در این ویدیو به نامپی در 1D می پردازیم، به طور خاص آرایه های ND (چند بعدی). نامپای یک کتابخانه برای محاسبات علمی است. نامپای توابع مفید زیادی دارد. مزایای بسیاردیگری مانند سرعت و حافظه وجود دارد. نامپای همچنین اساس Pandas است. بنابراین ویدیو pandas ما را ببینید. در این ویدیوموارد زیر را پوشش می دهیم. مبانی و ایجاد آرایه، فهرست سازی و برش، عملیات اساسی، توابع جهانی. بیایید ببینیم چگونه یک آرایه نامپای ایجاد کنیم. یک لیست پایتون یک ظرف است که به شما امکان ذخیره و دسترسی به داده ها را می دهد. هر المان بایک شاخص مرتبط است. می توانیم با استفاده از یک براکت به صورت زیر به هر مولفه دسترسی داشته باشیم. یک آرایه نامپای یا ND شبیه یک لیست است. معمولا اندازه آن ثابت است و همه مولفه ها از یک نوع است، در این مورد اعداد صحیح. می توانیم یک لیست را به یک آرایه نامپای وارد کنیم. به این صورت
که اول نامپای را import می کنیم. سپس لیست را به صورت زیر وارد می کنیم؛ می توانیم از طریق یک شاخص
به داده دسترسی داشته باشیم. همانند لیست، می توانیم به هر مولفه با یک عدد صحیح و یک
براکت دسترسی داشته باشیم. مقدار a به صورت زیر ذخیره می شود. اگر نوع آرایه را چک کنیم،
خواهیم داشت، numpy.ndarray چون آرایه های نامپای شامل داده ها از همان نوع هستند، می توانیم از ویژگی dtype استفاده کنیم تا نوع داده مولفه های آرایه را بدست آوریم. در این مورد یک عدد صحیح 64 بیت. بیایید چند تا از ویژگیهای آرایه اصلی را با استفاده از آرایه a بررسی کنیم. اندازه ویژگی برابر است با تعداد مولفه ها در آرایه. چون پنج مولفه داریم، جواب پنج است. دو ویژگی بعدی معنای بیشتری پیدا می کند وقتی به ابعاد بالاتر می رسیم، اما بیایید آنها را بررسی کنیم. ویژگی ndim تعداد ابعاد یا درجه آرایه را نشان می دهد، در این مورد یک. ویژگی shape یک تاپل از اعداد صحیح است که اندازه آرایه در هر بعد را نشان می دهد. می توانیم یک آرایه نامپای با اعداد حقیقی ایجاد کنیم. وقتی نوع آرایه را چک می کنیم، نتیجه numpy.ndarray می شود. اگر ویژگی نوع D را بررسی کنیم، float64 را به عنوان مولفه ای که عدد صحیح نیست می بینیم. ویژگیهای بیشتر دیگری وجود دارند،
numpy.org را چک کنید. بیایید بعضی متدهای برش و
شاخص گذاری را بررسی کنیم. می توانیم اولین مولفه آرایه را به صورت زیر به 100 تغییر دهیم. حال مقدار اولین آرایه 100 است. می توانیم مولفه پنجم آرایه را به صورت زیر تغییر دهیم. اکنون مولفه پنجم صفر است. مانند لیستها و تاپل ها می توانیم
آرایه نامپای را برش بزنیم. مولفه های آرایه مطابق با شاخص زیر است. می توانیم مولفه ها را از یک تا سه
انتخاب کنیم و آنرا به یک آرایه نامپای جدید d به صورت زیر نسبت دهیم. مولفه ها در d مطابق با شاخص است. مانند لیستها، مولفه متناظربا آخرین شاخص را نمی شماریم. می توانیم به صورت زیر، شاخص های متناظررا به مقادیر جدید نسبت دهیم. حال آرایه c مقدار جدیدی دارد. برای مثالهای بیشتر از کارهایی که می توانید با نامپی بکنید،
آزمایشگاه یا numpy.org را ببینید. نامپای کار با بعضی عملیاتی که معمولا در علم داده ها انجام می شود را ساده تر می کند. همان عملیات معمولا از نظر محاسباتی سریعتر انجام می شود و در نامپای به حافظه کمتری نسبت
به پایتون معمولی نیاز داریم. بیایید بعضی از این عملیات را در آرایه های یک بعدی بررسی کنیم. نگاهی می اندازیم به بعضی عملیات در متن بردارهای اقلیدسی تا مسائل را جالب تر کنیم. جمع بردار پر کاربرد ترین عملیات در علم داده است. بردار u را با دو مولفه در نظر بگیرید، مولفه ها با رنگها مختلف متمایز شده اند. به طور مشابه، بردار v با دو مولفه را در نظر بگیرید. درجمع بردار، یک بردار جدید ایجاد می کنیم، در این مورد z. اولین مولفه z جمع مولفه اول بردار u و v است. به طور مشابه، مولفه دوم جمع مولفه های دوم u و v است. حال این بردار جدید z یک ترکیب خطی از بردار u وv است. نشان دادن جمع بردار با پاره خط یا پیکان مفید است. اولین بردار با قرمز نشان داده می شود. بردار اشاره دارد به جهت دو مولفه. اولین مولفه بردار یک است. در نتیجه پیکان یک واحد از مبدا در جهت افقی تغییر می کند. دومین مولفه صفر است، این مولفه را در جهت عمودی نمایش می دهیم. چون این مولفه صفر است، برداربه جهت عمودی اشاره نمی کند. دومین بردار را با آبی نشان می دهیم. اولین مولفه صفر است، بنابراین پیکان به جهت افقی اشاره نمی کند. دومین مولفه یک است. در نتیجه بردار به یک واحد در بردار عمودی اشاره می کند. وقتی بردار u و v را جمع می کنیم، بردار جدید z را به دست می آوریم. اولین مولفه را جمع می کنیم، این مطابق با جهت افقی است. همچنین مولفه دوم را جمع می کنیم. استفاده از متد سر به ته هنگام جمع بردارها کار را ساده می کند، ته بردار v روی سر بردار u قرار می گیرد. بردار جدید z با اتصال مبدا برداراول u به ته بردار دوم v، ساخته می شود. سه خط بعدی کد دو لیست را جمع می کند و نتیجه را در لیست z قرار می دهد. همچنین می توانیم جمع بردار را با یک خط کد نامپای انجام دهیم. برای انجام تفریق بردار به چندین خط در دو لیست نیاز داریم، همانطور که در سمت راست صفحه نشان داده می شود. علاوه بر این، کد نامپای خیلی سریعتر است. این مهم است اگر داده های زیادی داشته باشید. همچنین می توانیم با تغییر علامت جمع به علامت تفریق، تفریق بردار را انجام دهیم. این کار به چند خط نیاز دارد تا تفریق بردار را روی دو لیست انجام دهد. همانطور که سمت راست صفحه نشان می دهد. ضرب بردار با یک اسکالر یکی دیگر از عملیات رایج است. بردار y را در نظر بگیرید. هر مولفه با یک رنگ متفاوت مشخص شده است. به سادگی بردار را دریک مقدار اسکالر ضرب می کنیم، در این مورد دو. هر مولفه بردار در دو ضرب می شود. در این مورد هر مولفه دو برابر می شود. می توانیم از پاره خط یا پیکان برای به تصویر کشیدن
آنچه اتفاق می افتد استفاده کرد. بردار اصلی y به رنگ بنفش است. بعد از ضرب کردن آن با مقدار اسکالر دو، بردار به اندازه دو واحد کشیده می شود
همانظور که با رنگ قرمز نشان داده شده است. بردار جدید از هر طرف دوبرابربلند تر شده است. ضرب بردار با یک اسکالر، فقط نیازمند یک خط کد با استفاده از نامپای است. این کار به چند خط نیاز دارد تا همان کار را از طریق لیست های پایتون انجام داد، همانطور که در سمت راست صفحه نشان داده می شود. به علاوه، عملیات خیلی کندتر می شود. حاصل ضرب Hadamard یکی دیگر از عملیاتی است که خیلی
درعلم داده ها استفاده می شود. دو بردار زیر را در نظر بگیرید، u و v. حاصل ضرب Hadamard u و v، بردار جدید z است. اولین مولفه z حاصل ضرب اولین مولفه u وv است. به طور مشابه، مولفه دوم حاصل ضرب مولفه دوم u و v. بردار حاصل از آن شامل حاصل ضرب ورودی u و v است. همچنین می توانیم ضرب هادامارد را با یک خط کد در نامپای انجام دهیم. این کار به چند خط نیاز دارد تا ضرب هادامارد در دو لیست را انجام دهد. همانطور که در سمت راست
صفحه نشان داده می شود. حاصلضرب نقطه ای یکی دیگر از عملیاتی است که خیلی
درعلم داده ها استفاده می شود. بردار u و v را در نظر بگیرید، حاصضرب نفطه ای یک عدد واحد است که که با عبارت زیر نشان داده می شود و نشان می دهد چقدر دو بردار شبیه هستند. اولین مولفه از v و u را ضرب می کنیم، سپس دومین مولفه را ضرب می کنیم و نتیجه را با هم جمع می کنیم. نتیجه عددی است که نشان می دهد چقدر دو بردار شبیه هستند. همچنین می توانیم حاصلضرب نقطه ای را
با استفاده از تابع نامپای dot انجام دهیم وبه صورت زیر آنرا به متغیر result نسبت دهیم. آرایه u را در نظر بگیرید، آرایه شامل مولفه های زیر است. اگر مقدار اسکالر را به آرایه اضافه کنیم، نامپای آن مقدار را به هر مولفه اضافه می کند. این ویژگی به عنوان broadcasting (پخش) شناخته می شود. یک تابع جهانی تابعی است که روی آرایه های ND کار می کند. می توانیم یک تابع جهانی را روی
یک آرایه نامپای استفاده کنیم. آرایه های a را در نظر بگیرید، می توانیم میانگین یا معدل مقدار همه مولفه ها در a را با استفاده
از متد mean محاسبه کنیم. این معادل میانگین همه مولفه هاست. در این مورد نتیجه صفر است. توابع بسیار دیگری وجود دارند. برای مثال، آرایه نامپای b را در نظر بگیرید. می توانیم مقدار ماکسیمم را با استفاده
از متد max پیدا کنیم. می بینیم که بیشترین مقدار پنج است، بنابراین نتیجه متد max پنج می شود. می توانیم از نامپای استفاده کنیم
تا توابعی را ایجاد کنیم که آرایه های نامپای را در آرایه های
نامپای جدید ترسیم کند. بیایید چند کد را در سمت چپ صفحه اجرا کنیم. و از سمت راست صفحه برای نشان دادن آنچه اتفاق می افتد استفاده کنیم. می توانیم به صورت زیر به مقدار
پی در نامپای دسترسی داشته باشیم. می توانیم آرایه نامپای زیر را به رادیان ایجاد کنیم. این آرایه با بردار زیر مطابقت می کند. می توانیم تابع سینوسی را در آرایه x به کار ببریم و مقدار را به آرایه y نسبت دهیم. این تابع سینوسی را در هر مولفه در آرایه استفاده می کند، این درارتباط با کاربرد تابع سینوسی برای هر مولفه بردار است. نتیجه، آرایه جدید y است، که هر مقدار معادل یک تابع سینوسی است که در هر مولفه در آرایه x به کار می رود. یک تابع مفید برای ترسیم توابع ریاضی، Linspace است. linspace، اعداد با فاصله مساوی در فاصله مشخص را نتیجه می دهد. نقطه شروع توالی و نقطه پایان توالی را مشخص می کنیم. پارامتر num تعداد نمونه ها برای تولید را مشخص می کند، در این مورد پنج. فضای بین نمونه ها یک است. اگر پارامتر num را به 9 تغییر دهیم، ما نه عدد با فاصله مساوی از منفی دو تا دو بدست می آوریم. نتیجه تفاوت بین نمونه های بعدی است که برابر 0.5 است که متفاوت با یک است که قبلا داشتیم. می توانیم از تابع linspace استفاده کنیم تا 100 نمونه با فاصله مساوی درفاصله بین صفر تا دو پی ایجاد کنیم. می توانیم از تابع سینوسی نامپای استفاده کنیم تا آرایه x را در یک آرایه جدید y قرار دهیم. می توانیم کتابخانه pyplot را به عنوان plt وارد کنیم تا کمک کند تابع را رسم کنیم. چون از Jupiter notebook استفاده می کنیم، از دستور matplotlib inline استفاده می کنیم
برای نمایش طرح استفاده می کنیم. دستور زیر نموداری را رسم می کند. اولین ورودی مطابق با مقادیر افقی یا محور x است. ورودی دوم مطابق با مقادیر عمودی یا محور y است. کارهای بیشتری می توان با نامپای انجام داد. برای اطلاعات بیشتر به آزمایشگاه
و numpy.org رحوع کنید. ممنون از مشاهده این ویدئو.