آموزش کامل و مرحله‌به‌مرحله Numpy در پایتون با مثال‌های واقعی برای مبتدی‌ها

برای تحلیل داده‌ها به کمک زبان برنامه‌نویسی پایتون، کتابخانه‌های متعددی وجود دارند که تسلط بر آن‌ها برای هر تحلیل‌گری ضروری است. یکی از پایه‌ای‌ترین آن‌ها، NumPy نام دارد. در ادامه قصد داریم آموزش numpy در پایتون و کتابخانه numpy در پایتون را تا جای ممکن همراه با دو مثال واقعی آموزش دهیم. اگر به یادگیری برنامه‌نویسی از پایه علاقه دارید، پیشنهاد می‌کنیم قبل از شروع این آموزش، نگاهی هم به آموزش اسکرچ جونیور و دوره پایتون مقدماتی بیندازید تا مسیر یادگیری‌تان اصولی‌تر پیش برود.

کتابخانه NumPy در پایتون چیست و چه کاربردهایی دارد؟

numpy پایتون (مخفف Numerical Python) یک کتابخانه‌ی متن‌باز برای محاسبات عددی است. با استفاده از این کتابخانه می‌توانید با آرایه‌ها و ماتریس‌های چندبعدی کار کنید که بهینه‌تر از ساختارهای داده‌ی معمول در پایتون هستند. برای گسترش مهارت، پیشنهاد می‌شود به آموزش numpy در پایتون، یادگیری numpy برای فریلنسری و آموزش پایتون اندروید هم نگاهی بیندازید.

• NumPy مجموعه‌ای غنی از توابع ریاضی و آماری را در اختیارتان قرار می‌دهد تا بدون نیاز به حلقه‌های تودرتو، بتوانید عملیات‌های محاسباتی را تنها در چند خط کد انجام دهید.

اکنون که متوجه شدید کتابخانه numpy در پایتون چیست، بهتر است دلایل محبوبیت این کتابخانه را نیز بدانید:

• سرعت بسیار بالاتر نسبت به لیست‌های پایتون
• پشتیبانی از عملیات برداری (Vectorized operations)
• کاهش نیاز به حلقه‌ها (loops)
• حافظه‌ی کمتر و کد تمیزتر

در ابتدا بهتر است به آموزش numpy نصب در پایتون بپردازیم، همراه‌مان باشید.

چطور NumPy را در پایتون نصب کنیم؟

در اولین گام از آموزش نصب کتابخانه numpy در پایتون است. در مرحله نصب و یا دانلود کتابخانه numpy برای پایتون کافی است یکی از دستورات زیر را در ترمینال یا محیط IDE خود وارد کنید:

• pip install numpy

یا اگر از Anaconda استفاده می‌کنید:

• conda install numpy

پس از نصب، با دستور زیر می‌توانید اطمینان حاصل کنید که نصب موفق بوده است:

• import numpy as np

در صورت نمایش نسخه، یعنی کتابخانه به‌درستی نصب شده است. این مرحله اولین گام از یادگیری numpy برای فریلنسری مرحله به مرحله است.

چگونه با NumPy در پایتون آرایه‌ (arrays) بسازیم؟

در آموزش کتابخانه numpy در پایتون، اولین مفهوم مهم آرایه‌ها هستند. آرایه در NumPy ساختاری مشابه لیست است، اما کارایی بسیار بیشتری دارد. برای ساخت یک آرایه ساده:

import numpy as np

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

print(arr)

برای ساخت آرایه‌ی دوبعدی:

arr2d = np.array([[1, 2, 3], [4, 5, 6]])

طبق مستند رسمی NumPy، این کتابخانه برای انجام محاسبات عددی و علمی با سرعت بالا طراحی شده و پایه‌ی بسیاری از کتابخانه‌های تحلیلی پایتون مانند Pandas و SciPy محسوب می‌شود.

ویژگی‌های آرایه‌ها که بهتر است بدانید:

• print(arr2d.shape) # ابعاد
• print(arr2d.ndim) # تعداد بعد
• print(arr2d.dtype) # نوع داده

دوره‌های آموزشی آکادمی چابک

با تخفیف‌های ویژه آکادمی چابک، یادگیری را شروع کنید!

مشاهده دوره‌ها

عملیات ریاضی در NumPy

NumPy بیش از هر چیز برای محاسبات ریاضی طراحی شده است. در آموزش توابع numpy در پایتون، یاد می‌گیرید که چگونه اعمال ریاضی را به‌صورت برداری انجام دهید.

a = np.array([1, 2, 3])

b = np.array([4, 5, 6])

print(a + b) # جمع

print(a * b) # ضرب

print(np.sqrt(a)) # جذر

print(np.log(a)) # لگاریتم طبیعی

این عملیات‌ها بدون نیاز به حلقه اجرا می‌شوند، به همین دلیل هم بسیار سریع‌تر از روش‌های معمول پایتون هستند. برای یادگیری عمیق‌تر این مفاهیم، می‌توانید در دوره‌های آموزشی آکادمی چابک شرکت کنید.

ایندکس‌گذاری و برش در آرایه‌ها

یکی از بخش‌های مهم در آموزش و مزایای استفاده از numpy در پایتون، دسترسی به عناصر خاص آرایه است.

arr = np.array([10, 20, 30, 40, 50])

print(arr[1:4]) # خروجی: [20 30 40]

در آرایه‌های دوبعدی نیز:

arr2d = np.array([[1,2,3],[4,5,6]])

print(arr2d[1, :]) # خروجی: [4 5 6]

همچنین می‌توانید از فیلترهای بولی برای انتخاب داده‌ها استفاده کنید:

print(arr[arr > 25]) # [30 40 50]

اگر به یادگیری علم داده علاقه دارید، برای درک این بخش از آموزش numpy در پایتون باید بسیار تلاش کنید. برای نتیجه بهتر، آشنایی با کتابخانه‌های نصب‌شده در پایتون نیز می‌تواند درک شما را از تحلیل داده‌ها بیشتر کند.

یک مثال آموزشی: تحلیل نمرات با NumPy

برای اینکه مفهوم بهتر درک شود، بیایید با یک مثال این مطلب را به اتمام برسانیم. در ادامه از آموزش numpy با مثال استفاده می‌کنیم تا نحوه‌ی اصلاح نمرات دانشجویان را ببینید:

import numpy as np

def curve_grades(grades, target=80):

avg = grades.mean()

diff = target – avg

new_grades = grades + diff

return np.clip(new_grades, grades, 100)

grades = np.array([55, 70, 82, 90, 64])

print(curve_grades(grades))

در این کد:

میانگین نمرات محاسبه می‌شود.
اختلاف با نمره هدف (۸۰) مشخص می‌شود.
نمرات طوری تنظیم می‌شوند که به‌صورت منطقی به میانگین ۸۰ نزدیک شوند.

یک مثال دیگر: نرمال‌سازی داده‌ها

در ادامه‌ی آموزش numpy پایتون، داده‌ها را به بازه‌ی ۰ تا ۱ نرمال می‌کنیم:

data = np.array([10, 20, 30, 40, 50])

normalized = (data – np.min(data)) / (np.max(data) – np.min(data))

print(normalized)

نتیجه:

[0. 0.25 0.5 0.75 1. ]

در این چند خط کد، ابتدا یک آرایه از داده‌های عددی با نام data ایجاد شده است. سپس با استفاده از فرمول نرمال‌سازی، هر مقدار موجود در آرایه به نسبتی از فاصله‌ی بین کمترین و بیشترین مقدار تبدیل می‌شود تا تمام مقادیر در بازه‌ی ۰ تا ۱ قرار گیرند. در خط آخر هم آرایه‌ی جدید normalized چاپ می‌شود که داده‌های اولیه را به‌صورت مقیاس‌یافته نمایش می‌دهد.

آموزش NumPy در پایتون با راهنمای آکادمی چابک

آموزش numpy در پایتون مباحثی دارد که بسیار گسترده و کاربردی هستند و نمی‌توان در یک مطلب به همه آن‌ها پرداخت. اما همین که در این بخش‌های بالا با ساخت آرایه‌ها، انجام عملیات ریاضی و آماری، روش‌های ایندکس‌گذاری و برش داده‌ها و در نهایت یک مثال واقعی آشنا شدید، یعنی حالا درک بسیار بهتری از این کتابخانه دارید و می‌توانید کم‌کم از آن در پروژه‌های خود استفاده کنید.

برای یادگیری عمیق‌تر NumPy و ورود جدی‌تر به دنیای تحلیل داده، یادگیری ماشین و علم داده‌های واقعی، می‌توانید در دوره‌های آنلاین و حضوری ما در آکادمی چابک شرکت کنید. در این دوره‌ها، با انجام ده‌ها پروژه‌ی عملی از سطح مقدماتی تا حرفه‌ای پیش می‌روید و در پایان، برای ورود به بازار کار آماده خواهید شد.

سوالات متداول (FAQ)

منبع:

realpython.com