معرفی ماژول NumPy در پایتون (Python)

زمان مطالعه

5 دقیقه

تعداد بازدید

243

تعداد پرسش ها

افزودن به لیست علاقه مندی ها

برچسب ها :

اشتراک گذاری این مطلب

دسته بندی مطالب

معرفی ماژول NumPy در پایتون (Python)

زمان مطالعه

5 دقیقه

تعداد بازدید

243

تعداد پرسش ها

افزودن به لیست علاقه مندی ها

برچسب ها :

اشتراک گذاری این مطلب

ماژول NumPy یک کتابخانه پایتون (Python) است که برای کار با آرایه ها (Arrays) استفاده می شود.

همچنین دارای توابعی برای کار در حوزه جبر خطی (linear algebra)، تبدیل فوریه (fourier transform) و ماتریس ها (matrices) است.

NumPy در سال 2005 توسط Travis Oliphant به وجود آمد که یک پروژه منبع باز (Open Source) است و می توانید به صورت رایگان از آن استفاده کنید.

Travis Oliphant خالق ماژول NumPy در پایتون (Python)

NumPy مخفف عبارت Numerical Python است.

چرا باید از NumPy استفاده کنیم؟

چرا ماژول NumPy

در پایتون ما لیست ها (Lists) ها را داریم که از آن ها به منظور آرایه ها (Arrays) استفاده می کنیم، اما پردازش آن ها کند است.

هدف NumPy ارائه یک شی آرایه ای است که حداکثر 50 برابر سریع تر از لیست های سنتی پایتون باشد.

شی آرایه ای در NumPy، ndarray نام دارد که بسیاری از توابع را پشتیبانی می کند و این کار با ndarray را بسیار آسان می کند.

آرایه ها اغلب در علم داده (Data Science) استفاده می شوند، بنابراین سرعت و منابع بسیار حائز اهمیت هستند.

تعریف علم داده (Data Science): شاخه ای از علوم کامپیوتر است که در آن نحوه ذخیره، استفاده و تجزیه و تحلیل داده ها برای به دست آوردن اطلاعات از آن را مطالعه می کنیم.

چرا NumPy سریعتر از لیست (List) است؟

ماژول NumPy سریع تر از لیست ها (Lists) در پایتون (Python)

آرایه های NumPy برخلاف لیست ها (Lists) در یک مکان از حافظه، به صورت پیوسته ذخیره می شوند، بنابراین فرآیندها می توانند به آن ها دسترسی داشته باشند و آن ها را دستکاری کنند که بسیار کارآمد است.

این رفتار در علوم کامپیوتر، محل مرجع (Locality of Reference) نامیده می شود.

این دلیل اصلی سریع تر بودن NumPy از لیست ها (Lists) است که برای کار با جدیدترین معماری CPU بهینه شده است.