نصب و استفاده از NumPy: راهنمای جامع برای علم داده و یادگیری ماشین

NumPy (مخفف Numerical Python) یکی از مهم‌ترین و بنیادی‌ترین کتابخانه‌های پایتون برای محاسبات علمی است. این کتابخانه ابزارهای قدرتمندی را برای کار با آرایه‌های چندبعدی، توابع ریاضی و عملیات برداری فراهم می‌کند. NumPy به طور گسترده در زمینه‌هایی مانند علم داده، یادگیری ماشین، پردازش تصویر و شبیه‌سازی‌های علمی استفاده می‌شود. این مقاله به بررسی جامع نصب، مفاهیم کلیدی و کاربردهای NumPy می‌پردازد.

چرا NumPy؟

قبل از NumPy، انجام محاسبات عددی در پایتون با استفاده از لیست‌ها انجام می‌شد. با این حال، لیست‌ها برای محاسبات عددی بزرگ و پیچیده کارایی لازم را نداشتند. NumPy با معرفی آرایه‌های چندبعدی (ndarray) و توابع بهینه‌شده، این مشکل را حل کرد. آرایه‌های NumPy به طور قابل توجهی سریع‌تر و کارآمدتر از لیست‌های پایتون هستند، به خصوص برای عملیات ریاضی و برداری. علاوه بر این، NumPy با بسیاری از کتابخانه‌های دیگر پایتون مانند SciPy، Pandas و Scikit-learn سازگار است و به عنوان پایه و اساس این کتابخانه‌ها عمل می‌کند.

نصب NumPy

نصب NumPy بسیار ساده است و می‌توان آن را با استفاده از ابزارهای مدیریت بسته پایتون مانند pip یا conda انجام داد.

نصب با pip

برای نصب NumPy با استفاده از pip، کافی است دستور زیر را در ترمینال یا خط فرمان اجرا کنید:

pip install numpy

نصب با conda

اگر از conda به عنوان مدیر بسته خود استفاده می‌کنید، می‌توانید NumPy را با دستور زیر نصب کنید:

conda install numpy

پس از نصب، می‌توانید با وارد کردن NumPy در پایتون، از نصب صحیح آن اطمینان حاصل کنید:

import numpy as np
print(np.__version__)

این دستور نسخه نصب شده NumPy را چاپ می‌کند.

مفاهیم کلیدی NumPy

درک مفاهیم کلیدی NumPy برای استفاده موثر از این کتابخانه ضروری است.

آرایه‌های NumPy (ndarray)

آرایه NumPy (ndarray) ساختار داده اصلی در NumPy است. یک آرایه NumPy مجموعه‌ای از عناصر هم‌نوع است که در یک فضای حافظه پیوسته ذخیره می‌شوند. آرایه‌ها می‌توانند یک‌بعدی، دو‌بعدی یا چندبعدی باشند. برای ایجاد یک آرایه NumPy می‌توان از تابع numpy.array() استفاده کرد.

import numpy as np

# ایجاد یک آرایه یک‌بعدی
arr1d = np.array([1, 2, 3, 4, 5])
print(arr1d)

# ایجاد یک آرایه دو‌بعدی
arr2d = np.array([[1, 2, 3], [4, 5, 6]])
print(arr2d)

ویژگی‌های آرایه‌ها

آرایه‌های NumPy دارای ویژگی‌های مختلفی هستند که می‌توانند برای بررسی و دستکاری آرایه‌ها استفاده شوند.

• shape: ابعاد آرایه را برمی‌گرداند.
• dtype: نوع داده عناصر آرایه را برمی‌گرداند.
• ndim: تعداد ابعاد آرایه را برمی‌گرداند.
• size: تعداد کل عناصر آرایه را برمی‌گرداند.

import numpy as np

arr = np.array([[1, 2, 3], [4, 5, 6]])

print("Shape:", arr.shape)
print("Data Type:", arr.dtype)
print("Number of Dimensions:", arr.ndim)
print("Size:", arr.size)

ایجاد آرایه‌های خاص

NumPy توابعی را برای ایجاد آرایه‌های خاص با مقادیر اولیه مشخص فراهم می‌کند.

• numpy.zeros(): یک آرایه با تمام عناصر صفر ایجاد می‌کند.
• numpy.ones(): یک آرایه با تمام عناصر یک ایجاد می‌کند.
• numpy.arange(): یک آرایه با مقادیر در یک محدوده مشخص ایجاد می‌کند.
• numpy.linspace(): یک آرایه با مقادیر به طور مساوی در یک محدوده مشخص ایجاد می‌کند.
• numpy.random.rand(): یک آرایه با مقادیر تصادفی بین 0 و 1 ایجاد می‌کند.

عملیات ریاضی با NumPy

NumPy طیف گسترده‌ای از عملیات ریاضی را بر روی آرایه‌ها پشتیبانی می‌کند.

عملیات عنصری

عملیات عنصری به این معنی است که عملیات بر روی هر عنصر آرایه به طور جداگانه انجام می‌شود.

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

# جمع عنصری
print(arr1 + arr2)

# تفریق عنصری
print(arr1 - arr2)

# ضرب عنصری
print(arr1 * arr2)

# تقسیم عنصری
print(arr1 / arr2)

توابع ریاضی

NumPy توابع ریاضی مختلفی را برای انجام عملیات پیچیده‌تر بر روی آرایه‌ها فراهم می‌کند.

• numpy.sin(): سینوس عناصر آرایه را محاسبه می‌کند.
• numpy.cos(): کسینوس عناصر آرایه را محاسبه می‌کند.
• numpy.exp(): نمایی عناصر آرایه را محاسبه می‌کند.
• numpy.log(): لگاریتم عناصر آرایه را محاسبه می‌کند.
• numpy.sqrt(): جذر عناصر آرایه را محاسبه می‌کند.

عملیات ماتریسی

NumPy از عملیات ماتریسی مانند ضرب ماتریسی و ترانهاده ماتریس پشتیبانی می‌کند.

import numpy as np

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5, 6], [7, 8]])

# ضرب ماتریسی
print(np.dot(arr1, arr2))

# ترانهاده ماتریس
print(arr1.T)

ایندکس‌گذاری و برش آرایه‌ها

ایندکس‌گذاری و برش آرایه‌ها به شما امکان می‌دهد به عناصر خاصی از آرایه دسترسی پیدا کنید یا زیرمجموعه‌ای از آرایه را استخراج کنید.

ایندکس‌گذاری

ایندکس‌گذاری در NumPy مشابه لیست‌های پایتون است. ایندکس‌ها از 0 شروع می‌شوند.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# دسترسی به عنصر اول
print(arr[0])

# دسترسی به عنصر آخر
print(arr[-1])

برش

برش به شما امکان می‌دهد زیرمجموعه‌ای از آرایه را با مشخص کردن محدوده ایندکس‌ها استخراج کنید.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# استخراج عناصر از ایندکس 1 تا 3 (شامل 1 و 3)
print(arr[1:4])

# استخراج تمام عناصر از ابتدا تا ایندکس 3 (شامل 3)
print(arr[:4])

# استخراج تمام عناصر از ایندکس 2 تا انتها
print(arr[2:])

ایندکس‌گذاری بولی

ایندکس‌گذاری بولی به شما امکان می‌دهد عناصر آرایه را بر اساس یک شرط انتخاب کنید.

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

# انتخاب عناصر بزرگتر از 2
print(arr[arr > 2])

موارد پیشرفته

NumPy قابلیت‌های پیشرفته‌تری را نیز ارائه می‌دهد که برای کاربردهای پیچیده‌تر مفید هستند.

Broadcast

Broadcast به NumPy اجازه می‌دهد عملیات را بر روی آرایه‌هایی با ابعاد مختلف انجام دهد. NumPy به طور خودکار آرایه‌های کوچکتر را گسترش می‌دهد تا با آرایه‌های بزرگتر مطابقت داشته باشند.

Reshaping

Reshaping به شما امکان می‌دهد شکل آرایه را تغییر دهید بدون اینکه داده‌ها را تغییر دهید.

Linear Algebra

NumPy ماژول numpy.linalg را برای انجام عملیات جبر خطی مانند حل معادلات خطی، محاسبه مقادیر ویژه و بردارهای ویژه و تجزیه ماتریس فراهم می‌کند.

نتیجه‌گیری

NumPy یک کتابخانه قدرتمند و ضروری برای هر کسی است که در زمینه علم داده و یادگیری ماشین کار می‌کند. با درک مفاهیم کلیدی و کاربردهای NumPy، می‌توانید محاسبات عددی خود را به طور قابل توجهی سریع‌تر و کارآمدتر انجام دهید. این مقاله یک راهنمای جامع برای نصب و استفاده از NumPy ارائه داد و امیدواریم که برای شروع کار با این کتابخانه مفید باشد.