سایت در حال بارگذاری است ...

از این پس ورود به وبسایت پایتونی ها فقط از طریق آدرس IP ایران امکان پذیر است ! لطفا برای هرگونه دسترسی به وبسایت پایتونی ها از فیلتر شکن استفاده نکنید ! این شرکت هیچگونه فعالیتی و در فضای مجازی هیچ کدام از پلت فرم های اجتماعی ندارد و تنها منبع اصلی اصلی شرکت پایتونی های خود وبسایت پایتونی ها می باشد.

021-71053903 [email protected] تهران‌ ٬ صادقیه ٬ پاساژ گلدیس

کتابخانه NumPy

چرا NumPy

NumPy یک کتابخانه برای آنالیز داده ها به زبان برنامه نویسی پایتون است. این کتابخانه پشتیبانی از آرایه ها و ماتریس های بزرگ و چند بعدی را به همراه مجموعه بزرگی از عملکردهای ریاضی سطح بالا برای کار در آرایه ها و ماتریس ها فراهم می کند.  نرم افزاری open-source است و افراد زیادی از آن استفاده می کنند.

NumPy یک کتابخانه جبر خطی است و بسیار مشهور و رایج است. زیرا بیشتر کتابخانه های موجود در محیط PyData به عنوان یکی از ساختار های اصلی از آن استفاده می کنند.

تاریخچه کتابخانه:

جد NumPy، Numeric در ابتدا توسط جیم هوگوین با همکاری چندین توسعه دهنده دیگر ایجاد شد. در سال 2005، Travis Oliphant کتابخانه NumPy را با ویژگی های  رقابتی Numarray در Numeric، با اصطلاحات گسترده ، NumPy ایجاد کرد.

نحوه نصب کتابخانه :

برای نصب کتابخانه به این صفحه مراجعه بفرمایید.

ویژگی های NumPy :

  • کارایی بالا
  • کانتینر های چند بعدی
  • جبر خطی
  • کار با دیتابیس های متغیر
  • ادغام کد از ++C یا C

کاربرد NumPy :

  • عملیات منطقی و ریاضی
  • عملیات جبر خطی با استفاده از توابع داخی
  • دستکاری شکل و تبدیل سریع

NumPy

مزایا:

  • هسته اصلی NumPy آرایه است. یکی از مزیت های اصلی این کتابخانه، نیاز به حافظه و فضای کم است.  همچنین سرعت خوب آن در مقایسه با سایر ساختمان داده ها در پایتون.
  • NumPy بعضی از تابع های علمی خاص مثل جبر خطی را پشتیبانی می کند.
  • برای آنالیز داده ها بسیار خوب است.
  • جایگزین بسیار خوبی برای MATLAB و OCTAVE و… است. زیرا عملکردهای مشابهی را ارائه می دهد. تابع های ساده تر ، پشتیبانی با سرعت بالاتر و سر ریز کمتر در حافظه دارد.
  • از عملکرهای برداری مثل جمع و ضرب کردن عنصرها،محاسبه Kronecker پشتیبانی می کند. لیست های پایتون از این پشتیبانی نمی کند.

معایب:

  • تخصیص مداوم حافظه: عملیات اضافه و حذف عملیات ها پر هزینه است. زیرا داده ها  در حافظه به صورت پیوسته ذخیره می شوند، برای هر تغییر عملیات نیاز به تغییر مکان حافظه دارد.
  • استفاده از nan درNumPy : عبارت Nan مخفف number نیست. این عبارت برای آدرس محل مشکل طراحی شده است. NumPy از nan پشتیبانی می کند. اما عدم پشتیبانی متقابل پلتفرم پایتون کار را دشوار می کند. به همین دلیل ممکن است هنگام مقایسه ارزش ها در مفسر پایتون با مشکلاتی رو به رو شویم.

توضیحات تکمیلی کتابخانه NumPy را در این مقاله ببینید.

کتابخانه TensorFlow

کتابخانه PyTorch

کتابخانه Keras

مقایسه TensorFlow و Keras

مقایسه PyTorch و Keras

مقایسه TensorFlowوPyTorch

کتابخانه scikit-learn

دیگر کتابخانه های پایتون

کتابخانه Theano

مطالعه بیشتر

maryam keshvari

31 مطلب منتشر شده

کارشناسی ارشد فناوری اطلاعات علاقمند به زبان برنامه نویسی python و هوش مصنوعی

درباره این مطلب نظر دهید !

مطالب زیرا حتما بخوانید ...

هوش مصنوعی

هوش مصنوعی -قسمت3

4
دقیـقه مطالعه
ادامه ...
Classification

Classification چیست؟

3
دقیـقه مطالعه
ادامه ...