نامپای چیست؟
نامپای (NumPy = Numerical Python) یکی از مهم‌ترین کتابخانه‌های پایتون برای انجام محاسبات ریاضی مورد نیاز دیتاساینس است. این کتابخانه تقریباً تمامی توابعی که در فرایند آماده‌سازی و تبدیل داده‌ها قبل از استفاده از الگوریتم‌های یادگیری ماشین مورد نیاز است را فراهم می‌کند. چنین توابعی تقریباً مشابه با لیست‌ها در پایتون هستند اما عملکرد بهتر و خاصیت استفاده‌ی بهینه از حافظه در آنها بسیار بهتر از لیست‌های پایتون می‌باشد. اگر شما بتازگی وارد دنیای دیتاساینس شده‌اید، باید نامپای را بعد از فراگیری مبانی پایتون و به عنوان اولین کتابخانه بیاموزید. اگر قصد دارید با مهم‌ترین توابع نامپای آشنا بشوید، این نوشتار کوتاه دقیقاً برای شماست. در ادامه لیستی از مهم‌ترین توابع نامپای ارائه خواهد شد.
لیستی از توابع مهم نامپای برای دیتاساینس
? min and max:
- یافتن مینیمم و ماکسیمم مقدار یک آرایه‌ی نامپای
? mean:
- یافتن مقدار میانگین یک آرایه‌ی نامپای
? std:
- یافتن انحراف معیار یک آرایه‌ی نامپای
? median:
- یافتن میانه‌ی یک آرایه‌ی نامپای
? percentile:
- یافتن صدک از یک آرایه‌ی نامپای
? linspace:
- یافتن اعداد با فاصله‌ی زوج از یک بازه‌ی مشخص
? shape:
- یافتن اندازه‌ی یک آرایه
? reshape:
- تغییر اندازه‌ی یک آرایه
? copyto:
- کپی کردن مقادیر یک آرایه در دیگری
? transpose:
- معکوس نمودن محورهای (سطرها و ستون‌ها) یک آرایه
? stack:
- الصاق دنباله از یک آرایه در طول یک محور جدید
? vstack:
- الصاق دنباله از یک آرایه در طول یک محور جدید بطور عمودی
? hstack:
- الصاق دنباله از یک آرایه در طول یک محور جدید بطور افقی
? sort:
- مرتب نمودن یک آرایه
اینها لیستی از مهم‌ترین توابع نامپای بودند که برای ورود به دنیای دیتاساینس اساسی و ضروری هستند. اگر تمایل دارید که با تمامی توابع موجود در این کتابخانه آشنا بشوید، مستندات نامپای را مشاهده نمائید. توجه بفرمائید که ذکر این توابع به این معنی نیست که شما برای دیتاساینس تنها باید این موارد را یاد بگیرید. اینها صرفاً مواردی هستند که در اکثر مواقع مورد استفاده قرار می‌گیرند، از این رو، شما باید موارد استفاده از آنها را کاملاً بدانید.
منبع:
