در این مطلب، ویدئو آرایه های NumPy چقدر سریعتر از لیست پایتون هستند؟ 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.
مدت زمان فیلم: 00:07:14
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,720 –> 00:00:04,790
[موسیقی]
2
00:00:04,790 –> 00:00:07,410
وقتی پایتون داریم و وقتی
3
00:00:07,410 –> 00:00:09,030
میتوانیم بیشتر ساختارهای داده کارآمد را
4
00:00:09,030 –> 00:00:11,670
در پایتون پیادهسازی کنیم، چرا
5
00:00:11,670 –> 00:00:14,099
در این ویدیو به چنین ساختارهایی مانند numpy و پاندا نیاز داریم،
6
00:00:14,099 –> 00:00:16,350
من شما را توضیح میدهم که چرا
7
00:00:16,350 –> 00:00:18,869
به numpy نیاز است و چگونه مفید است.
8
00:00:18,869 –> 00:00:21,270
پردازش موازی امیدوارم همه شما
9
00:00:21,270 –> 00:00:24,180
آن را دوست داشته باشید اگر محتوای کانال من را دوست
10
00:00:24,180 –> 00:00:25,949
دارید لطفاً روی دکمه اشتراک
11
00:00:25,949 –> 00:00:28,410
کلیک کنید زیرا این انگیزه من را برای ساختن چنین ویدیوهای بیشتری ترغیب می کند با
12
00:00:28,410 –> 00:00:32,189
تشکر numbah کتابخانه کد
13
00:00:32,189 –> 00:00:34,260
برای محاسبات علمی در
14
00:00:34,260 –> 00:00:36,840
پایتون است که چند کارایی بالا را ارائه می دهد.
15
00:00:36,840 –> 00:00:38,969
شیء آرایه بعدی و
16
00:00:38,969 –> 00:00:41,489
همچنین کار با این آرایه ها در
17
00:00:41,489 –> 00:00:43,800
آرایه numpy اساساً شبکه ای از مقادیر
18
00:00:43,800 –> 00:00:46,230
از یک نوع است و توسط چندین اعداد صحیح غیر منفی نمایه می شود که
19
00:00:46,230 –> 00:00:49,079
20
00:00:49,079 –> 00:00:51,570
کتابخانه کد پایتون ارائه شده به عنوان لیست نامیده می شود.
21
00:00:51,570 –> 00:00:54,329
22
00:00:54,329 –> 00:00:56,910
معادل یک آرایه اما قابل تغییر اندازه است و می تواند
23
00:00:56,910 –> 00:00:59,010
حاوی عناصری از انواع مختلف باشد، یک
24
00:00:59,010 –> 00:01:01,469
سوال سیگنال رایج این است که
25
00:01:01,469 –> 00:01:03,840
تفاوت واقعی بین پایتون و numpy چیست
26
00:01:03,840 –> 00:01:07,260
، ساده ترین پاسخ عملکرد nu است. ساختارهای داده mpy از نظر
27
00:01:07,260 –> 00:01:09,320
اندازه
28
00:01:09,320 –> 00:01:12,299
و عملکرد بهتر عمل می کنند وقتی می گویم
29
00:01:12,299 –> 00:01:15,030
ساختارهای داده اندازه numpy فضای کمتری را اشغال می
30
00:01:15,030 –> 00:01:17,909
کنند در مقایسه با لیست ها وقتی
31
00:01:17,909 –> 00:01:20,130
می گویم عملکرد نیاز به سرعت
32
00:01:20,130 –> 00:01:22,650
و سریعتر از لیست دارند و وقتی می گویم
33
00:01:22,650 –> 00:01:24,960
عملکرد Syfy و numpy
34
00:01:24,960 –> 00:01:27,000
بهینه شده اند. توابعی مانند
35
00:01:27,000 –> 00:01:29,460
عملیات جبر خطی داخلی، اجازه دهید
36
00:01:29,460 –> 00:01:31,110
به نکاتی بپردازیم که در
37
00:01:31,110 –> 00:01:33,509
مورد اینکه چگونه عدد بهتر از
38
00:01:33,509 –> 00:01:36,150
لیست پایتون است، ابتدا با
39
00:01:36,150 –> 00:01:38,340
وارد کردن ماژولهای لازم شروع کنیم،
40
00:01:38,340 –> 00:01:40,560
اولین نکته ای که ذکر کردم این بود که
41
00:01:40,560 –> 00:01:42,570
ساختارهای داده numpy فضای کمتری را اشغال می کنند.
42
00:01:42,570 –> 00:01:44,340
در مقایسه با ساختارهای پایتون معمولی شما
43
00:01:44,340 –> 00:01:46,560
مانند لیست ها، بیایید ببینیم چگونه این
44
00:01:46,560 –> 00:01:49,770
اتفاق می افتد، ابتدا یک لیست خالی ایجاد می کنم و
45
00:01:49,770 –> 00:01:52,890
با استفاده از
46
00:01:52,890 –> 00:01:54,990
تابع get size off از کتابخانه سیستم، آن را با نام X underscore
47
00:01:54,990 –> 00:01:57,810
48
00:01:57,810 –> 00:02:00,000
list می کنم. معلوم
49
00:02:00,000 –> 00:02:02,820
می شود که 64 است من همچنین متغیری
50
00:02:02,820 –> 00:02:04,950
به نام n عنصر زیر خط
51
00:02:04,950 –> 00:02:07,950
تعریف کرده ام که در حال حاضر به 100000 تعریف شده است که من اساساً ما هستم.
52
00:02:07,950 –> 00:02:09,750
53
00:02:09,750 –> 00:02:12,599
میخواهم آرایههای ناچیز یا فهرستهای مربوط
54
00:02:12,599 –> 00:02:13,130
55
00:02:13,130 –> 00:02:15,920
به عناصر را ایجاد کنم، بنابراین کاری که در مرحله بعد انجام میدهم این است که میخواهم
56
00:02:15,920 –> 00:02:17,720
اندازه فهرست
57
00:02:17,720 –> 00:02:20,030
حاوی صد هزار عنصر را پیدا
58
00:02:20,030 –> 00:02:21,890
کنم که برای آنها از درک لیست استفاده میکنم
59
00:02:21,890 –> 00:02:24,770
و اندازه آن لیست و آن مقدار را بدست میآورم.
60
00:02:24,770 –> 00:02:26,900
معلوم می شود هشت دو چهار چهار شش
61
00:02:26,900 –> 00:02:29,630
چهار کار بعدی این است که با استفاده از تابعی که به عنوان آرایه نقطه خالی نامیده می
62
00:02:29,630 –> 00:02:31,670
شود یک داور از بین آن صد
63
00:02:31,670 –> 00:02:34,160
هزار عنصر در یک لیست ایجاد می
64
00:02:34,160 –> 00:02:36,890
کنم و من
65
00:02:36,890 –> 00:02:39,740
دوباره از تابع get size off از استفاده می کنم.
66
00:02:39,740 –> 00:02:42,470
کتابخانه sis برای به دست آوردن اندازه
67
00:02:42,470 –> 00:02:44,810
آرایه اعداد من و متوجه شدم که اندازه آرایه
68
00:02:44,810 –> 00:02:47,210
یا اندازه آرایه اعداد یک
69
00:02:47,210 –> 00:02:49,940
سه برابر صفر نه شش است که در
70
00:02:49,940 –> 00:02:51,920
مقایسه با اندازه فهرست
71
00:02:51,920 –> 00:02:54,290
که تعداد عناصر یکسانی دارد بسیار کوچکتر
72
00:02:54,290 –> 00:02:56,450
است، این دوباره تأیید می شود. با در نظر گرفتن
73
00:02:56,450 –> 00:02:58,370
تفاوت اندازه های لیست و
74
00:02:58,370 –> 00:03:01,040
آرایه numpy که من ایجاد کرده ام و
75
00:03:01,040 –> 00:03:03,440
متوجه می شوم که 24 سه شش هشت
76
00:03:03,440 –> 00:03:06,110
اندازه است که وقتی از یک لیست استفاده می کنم
77
00:03:06,110 –> 00:03:09,410
در مقایسه با یک داور 400000
78
00:03:09,410 –> 00:03:11,180
عنصر اضافه می شود. ly نشان
79
00:03:11,180 –> 00:03:14,180
میدهد که این عدد فضای کمتری را اشغال میکند، بنابراین هر
80
00:03:14,180 –> 00:03:15,530
چه تعداد اعداد بیشتری را بخواهید با آنها بازی
81
00:03:15,530 –> 00:03:17,720
کنید، بهتر است اگر از
82
00:03:17,720 –> 00:03:20,450
آرایههای numpy بر روی ساختارهای داده لیست معمولی خود
83
00:03:20,450 –> 00:03:22,580
در پایتون استفاده کنید، نکته بعدی که
84
00:03:22,580 –> 00:03:26,470
ما به آن نگاه میکنیم این است که عملکرد
85
00:03:26,470 –> 00:03:29,110
numpy به گونهای طراحی شده است. کارآمدتر با
86
0