در این مطلب، ویدئو Numpy چیست؟ آموزش پایتون برای علم داده با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,319 –> 00:00:03,030
سلام و خوش آمدید به ویدیوی دیگری در
2
00:00:03,030 –> 00:00:06,720
پایتون برای درک داده ها در این جلسه من
3
00:00:06,720 –> 00:00:09,480
در مورد یک بسته پایتون
4
00:00:09,480 –> 00:00:12,240
به نام Numpy یا Numeric Python صحبت خواهم کرد و
5
00:00:12,240 –> 00:00:15,179
همچنین چگونه خود را از یک
6
00:00:15,179 –> 00:00:17,730
لیست پایتون معمولی جدا
7
00:00:17,730 –> 00:00:22,199
می کند. صحبت در مورد
8
00:00:22,199 –> 00:00:24,930
لیست های پایتون لیست فیتون
9
00:00:24,930 –> 00:00:26,160
مجموعه ای از داده ها
10
00:00:26,160 –> 00:00:29,460
است که اطلاعات را بین دو براکت نگه می دارد
11
00:00:29,460 –> 00:00:32,940
در اینجا نمونه ای از یک
12
00:00:32,940 –> 00:00:36,480
لیست پایتون است این لیست
13
00:00:36,480 –> 00:00:39,510
اطلاعات امتیازات بدست آمده توسط batsman هندی را در
14
00:00:39,510 –> 00:00:43,559
مسابقه کریکت نگه می دارد. عنصر اول
15
00:00:43,559 –> 00:00:46,530
که 25 اجراهایی است که توسط batsman اول انجام شده است.
16
00:00:46,530 –> 00:00:49,800
عنصر دوم 84 اجراهایی است
17
00:00:49,800 –> 00:00:52,079
که توسط batsman دوم انجام می شود و به
18
00:00:52,079 –> 00:00:56,399
همین ترتیب به طور خلاصه لیست Python
19
00:00:56,399 –> 00:00:59,160
مجموعه ای از مقادیر است که می تواند
20
00:00:59,160 –> 00:01:01,739
انواع مختلفی از داده ها را در خود جای دهد و همچنین می
21
00:01:01,739 –> 00:01:05,010
توانیم حذف یا تغییر را اضافه کنیم. عناصر موجود در یک
22
00:01:05,010 –> 00:01:08,180
لیست پایتون حتی با تمام مزایا
23
00:01:08,180 –> 00:01:11,729
، محدودیت هایی در استفاده از
24
00:01:11,729 –> 00:01:14,970
لیست پایتون وجود دارد، اجازه دهید با یک مثال
25
00:01:14,970 –> 00:01:18,450
ببینیم این محدودیت ها برای این مثال چیست،
26
00:01:18,450 –> 00:01:21,119
ما دو لیست لیست a و
27
00:01:21,119 –> 00:01:24,720
لیست B و ما سعی می کنیم نتیجه را چاپ کنیم
28
00:01:24,720 –> 00:01:26,850
که ضرب
29
00:01:26,850 –> 00:01:31,170
لیست a و لیست B خواهد بود، اما وقتی می خواهیم
30
00:01:31,170 –> 00:01:33,829
این برنامه را اجرا کنیم، پایتون یک
31
00:01:33,829 –> 00:01:38,070
خطا می دهد، زیرا نمی داند
32
00:01:38,070 –> 00:01:42,540
چگونه این محاسبه را با لیست انجام دهد.
33
00:01:42,540 –> 00:01:44,970
برای غلبه بر این خطا
34
00:01:44,970 –> 00:01:47,250
باید هر یک از عناصر
35
00:01:47,250 –> 00:01:50,939
لیست a را با عنصر لیست B
36
00:01:50,939 –> 00:01:53,640
ضرب کنیم تا خروجی را در اینجا بدست آوریم که در اینجا
37
00:01:53,640 –> 00:01:55,649
اولین عنصر لیست a را در اولین
38
00:01:55,649 –> 00:01:59,180
عنصر لیست با هم ضرب می کنیم به صورت
39
00:01:59,180 –> 00:02:05,219
133 0.376 ما قطعاً
40
00:02:05,219 –> 00:02:08,699
با این روش به نتیجه صحیح میرسیم، اما این روش کمی
41
00:02:08,699 –> 00:02:12,959
42
00:02:12,959 –> 00:02:13,940
43
00:02:13,940 –> 00:02:17,660
طولانیتر و خستهکنندهتر است، استفاده از بسته numpy که numpy
44
00:02:17,660 –> 00:02:20,230
جایگزینی برای لیستهای معمولی پایتون
45
00:02:20,230 –> 00:02:23,660
با استفاده از numpy ارائه میکند، ما میتوانیم دادهها را بسیار
46
00:02:23,660 –> 00:02:26,650
کارآمدتر از لیستها تجزیه و تحلیل کنیم.
47
00:02:26,650 –> 00:02:29,540
یکی از بزرگترین مزیت های numba این است
48
00:02:29,540 –> 00:02:32,150
که محاسبه را روی
49
00:02:32,150 –> 00:02:35,690
کل آرایه ها انجام می دهد و یک آرایه
50
00:02:35,690 –> 00:02:38,360
مجموعه ای از مقادیر است و می تواند یک
51
00:02:38,360 –> 00:02:44,030
یا چند بعد