‫‪blog.faradars.

org‬‬ ‫مجله فرادرس‬ ‫‪ – BFCS0010‬تقلبنامه پایتون برای علم داده‬

‫کتابخانه ‪NumPy‬‬

‫معرفی کتابخانه ‪NumPy‬‬

‫‪ ،NumPy‬کتابخانه پایهای برای محاسبات علیم در زبان برنامهنوییس پایتون است‪ .‬این کتابخانه آرایههای‬
‫چند ُبعدی با کارایی باال و ابزارهای کار با این آرایهها را فراهم یمکند‪ .‬از دستور زیر برای وارد کردن (‪)Import‬‬
‫کتابخانه ‪ NumPy‬استفاده یمشود‪( .‬توجه‪ :‬اندیس آرایه در پایتون از صفر شروع یمشود‪).‬‬
‫‪>>> import numpy as np‬‬

‫آرایههای ‪NumPy‬‬
‫سهبُعدی‬ ‫دوبُعدی‬ ‫یک ُبعدی‬

‫ساخت آرایهها‬

‫)]‪>>> a = np.array([1,2,3‬‬
‫)‪>>> b = np.array([(1.5,2,3), (4,5,6)], dtype = float‬‬
‫)‪>>> c = np.array([[(1.5,2,3), (4,5,6)], [(3,2,1), (4,5,6)]], dtype = float‬‬

‫متغیرهای فرانحوی اولیه (‪)Initial Placeholders‬‬

‫))‪>>> np.zeros((3,4‬‬ ‫ساخت آرایهای با ابعاد ‪ ۳×۴‬از صفرها‬

‫)‪>>> np.ones((2,3,4),dtype=np.int16‬‬ ‫ساخت آرایهای با ابعاد ‪ ۲×۳×۴‬از یکها‬

‫)‪>>> d = np.arange(10,25,5‬‬ ‫ساخت آرایهای از مقادیر با فاصلههای یکسان (بر اساس گام)‬

‫)‪>>> np.linspace(0,2,9‬‬ ‫ساخت آرایهای از مقادیر با فاصلههای یکسان (بر اساس تعداد نمونهها)‬

‫)‪>>> e = np.full((2,2),7‬‬ ‫ساخت یک آرایه ثابت با ابعاد ‪ ۲×۲‬و درایههای برابر با ‪۷‬‬

‫)‪>>> f = np.eye(2‬‬ ‫ساخت ماتریس هماین با ابعاد ‪۲×۲‬‬

‫))‪>>> np.random.random((2,2‬‬ ‫ساخت آرایه با ابعاد ‪ ۲×۲‬و مقادیر تصادفی‬

‫))‪>>> np.empty((3,2‬‬ ‫ساخت یک آرایه خایل با ابعاد ‪۳×۲‬‬

‫برای مشاهده دیگر «تقلبنامههای» مجله فرادرس‪ ،‬به این لینک مراجعه فرمایید‪.‬‬
‫‪blog.faradars.org‬‬ ‫مجله فرادرس‬ ‫‪ – BFCS0010‬تقلبنامه پایتون برای علم داده‬

‫ورودی‪/‬خروجی‬
‫ذخیرهسازی و بارگذاری فایلهای متین‬ ‫ذخیرهسازی و بارگذاری آرایه روی حافظه‬
‫)"‪>>> np.loadtxt("myfile.txt‬‬ ‫)‪>>> np.save('my_array', a‬‬
‫)'‪>>> np.genfromtxt("my_file.csv", delimiter=',‬‬ ‫)‪>>> np.savez('array.npz', a, b‬‬
‫)" "=‪>>> np.savetxt("myarray.txt", a, delimiter‬‬ ‫)'‪>>> np.load('my_array.npy‬‬

‫انواع داده‬
‫‪>>> np.int64‬‬ ‫عدد صحیح ‪ ۶۴‬بییت عالمتدار‬
‫‪>>> np.float32‬‬ ‫ممیز شناور استاندارد با دقت دو برابر (‪)Double-Precision‬‬
‫‪>>> np.complex‬‬ ‫اعداد مختلط با ‪ ۱۲۸‬ممیز شناور‬
‫‪>>> np.bool‬‬ ‫نوع دودویی ذخیرهکننده مقادیر ‪ TRUE‬و ‪FALSE‬‬
‫‪>>> np.object‬‬ ‫نوع یش پایتون‬
‫_‪>>> np.string‬‬ ‫رشته با طول ثابت‬
‫_‪>>> np.unicode‬‬ ‫رشته یونیکد با طول ثابت‬

‫بازریس آرایه‬
‫‪>>> a.shape‬‬ ‫شکل آرایه ‪a‬‬
‫)‪>>> len(a‬‬ ‫طول آرایه ‪a‬‬
‫‪>>> b.ndim‬‬ ‫ابعاد آرایه ‪b‬‬
‫‪>>> e.size‬‬ ‫تعداد عناصر آرایه ‪e‬‬
‫‪>>> b.dtype‬‬ ‫نوع داده عناصر آرایه ‪b‬‬
‫‪>>> b.dtype.name‬‬ ‫نام نوع داده آرایه ‪b‬‬
‫)‪>>> b.astype(int‬‬ ‫تبدیل نوع داده آرایه به یک نوع دیگر (در این مثال ‪)int‬‬

‫درخواست راهنما‬
‫)‪>>> np.info(np.ndarray.dtype‬‬

‫محاسبات روی آرایهها‬

‫عملیات ریایض‬
‫‪>>> g = a - b‬‬
‫‪array([[-0.5, 0. , 0. ],‬‬ ‫تفریق‬
‫)]] ‪[-3. , -3. , -3.‬‬
‫)‪>>> np.subtract(a,b‬‬ ‫تفریق‬

‫‪>>> b + a‬‬
‫‪array([[ 2.5, 4. , 6. ],‬‬ ‫جمع‬
‫)]] ‪[ 5. , 7. , 9.‬‬

‫)‪>>> np.add(b,a‬‬ ‫جمع‬

‫برای مشاهده دیگر «تقلبنامههای» مجله فرادرس‪ ،‬به این لینک مراجعه فرمایید‪.‬‬
‫‪blog.faradars.org‬‬ ‫مجله فرادرس‬ ‫‪ – BFCS0010‬تقلبنامه پایتون برای علم داده‬
‫‪>>> a / b‬‬
‫‪array([[ 0.66666667, 1. , 1. ],‬‬ ‫تقسیم‬
‫)]] ‪[ 0.25 , 0.4 , 0.5‬‬
‫)‪>>> np.divide(a,b‬‬ ‫تقسیم‬
‫‪>>> a * b‬‬
‫‪array([[ 1.5, 4. , 9. ],‬‬ ‫ضرب‬
‫)]] ‪[ 4. , 10. , 18.‬‬
‫)‪>>> np.multiply(a,b‬‬ ‫ضرب‬
‫)‪>>> np.exp(b‬‬ ‫توان‬
‫)‪>>> np.sqrt(b‬‬ ‫ریشه دوم‬
‫)‪>>> np.sin(a‬‬ ‫پرینت کردن سینوس یک آرایه‬
‫)‪>>> np.cos(b‬‬ ‫کسینوس مولفهای‬
‫)‪>>> np.log(a‬‬ ‫لگاریتم طبیعی مولفهای‬
‫)‪>>> e.dot(f‬‬
‫‪array([[ 7., 7.],‬‬ ‫ضرب داخیل‬
‫)]]‪[ 7., 7.‬‬

‫مقایسه‬
‫‪>>> a == b‬‬
‫‪array([[False, True, True],‬‬ ‫مقایسه مولفهای‬
‫)‪[False, False, False]], dtype=bool‬‬
‫‪>>> a < 2‬‬
‫مقایسه مولفهای‬
‫)‪array([True, False, False], dtype=bool‬‬
‫)‪>>> np.array_equal(a, b‬‬ ‫مقایسه آرایهای‬

‫توابع تجمیعی‬
‫)(‪>>> a.sum‬‬ ‫مجموع آرایه ‪a‬‬
‫)(‪>>> a.min‬‬ ‫مقدار کمینه آرایهای‬
‫)‪>>> b.max(axis=0‬‬ ‫مقدار بیشینه یک سطر آرایه (در اینجا آرایه ‪)b‬‬
‫)‪>>> b.cumsum(axis=1‬‬ ‫مجموع تجمعی عناصر‬
‫)(‪>>> a.mean‬‬ ‫میانگین‬
‫)(‪>>> b.median‬‬ ‫میانه‬
‫)(‪>>> a.corrcoef‬‬ ‫ضریب همبستیگ‬
‫)‪>>> np.std(b‬‬ ‫انحراف معیار (در اینجا آرایه ‪)b‬‬

‫کیپ کردن آرایهها‬

‫)(‪>>> h = a.view‬‬ ‫ساخت نماییش از آرایه با دادههای مشابه‬
‫)‪>>> np.copy(a‬‬ ‫ساخت یک کیپ از آرایه‬
‫)(‪>>> h = a.copy‬‬ ‫ساخت یک کیپ عمیق از آرایه‬

‫برای مشاهده دیگر «تقلبنامههای» مجله فرادرس‪ ،‬به این لینک مراجعه فرمایید‪.‬‬
‫‪blog.faradars.org‬‬ ‫مجله فرادرس‬ ‫‪ – BFCS0010‬تقلبنامه پایتون برای علم داده‬

‫مرتبسازی آرایهها‬
‫)(‪>>> a.sort‬‬ ‫مرتبسازی یک آرایه‬
‫)‪>>> c.sort(axis=0‬‬ ‫مرتبسازی عناصر یک محور آرایه‬

‫زیرمجموعهسازی‪ ،‬برشزین و اندیسگذاری‬

‫زیرمجموعهسازی‬
‫]‪ >>> a[2‬انتخاب عنصر در اندیس دوم‬
‫‪3‬‬

‫]‪ >>> b[1,2‬انتخاب عنصر در سطر ‪ ۱‬و ستون ‪( ۲‬برابر با ]‪)b[1][2‬‬

‫‪6.0‬‬
‫برشزین‬
‫]‪ >>> a[0:2‬انتخاب درایه در اندیس ‪ ۰‬و ‪۱‬‬
‫)]‪array([1, 2‬‬

‫]‪>>> b[0:2,1‬‬
‫انتخاب درایه در سطر ‪ ۰‬و ‪ ۱‬در ستون ‪۱‬‬
‫)]‪array([ 2., 5.‬‬

‫]‪>>> b[:1‬‬
‫انتخاب همه درایههای سطر ‪۰‬‬
‫)]]‪array([[1.5, 2., 3.‬‬
‫(برابر با ]‪)b[0:1, :‬‬
‫مشابه [‪]۱,:,:‬‬
‫]‪>>> c[1,...‬‬
‫‪array([[[ 3., 2., 1.],‬‬
‫)]]]‪[ 4., 5., 6.‬‬

‫]‪>>> a[ : :-1‬‬
‫ایجاد یک آرایه با ترتیب معکوس شده آرایه ‪a‬‬ ‫)]‪array([3, 2, 1‬‬
‫اندیسگذاری دودویی‬
‫]‪ >>> a[a<2‬انتخاب عناصر آرایه ‪ a‬با مقادیر کمتر از ‪۲‬‬
‫)]‪array([1‬‬
‫اندیسگذاری ‪Fancy‬‬
‫]]‪ >>> b[[1, 0, 1, 0],[0, 1, 2, 0‬انتخاب عناصر بر اساس اندیس سطر و ستون‬
‫)]‪array([ 4. , 2. , 6. , 1.5‬‬

‫]]‪>>> b[[1, 0, 1, 0]][:,[0,1,2,0‬‬

‫انتخاب زیر مجموعهای از سطرها و ستونهای‬
‫‪array([[ 4. ,5. , 6. , 4. ],‬‬
‫ماتریس‬
‫‪[ 1.5 ,2. , 3. , 1.5 ],‬‬
‫‪[ 4. ,5. , 6. , 4. ],‬‬
‫)]]‪[1.5, 2., 3., 1.5‬‬

‫برای مشاهده دیگر «تقلبنامههای» مجله فرادرس‪ ،‬به این لینک مراجعه فرمایید‪.‬‬
‫‪blog.faradars.org‬‬ ‫مجله فرادرس‬ ‫‪ – BFCS0010‬تقلبنامه پایتون برای علم داده‬

‫تغییرات روی آرایهها‬

‫ترانهاده آرایه‬
‫)‪ >>> i = np.transpose(b‬ساخت ترانهاده یک آرایه‬

‫‪ >>> b.T‬ساخت ترانهاده یک آرایه‬

‫تغییر شکل آرایه‬
‫)(‪ >>> b.ravel‬مسطح کردن آرایه‬

‫)‪ >>> g.reshape(3,-2‬شکل دهی مجدد آرایه‪ ،‬بدون تغییر دادهها‬

‫اضافه‪/‬حذف عناصر‬
‫))‪ >>> h.resize((2,6‬تغییر ابعاد آرایه ‪ h‬به (‪)۲ ،۶‬‬

‫)‪ >>> np.append(h,g‬الحاق درایه به انتهای آرایه‬

‫)‪ >>> np.insert(a, 1, 5‬درج درایه در آرایه‬

‫)]‪ >>> np.delete(a,[1‬حذف درایههای یک آرایه‬

‫ترکیب آرایهها‬
‫)‪ >>> np.concatenate((a,d),axis=0‬الحاق آرایهها بر اساس محور‬
‫)]‪array([ 1, 2, 3, 10, 15, 20‬‬

‫))‪ >>> np.vstack((a,b‬ادغام آرایهها به صورت عمودی‬

‫‪array([[ 1. , 2. , 3. ],‬‬
‫‪[ 1.5, 2. , 3. ],‬‬
‫)]] ‪[ 4. , 5. , 6.‬‬

‫]‪ >>> np.r_[e,f‬ادغام آرایهها به صورت عمودی (بر اساس سطر)‬

‫))‪ >>> np.hstack((e,f‬ادغام آرایهها به صورت افقی (بر اساس ستون)‬

‫‪array([[ 7., 7., 1., 0.],‬‬
‫)]]‪[ 7., 7., 0., 1.‬‬

‫))‪ >>> np.column_stack((a,d‬ساخت آرایههای ادغام شده بر اساس ستون‬

‫‪array([[ 1, 10],‬‬
‫‪[ 2, 15],‬‬
‫)]]‪[ 3, 20‬‬

‫]‪ >>> np.c_[a,d‬ساخت آرایههای ادغام شده بر اساس ستون‬

‫برای مشاهده دیگر «تقلبنامههای» مجله فرادرس‪ ،‬به این لینک مراجعه فرمایید‪.‬‬
‫‪blog.faradars.org‬‬ ‫مجله فرادرس‬ ‫‪ – BFCS0010‬تقلبنامه پایتون برای علم داده‬

‫تفکیک آرایهها‬
‫)‪>>> np.hsplit(a,3‬‬
‫تفکیک آرایه به صورت افقی از اندیس سوم‬
‫])]‪[array([1]),array([2]),array([3‬‬

‫)‪>>> np.vsplit(c,2‬‬
‫تفکیک آرایه به صورت عمودی در اندیس دوم‬
‫‪[array([[[ 1.5, 2. , 1. ],‬‬
‫‪[ 4. , 5. , 6. ]]]),‬‬
‫‪array([[[ 3., 2., 3.],‬‬
‫])]]]‪[ 4., 5., 6.‬‬

‫مجموعه آموزشهای دادهکاوی فرادرس (‪+‬کلیک کنید)‬

‫برای مشاهده دیگر «تقلبنامههای» مجله فرادرس‪ ،‬به این لینک مراجعه فرمایید‪.‬‬

‫جهت آگاهی از آخرین تقلبنامههای منتشر شده‪ ،‬در کانال تلگرام مجله فرادرس عضو شوید‪.‬‬

‫تهیه و تنظیم‪ :‬مجله فرادرس‬

‫منبع‬

‫برای مشاهده دیگر «تقلبنامههای» مجله فرادرس‪ ،‬به این لینک مراجعه فرمایید‪.‬‬