فهرست مطالب برای مطالعه
NumPy مخفف عبارت Numerical Python است.
چرا باید از NumPy (نامپای) استفاده کنیم؟
ما از لیست ها (Lists) در پایتون 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؟
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.
NumPy با کدام زبان برنامه نویسی نوشته شده است؟
NumPy یا نامپای یک کتابخانه پایتون است و تا حد زیادی با پایتون نوشته شده است، اما بیشتر قسمت هایی که نیاز به محاسبه سریع دارند با C یا ++C نوشته شده است.
منبع کد NumPy در کجا قرار دارد؟
منبع کد NumPy در مخزن GitHub زیر قرار دارد:
گیت هاب: بسیاری از افراد را قادر می سازد تا در یک پایگاه کد (Codebase) یکسان کار کنند.
