگیری ماشین و پردازش داده‌ها:
   • NumPy به عنوان یکی از اجزای اصلی بسیاری از کتابخانه‌های پردازش داده و یادگیری ماشین مانند Pandas، Scikit-learn و TensorFlow استفاده می‌شود.

نصب NumPy:

برای نصب NumPy می‌توانید از دستور زیر در ترمینال استفاده کنید:

pip install numpy

استفاده از NumPy:

برای استفاده از NumPy باید ابتدا آن را وارد (import) کنید:

import numpy as np

نمونه‌هایی از کاربردهای NumPy:

1. ساخت یک آرایه ساده

import numpy as np

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

2. ساخت یک ماتریس (آرایه دو بعدی)

arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr2d)

3. انجام عملیات ریاضی روی آرایه‌ها

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

# ضرب دو آرایه
product_arr = arr1 * arr2
print(product_arr)

4. استفاده از توابع ریاضی

# محاسبه مقدار رادیکال (ریشه دوم) آرایه
sqrt_arr = np.sqrt(arr)
print(sqrt_arr)

# محاسبه مجموع و میانگین آرایه
sum_arr = np.sum(arr)
mean_arr = np.mean(arr)
print(f"Sum: {sum_arr}, Mean: {mean_arr}")

5. استفاده از Broadcasting

# ضرب آرایه یک‌بعدی با یک عدد
arr3 = np.array([1, 2, 3, 4])
result = arr3 * 2  # هر عنصر ضرب در 2 می‌شود
print(result)

6. استفاده از تابع reshape برای تغییر ابعاد آرایه

arr3d = np.array([1, 2, 3, 4, 5, 6])
reshaped = arr3d.reshape((2, 3))
print(reshaped)

توابع مهم در NumPy:

• np.arange(start, stop, step): ایجاد آرایه‌ای با مقادیر از start تا stop با گام step.
• np.linspace(start, stop, num): ایجاد آرایه‌ای از num مقدار یکنواخت بین start و stop.
• np.random.rand(): تولید اعداد تصادفی با توزیع یکنواخت.
• np.eye(N): ساخت ماتریس همانی (ماتریسی که در قطر اصلی مقادیر 1 و در بقیه مقادیر 0 دارد).
• np.sum(), np.mean(), np.median(): توابع آماری برای محاسبه مجموع، میانگین و میانه آرایه‌ها.

نتیجه‌گیری:

کتابخانه NumPy ابزاری قدرتمند و سریع برای انجام محاسبات علمی و ریاضی در پایتون است. این کتابخانه با فراهم کردن امکانات پیشرفته برای کار با آرایه‌ها و انجام عملیات ریاضی، به یکی از اجزای ضروری در هر پروژه علمی و داده‌محور تبدیل شده است.