در این مطلب، ویدئو دوره 5 سقوط پایتون | آموزش پایتون برای مبتدیان با مثال | upGrad 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: 1:21:58
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:04,170 –> 00:00:07,219
[موسیقی] خیلی
2
00:00:07,280 –> 00:00:09,900
خوب بچه ها پس
3
00:00:09,900 –> 00:00:11,730
بیایید جلسه امروز را درست شروع کنیم، بنابراین من واقعاً
4
00:00:11,730 –> 00:00:13,920
هیجان زده هستم اکنون در جلسه امروز ما می
5
00:00:13,920 –> 00:00:15,630
خواهیم چیزی در مورد numpy
6
00:00:15,630 –> 00:00:17,760
right so numpy یاد بگیریم یا برخی از افراد به آن می
7
00:00:17,760 –> 00:00:19,800
گویند numpy درست است متشکرم
8
00:00:19,800 –> 00:00:23,189
بنابراین شما می دانید بنابراین ما ما برو
9
00:00:23,189 –> 00:00:26,159
با این گفتمان بازی کن این دوره خرابی numpy،
10
00:00:26,159 –> 00:00:28,050
بنابراین در جلسه امروز فقط در
11
00:00:28,050 –> 00:00:29,640
مورد لبه بحث می کنیم و سپس اینجا بچه ها،
12
00:00:29,640 –> 00:00:31,650
بنابراین من می خواهم یک نمای کلی از numpy به شما ارائه
13
00:00:31,650 –> 00:00:33,540
دهم، می خواهم درباره چیزی
14
00:00:33,540 –> 00:00:35,430
به نام آرایه ها بحث کنم. آرایه ها ستون فقرات
15
00:00:35,430 –> 00:00:38,789
numpy هستند. درست است، بنابراین در این جلسه امروز
16
00:00:38,789 –> 00:00:40,440
ما قرار است درست با آرایه ها بازی کنیم، بنابراین
17
00:00:40,440 –> 00:00:43,010
اگر چیزی وجود ندارد که
18
00:00:43,010 –> 00:00:45,719
مفهومی باشد یا مفهومی در اینجا وجود نداشته
19
00:00:45,719 –> 00:00:47,969
باشد، بنابراین همه چیز در مورد آرایه ها در اینجا است،
20
00:00:47,969 –> 00:00:50,879
بنابراین آرایه کنید که چیست و چگونه
21
00:00:50,879 –> 00:00:52,500
پیش می رویم برای استفاده از آن، شما
22
00:00:52,500 –> 00:00:54,239
آن را در تظاهرات آتی من خواهید دید،
23
00:00:54,239 –> 00:00:56,160
سپس ما روی دستکاری آرایه ها
24
00:00:56,160 –> 00:00:58,410
و سپس برخی
25
00:00:58,410 –> 00:00:59,910
از نصب های پیشرفته و بسیاری از
26
00:00:59,910 –> 00:01:02,249
تمرین ها کار خواهیم کرد که امروز می خواهیم درست انجام دهیم،
27
00:01:02,249 –> 00:01:04,620
بنابراین این چیزی است
28
00:01:04,620 –> 00:01:07,860
که برای جلسه امروز برنامه ریزی شده است، اکنون همه
29
00:01:07,860 –> 00:01:10,680
درست هستند، بنابراین امروز می خواهیم با شماره درست شروع کنیم
30
00:01:10,680 –> 00:01:14,119
31
00:01:15,390 –> 00:01:18,000
بدون سوء استفاده من از هیچ
32
00:01:18,000 –> 00:01:20,330
فایل CEC درست استفاده نمی کنم بنابراین این جلسه را
33
00:01:20,330 –> 00:01:22,590
محدود به بخش برنامه نویسی نگه داشته ام.
34
00:01:22,590 –> 00:01:25,110
این قسمت را گسترش خواهم داد تا
35
00:01:25,110 –> 00:01:27,420
بدانید که شرکت کنندگان من فقط امروز می توانند روی numpy تمرکز
36
00:01:27,420 –> 00:01:29,460
کنند، بنابراین این همان چیزی است که من برنامه ریزی کرده ام،
37
00:01:29,460 –> 00:01:32,520
حتی من نمی خواهم به قسمت Opie
38
00:01:32,520 –> 00:01:33,960
به خوبی وارد شوم، بنابراین همانطور که در جلسه گذشته انجام دادم،
39
00:01:33,960 –> 00:01:35,880
امروز ما به
40
00:01:35,880 –> 00:01:37,800
ناتوانی پایبند باشید فقط این همان چیزی است که من برنامه ریزی کرده ام
41
00:01:37,800 –> 00:01:39,960
و این همان چیزی است که من برنامه ریزی می کنم زیرا حتی
42
00:01:39,960 –> 00:01:43,050
توده چیزی است که شما را ملزم می کند
43
00:01:43,050 –> 00:01:45,900
بدانید که این مورد را به درستی بررسی کنید، بنابراین
44
00:01:45,900 –> 00:01:47,880
خوب نیست که یک بار آن را انجام داده باشید
45
00:01:47,880 –> 00:01:51,030
و سپس به سادگی می توانید بدانید ادامه دهید
46
00:01:51,030 –> 00:01:53,490
نه کمی طول
47
00:01:53,490 –> 00:01:58,100
می کشد تا بدانید این بخش را بر عهده بگیرید، خوب است، بنابراین
48
00:01:58,100 –> 00:02:02,070
اول از همه آه بله متشکرم پیوچه، بنابراین
49
00:02:02,070 –> 00:02:03,810
اول از همه ما در مورد یک عدد در اینجا صحبت می کنیم،
50
00:02:03,810 –> 00:02:05,729
بنابراین من فقط می خواهم
51
00:02:05,729 –> 00:02:07,650
دقیقاً در مورد آن به شما بگویم
52
00:02:07,650 –> 00:02:10,380
اول از همه قسمت عدد و سپس ما داریم g.
53
00:02:10,380 –> 00:02:13,080
54
00:02:13,080 –> 00:02:14,730
55
00:02:14,730 –> 00:02:17,580
56
00:02:17,580 –> 00:02:19,350
57
00:02:19,350 –> 00:02:23,400
58
00:02:23,400 –> 00:02:25,410
59
00:02:25,410 –> 00:02:27,810
60
00:02:27,810 –> 00:02:31,290
بدانید که فقط سرعت را با شما
61
00:02:31,290 –> 00:02:32,850
درست کنید یا می توانید سرعت را در دقایق خوب ایجاد کنید
62
00:02:32,850 –> 00:02:37,430
ما فقط همین کار را انجام می دهیم
63
00:02:37,430 –> 00:02:40,230
بسیار خوب پس این تیم خوبی است
64
00:02:40,230 –> 00:02:43,400
که روی انبوهی از کارهای عملی کار
65
00:02:43,400 –> 00:02:45,180
می کند بسیار عالی است که عالی است
66
00:02:45,180 –> 00:02:46,709
می دانید متشکرم چینی چینی
67
00:02:46,709 –> 00:02:49,170
خوب است، خوب است، با تشکر از شما، اوه،
68
00:02:49,170 –> 00:02:52,350
اشتباه است، خوب، عالی است، بنابراین می دانید که
69
00:02:52,350 –> 00:02:55,530
من شما را تشویق می کنم سریع تایپ کنید و
70
00:02:55,530 –> 00:02:57,540
مطمئن شوید که آنها را اشتباه
71
00:02:57,540 –> 00:03:00,480
نگیرید یا هنگام تایپ درست مطالب را از دست ندهید،
72
00:03:00,480 –> 00:03:02,640
بنابراین فقط بمانید با من
73
00:03:02,640 –> 00:03:06,209
و من با شما خواهم بود صبر کنید، بیایید
74
00:03:06,209 –> 00:03:08,459
شروع کنیم، بنابراین در اینجا ما در مورد numpy right صحبت می کنیم،
75
00:03:08,459 –> 00:03:12,870
بنابراین اساساً ابتدا full numb
76
00:03:12,870 –> 00:03:15,390
چیزی است که اساساً درست است بنابراین numb
77
00:03:15,390 –> 00:03:17,790
by اساسی ترین و قدرتمندترین
78
00:03:17,790 –> 00:03:20,160
ماژول پایتون است که می شناسید. پایه ای ally
79
00:03:20,160 –> 00:03:22,920
به شما این امکان را می دهد که اکنون با داده ها کار کنید قبل
80
00:03:22,920 –> 00:03:24,780
از هر چیز باید
81
00:03:24,780 –> 00:03:27,209
با داده ها به تعداد درست ارتباط برقرار کنید، بنابراین
82
00:03:27,209 –> 00:03:28,800
اگر
83
00:03:28,800 –> 00:03:30,510
برای اولین بار است که با
84
00:03:30,510 –> 00:03:33,060
numpy شروع می کنید، باید اطلاعاتی در نرخ پول خود داشته باشید،
85
00:03:33,060 –> 00:03:37,230
بنابراین اساساً من
86
00:03:37,230 –> 00:03:41,630
مثالی می زنم که عدد درست در
87
00:03:41,630 –> 00:03:44,190
برنامه نویسی پایه استفاده نمی شود درست است فقط
88
00:03:44,190 –> 00:03:46,200
این را بفهمید که ما از
89
00:03:46,200 –> 00:03:48,840
numpy در برنامه نویسی مشغول استفاده نمی کنیم، بنابراین در اینجا ما در
90
00:03:48,840 –> 00:03:51,090
مورد چیزی صحبت می کنیم که
91
00:03:51,090 –> 00:03:53,040
آینده شماست، بنابراین بیایید مثالی
92
00:03:53,040 –> 00:03:55,620
بزنیم، فرض کنیم یک داریم. داده درست است، بنابراین
93
00:03:55,620 –> 00:03:57,870
فرض کنید اگر شما یک داده خرید دارید یا اگر
94
00:03:57,870 –> 00:03:59,670
ما یک داده جدولی داریم، اگر تعدادی
95
00:03:59,670 –> 00:04:01,740
رکورد ردیف و ستون درست
96
00:04:01,740 –> 00:04:04,230
دارید، آیا می خواهید آن میلیون ها
97
00:04:04,230 –> 00:04:06,480
سطر و ستون را در مفهوم برنامه نویسی نشان دهید،
98
00:04:06,480 –> 00:04:08,370
بنابراین برای آن به چیزی به نام نیاز دارید.
99
00:04:08,370 –> 00:04:11,310
شما می دانید چند بعدی اضافه کردن یک جمع دو بعدی
100
00:04:11,310 –> 00:04:14,730
درست است، بنابراین می دانید که هر
101
00:04:14,730 –> 00:04:16,890
نوع مفهومی ستون فقرات یا کلید
102
00:04:16,890 –> 00:04:19,350
اعداد است، بنابراین در اینجا من می خواهم سه
103
00:04:19,350 –> 00:04:25,950
کلمه را در اینجا بگویم آرایه ناتوان و داده،
104
00:04:25,950 –> 00:04:27,090
بنابراین ارتباط بین آنها چیست؟ در این سه
105
00:04:27,090 –> 00:04:32,400
کلمه آرایه اعداد و داده so number
106
00:04:32,400 –> 00:04:35,720
آرایهای را در اختیار شما قرار میدهد که میتواند دادهها را ذخیره
107
00:04:35,720 –> 00:04:39,210
کند و آن آرایه اساساً خاص است
108
00:04:39,210 –> 00:04:41,250
زیرا میدانید numpy
109
00:04:41,250 –> 00:04:44,220
صدها عملکرد ساختمانی را در اختیار شما قرار میدهد و صدها
110
00:04:44,220 –> 00:04:46,860
ویژگی ساختمانی را به شما ارائه میدهد که به راحتی میتوانند
111
00:04:46,860 –> 00:04:49,200
آن دادهها را مطابق با نیاز شما دستکاری
112
00:04:49,200 –> 00:04:52,500
کنند. جلسه
113
00:04:52,500 –> 00:04:54,630
امروز در جلسه امروز خواهید دید که
114
00:04:54,630 –> 00:04:57,960
چگونه آرایههایی با عدد ایجاد میکنیم و چگونه
115
00:04:57,960 –> 00:05:00,180
میتوانیم آن آرایه
116
00:05:00,180 –> 00:05:03,840
را در معانی مختلف به روشهای مختلف دستکاری کنیم،
117
00:05:03,840 –> 00:05:07,410
بنابراین اینطوری کار میکند،
118
00:05:07,410 –> 00:05:11,730
خوب یک نکته دیگر برای همه از you numpy
119
00:05:11,730 –> 00:05:15,060
120
00:05:15,060 –> 00:05:17,400
در جلسه امروز چندان معنی پیدا نمی کند چرا که چون
121
00:05:17,400 –> 00:05:20,130
numpy زمانی معنا پیدا می کند که کتابخانه
122
00:05:20,130 –> 00:05:23,460
یا آرایه numpy در
123
00:05:23,460 –> 00:05:26,400
تجزیه و تحلیل داده ها در هر نوبت استفاده در
124
00:05:26,400 –> 00:05:29,040
یادگیری ماشین بیشتر استفاده شود، بنابراین numpy
125
00:05:29,040 –> 00:05:29,610
منطقی است.
126
00:05:29,610 –> 00:05:32,730
اکثراً وقتی
127
00:05:32,730 –> 00:05:35,040
داده داریم وقتی تجزیه و تحلیل داده داریم وقتی numpy همه
128
00:05:35,040 –> 00:05:38,520
با هم داریم در این صورت عدد
129
00:05:38,520 –> 00:05:40,950
برای ما منطقی تر است بنابراین در جلسه امروز در
130
00:05:40,950 –> 00:05:42,120
حال
131
00:05:42,120 –> 00:05:44,070
پخش است من خواهم گفت من دوست دارم که این یک
132
00:05:44,070 –> 00:05:45,990
نمایشنامه عربی است، بنابراین شما باید یاد بگیرید که چگونه
133
00:05:45,990 –> 00:05:48,570
با آرایه بازی کنید و چگونه
134
00:05:48,570 –> 00:05:51,270
می دانید این دوره مفهومی را می شناسید،
135
00:05:51,270 –> 00:05:53,550
بنابراین یک بار دیگر
136
00:05:53,550 –> 00:05:56,699
می خواهم یک نتیجه گیری ساده به شما ارائه دهم که
137
00:05:56,699 –> 00:05:58,440
در اینجا سه مورد وجود دارد چیزهایی که شما
138
00:05:58,440 –> 00:06:01,310
باید به آنها توجه کنید یک عدد
139
00:06:01,310 –> 00:06:06,830
اضافه کردن داده است که داده ها ذخیره می شود
140
00:06:06,830 –> 00:06:09,030
و به صورت پخش نمایش داده می شود و
141
00:06:09,030 –> 00:06:12,510
این آرایه توسط یک داور ارائه می شود اکنون
142
00:06:12,510 –> 00:06:15,810
اینجا یک سوال است این یک سوال است که ما
143
00:06:15,810 –> 00:06:18,660
می توانیم داده ها را به شکل نمایش دهیم
144
00:06:18,660 –> 00:06:20,850
لیست های پایتون به شکل
145
00:06:20,850 –> 00:06:22,350
دیکشنری های پایتون و
146
00:06:22,350 –> 00:06:25,800
همچنین به صورت تاپل های پایتون
147
00:06:25,800 –> 00:06:28,380
عالی است، بنابراین چرا ما در مورد آدرس شماره صحبت می
148
00:06:28,380 –> 00:06:31,340
کنیم، این سوال اینجاست،
149
00:06:31,340 –> 00:06:33,539
خوب حالا با دقت به من گوش کنید،
150
00:06:33,539 –> 00:06:37,380
اکنون اول از همه ساختارهای داده سنتی
151
00:06:37,380 –> 00:06:39,449
152
00:06:39,449 –> 00:06:40,979
ساختار دادههای رابطهای که از قسمت پایتون در مورد آن صحبت
153
00:06:40,979 –> 00:06:44,550
میکنیم، تاپلهایی
154
00:06:44,550 –> 00:06:46,200
هستند که لیست داریم مجموعههایی داریم، فرهنگهای لغت داریم،
155
00:06:46,200 –> 00:06:48,660
اما این دادهها مورد نیاز است.
156
00:06:48,660 –> 00:06:50,970
157
00:06:50,970 –> 00:06:56,250
درست است
158
00:06:56,250 –> 00:06:59,880
بله بله، جنبه بدی برای آنها وجود دارد.
159
00:06:59,880 –> 00:07:02,849
می دانید که یک نفرین مرتبط با
160
00:07:02,849 –> 00:07:04,560
آنها دارید و من دقیقاً به شما می گویم
161
00:07:04,560 –> 00:07:06,840
چه منحنی هایی وجود دارد که
162
00:07:06,840 –> 00:07:09,210
با ساختارهای داده پایتون با
163
00:07:09,210 –> 00:07:11,099
ساختارهای داده استاندارد پایتون مرتبط است
164
00:07:11,099 –> 00:07:13,289
. در اینجا دوباره در مورد آن صحبت می کنیم و آن
165
00:07:13,289 –> 00:07:17,010
نفرین گرسنگی خوردن حافظه است،
166
00:07:17,010 –> 00:07:18,720
دو منحنی وجود دارد، همانطور که من
167
00:07:18,720 –> 00:07:20,639
در اینجا در مورد آن صحبت می کنم اولین منحنی
168
00:07:20,639 –> 00:07:23,220
که با ساختارهای داده پایه پایتون مرتبط
169
00:07:23,220 –> 00:07:25,320
است، گرسنگی به خوردن حافظه است،
170
00:07:25,320 –> 00:07:27,330
بنابراین زمانی که از آن استفاده می کنید. هنگامی که
171
00:07:27,330 –> 00:07:29,910
از فرهنگ لغت معابد استفاده می کنید یا حتی
172
00:07:29,910 –> 00:07:32,580
اعداد صحیح معمولی را که حافظه می خورند را تنظیم می
173
00:07:32,580 –> 00:07:36,780
کنید، برای
174
00:07:36,780 –> 00:07:38,940
داده های کوچک برای کوچکترین
175
00:07:38,940 –> 00:07:41,250
بلوک داده ای که می خورند، مقدار زیادی از حافظه
176
00:07:41,250 –> 00:07:43,860
را می گیرند.
177
00:07:43,860 –> 00:07:46,380
اولین نکته این است که آنها در مورد حافظه گرسنه هستند، در
178
00:07:46,380 –> 00:07:49,710
حال حاضر قسمت دوم
179
00:07:49,710 –> 00:07:52,440
عملکرد آنها بسیار
180
00:07:52,440 –> 00:07:54,690
کند است، بنابراین من می خواهم یک
181
00:07:54,690 –> 00:07:56,090
نمایش برای این
182
00:07:56,090 –> 00:07:58,370
کار به شما نشان دهم تا شیرجه های روزانه استاندارد
183
00:07:58,370 –> 00:08:00,950
پایتون کند باشند. هنگامی که شما محاسبات بزرگ انجام می دهید، آنها بسیار کند عمل می کنند
184
00:08:00,950 –> 00:08:04,370
، بنابراین
185
00:08:04,370 –> 00:08:06,139
زمانی که محاسبات را روی ماتریس ها درست انجام می دهید،
186
00:08:06,139 –> 00:08:08,240
بنابراین زمانی که ماتریس ها را ضرب
187
00:08:08,240 –> 00:08:09,290
می کنید، زمانی که
188
00:08:09,290 –> 00:08:10,880
189
00:08:10,880 –> 00:08:12,800
شما ماتریس های پایین تر را انجام می دهید، از طریق ماتریس ها معامله می کنم.
190
00:08:12,800 –> 00:08:17,650
191
00:08:17,650 –> 00:08:21,139
همه اینها را میدانید همه این
192
00:08:21,139 –> 00:08:23,180
لعنتهای ساختارهای داده پایتون در
193
00:08:23,180 –> 00:08:27,410
واقع به صورت مثبت معکوس میشوند، بنابراین
194
00:08:27,410 –> 00:08:29,900
وقتی در مورد آرایهای صحبت میکنید که
195
00:08:29,900 –> 00:08:32,450
زیر عدد سه قرار دارد، بنابراین این
196
00:08:32,450 –> 00:08:34,490
ناحیه همه چیزهایی را
197
00:08:34,490 –> 00:08:36,289
دارد که در ساختارهای داده پایتون وجود ندارد و من.
198
00:08:36,289 –> 00:08:39,610
در اینجا فقط دو کلمه می گویم
199
00:08:39,610 –> 00:08:43,460
یک حافظه بازدهی یک عدد بازده حافظه
200
00:08:43,460 –> 00:08:46,790
در آرایه های زیر عدد
201
00:08:46,790 –> 00:08:51,080
سه حافظه بسیار کمتری در مقایسه با
202
00:08:51,080 –> 00:08:55,580
آنچه که یک لیست یا یک تاپل در
203
00:08:55,580 –> 00:08:58,070
حدس های خود نیاز دارد می خورند، بنابراین اولین چیز این است که
204
00:08:58,070 –> 00:09:00,770
آرایه های عددی یک عدد را می خورند. سرعت حافظه بسیار کمتر
205
00:09:00,770 –> 00:09:03,440
در حال حاضر نکته دوم این است که
206
00:09:03,440 –> 00:09:06,350
آرایه های اعداد فوق العاده سریع
207
00:09:06,350 –> 00:09:09,020
هستند و عملکرد بسیار
208
00:09:09,020 –> 00:09:11,120
خوبی از نظر عملکرد عالی دارند
209
00:09:11,120 –> 00:09:13,850
بنابراین من اگر در مورد بخش تأخیر
210
00:09:13,850 –> 00:09:15,860
در اینجا صحبت میکنید، تأخیر بسیار بالایی
211
00:09:15,860 –> 00:09:18,440
دارد یعنی عملکرد فوقالعاده درستی دارد، شما
212
00:09:18,440 –> 00:09:21,050
به سادگی پاسخ را در میلیثانیه به
213
00:09:21,050 –> 00:09:23,780
درستی دریافت میکنید، بنابراین همان محاسبات
214
00:09:23,780 –> 00:09:26,390
در کجاست که همان برنامهنویسی چند ثانیه طول میکشد یا
215
00:09:26,390 –> 00:09:27,800
حتی بیشتر از آن
216
00:09:27,800 –> 00:09:33,080
در پایتون میدانید. ساختار داده خوب است حالا
217
00:09:33,080 –> 00:09:34,880
ضریب این است که حالا ضریب
218
00:09:34,880 –> 00:09:37,670
یک بار دیگر درست است، یک بار دیگر از شما پرسیدم که می
219
00:09:37,670 –> 00:09:39,770
دانید چه زمانی در حال یادگیری numpy
220
00:09:39,770 –> 00:09:43,250
بودم، بنابراین از مربی خود پرسیدم که چرا چنین
221
00:09:43,250 –> 00:09:45,560
numpy در مقایسه با پایتون اولیه سریعتر است،
222
00:09:45,560 –> 00:09:51,980
بنابراین پاسخ این است که دانشکده
223
00:09:51,980 –> 00:09:53,450
ترینر به من گفت که شما در آن زمان می دانید
224
00:09:53,450 –> 00:09:57,020
که numpy در بالای C ساخته شده است،
225
00:09:57,020 –> 00:09:59,930
بنابراین اعداد به
226
00:09:59,930 –> 00:10:01,400
زبان برنامه نویسی C
227
00:10:01,400 –> 00:10:03,770
و همچنین پایتون پایه نوشته می شود، بنابراین بیشتر
228
00:10:03,770 –> 00:10:05,900
قسمت های non Pi در C نوشته می شود و
229
00:10:05,900 –> 00:10:09,059
به همین دلیل numpy است. عملکرد سریعتری نسبت
230
00:10:09,059 –> 00:10:11,399
به پایتون دارد، بنابراین این دلیلی است که
231
00:10:11,399 –> 00:10:14,699
ساختار داده اعداد
232
00:10:14,699 –> 00:10:16,469
233
00:10:16,469 –> 00:10:19,139
بیطرفدار را نشان میدهد، بنابراین تنها چیزی که میخواهیم از numpy بیرون بیاوریم این است که
234
00:10:19,139 –> 00:10:20,969
ساختار داده را فقط ما میکشیم.
235
00:10:20,969 –> 00:10:22,559
آرایهها را فقط به سمت راست
236
00:10:22,559 –> 00:10:24,419
میکشیم، بنابراین از numpy
237
00:10:24,419 –> 00:10:26,939
، مفاهیم Opie را از numpy بیرون نمیکشیم، میخواهیم
238
00:10:26,939 –> 00:10:29,099
مفاهیم مدیریت فایل را
239
00:10:29,099 –> 00:10:32,129
از numpy بیرون بیاوریم، ما نمیخواهیم آنها را بکشیم.
240
00:10:32,129 –> 00:10:33,839
241
00:10:33,839 –> 00:10:35,639
فقط برای کشیدن ساختار
242
00:10:35,639 –> 00:10:37,769
داده و یک بار دیگر میخواهم به
243
00:10:37,769 –> 00:10:39,869
شما این نتیجه را بدهم که چرا ما
244
00:10:39,869 –> 00:10:41,579
ساختار داده، بخش آرایه را
245
00:10:41,579 –> 00:10:43,889
از numpy بیرون میکشیم، فقط به دلیل دو
246
00:10:43,889 –> 00:10:45,869
چیز و اولین مورد یک بار دیگر
247
00:10:45,869 –> 00:10:49,889
یا کارایی حافظه است و دوم اینکه
248
00:10:49,889 –> 00:10:52,109
که عملکرد درست
249
00:10:52,109 –> 00:10:54,149
بازده حافظه و عملکرد فقط
250
00:10:54,149 –> 00:10:55,949
این دو دلیل است که چرا ما از آن استفاده می کنیم
251
00:10:55,949 –> 00:10:58,099
ساختار داده آرایه بخشی از
252
00:10:58,099 –> 00:11:04,289
شماره خوب است بنابراین بچه ها مثل اینکه چگونه می خواهم
253
00:11:04,289 –> 00:11:06,389
از شما درست بپرسم اصول
254
00:11:06,389 –> 00:11:10,559
اعداد برای شما واضح است درست است من دوست داشتم
255
00:11:10,559 –> 00:11:13,229
دقیقاً توضیح دهید که درباره چه چیزی
256
00:11:13,229 –> 00:11:15,629
درباره یک داور صحبت می کنیم، نکته این است
257
00:11:15,629 –> 00:11:17,459
که ما باید درک کنیم که چرا باید
258
00:11:17,459 –> 00:11:20,909
از اعداد درست استفاده نکنیم و چیزهایی مانند
259
00:11:20,909 –> 00:11:22,309
260
00:11:22,309 –> 00:11:25,829
آن بله اپتیک، هند ما درست است، بنابراین
261
00:11:25,829 –> 00:11:28,589
n-dimensi منطقه داخلی متشکرم میندی سانتا
262
00:11:28,589 –> 00:11:30,319
متشکرم برای اینکه ما از شما سپاسگزاریم برای
263
00:11:30,319 –> 00:11:33,809
اسرائیل کتابخانه این است Oshkosh این کتابخانه این
264
00:11:33,809 –> 00:11:43,679
کتابخانه اوه بسیار عالی ممنونم خوب الی
265
00:11:43,679 –> 00:11:46,919
الی یک جواب بدید سریع است
266
00:11:46,919 –> 00:11:50,249
مشخص نیست بنابراین او می ماند بنابراین اساساً از شما
267
00:11:50,249 –> 00:11:52,709
متشکرم یکی جان سریع است زیرا
268
00:11:52,709 –> 00:11:54,929
دقیقاً در اینجا به زبان C نوشته شده است بنابراین C به
269
00:11:54,929 –> 00:11:58,349
طور کلی از نظر ماهیت سریعتر است بنابراین به
270
00:11:58,349 –> 00:12:01,189
همین دلیل است که
271
00:12:05,279 –> 00:12:10,019
یک بار دیگر سریع
272
00:12:10,019 –> 00:12:13,990
273
00:12:13,990 –> 00:12:16,510
است. کلید
274
00:12:16,510 –> 00:12:19,240
نیاز به اعداد یا
275
00:12:19,240 –> 00:12:21,370
عملکرد اعداد یا کارایی حافظه و
276
00:12:21,370 –> 00:12:23,550
پاسخ این است که n آرایه بعدی
277
00:12:23,550 –> 00:12:27,399
درست است، بنابراین این فقط و این فقط
278
00:12:27,399 –> 00:12:29,230
خلاصه ای از دقیقاً چیزی است که من می دانم
279
00:12:29,230 –> 00:12:31,089
که در اینجا با برخی
280
00:12:31,089 –> 00:12:33,370
اطلاعات گسترده در اینجا بحث شده است، بنابراین می گوید مانند
281
00:12:33,370 –> 00:12:35,320
numpy یک کتابخانه منبع باز موجود در
282
00:12:35,320 –> 00:12:38,079
پایتون که به پیچیدگی های ریاضی کمک می کند،
283
00:12:38,079 –> 00:12:39,430
چه در حال انجام
284
00:12:39,430 –> 00:12:40,990
محاسبات علمی باشید، چه در حال انجام
285
00:12:40,990 –> 00:12:43,510
روابط مهندسی با دیگران یا
286
00:12:43,510 –> 00:12:45,339
برنامه نویسی طراحی، همانطور
287
00:12:45,339 –> 00:12:47,079
که در ابتدا به شما گفتم. درست زمانی که شما در حال
288
00:12:47,079 –> 00:12:49,510
انجام یک numpy سرد هستید، خیلی
289
00:12:49,510 –> 00:12:51,490
منطقی نیست، بنابراین زمانی که شما
290
00:12:51,490 –> 00:12:53,470
اصول اعداد را انجام می دهید، اما زمانی که در
291
00:12:53,470 –> 00:12:56,019
حال انجام محاسبات
292
00:12:56,019 –> 00:12:58,540
سطح بالاتر با چالش های بزرگتر هستید و در
293
00:12:58,540 –> 00:13:01,540
مواردی که می بینید
294
00:13:01,540 –> 00:13:03,190
کارایی حافظه زمانی که کارایی عملکرد را
295
00:13:03,190 –> 00:13:07,240
در آن بخش ها
296
00:13:07,240 –> 00:13:10,209
می بینید، حس عدد درست را پیدا می کنید، بنابراین در
297
00:13:10,209 –> 00:13:12,070
جلسه امروز به شما می گویم که
298
00:13:12,070 –> 00:13:14,050
آرایه ها چیست و چگونه می توانید با
299
00:13:14,050 –> 00:13:16,690
آرایه ها بازی کنید و در جلسه بعدی
300
00:13:16,690 –> 00:13:18,070
من به شما خواهم گفت. دقیقاً به شما نشان می دهد که چگونه
301
00:13:18,070 –> 00:13:21,459
پرتوهای داور به درستی استفاده می شوند، بنابراین
302
00:13:21,459 –> 00:13:22,930
اعداد اساساً یک
303
00:13:22,930 –> 00:13:24,579
کتابخانه باورنکردنی برای انجام عملیات ریاضی و
304
00:13:24,579 –> 00:13:26,260
آماری است همانطور که
305
00:13:26,260 –> 00:13:28,480
قبلاً به شما گفتم کاملاً کار می کند
306
00:13:28,480 –> 00:13:30,490
و از
307
00:13:30,490 –> 00:13:33,370
ضرب آرایه های چند بعدی و ماتریس ها کاملاً خوب کار می کند ،
308
00:13:33,370 –> 00:13:35,079
بنابراین مانند یک بسیاری از ریاضیات
309
00:13:35,079 –> 00:13:37,360
در اینجا دخیل هستند، بنابراین در جلسه امروز
310
00:13:37,360 –> 00:13:38,589
ما نیز در اینجا برخی از ریاضیات را مورد بحث قرار خواهیم داد،
311
00:13:38,589 –> 00:13:42,459
بنابراین بیایید شروع کنیم
312
00:13:42,459 –> 00:13:45,760
این آخرین نور است درست همانطور که من
313
00:13:45,760 –> 00:13:48,310
انجام می دهم در بیشتر جلساتم
314
00:13:48,310 –> 00:13:51,279
، محتوایی را که میدانید در قسمت پایین نگه میدارم،
315
00:13:51,279 –> 00:13:53,980
بنابراین این چیزی است که میخواهم به
316
00:13:53,980 –> 00:13:57,690
شما بگویم Enda missionary یا ndrn درست است، بنابراین
317
00:13:57,690 –> 00:13:59,860
وقتی در مورد عملکرد
318
00:13:59,860 –> 00:14:01,600
صحبت میکنیم، وقتی در مورد کارایی نام صحبت میکنیم،
319
00:14:01,600 –> 00:14:04,120
چه کسی قهرمان اینجا کیست شما می
320
00:14:04,120 –> 00:14:06,760
دانید دلیل اینجا کیست که
321
00:14:06,760 –> 00:14:09,040
بخش قوی اینجاست برای شما می دانید
322
00:14:09,040 –> 00:14:10,779
آوردن همه این ویژگی ها از طریق
323
00:14:10,779 –> 00:14:13,120
numpad و به نام ndaa
324
00:14:13,120 –> 00:14:15,250
تمام آرایه بعدی N را می نویسد بنابراین ما می
325
00:14:15,250 –> 00:14:18,070
خواهیم روی این nd کار کنیم. ناحیه سمت راست
326
00:14:18,070 –> 00:14:19,690
و یک شی خطای قدرتمند n بعدی
327
00:14:19,690 –> 00:14:22,540
است و دارای روش های پیشرفته برش آرایه است،
328
00:14:22,540 –> 00:14:25,750
بنابراین امیدوارم به خاطر داشته باشید
329
00:14:25,750 –> 00:14:28,570
که برش به درستی از هم جدا
330
00:14:28,570 –> 00:14:30,610
331
00:14:30,610 –> 00:14:31,510
332
00:14:31,510 –> 00:14:33,720
می شود. تکرار
333
00:14:33,720 –> 00:14:35,980
کنید خیلی خوب است ممنون از شما متشکرم
334
00:14:35,980 –> 00:14:36,700
آه می کشید
335
00:14:36,700 –> 00:14:38,980
و من می خواهم به شما چیزی
336
00:14:38,980 –> 00:14:41,080
در مورد تغییر شکل دقیقاً آنچه
337
00:14:41,080 –> 00:14:43,660
حمل و نقل درست است به شما بگویم بنابراین موارد زیادی
338
00:14:43,660 –> 00:14:45,220
وجود دارد که امروز می خواهم آنها را پوشش دهم
339
00:14:45,220 –> 00:14:49,300
و فقط با من باشید حق و
340
00:14:49,300 –> 00:14:52,060
مهمترین بخش قبل از شروع یک
341
00:14:52,060 –> 00:14:54,430
روش عملی مهم ترین بخش
342
00:14:54,430 –> 00:14:59,430
قبل از شروع عملی این است که
343
00:14:59,430 –> 00:15:03,520
شما باید به همان روشی
344
00:15:03,520 –> 00:15:05,980
فکر کنید که من فکر می کنم
345
00:15:05,980 –> 00:15:08,020
شما باید ابتدا سؤال را درک کنید ، ابتدا باید
346
00:15:08,020 –> 00:15:10,030
بدانید سؤال را بگیرید و سپس شما باید
347
00:15:10,030 –> 00:15:11,680
منطق را درک کنید و باید
348
00:15:11,680 –> 00:15:14,080
خروجی را ببینید و منطق را با خروجی مقایسه کنید
349
00:15:14,080 –> 00:15:16,660
، بنابراین این یک یا دو
350
00:15:16,660 –> 00:15:18,280
فرآیند سه مرحله ای خواهد بود که ما با آن
351
00:15:18,280 –> 00:15:21,430
کار خواهیم کرد، زیرا در جلسه
352
00:15:21,430 –> 00:15:23,110
امروز قرار است با تعداد زیادی از آنها بازی کنیم. اعداد
353
00:15:23,110 –> 00:15:25,480
منتظر هستند تعداد زیادی اعداد ما قرار است با آنها
354
00:15:25,480 –> 00:15:30,700
بازی کنیم، بنابراین می دانید که باید
355
00:15:30,700 –> 00:15:32,620
مراقب باشید دقیقاً در مورد آنچه در اینجا صحبت می
356
00:15:32,620 –> 00:15:35,440
کنیم، اتصال را از دست ندهید، اتصال را
357
00:15:35,440 –> 00:15:37,630
از دست ندهید، صبر کنید ابتدا اتصال را از دست ندهید
358
00:15:37,630 –> 00:15:41,670
که این یک توجه داشته باشید بسیار خوب،
359
00:15:41,670 –> 00:15:44,020
بنابراین من می خواهم قسمت Chickasha را
360
00:15:44,020 –> 00:15:46,470
در اینجا راه اندازی کنم
361
00:15:52,780 –> 00:15:59,650
و اکنون می خواهم روی Python 3 کلیپ
362
00:15:59,650 –> 00:16:05,410
کنم.
363
00:16:05,410 –> 00:16:13,630
364
00:16:13,630 –> 00:16:18,550
365
00:16:18,550 –> 00:16:20,380
جلسات شما
366
00:16:20,380 –> 00:16:25,330
احتمالاً می توانید در پورتال فارغ التحصیلی خود مشاهده کنید، در
367
00:16:25,330 –> 00:16:27,820
صورتی که ویدیوها در آنجا در دسترس نیستند، بنابراین از
368
00:16:27,820 –> 00:16:29,800
شما می خواهم که یک ایمیل به تیم مراقبت فارغ التحصیلی
369
00:16:29,800 –> 00:16:32,980
که می شناسید ارسال کنید و آنها
370
00:16:32,980 –> 00:16:35,140
در پاسخگویی و حل
371
00:16:35,140 –> 00:16:41,650
مشکلات خود خوب هستند، من بسیار مطمئن هستم.
372
00:16:41,650 –> 00:16:46,120
بسیار خوب متشکرم راجش خوب است، بنابراین در اینجا ما
373
00:16:46,120 –> 00:16:51,490
با شماره اعداد در عمل شروع می کنیم
374
00:16:51,490 –> 00:16:55,120
و اول از همه کاری که می خواهیم
375
00:16:55,120 –> 00:16:57,630
انجام دهیم تا از کتابخانه numpy استفاده
376
00:16:57,630 –> 00:17:01,089
کنیم، اساساً باید ماژول را به
377
00:17:01,089 –> 00:17:09,459
سمت راست import numpy وارد کنیم، بنابراین این یک ورودی است.
378
00:17:09,459 –> 00:17:11,260
یک کلمه کلیدی است در شما یک پایتون را می شناسید که
379
00:17:11,260 –> 00:17:14,410
قبلاً کتابخانه ای را در کتابخانه گنجانده است
380
00:17:14,410 –> 00:17:15,910
که من در اینجا
381
00:17:15,910 –> 00:17:18,010
گنجانده ام مهم است داور بهترین بخش این است که ما
382
00:17:18,010 –> 00:17:20,530
از آناکوندا در توزیع استفاده می کنیم و در
383
00:17:20,530 –> 00:17:22,569
توزیع آناکوندا اساساً می بینید
384
00:17:22,569 –> 00:17:25,510
که کتابخانه های محبوب قبلاً
385
00:17:25,510 –> 00:17:30,450
نصب شده اند. و به این صورت است که ما
386
00:17:30,450 –> 00:17:34,120
ماژول را به درستی اضافه می کنیم و شما بیشتر می دانید که من
387
00:17:34,120 –> 00:17:37,420
برخی از توابع خوب را
388
00:17:37,420 –> 00:17:40,360
برای انجام محاسبات به
389
00:17:40,360 –> 00:17:42,880
درستی فراخوانی می کنم، بنابراین تکرار این دستور دستوری برای فراخوانی صحیح توابع خواهد بود،
390
00:17:42,880 –> 00:17:44,740
بنابراین من می روم برای فراخوانی
391
00:17:44,740 –> 00:17:47,410
برخی از تابع ها از این کتابخانه و برای
392
00:17:47,410 –> 00:17:49,720
هر ستون تابع، باید از
393
00:17:49,720 –> 00:17:52,450
مرجع ماژول پورتال استفاده کنم و
394
00:17:52,450 –> 00:17:54,730
این خیلی خوب است، اما کاری که
395
00:17:54,730 –> 00:17:57,270
من می خواهم انجام دهم این است که یک نام مستعار در اینجا به عنوان MV ایجاد می کنم.
396
00:17:57,270 –> 00:18:01,060
این نام مستعار به من کمک می کند تا
397
00:18:01,060 –> 00:18:03,700
سرعت تایپ
398
00:18:03,700 –> 00:18:06,250
ضربه های کلید را کاهش
399
00:18:06,250 –> 00:18:09,430
دهم، بنابراین
400
00:18:09,430 –> 00:18:10,960
به جای نوشتن کل
401
00:18:10,960 –> 00:18:13,900
شماره، می توانم از تابع کتابخانه numpy استفاده کنم و به سادگی می توانم در اینجا
402
00:18:13,900 –> 00:18:16,480
بنویسم، بنابراین فکر می کنم این نام مستعار اکنون منطقی است،
403
00:18:16,480 –> 00:18:19,570
بنابراین امیدوارم همه این کار را انجام دهند. پاک کردن با
404
00:18:19,570 –> 00:18:23,550
نام مستعار قسمت okay متشکرم یک Schmo
405
00:18:23,550 –> 00:18:27,100
okay که صفحه نمایش بسیار بدی است، بنابراین
406
00:18:27,100 –> 00:18:29,410
اینطوری شروع می کنیم بچه ها وارد کردن numpy s
407
00:18:29,410 –> 00:18:32,410
و b و b نام مستعار برای numpy است و
408
00:18:32,410 –> 00:18:35,560
در اینجا کاری که من می خواهم انجام دهم این است که می
409
00:18:35,560 –> 00:18:40,900
خواهم ایجاد کنم اوه می دانید اوه یک آرایه در اینجا
410
00:18:40,900 –> 00:18:42,970
درست به زبان عربی درست است، بنابراین کاری که من می
411
00:18:42,970 –> 00:18:48,250
خواهم انجام دهم این است که لیست پایتون من برابر با 1 2 3
412
00:18:48,250 –> 00:18:50,830
و 4 است، بنابراین در اینجا کاری که انجام داده ام یک لیست ایجاد کرده ام
413
00:18:50,830 –> 00:18:53,560
و شما به راحتی می توانید ببینید که این
414
00:18:53,560 –> 00:18:56,620
لیست متعلق به پایتون است و برای
415
00:18:56,620 –> 00:18:58,540
درک آسان دقیقاً آنچه که
416
00:18:58,540 –> 00:19:01,090
انجام می دهیم من دارم فقط با یک متغیر
417
00:19:01,090 –> 00:19:03,880
با توجه به زمینه در اینجا نامگذاری شده است، بنابراین
418
00:19:03,880 –> 00:19:06,280
لیست پایتون من است و کاری که من می
419
00:19:06,280 –> 00:19:08,980
خواهم انجام دهم این است که
420
00:19:08,980 –> 00:19:14,560
اجازه دهید لیست um را لیست پایتون من
421
00:19:14,560 –> 00:19:15,880
را به شماره 8 تبدیل
422
00:19:15,880 –> 00:19:18,310
کنم، صبر کنید، بنابراین من می خواهم این لیست
423
00:19:18,310 –> 00:19:20,020
را به یک داور تبدیل کنید تا حداکثر
424
00:19:20,020 –> 00:19:23,650
کارایی را از آن بگیرید، پس خیلی خوب است،
425
00:19:23,650 –> 00:19:26,080
بچه ها یک
426
00:19:26,080 –> 00:19:28,240
خطای ورودی دارید، درست است.
427
00:19:28,240 –> 00:19:32,350
428
00:19:32,350 –> 00:19:40,480
یک گوشه
429
00:19:40,480 –> 00:19:46,540
نباید ورودی دریافت کنید در صورتی که
430
00:19:46,540 –> 00:19:50,860
اگر در گوشه ای از آن استفاده می کنید، مشکل دوم برای
431
00:19:50,860 –> 00:19:53,530
شماست که به منوی با هسته بروید و
432
00:19:53,530 –> 00:20:01,660
روی راه اندازی مجدد کلیک
433
00:20:01,660 –> 00:20:04,210
434
00:20:04,210 –> 00:20:06,520
کنید. فکر می کنم هر کدام برای هر
435
00:20:06,520 –> 00:20:11,970
برخوردی این شماره را دارد بله سلین
436
00:20:11,970 –> 00:20:15,070
که فعلاً به آن زندگی نیاز ندارد
437
00:20:15,070 –> 00:20:18,880
اما ناپاک باید وجود داشته باشد روشن
438
00:20:18,880 –> 00:20:19,960
شما در حال دریافت هیچ خریدار هستید
439
00:20:19,960 –> 00:20:23,980
خوب پس می توانیم یک کار انجام دهیم
440
00:20:23,980 –> 00:20:30,309
صبر کنید بیایید به محیط ها برویم و من به
441
00:20:30,309 –> 00:20:35,340
سادگی یک اینجا را کلیک کنید باز کردن ترمینال
442
00:20:35,580 –> 00:20:45,639
کاندو زمان نصب اجازه دهید ببینیم اگر این
443
00:20:45,639 –> 00:20:46,149
کار
444
00:20:46,149 –> 00:20:49,269
خوب است خوب است، خوشحالم که می بینم که برای
445
00:20:49,269 –> 00:20:53,009
شما کار می کند، اما من
446
00:20:53,009 –> 00:20:56,470
واقعاً مطمئن نیستم که چرا
447
00:20:56,470 –> 00:20:59,710
شما آن خطا را دریافت می کنید، بنابراین فکر می کنم
448
00:20:59,710 –> 00:21:01,570
اگرچه می توانید همان دستور را
449
00:21:01,570 –> 00:21:04,809
در اینجا دنبال کنید. من برای شما انجام می دهم برای
450
00:21:04,809 –> 00:21:09,299
نصب خم کننده ها متشکرم
451
00:21:09,299 –> 00:21:13,090
من فقط به عقب برمی گردم، بنابراین در اینجا کاری
452
00:21:13,090 –> 00:21:15,629
که می خواهم انجام دهم این است که می خواهم
453
00:21:15,629 –> 00:21:19,869
آن لیست را به لیست پایتون خود تبدیل کنم و
454
00:21:19,869 –> 00:21:25,769
در این متغیر ذخیره می کنم آرایه بی رنگ
455
00:21:25,769 –> 00:21:36,159
چاپ خوب زمان چاپ بدون خط زیر
456
00:21:36,159 –> 00:21:41,019
خط پس بچه ها اینجا اینطوری
457
00:21:41,019 –> 00:21:43,480
درست کار می کند پس فقط راهی است ببینید این فقط یک
458
00:21:43,480 –> 00:21:45,700
شروع اساسی است که من به همه شما داده ام
459
00:21:45,700 –> 00:21:47,679
مطمئن شوید که در حال حاضر کند و تنبل نیستید
460
00:21:47,679 –> 00:21:49,779
چون
461
00:21:49,779 –> 00:21:54,460
برنامه نویسی بسیار پیچیده ای خواهد بود، بنابراین
462
00:21:54,460 –> 00:21:56,679
لطفاً
463
00:21:56,679 –> 00:21:57,850
سؤالات را برای شرکت کنندگان ارسال کنید، جایی که اتاق درست است،
464
00:21:57,850 –> 00:22:00,220
بنابراین شوکی این سؤال را دارد که او چه می گوید
465
00:22:00,220 –> 00:22:01,899
که تبدیل لیست
466
00:22:01,899 –> 00:22:05,200
به منطقه چه فایده ای دارد. استفاده از
467
00:22:05,200 –> 00:22:07,600
تبدیل یک لیست به آرایه این است که
468
00:22:07,600 –> 00:22:10,269
اکنون وقتی یک لیست را به آن تبدیل می کنید برای
469
00:22:10,269 –> 00:22:12,369
آرایه اولین چیز این است که در
470
00:22:12,369 –> 00:22:15,190
ثانیه حافظه کمتری را اشغال می کند هر
471
00:22:15,190 –> 00:22:17,259
محاسبات دیگری که قرار است
472
00:22:17,259 –> 00:22:19,899
روی آرایه انجام دهید در مقایسه با لیست پایتون سریعتر خواهد بود.
473
00:22:19,899 –> 00:22:23,070
474
00:22:23,210 –> 00:22:26,200
475
00:22:26,200 –> 00:22:29,810
476
00:22:29,810 –> 00:22:31,970
دو چیز را در حافظه پس زمینه به خاطر بسپار کارایی حافظه پس زمینه
477
00:22:31,970 –> 00:22:33,770
را به شما نشان می دهم
478
00:22:33,770 –> 00:22:35,900
اثبات این حق را به
479
00:22:35,900 –> 00:22:37,880
شما نشان می دهم نگران نباشید و
480
00:22:37,880 –> 00:22:42,200
اجزای سازنده درست است بله بله اصلاح شده
481
00:22:42,200 –> 00:22:48,320
درست است زیرا شیوان دلیل
482
00:22:48,320 –> 00:22:50,750
سوال شما به این دلیل است که یک شیء
483
00:22:50,750 –> 00:22:57,410
است، به همین دلیل ساختاری ندارد،
484
00:22:57,410 –> 00:23:00,590
بنابراین در اینجا می توانید ببینید که من به شما گفتم
485
00:23:00,590 –> 00:23:03,020
که کلید یا ستون فقرات
486
00:23:03,020 –> 00:23:05,510
آرایه numpy numpy گوشواره انتهایی است، شما می
487
00:23:05,510 –> 00:23:08,090
توانید ndaa را در اینجا ببینید، بنابراین این چیزی است که
488
00:23:08,090 –> 00:23:10,880
من الان در مورد آن صحبت میکردیم که
489
00:23:10,880 –> 00:23:14,690
آن را بهعنوان آرایه نمینامیم، بلکه آرایه دوم است، درست
490
00:23:14,690 –> 00:23:18,200
میگوید که اینطوری میشود، حالا من میخواهم
491
00:23:18,200 –> 00:23:20,870
چند نمونه دیگر را به شما نشان دهم، بنابراین
492
00:23:20,870 –> 00:23:22,790
ده دقیقه آینده آسان خواهد
493
00:23:22,790 –> 00:23:25,340
بود و به جلوتر میرود.
494
00:23:25,340 –> 00:23:29,210
حیله گر بودن مطمئن شوید
495
00:23:29,210 –> 00:23:36,470
که خوب پیش میروید و تونی بوتی لطفاً
496
00:23:36,470 –> 00:23:38,150
سؤالات خود را در قسمت آن در عنصر او ارسال
497
00:23:38,150 –> 00:23:40,460
کنید تا ببینند آنتیبادی
498
00:23:40,460 –> 00:23:44,750
میگوید n تونی میگوید شما نام
499
00:23:44,750 –> 00:23:48,020
L را میگیرید، پس مطمئن شوید که میدانید دارید
500
00:23:48,020 –> 00:23:52,790
این کار را انجام میدهید. دقیقاً همانطور که من انجام میدهم، بله،
501
00:23:52,790 –> 00:23:56,800
ما میتوانیم این کار را انجام دهیم، به گفته شما
502
00:23:58,360 –> 00:24:01,130
سالی، این یک محدودیت نیست، زیرا به
503
00:24:01,130 –> 00:24:03,260
طور کلی زمانی که شما انجام میدهید، فرض کنید
504
00:24:03,260 –> 00:24:05,120
یادگیری ماشین یا تجزیه و تحلیل دادهها
505
00:24:05,120 –> 00:24:08,180
از کتابخانههای numpy استفاده میکردند و شما
506
00:24:08,180 –> 00:24:10,340
روی یک داده ثابت کار میکنید. به این دلیل که
507
00:24:10,340 –> 00:24:13,010
ما روی منبع متغیر دادههای متغیر کار نمیکنیم،
508
00:24:13,010 –> 00:24:15,530
بنابراین دادهها
509
00:24:15,530 –> 00:24:20,440
بایگانی میشوند و ثابت میشوند، خوب
510
00:24:20,440 –> 00:24:24,500
اجازه دهید ادامه دهیم، من میخواهم
511
00:24:24,500 –> 00:24:26,680
چند نمونه اولیه دیگر را در numpy به شما نشان
512
00:24:26,680 –> 00:24:32,990
دهم، بنابراین در اینجا ما یک
513
00:24:32,990 –> 00:24:36,660
پایگاه داده مختلف داریم با تشکر از شما در حال تماشا
514
00:24:36,660 –> 00:24:38,130
برای آن بسیار متشکرم از اطلاع رسانی
515
00:24:38,130 –> 00:24:40,260
که واقعا کمک می کند، بنابراین هوا بسیار
516
00:24:40,260 –> 00:24:42,210
محکم است که من در اینجا در مورد آن صحبت خواهم کرد،
517
00:24:42,210 –> 00:24:46,260
بنابراین اینجا x برابر است با آرایه نقطه 2mv و در اینجا
518
00:24:46,260 –> 00:24:48,410
من می خواهم یک دو سه چهار و
519
00:24:48,410 –> 00:24:51,630
اگر چاپ کنم X در اینجا پس به معنی یک دو
520
00:24:51,630 –> 00:24:55,500
t است hree four و اگر من چاپ کنم و داده
521
00:24:55,500 –> 00:24:58,380
هایی که به آن اشاره می کند، بنابراین اگر
522
00:24:58,380 –> 00:25:03,420
نوع آن آرایه را چاپ کنم درست 232 است، بنابراین
523
00:25:03,420 –> 00:25:05,760
نوع D یک خاصیت است که در اینجا استفاده می شود
524
00:25:05,760 –> 00:25:10,410
که می دانید یک چاپگر
525
00:25:10,410 –> 00:25:12,080
نوع وجود آن هوادهی خاص را چاپ می کند. و
526
00:25:12,080 –> 00:25:14,250
اینطوری پیش میرویم که
527
00:25:14,250 –> 00:25:17,130
خیلی خوب است، بنابراین بیشتر به سراغ
528
00:25:17,130 –> 00:25:20,880
چیز دیگری بروید که x یا y برابر با دو و
529
00:25:20,880 –> 00:25:24,420
آرایه نقطه P است و در اینجا یک نقطه داریم 0
530
00:25:24,420 –> 00:25:27,990
کاما 2 نقطه 0 کاما 2 نقطه اوه
531
00:25:27,990 –> 00:25:33,570
1 0 و اگر Y را چاپ کنم ما
532
00:25:33,570 –> 00:25:36,600
خروجی آن شراب را خواهیم دید و در اینجا
533
00:25:36,600 –> 00:25:39,960
به نوع روز Y فکر می کنم تا بدانید
534
00:25:39,960 –> 00:25:42,690
که من کارهای ساده ای را در اینجا انجام می دهم که
535
00:25:42,690 –> 00:25:45,120
باعث می شود در
536
00:25:45,120 –> 00:25:47,400
سه یا چهار یا پنج دقیقه اول راحت باشید و سپس
537
00:25:47,400 –> 00:25:49,200
بیشتر میخواهی به
538
00:25:49,200 –> 00:25:51,150
چیزهای بزرگتری بپردازی، بنابراین
539
00:25:51,150 –> 00:25:53,010
آشنایی درست با گذراندن
540
00:25:53,010 –> 00:25:57,110
اوقات خوشی با این مو
541
00:25:57,110 –> 00:26:01,320
اشکالی
542
00:26:01,320 –> 00:26:02,910
543
00:26:02,910 –> 00:26:06,380
544
00:26:06,950 –> 00:26:10,290
ندارد.
545
00:26:10,290 –> 00:26:13,890
من می خواهم به ذکر 1 کاما 2 کاما
546
00:26:13,890 –> 00:26:22,110
نوع T برابر با n P d ot و 64 okay print
547
00:26:22,110 –> 00:26:28,800
گفت سه بار اوکی پس داده piece of
548
00:26:28,800 –> 00:26:30,240
milk بچه ها ما قبلاً
549
00:26:30,240 –> 00:26:33,000
نوع داده پخش داده شده را می دانستیم بنابراین در اینجا می توانید
550
00:26:33,000 –> 00:26:35,790
ببینید که در مثال اول ما
551
00:26:35,790 –> 00:26:39,870
دیدیم که در 32 است و سپس در
552
00:26:39,870 –> 00:26:43,020
دوم. به عنوان مثال، شما میدانید طبقه 64
553
00:26:43,020 –> 00:26:45,269
و در مرحله بعدی
554
00:26:45,269 –> 00:26:48,549
میدانید که آنها باید نشان دهند، ما
555
00:26:48,549 –> 00:26:51,940
مکانیزمی داریم که مشخص میکند در چه
556
00:26:51,940 –> 00:26:53,529
روزی میروید، بنابراین ما چگونه این
557
00:26:53,529 –> 00:26:57,940
کار را انجام میدهیم، بنابراین این
558
00:26:57,940 –> 00:27:01,330
کار درست انجام میشود. فقط کمی وقت گذاشتم فقط
559
00:27:01,330 –> 00:27:04,269
به ما 15 تا 30 ثانیه مکث کرد
560
00:27:04,269 –> 00:27:06,849
تا بتوانم کمک کنم تا
561
00:27:06,849 –> 00:27:08,470
همه شما بفرستید که به روز رسانی انجام شد.
562
00:27:08,470 –> 00:27:10,479
563
00:27:10,479 –> 00:27:12,309
564
00:27:12,309 –> 00:27:15,099
کامپایلر برای پایتون و فقط
565
00:27:15,099 –> 00:27:17,080
برنامه نویسی را روی آن چیز درست شروع کنید
566
00:27:17,080 –> 00:27:19,539
تا در جلسه امروز مفید باشد،
567
00:27:19,539 –> 00:27:27,999
بسیار خوب، بنابراین یک
568
00:27:27,999 –> 00:27:29,080
سوال دارید در آنجا سوالی دارید که تفاوت
569
00:27:29,080 –> 00:27:31,840
بین 32 و 64 چیست، تفاوت
570
00:27:31,840 –> 00:27:35,289
برای تفاوت دو چیز است
571
00:27:35,289 –> 00:27:38,379
حافظه کلاهک NC بنابراین در 32 است
572
00:27:38,379 –> 00:27:42,549
4 بایت اشغال می کند در حالی که در صدای سکسی
573
00:27:42,549 –> 00:27:44,979
8 بایت را اشغال می کند که
574
00:27:44,979 –> 00:27:46,599
اولین تفاوت است.
575
00:27:46,599 –> 00:27:49,359
576
00:27:49,359 –> 00:27:52,690
577
00:27:52,690 –> 00:27:54,700
578
00:27:54,700 –> 00:27:56,200
579
00:27:56,200 –> 00:28:00,580
ظرفیت متفاوت است، بنابراین در اینجا
580
00:28:00,580 –> 00:28:03,190
و این Z کاملاً از هم جدا است، بنابراین در
581
00:28:03,190 –> 00:28:06,460
این بخش اساساً می دانید که من
582
00:28:06,460 –> 00:28:08,139
دقیقاً به شما توضیح دادم در صورتی که اگر می
583
00:28:08,139 –> 00:28:11,349
خواهید David I را مشخص کنید به خودی خود
584
00:28:11,349 –> 00:28:13,029
در رتبه سوم تا اول قرار می گیرد،
585
00:28:13,029 –> 00:28:15,789
اما بگذارید بگوییم برای به دلایلی
586
00:28:15,789 –> 00:28:18,429
میخواهد تاریخ بالای این ناحیه باشد، شما
587
00:28:18,429 –> 00:28:21,759
میدانید بهجای 32، به
588
00:28:21,759 –> 00:28:24,639
همین دلیل است که میتوانید از آن فاصله بگیرید.
589
00:28:24,639 –> 00:28:32,320
590
00:28:32,320 –> 00:28:35,379
591
00:28:35,379 –> 00:28:37,809
پایگاه داده روش ها برای
592
00:28:37,809 –> 00:28:40,479
نوع داده برای دانستن نوع داده
593
00:28:40,479 –> 00:28:43,599
یا برای تعیین نوع داده است، بنابراین می
594
00:28:43,599 –> 00:28:49,960
توانید از هر دو راه استفاده کنید بسیار خوب است،
595
00:28:49,960 –> 00:28:52,690
بنابراین
596
00:28:52,690 –> 00:28:55,720
امیدوارم که همه با numpy درست یک بار دیگر کنار بیایند.
597
00:28:55,720 –> 00:29:01,659
به شما بگویم که یک چیز می
598
00:29:01,659 –> 00:29:03,279
خواهم به شما بگویم که
599
00:29:03,279 –> 00:29:05,649
دلیل اصلی استفاده از پاک کردن از numpy
600
00:29:05,649 –> 00:29:09,489
برای اجراهاست و می دانید که
601
00:29:09,489 –> 00:29:12,009
سه دلیل وجود دارد که می گویم صبر کنید من به
602
00:29:12,009 –> 00:29:19,629
سه دلیل یک کارایی حافظه تا
603
00:29:19,629 –> 00:29:27,009
عملکرد و سه مجموعه بزرگ را بیان می کنم. خارج از یک
604
00:29:27,009 –> 00:29:32,950
تابع برای یک روز دستکاری، بنابراین من
605
00:29:32,950 –> 00:29:37,749
قصد دارم در مورد این مورد بحث کنم، همچنین هیچ
606
00:29:37,749 –> 00:29:39,460
داده شیوانی را نمی توان با
607
00:29:39,460 –> 00:29:44,080
برنامه های معمولی پایتون استفاده کرد، بله
608
00:29:44,080 –> 00:29:49,389
،
609
00:29:49,389 –> 00:29:52,629
وقتی شما کمتر از 11
610
00:29:52,629 –> 00:29:54,789
نوع داده دارید و آن رشته اول است Aseema می تواند خوب باشد. نمایش
611
00:29:54,789 –> 00:29:56,830
رشته درست است، برای
612
00:29:56,830 –> 00:30:00,519
یونیکد است.
613
00:30:00,519 –> 00:30:01,960
614
00:30:01,960 –> 00:30:09,729
615
00:30:09,729 –> 00:30:13,629
616
00:30:13,629 –> 00:30:18,159
617
00:30:18,159 –> 00:30:20,589
عدد
618
00:30:20,589 –> 00:30:22,809
درست در حافظه کارآمد است، بنابراین من میخواهم
619
00:30:22,809 –> 00:30:26,679
یک نمایش را در اینجا به شما نشان دهم و در
620
00:30:26,679 –> 00:30:28,330
آن نمایش دقیقاً به شما نشان میدهم که
621
00:30:28,330 –> 00:30:30,940
چه مدت میتواند همان حافظه
622
00:30:30,940 –> 00:30:34,539
باشد و حالا طبق نظر شما Ravi سوال r
623
00:30:34,539 –> 00:30:38,559
اما تمام آرایه هایی که شما می دانید که
624
00:30:38,559 –> 00:30:39,909
من تا به حال ایجاد کرده ام یک
625
00:30:39,909 –> 00:30:41,889
بعدی هستند فقط آنها دو DNA نیستند.
626
00:30:41,889 –> 00:30:45,030
627
00:30:45,030 –> 00:30:49,330
628
00:30:49,330 –> 00:30:51,640
میدانید که دقیقاً به شما بگویم
629
00:30:51,640 –> 00:30:53,530
که عدد چقدر در حافظه کارآمد است، میدانید که
630
00:30:53,530 –> 00:30:55,990
با این توضیح به شما
631
00:30:55,990 –> 00:30:58,600
یک پایه قوی میدهد که دقیقاً چرا باید
632
00:30:58,600 –> 00:31:01,390
عدد را یاد بگیرید چرا نمیتوانید عدد را حذف کنید
633
00:31:01,390 –> 00:31:03,790
آیا میدانید که این عدد
634
00:31:03,790 –> 00:31:06,520
برای شما اجباری است زیرا همه برنامههای علم داده را میدانید.
635
00:31:06,520 –> 00:31:09,040
شما نمی توانید از آن بگذرید، بنابراین
636
00:31:09,040 –> 00:31:11,350
بیایید یک نمایش ببینیم، متوجه می شویم
637
00:31:11,350 –> 00:31:13,150
که چگونه اعداد ممکن است کارآمد باشند و
638
00:31:13,150 –> 00:31:14,950
تماس بگیرید که من یک
639
00:31:14,950 –> 00:31:16,480
ماژول دیگر را در اینجا معرفی می کنم و آن چیزی است
640
00:31:16,480 –> 00:31:19,090
به نام زمان مناسب یکی از
641
00:31:19,090 –> 00:31:20,710
ماژول هایی است که با زمان سروکار دارد. شما می
642
00:31:20,710 –> 00:31:22,480
دانید که زمان فعالیت های مربوط به زمان
643
00:31:22,480 –> 00:31:23,440
آنها دقیقه
644
00:31:23,440 –> 00:31:26,230
است، آیا اینطور نیست و تابعی
645
00:31:26,230 –> 00:31:32,679
به نام “درست می گیرد” دارد که
646
00:31:32,679 –> 00:31:34,900
در نمایش های بعدی از آن استفاده خواهم کرد، بنابراین فقط
647
00:31:34,900 –> 00:31:37,980
به شما اشاره می کنم که در اینجا یک
648
00:31:37,980 –> 00:31:41,049
نمای کلی وجود دارد که یک ماژول وجود دارد. زمان نامیده شده
649
00:31:41,049 –> 00:31:43,030
که من می خواهم در
650
00:31:43,030 –> 00:31:44,679
نمایش های بعدی خود درست در این
651
00:31:44,679 –> 00:31:48,520
نمایش استفاده کنم، بنابراین چقدر
652
00:31:48,520 –> 00:31:50,530
حافظه کارآمد است، بنابراین کاری که می خواهیم
653
00:31:50,530 –> 00:31:54,520
انجام دهیم این است که می رویم شما بدانید خوب
654
00:31:54,520 –> 00:31:57,070
اجازه دهید برنامه ای را که می خواهیم به شما بگویم
655
00:31:57,070 –> 00:32:02,710
برای ایجاد لیست ما و یک لیست در
656
00:32:02,710 –> 00:32:07,320
پایتون و یک آرایه در num fire off
657
00:32:07,320 –> 00:32:11,350
sighs mm شما این مرد را دریافت کردید،
658
00:32:11,350 –> 00:32:12,520
بنابراین کاری که ما می خواهیم انجام دهیم این
659
00:32:12,520 –> 00:32:14,260
است که یک لیست در پایتون ایجاد می کنیم
660
00:32:14,260 –> 00:32:16,799
و به تعداد هزاران عنصر اضافه می کنیم
661
00:32:16,799 –> 00:32:22,360
و ما میخواهیم میزان
662
00:32:22,360 –> 00:32:29,980
اشغال حافظه کل هر لید را بررسی کنیم و به همین دلیل
663
00:32:29,980 –> 00:32:32,230
متأسفیم که به این ترتیب متوجه میشویم که
664
00:32:32,230 –> 00:32:37,080
665
00:32:37,080 –> 00:32:40,630
دقیقاً اندازه آنها خوب است و اگر
666
00:32:40,630 –> 00:32:43,240
تفاوت زیادی وجود داشته باشد، دلیل محکمی برای ما به ارمغان خواهد آورد.
667
00:32:43,240 –> 00:32:46,450
شما می دانید که با قسمت شماره بروید،
668
00:32:46,450 –> 00:32:50,429
بنابراین در اینجا به
669
00:32:50,429 –> 00:32:54,960
این صورت می شود که به دنبال ورودی است.
670
00:32:54,960 –> 00:32:58,140
671
00:32:58,140 –> 00:32:59,850
672
00:32:59,850 –> 00:33:04,590
673
00:33:04,590 –> 00:33:07,049
این تابعی به نام get sizer دارد
674
00:33:07,049 –> 00:33:11,220
که طرفین r را برمی گرداند اندازه n
675
00:33:11,220 –> 00:33:14,460
بایت را می دهد، بنابراین هر مقداری را که ارسال می کنید،
676
00:33:14,460 –> 00:33:16,350
فرض کنید یک عدد صحیح را وارد می کنم، فرض می کنیم که
677
00:33:16,350 –> 00:33:19,679
یک عدد صحیح است یا 1، بنابراین یک عدد صحیح است،
678
00:33:19,679 –> 00:33:21,720
بنابراین کاری که قرار است
679
00:33:21,720 –> 00:33:23,340
انجام دهد به شما می رسد شما می دانید که اندازه عدد صحیح را به من بدهید
680
00:33:23,340 –> 00:33:25,950
نه یک عدد چون این
681
00:33:25,950 –> 00:33:29,610
سیستم درست است، بنابراین شما می توانید اینجا ببینید که
682
00:33:29,610 –> 00:33:33,090
چقدر می دانید که چقدر
683
00:33:33,090 –> 00:33:36,630
اندازه حافظه را اشغال می کند عدد صحیح در
684
00:33:36,630 –> 00:33:38,490
پایتون و در اینجا می توانید ببینید که
685
00:33:38,490 –> 00:33:44,100
28 بایت اشغال می کند، بنابراین خیلی خوب است،
686
00:33:44,100 –> 00:33:46,590
پس من برگشتم تازه داشتم. مشکلی
687
00:33:46,590 –> 00:33:50,399
در اتصالات شبکه اشکالی ندارد، بنابراین
688
00:33:50,399 –> 00:33:54,990
اندازه گیت کم است و می دانید که بیایید
689
00:33:54,990 –> 00:33:58,710
ادامه دهیم تا چیزی
690
00:33:58,710 –> 00:34:02,970
به نام لیست Python داشته باشیم و در اینجا من
691
00:34:02,970 –> 00:34:05,429
از تابعی به نام range استفاده می کنم
692
00:34:05,429 –> 00:34:10,949
و مقدار صد شاهد شما را ارسال
693
00:34:10,949 –> 00:34:15,060
می کنم. به سمت راست 14 بستگی دارد که
694
00:34:15,060 –> 00:34:16,800
احتمالاً چه تفاوتی در نسخه پایتون
695
00:34:16,800 –> 00:34:18,810
و سیستم عامل
696
00:34:18,810 –> 00:34:20,639
وجود دارد، همچنین در صورتی که از
697
00:34:20,639 –> 00:34:22,980
سیستم عامل دیگری یا
698
00:34:22,980 –> 00:34:24,500
نسخه پایتون دیگری استفاده می کنید، احتمال تفاوت وجود دارد،
699
00:34:24,500 –> 00:34:27,270
زیرا در اپراهای مختلف
700
00:34:27,270 –> 00:34:28,918
سیستمهای حافظه کوئینسی
701
00:34:28,918 –> 00:34:34,760
متفاوت است و من از شهر استفاده میکنم،
702
00:34:34,760 –> 00:34:41,250
اوکی هیچ چندبازیگر تاس نمیشود
703
00:34:41,250 –> 00:34:44,750
با آرایهها یا درست همگن،
704
00:34:44,750 –> 00:34:47,550
خوب است، بنابراین اجازه دهید
705
00:34:47,550 –> 00:34:50,040
نمایش را در اینجا کامل کنم تا بتوانم
706
00:34:50,040 –> 00:34:51,330
707
00:34:51,330 –> 00:34:53,790
موارد اینجا را به شما نشان دهم. m
708
00:34:53,790 –> 00:34:56,909
اعداد ما را تولید می کند بنابراین تابع واریانس در
709
00:34:56,909 –> 00:34:59,220
تابع تولید می کند که شما اعداد ما را
710
00:34:59,220 –> 00:35:03,660
از 0 تا n منهای 1 می دانید بنابراین به
711
00:35:03,660 –> 00:35:08,550
خوبی اعداد ما را
712
00:35:08,550 –> 00:35:11,490
درست می دانید من فقط آن را درست نشان می دهم پس خوب اینطور
713
00:35:11,490 –> 00:35:13,200
نشان می دهد اما باور کنید
714
00:35:13,200 –> 00:35:15,360
اعدادی در داخل آن وجود دارد، من نمی توانم
715
00:35:15,360 –> 00:35:17,070
تا شب صبر کنم اکنون در
716
00:35:17,070 –> 00:35:19,110
نمایش بعدی، کاری که می خواهم انجام
717
00:35:19,110 –> 00:35:24,720
دهم این است که آرایه numpy را
718
00:35:24,720 –> 00:35:28,800
با همان اندازه آرایه numpy تولید می کنم و در اینجا من
719
00:35:28,800 –> 00:35:34,410
می خواهم شما هزاران را
720
00:35:34,410 –> 00:35:37,140
درست کنم، بنابراین numpy تابعی به نام
721
00:35:37,140 –> 00:35:41,310
محدوده دارد که همان کار محدوده را در
722
00:35:41,310 –> 00:35:44,670
وزن مناسب من انجام می دهد، بنابراین در اینجا می توانید ببینید که
723
00:35:44,670 –> 00:35:48,930
من از دو لیست استفاده می کنم که
724
00:35:48,930 –> 00:35:51,330
یکی لیست پایتون است و دومی یک
725
00:35:51,330 –> 00:35:57,030
داور در حال حاضر در اینجا برای تولید
726
00:35:57,030 –> 00:35:58,530
آرایه اعداد است. من از ar استفاده می کنم
727
00:35:58,530 –> 00:36:00,570
تابع range از کتابخانه numpy و
728
00:36:00,570 –> 00:36:03,630
اندازه یکسان است اندازه صد است
729
00:36:03,630 –> 00:36:06,210
بنابراین صد عنصر است و بنابراین چیزی که
730
00:36:06,210 –> 00:36:08,850
من می گویم درست است
731
00:36:08,850 –> 00:36:12,150
هزار عنصر و پایتون و
732
00:36:12,150 –> 00:36:15,480
هزار محدودیت در آرایه حالا
733
00:36:15,480 –> 00:36:20,850
من چه هستم چاپ کردن این است که
734
00:36:20,850 –> 00:36:28,110
اندازه کل اشغال شده توسط لیست های پایتون
735
00:36:28,110 –> 00:36:32,820
می تواند با کاما باشد، بنابراین ما
736
00:36:32,820 –> 00:36:39,510
لیست زیر خط پایتون را داریم که تعداد
737
00:36:39,510 –> 00:36:43,920
کل عناصر موجود در لیست های پایتون در sis
738
00:36:43,920 –> 00:36:47,580
اندازه یک عدد نمی شود زیرا همه si
739
00:36:47,580 –> 00:36:49,740
همه اعداد در آن اعداد صحیح هستند. Python
740
00:36:49,740 –> 00:36:53,640
پس اینجا باشه اجازه دهید این مورد را درست توضیح دهم
741
00:36:53,640 –> 00:37:00,900
Shagun هر دو یکسان هستند کتی شما
742
00:37:00,900 –> 00:37:03,690
از double استفاده می کنید تک است یا در یک
743
00:37:03,690 –> 00:37:04,960
محدوده
744
00:37:04,960 –> 00:37:08,589
خوب است با عرض پوزش برای وقفه خوب است بنابراین
745
00:37:08,589 –> 00:37:10,570
در اینجا من تعداد
746
00:37:10,570 –> 00:37:11,800
عناصر موجود در لیست را بازیابی می کنم
747
00:37:11,800 –> 00:37:14,410
خوب است بنابراین Len برای تعداد عناصر موجود
748
00:37:14,410 –> 00:37:18,060
در لیست به اندازه یک عدد صحیح،
749
00:37:18,060 –> 00:37:21,790
تعداد اعداد صحیح در یک لیست به
750
00:37:21,790 –> 00:37:24,099
اندازه یک عدد صحیح است،
751
00:37:24,099 –> 00:37:34,480
به این ترتیب است که خوب چاپ میشود و با رسیدن
752
00:37:34,480 –> 00:37:35,650
به ضرایب درست، فقط یک لحظه سی کل را به من بدهید.
753
00:37:35,650 –> 00:37:41,950
ze از اندازه کل
754
00:37:41,950 –> 00:37:46,869
ارائه شده آرایه numpy آرایه numpy درست است، بنابراین
755
00:37:46,869 –> 00:37:50,369
کاری که من می خواهم انجام دهم این است که
756
00:37:50,369 –> 00:37:56,230
آرایه numpy یک آرایه با اندازه نقطه آرایه به
757
00:37:56,230 –> 00:37:59,320
سایت های مورد نقطه آرایه numpy underscore است
758
00:37:59,320 –> 00:38:01,349
که
759
00:38:06,470 –> 00:38:09,990
بسیار خوب است، بنابراین اینطوری می شود، بنابراین در اینجا
760
00:38:09,990 –> 00:38:11,849
ما یک تابع خوب مشخصه
761
00:38:11,849 –> 00:38:12,390
درست است
762
00:38:12,390 –> 00:38:14,819
پیچیده شدن خوب است من می دانم اما این با
763
00:38:14,819 –> 00:38:18,329
من باشد آرایه numpy سمت راست اندازه نقطه آن را
764
00:38:18,329 –> 00:38:20,579
برابر با طول
765
00:38:20,579 –> 00:38:24,150
برمی گرداند خوب آن را معادل طول به
766
00:38:24,150 –> 00:38:27,829
اندازه آیتم برمی گرداند اندازه آیتم اشغال شده است
767
00:38:27,829 –> 00:38:31,740
امیدوارم که شما پیدا کنید.
768
00:38:31,740 –> 00:38:35,999
تعداد عناصر موجود در
769
00:38:35,999 –> 00:38:38,700
آرایه بهتر است اگر
770
00:38:38,700 –> 00:38:41,910
آن را در اینجا بنویسم numpy و Rosco آرایه نقطه
771
00:38:41,910 –> 00:38:48,089
اندازه آیتم اندازه اشغال شده توسط یک
772
00:38:48,089 –> 00:38:52,349
عنصر در آرایه numpy خوب است،
773
00:38:52,349 –> 00:38:55,230
بنابراین اگر می خواهید این
774
00:38:55,230 –> 00:38:57,029
مقادیر را متفاوت یا جداگانه چاپ کنید می توانید
775
00:38:57,029 –> 00:38:59,130
این کار را درست انجام دهید من فقط سعی می
776
00:38:59,130 –> 00:39:02,490
کنم دقیقاً به شما نشان دهم که کد چیست و
777
00:39:02,490 –> 00:39:03,150
چگونه کار می کند
778
00:39:03,150 –> 00:39:11,759
اوه چه باشه من یک مورد را فراموش کردم خوب فقط
779
00:39:11,759 –> 00:39:15,920
یک لحظه به من فرصت دهید بچه ها خوب
780
00:39:15,920 –> 00:39:18,420
خوب خوب بنابراین تفاوت بچه ها
781
00:39:18,420 –> 00:39:22,109
در کل si است ze اشغال شده توسط لیست پایتون
782
00:39:22,109 –> 00:39:24,539
بیست هزار بایت است در حالی که
783
00:39:24,539 –> 00:39:26,670
اندازه کل آرایه numpy چهار
784
00:39:26,670 –> 00:39:28,739
هزار بایت است، بنابراین می توانید
785
00:39:28,739 –> 00:39:31,079
تفاوت را در اینجا ببینید، تفاوت بسیار زیاد است
786
00:39:31,079 –> 00:39:34,140
و تفاوت آنقدر زیاد است