صفيف Numpy في Python [كل شيء يجب معرفته]

يوجد في Python الكثير من المكتبات التي تُستخدم لأداء مهام مختلفة. بناءً على المهمة المراد تنفيذها ، يتم تجميع المكتبات وفقًا لذلك. لقد كانت Python لغة برمجة ممتازة توفر أفضل بيئة لإجراء عمليات حسابية علمية ورياضية مختلفة. إحدى هذه المكتبات هي Numpy ، وهي مكتبة مشهورة في Python. إنها مكتبة مفتوحة المصدر في Python تُستخدم لإجراء العمليات الحسابية في المجالات الهندسية والعلمية.

ستركز المقالة على مكتبة Numpy جنبًا إلى جنب مع مصفوفة Numpy في Python .

مكتبة نومبي في بايثون

كانت البيانات العددية جزءًا لا يتجزأ من أقسام البحث والتطوير المختلفة. إنها البيانات التي تحتوي على كمية سخية من المعلومات. العمل مع البيانات هو جوهر جميع الدراسات العلمية. المكتبة هي واحدة من أفضل مكتبات Python للعمل مع مثل هذه البيانات الرقمية. يمكن أن يكون مستخدمو مصفوفة Numpy هم المبرمجون الذين لم يتمتعوا بالخبرة بعد ، أو ربما الباحثون المتمرسون المشاركون في البحث الصناعي أو البحث العلمي الحديث. لذلك ، سواء كان ذلك ، مستخدمين مبتدئين أو ذوي خبرة ، يمكن استخدام مكتبات Numpy من قبل كل شخص تقريبًا يعمل في مجال البيانات. يمكن استخدام واجهة برمجة التطبيقات الخاصة بـ Numpy في SciPy و Pandas و sci-kit-Learn و scikit-image و Matplotlib والعديد من الحزم الأخرى التي تم تطويرها للتطبيق على الحزم العلمية وعلوم البيانات.

تتكون مكتبة Numpy في Python من مصفوفات متعددة الأبعاد وهياكل بيانات المصفوفة. توفر المكتبة ndarray ، وهو كائن مصفوفة متجانسة. تكون المصفوفة Numpy في Python في شكل n-dimensional. تتضمن المكتبة أيضًا العديد من الطرق التي يمكن استخدامها لإجراء العمليات على المصفوفة. يمكن أيضًا استخدام المكتبة لإجراء العديد من العمليات الحسابية على المصفوفة. يمكن إضافة هياكل البيانات إلى Python والتي ستؤدي إلى الحساب الفعال للمصفوفات والمصفوفات المختلفة. توفر المكتبة أيضًا العديد من الوظائف الرياضية التي يمكن استخدامها للعمل على المصفوفات والمصفوفات.

تركيب واستيراد المكتبة

لتثبيت Numpy في Python ، يجب استخدام توزيع Python للأصل العلمي. إذا كان النظام مثبتًا بالفعل على Python ، فيمكن تثبيت المكتبة من خلال الأمر التالي.

تقوم Conda بتثبيت Numpy ، أو يمكن استخدام Numpy لأمر آخر.

إذا لم يتم تثبيت Python على النظام بعد ، فيمكن استخدام Anaconda ، وهي إحدى أسهل طرق التثبيت. لا يتطلب تثبيت Anaconda تثبيت مكتبات أو حزم أخرى بشكل منفصل ، مثل SciPy و Numpy و Scikit-Learn و pandas وما إلى ذلك.

يمكن استيراد مكتبة Numpy في Python من خلال الأمر import Numpy كـ np.

توفر المكتبة عدة طرق لإنشاء مصفوفات في بايثون بطريقة سريعة وفعالة. كما يوفر طرقًا لتعديل المصفوفات أو يمكن معالجة البيانات الموجودة داخل المصفوفات. الفرق بين قائمة مصفوفة Numpy هو أن البيانات الموجودة في قائمة Python يمكن أن تكون من أنواع بيانات مختلفة ، بينما في حالة مصفوفة Numpy في Python ، يجب أن تكون العناصر داخل المصفوفة متجانسة. العناصر من نفس أنواع البيانات داخل مصفوفة Numpy. إذا كانت العناصر في مصفوفة Numpy من أنواع بيانات مختلفة ، فإن الدوال الرياضية التي يمكن استخدامها عبر مصفوفة Numpy ستصبح غير فعالة.

تُظهر مقارنة مصفوفات Numpy بالقائمة أنه نظرًا للطبيعة الأسرع والمضغوطة لمصفوفات Numpy ، يتم استخدام مصفوفات Numpy بشكل متكرر. أيضًا ، نظرًا لأن المصفوفات تستهلك ذاكرة أقل ، تصبح مصفوفة Numpy أكثر ملاءمة للاستخدام. يمكن تحديد أنواع بيانات العناصر داخل المصفوفة ، حيث تستخدم المصفوفة ذاكرة أقل ، وبالتالي فهي توفر آلية للمواصفات. لذلك يمكن تحسين رمز البرنامج.

احصل على شهادات هندسة البرمجيات عبر الإنترنت من أفضل الجامعات في العالم. اربح برامج PG التنفيذية أو برامج الشهادات المتقدمة أو برامج الماجستير لتتبع حياتك المهنية بشكل سريع.

مصفوفة نومبي في بايثون

مصفوفة Numpy هي بنية بيانات مركزية داخل مكتبة Numpy. عندما يتم تعريف المصفوفة ، فإنها تتكون من مصفوفات مرتبة بطريقة الشبكة ، وتحتوي على معلومات للبيانات الأولية. يحتوي أيضًا على معلومات حول كيفية تحديد موقع عنصر في المصفوفة أو كيفية تفسير عنصر ما في المصفوفة. تتكون مصفوفة Numpy من عناصر في شبكة يمكن فهرستها بعدة طرق. العناصر الموجودة داخل المصفوفة من نفس نوع البيانات ولذلك يشار إليها باسم نوع الصفيف.

• تتم فهرسة المصفوفة من خلال مجموعة من الأعداد الصحيحة غير السالبة. يمكن أيضًا فهرستها من خلال الأعداد الصحيحة أو القيم المنطقية أو المصفوفات الأخرى.
• يتم تعريف رتبة المصفوفة على أنها عدد أبعاد المصفوفة.
• يتم تعريف شكل المصفوفة على أنها مجموعة الأعداد الصحيحة التي تحدد حجم المصفوفة على طول الأبعاد المختلفة.
• يمكن إجراء تهيئة المصفوفات من خلال قائمة Python باستخدام القوائم المتداخلة للبيانات عالية الأبعاد.
• يمكن الوصول إلى العناصر داخل المصفوفة من خلال أقواس مربعة. تبدأ فهرسة مصفوفة Numpy دائمًا بالرقم 0 ، لذلك أثناء الوصول إلى العناصر ، سيكون العنصر الأول من المصفوفة في المواضع 0. مثال: سيعيد b [0] العنصر الأول في المصفوفة b.

العملية الأساسية عبر مجموعة Numpy

• تُستخدم الدالة np.array () لإنشاء مصفوفة Numpy في Python. يجب على المستخدم إنشاء مصفوفة ثم تمريرها إلى قائمة. يمكن للمستخدم أيضًا تحديد نوع البيانات في القائمة.
• يمكن استخدام الوظيفة np.sort () لفرز مصفوفة Numpy في Python. يمكن للمستخدم تحديد النوع ، والمحور ، وكذلك الترتيب عند استدعاء الوظيفة.
• للحصول على معلومات حول أبعاد المصفوفة أو رقم المحور ، يمكن للمستخدمين استخدام ndarray.ndim. أيضًا ، باستخدام ndarray.size ، سيسمح للمستخدم بمعرفة إجمالي العناصر الموجودة في المصفوفة.
• يمكن استخدام الأوامر التالية لمعرفة شكل وحجم مصفوفة Numpy: ndarray.ndim و ndarray.shape و ndarray.size. للحصول على فكرة عن أبعاد المصفوفة أو عدد محاور المصفوفة ، يتم استخدام الأمر ndarray.ndim. للحصول على تفاصيل إجمالي عدد العناصر الموجودة في المصفوفة ، يتم استخدام الأمر ndarray.size. سيعيد الأمر ndarray.shape مجموعة من الأعداد الصحيحة التي تشير إلى رقم العنصر المخزن على طول الأبعاد المختلفة في المصفوفة.
• يمكن فهرسة المصفوفات Numpy وتقطيعها بطريقة مشابهة لتلك الموجودة في القوائم في Python.
• يمكن إضافة صفيفين معًا باستخدام الرمز "+". أيضًا ، يمكن استخدام الدالة sum () لإرجاع مجموع كل العناصر المخزنة في المصفوفة. يمكن استخدام الوظيفة في مصفوفات ذات أبعاد 1 أو 2 وحتى أبعاد عالية.
• من خلال مفهوم البث في مصفوفة Numpy ، يمكن إجراء العمليات عبر مصفوفات ذات أشكال مختلفة. ومع ذلك ، يجب أن تكون أبعاد الصفيف متوافقة ؛ وإلا ، سينتج عن البرنامج ValueError.
• بصرف النظر عن وظيفة sum () ، توفر مصفوفة Numpy وظائف الوسيط للحصول على متوسط ​​العناصر ، ودالة prod للحصول على ناتج عناصر المصفوفة ، وكذلك الوظيفة std لتحقيق الانحراف المعياري من عناصر الخطأ.
• يمكن للمستخدمين تمرير قائمة القوائم إلى مصفوفة Numpy. يمكن تمرير قائمة القوائم لإنشاء مصفوفة ثنائية الأبعاد.