کتابخانه ی علوم داده numpy (مقدماتی)

چرا از نامپای استفاده می‌کنیم؟

ما در پایتون از لیست ها استفاده می‌کنیم برای کار با آرایه ها اما لیست ها در انجام کارهای سنگین کند می‌باشد هدف نامپای ساخت آبجکت‌هایی از آرایه ها می‌باشد که 50 درصد سریع‌تر از دیتا تایپ های خوده پایتون باشد , در نامپای این آبجکت به نام ndarray خوانده می‌شود که بسیاری از توابع پایتونی آنرا به راحتی ساپورت می‌کنند و شما می‌توانید از آن استفاده کنید.

این نوع آرایه بارها در علم داده استفاده می‌شودکه در آن سرعت و منابع بسیار مهم است.

چگونه آبجکت‌های نامپای از لیست‌های پایتونی سریع‌تر است؟

بر خلاف لیست‌های پایتونی همه‌ی داده‌ها در یک مکان ذخیره می‌شود و در همان‌جا به سرعت تغیر می‌کند , این رفتار در علم رایانه محل مرجع نامیده می‌شود , این اصلی‌ترین دلیل بوده و همچنین این کتابخانه برای مار با پردازنده بسیار بهینه‌سازی شده است.

نامپای را با چه زبانی نوشته اند؟

پایه ی این کتابخانه را با پایتون نوشته‌اند و در بخش‌هایی که نیاز به سرعت زیادتری بوده را با C++ , C نوشته اند.

سورس کد نامپای را از کجا پیدا کنم؟

می‌توانید در گیت هاب آنرا پیدا کنید  https://github.com/numpy/numpy

نصب نامپای به کمک pip

اگر پایتون نصب شده باشد. روی سیستم عامل تان می‌توانید با باز کردن cmd و یا ترمینال و زدن دستور pip install numpy نامپای را نصب کنید.

استفاده از نامپای و وارد کردن آن به فایل پایتونی

به کمک کلمه کلیدی import می‌توانید آن را به فایل پایتونی خود بیاورید :

import numpy

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

print(arr)

در این کتابخانه معمولا برای فراخوانی برای آن نماد np را قرار میدهند:

import numpy as np

حال می‌توان آنرا با نماد np استفاده کرد:

import numpy as np

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

print(arr)

آموزش بعدی کتابخانه ی علوم داده numpy (قسمت دوم) | ساخت آرایه ها در نامپای