معرفی کتابخانه نامپای NumPy در پایتون + ویژگی های آن
نامپای NumPy، یک کتابخانه در زبان برنامه نویسی پایتون Python است که برای کار کردن با آرایه ها مورد استفاده قرار می گیرد. این کتابخانه همچنین عملکردهایی در رابطه با ماتریس ها و دامنه های جبر خطی دارد.
کتابخانه نامپای در سال ۲۰۰۵ توسط ترویس اولیفنت Travis Oliphant ساخته شد. این کتابخانه در واقع یک پروژه متن باز یا Open Source است و کاربران می توانند از آن به صورت رایگان بهره مند باشند. عنوان نامپای برای این کتابخانه کوتاه شده عبارت Numerical Python می باشد.
چرا کاربران از کتابخانه نامپای NumPy استفاده می کنند؟
ما در زبان برنامه نویسی پایتون، فهرست هایی را با هدف فراهم سازی آرایه ها در اختیار داریم. اما واقعیت این است که از سرعت پایینی در پردازش و عملکرد برخوردار هستند.
کتابخانه نامپای NumPy با هدف فراهم سازی یک آبجکت آرایه ای که ۵۰ برابر سریعتر از فهرست های سنتی پایتون عمل می کنند، طراحی و پدیدار گشته است.
آبجکت آرایه ای نامپای را ndarray می نامند که در واقع فراهم کننده عملکردهای پشتیبانی دهنده بسیاری زیادی است. همین موضوع سبب سهولت کار کردن با این کتابخانه شده است.
به طور معمول، آرایه ها را در علوم پایه مورد استفاده قرار می دهند. پروژه هایی که سرعت و منابع اطلاعاتی در آن ها از اهمیت بسیار ویژه ای برخوردار است.
نکته : علم داده یا Data Science، مجموعه ای از علوم کامپیوتری است که در برگیرنده آموزه هایی در رابطه با نحوه ذخیره سازی، استفاده و تحلیل داده ها برای استخراج اطلاعات از آن ها است.
چرا نامپای از فهرست ها سریعتر است؟
برخلاف سازوکار فهرست ها در پایتون، آرایه های نامپای در یک مکان مشخص در حافظه ذخیره سازی می شوند. به این ترتیب پردازنده قابلیت یافتن و پردازش کردن آن ها را در سریعترین زمان ممکن داراست. در علوم کامپیوتر، به این شیوه ذخیره سازی و بازیابی، locality of reference گفته می شود.
این دلیل اصلی سرعت بالای کتابخانه نامپای نسبت به دیگر کتابخانه های پایتون است. دلیل دیگر می تواند بهینه سازی و تطابق نامپای با آخرین نسخه های CPU موجود در بازار امروز باشد.
کتابخانه NumPy با چه زبان برنامه نویسی نوشته شده است؟
از آنجایی که نامپای یک کتابخانه در زبان برنامه نویسی پایتون است، بدیهی است که آن را با همین زبان برنامه نویسی نوشته باشند. اما برخی از قسمت های آن که نیاز به توانایی پردازش سریع داشته است توسط زبان های برنامه نویسی C یا ++C نوشته شده است.
کد پایه کتابخانه نامپای در پایتون در کجا واقع شده است؟
سورس کد کتابخانه NumPy در پایتون، در ریپازیتوری گیت هاب زیر قرار دارد:
https://github.com/numpy/numpy
نحوه نصب کتابخانه نامپای در پایتون
اگر در حال حاضر پایتون و PIP را به صورت نصب شده بر روی سیستم خود دارید، نصب و راه اندازی کتابخانه نامپای یک امر بسیار آسان و سریع خواهد بود.
برای نصب آن از کامند زیر استفاده نمایید:
C:\Users\Your Name>pip install numpy
البته در صورتی که استفاده از این کامند موفقیت آمیز نبود و با اخطار مواجه شد، می توانید از یک distribution یا توزیع کننده پایتون که کتابخانه نامپای را به صورت از پیش نصب شده داراست، استفاده نمایید. مواردی مانند Anaconda و Spyder
ایمپورت کردن کتابخانه NumPy در پایتون
پس از آنکه نامپای را با موفقیت نصب کردید، آن را با وارد کردن کلمه import به برنامه خود اضافه نمایید:
import numpy
اکنون کتابخانه نامپای ایمپورت شده و آماده استفاده است. مثال:
1 2 3 4 5 6 7 8 9 |
import numpy arr = numpy.array([1, 2, 3, 4, 5]) print(arr)import numpy arr = numpy.array([1, 2, 3, 4, 5]) print(arr) |
آشنایی با ویژگی های بیشتر کتابخانه نامپای در پایتون
از جمله مواردی که لازم است درباره کتابخانه نامپای در پایتون بدانید می توان به ویژگی ها و نکات زیر اشاره کرد:
-
نصب در سیستم عانل های مختلف :
دارندگان سیستم عامل های مک و لینوکس می توانند کتابخانه نامپای در پایتون را با استفاده از کامند زیر نصب نمایند:
pip install numpy
اما دارندگان سیستم عامل ویندوز از آنالوگ های مدیریت پکیج هایی مانند لینوکس و مک برخوردار نیستند، لذا باید پیش سازه نامپای را از اینترنت دانلود نمایند.
-
آرایه ها در نامپای :
آبجکت اصلی نامپای یک آرایه چند بعدی همگن به شرح زیر است:
- این آرایه مانند یک میز مملو از المان ها است که معمولا از جنس اعداد هستند.
- ابعاد نامپای را axes می نامند و تعداد این axes ها را rank خطاب می کنند.
- به کلاس آرایه نامپای، ndarray می گویند که از آن با نام array نیز یاد می شود.
مثال:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 |
[[ 1, 2, 3], [ 4, 2, 5]] Here, rank = 2 (as it is 2-dimensional or it has 2 axes) first dimension(axis) length = 2, second dimension has length = 3 overall shape can be expressed as: (2, 3) # Python program to demonstrate # basic array characteristics import numpy as np # Creating array object arr = np.array( [[ 1, 2, 3], [ 4, 2, 5]] ) # Printing type of arr object print("Array is of type: ", type(arr)) # Printing array dimensions (axes) print("No. of dimensions: ", arr.ndim) # Printing shape of array print("Shape of array: ", arr.shape) # Printing size (total number of elements) of array print("Size of array: ", arr.size) # Printing type of elements in array print("Array stores elements of type: ", arr.dtype) Output : Array is of type: No. of dimensions: 2 Shape of array: (2, 3) Size of array: 6 Array stores elements of type: int64 |
-
ایجاد آرایه در کتابخانه نامپای :
راه های مختلفی برای ساخت و ایجاد آرایه ها در نامپای وجود دارد. برخی از آن ها به شرح زیر هستند :
- برای مثال شما می توانید با استفاده از یک فهرست منظم پایتون یا یک tuple برای ساخت آرایه استفاده نمایید.
- گاهی المان های یک آرایه، ناشناس هستند اما سایز آن آرایه شناس و مشخص است. در چنین شرایطی نامپای function های بسیاری را جهت ساخت آرایه پیشنهاد می دهد. به این ترتیب از ساخت آرایه های متعدد، همچنین افزایش هزینه ها جلوگیری می شود. مثال هایی از این روش ساخت می تواند zeros، np.ones، np.full، np.empty و مواردی از این دست باشد.
- برای ایجاد آرایه های عددی، نامپای یک function analogous را به جای فهرست ها فراهم می کند تا به این ترتیب آرایه های برگشتی را دسته بندی نماید.
دیدگاهتان را بنویسید
برای نوشتن دیدگاه باید وارد بشوید.