در این مطلب، ویدئو آموزش Numpy Python | پایتون برای مبتدیان | آموزش پایتون | یادگیری عالی 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: 00:37:30
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,240 –> 00:00:02,560
numpy یک کتابخانه اساسی برای
2
00:00:02,560 –> 00:00:05,040
آرایه های چند بعدی با کارایی بالا است
3
00:00:05,040 –> 00:00:06,560
و می تواند برای
4
00:00:06,560 –> 00:00:08,240
توابع مختلف ریاضی مانند
5
00:00:08,240 –> 00:00:10,559
تبدیل جبر خطی فویر
6
00:00:10,559 –> 00:00:11,599
و غیره استفاده شود
7
00:00:11,599 –> 00:00:14,240
و همچنین برای درک عملیات منطقی
8
00:00:14,240 –> 00:00:15,759
این موضوع، اکنون قبل از اینکه به جلو برویم، به
9
00:00:15,759 –> 00:00:19,199
این آموزش در مورد numpy
10
00:00:23,170 –> 00:00:26,439
[Music] رسیده
11
00:00:27,359 –> 00:00:29,279
ایم. با این
12
00:00:29,279 –> 00:00:31,199
جلسه میخواهم به اطلاع برسانم که ما
13
00:00:31,199 –> 00:00:33,440
یک پلتفرم کاملاً رایگان به نام ایجاد
14
00:00:33,440 –> 00:00:34,719
آکادمی یادگیری راهاندازی کردهایم که در
15
00:00:34,719 –> 00:00:36,399
آن به دورههای رایگان
16
00:00:36,399 –> 00:00:39,120
مانند ai cloud و بازاریابی دیجیتال دسترسی
17
00:00:39,120 –> 00:00:40,559
دارید، میتوانید جزئیات را در
18
00:00:40,559 –> 00:00:42,239
توضیحات زیر بررسی کنید اکنون شروع میکنیم خاموش
19
00:00:42,239 –> 00:00:44,800
با این کتابخانه به نام numpy
20
00:00:44,800 –> 00:00:47,600
که مخفف عددی پایتون است و همانطور
21
00:00:47,600 –> 00:00:49,360
که در اینجا بیان شده است این
22
00:00:49,360 –> 00:00:51,920
کتابخانه هسته ای برای محاسبات عددی و علمی است،
23
00:00:51,920 –> 00:00:53,120
24
00:00:53,120 –> 00:00:54,879
بنابراین هر محاسبات عددی یا علمی
25
00:00:54,879 –> 00:00:56,640
که باید انجام
26
00:00:56,640 –> 00:00:59,359
دهید باید به زبان بروید و
27
00:00:59,359 –> 00:01:01,359
این کتابخانه به نام به عنوان numpy
28
00:01:01,359 –> 00:01:04,159
شامل اشیاء آرایه چند بعدی
29
00:01:04,159 –> 00:01:06,159
و مجموعه ای از روال برای
30
00:01:06,159 –> 00:01:08,159
پردازش این آرایه ها است،
31
00:01:08,159 –> 00:01:10,560
بنابراین l پیش برویم و اولین آرایه numpy خود را ایجاد کنیم
32
00:01:10,560 –> 00:01:11,200
33
00:01:11,200 –> 00:01:12,799
تا بتوانید یک
34
00:01:12,799 –> 00:01:14,240
آرایه numpy تک بعدی یا یک
35
00:01:14,240 –> 00:01:16,479
آرایه numpy چند بعدی داشته باشید،
36
00:01:16,479 –> 00:01:18,720
اکنون باید با وارد کردن
37
00:01:18,720 –> 00:01:19,600
این کتابخانه شروع کنیم،
38
00:01:19,600 –> 00:01:22,240
بنابراین برای وارد کردن numpy، import
39
00:01:22,240 –> 00:01:22,960
numpy را
40
00:01:22,960 –> 00:01:25,680
به عنوان np تایپ می کنیم. بنابراین این np که در اینجا می بینید
41
00:01:25,680 –> 00:01:26,560
به نام مستعار شناخته می شود
42
00:01:26,560 –> 00:01:29,439
بنابراین ما در حال وارد کردن کتابخانه
43
00:01:29,439 –> 00:01:30,079
numpy
44
00:01:30,079 –> 00:01:33,680
با این نام مستعار np هستیم اکنون این کتابخانه numpy
45
00:01:33,680 –> 00:01:34,240
46
00:01:34,240 –> 00:01:36,640
متدهای زیادی دارد و یک روش به
47
00:01:36,640 –> 00:01:38,079
نام متد آرایه نامیده می شود
48
00:01:38,079 –> 00:01:39,759
و به کمک آن خواهیم شد
49
00:01:39,759 –> 00:01:41,759
قادر به ایجاد آرایه numpy
50
00:01:41,759 –> 00:01:44,479
تنها کاری که باید انجام دهیم این است که آرایه np dot را تایپ
51
00:01:44,479 –> 00:01:45,040
52
00:01:45,040 –> 00:01:47,920
کنیم و در داخل آن لیستی
53
00:01:47,920 –> 00:01:50,399
از مقادیر را که از 10 شروع می شود تا
54
00:01:50,399 –> 00:01:51,119
40 منتقل می
55
00:01:51,119 –> 00:01:53,360
کنم و آن را در این شی به
56
00:01:53,360 –> 00:01:55,360
نام n1 ذخیره می کنم و زمانی که i آن را چاپ کنید
57
00:01:55,360 –> 00:01:58,399
من نتیجه را دریافت می کنم 10 20 30
58
00:01:58,399 –> 00:02:00,920
40. به طور مشابه، من پیش می روم و یک
59
00:02:00,920 –> 00:02:02,880
آرایه چند بعدی ایجاد می کنم،
60
00:02:02,880 –> 00:02:06,240
بنابراین در اینجا ما در لیستی از لیست ها عبور می کنیم،
61
00:02:06,240 –> 00:02:09,038
بنابراین در اینجا ما یک لیست واحد داشتیم در اینجا
62
00:02:09,038 –> 00:02:10,800
ما در لیست لیست ها قرار می دهیم. همانطور
63
00:02:10,800 –> 00:02:12,720
که می بینید ما یک لیست در اینجا داریم
64
00:02:12,720 –> 00:02:14,720
و در داخل آن دو متر داریم لیست ore
65
00:02:14,720 –> 00:02:16,800
لیست اول شامل عناصر
66
00:02:16,800 –> 00:02:19,599
10 20 30 و 40 و لیست دوم
67
00:02:19,599 –> 00:02:21,520
شامل عناصر 40
68
00:02:21,520 –> 00:02:24,640
30 20 و 10 است و وقتی آن را چاپ می کنم به
69
00:02:24,640 –> 00:02:26,879
این صورت است که این آرایه چند بعدی را دریافت می کنم
70
00:02:26,879 –> 00:02:28,800
اولین لیست در لیست موجود است.
71
00:02:28,800 –> 00:02:30,480
ردیف اول و لیست دوم
72
00:02:30,480 –> 00:02:31,760
در ردیف دوم وجود دارد،
73
00:02:31,760 –> 00:02:33,280
اجازه دهید به نوت بوک jupiter بروم و
74
00:02:33,280 –> 00:02:35,680
این دو را پیاده سازی
75
00:02:35,680 –> 00:02:38,640
کنم، اجازه دهید فقط یک نظر در اینجا اضافه کنم،
76
00:02:38,640 –> 00:02:39,519
نام آن را به عنوان
77
00:02:39,519 –> 00:02:42,080
numpy می گذارم،
78
00:02:42,800 –> 00:02:45,440
اکنون باید کتابخانه numpy را وارد
79
00:02:45,440 –> 00:02:46,239
کنم. من
80
00:02:46,239 –> 00:02:49,440
وارد کردن numpy به عنوان np دارم
81
00:02:49,440 –> 00:02:51,120
و بیایید صبر کنیم تا این کتابخانه
82
00:02:51,120 –> 00:02:53,519
بارگیری شود،
83
00:02:53,920 –> 00:02:55,760
اکنون که بارگذاری شده است، می توانم ادامه
84
00:02:55,760 –> 00:02:56,959
دهم و آرایه numpy را ایجاد کنم،
85
00:02:56,959 –> 00:03:00,159
بنابراین برای این کار باید از آرایه np
86
00:03:00,159 –> 00:03:00,640
dot
87
00:03:00,640 –> 00:03:03,440
استفاده کنم و در داخل آن وارد می شوم.
88
00:03:03,440 –> 00:03:04,000
لیستی
89
00:03:04,000 –> 00:03:07,680
از مقادیر، بنابراین من 10 20 30 و
90
00:03:07,680 –> 00:03:09,840
40 را پاس می کنم و آن را در این شی به نام n1 ذخیره می کنم،
91
00:03:09,840 –> 00:03:10,400
92
00:03:10,400 –> 00:03:14,319
حالا اجازه دهید n1 را در اینجا چاپ کنم
93
00:03:14,319 –> 00:03:16,319
و همانطور که می بینید من با
94
00:03:16,319 –> 00:03:18,560
موفقیت این آرایه numpy را ایجاد کردم
95
00:03:18,560 –> 00:03:21,440
که در اینجا قرار دارد. مقادیر 10 20 30
96
00:03:21,440 –> 00:03:22,239
و 40 هستند.
97
00:03:22,239 –> 00:03:23,760
و فقط برای اطمینان من ادامه می دهم
98
00:03:23,760 –> 00:03:25,599
و نوع آن را بررسی می کنم این آرایه numpy بنابراین
99
00:03:25,599 –> 00:03:26,400
100
00:03:26,400 –> 00:03:29,680
من باید در داخل این تایپ کنم n1 را می گذرانم و همانطور
101
00:03:29,680 –> 00:03:31,120
که می بینید ما نتیجه
102
00:03:31,120 –> 00:03:35,040
آرایه numpy dot nd را دریافت می کنیم بنابراین ndra مخفف n
103
00:03:35,040 –> 00:03:35,760
104
00:03:35,760 –> 00:03:38,040
آرایه بعدی است، اکنون پیش می رویم و یک آرایه چند بعدی ایجاد می کنیم.
105
00:03:38,040 –> 00:03:39,200
106
00:03:39,200 –> 00:03:41,080
در اینجا، بنابراین برای ایجاد یک
107
00:03:41,080 –> 00:03:43,040
آرایه چند بعدی،
108
00:03:43,040 –> 00:03:43,599
109
00:03:43,599 –> 00:03:46,879
باید لیستی از لیست ها را در داخل این
110
00:03:46,879 –> 00:03:49,120
روش آرایه نقطه ای np ارسال کنیم، بنابراین من این
111
00:03:49,120 –> 00:03:50,080
لیست بیرونی را
112
00:03:50,080 –> 00:03:52,720
در داخل آن خواهم داشت، من دو لیست ایجاد خواهم کرد، بنابراین فرض
113
00:03:52,720 –> 00:03:54,720
کنید لیست اول شامل مواردی است
114
00:03:54,720 –> 00:03:55,519
عناصر
115
00:03:55,519 –> 00:03:58,000
یک دو سه و چهار و
116
00:03:58,000 –> 00:04:00,000
لیست دوم از عناصر 4
117
00:04:00,000 –> 00:04:03,599
3 2 و 1 تشکیل شده است. اکنون من فقط n2
118
00:04:03,599 –> 00:04:05,200
را در اینجا چاپ می کنم
119
00:04:05,200 –> 00:04:06,239
و این
120
00:04:06,239 –> 00:04:08,080
آرایه چند بعدی را ایجاد کرده ام که همه
121
00:04:08,080 –> 00:04:09,760
عناصر لیست اول در آن قرار دارند.
122
00:04:09,760 –> 00:04:11,280
در سطر اول وجود دارد و همه
123
00:04:11,280 –> 00:04:12,959
عناصر لیست دوم در
124
00:04:12,959 –> 00:04:15,280
ردیف دوم وجود دارند، اکنون که
125
00:04:15,280 –> 00:04:15,840
این
126
00:04:15,840 –> 00:04:18,959
آرایه های numpy را ایجاد کرده ایم، اکنون خواهیم دید که
127
00:04:18,959 –> 00:04:20,798
چگونه یک آرایه numpy را با روش های مختلف ایجاد کنیم یا چگونه مقداردهی اولیه کنیم،
128
00:04:20,798 –> 00:04:23,120
بنابراین حالا بیایید
129
00:04:23,120 –> 00:04:24,880
بگوییم اگر بخواهم یک
130
00:04:24,880 –> 00:04:26,479
آرایه numpy را فقط با صفر مقداردهی کنم
131
00:04:26,479 –> 00:04:29,840
سپس ما یک متد به نام صفر
132
00:04:29,840 –> 00:04:32,479
داریم، بسیار شهودی است، نه بنابراین در اینجا
133
00:04:32,479 –> 00:04:33,919
ما آرایه numpy را وارد می کنیم،
134
00:04:33,919 –> 00:04:34,479
سپس از
135
00:04:34,479 –> 00:04:36,639
np dot صفرها استفاده می کنیم و دو پارامتر را می گیرد،
136
00:04:36,639 –> 00:04:38,560
بنابراین این دو پارامتر
137
00:04:38,560 –> 00:04:40,479
اساساً ابعاد آرایه numpy را نشان می دهند،
138
00:04:40,479 –> 00:04:41,360
139
00:04:41,360 –> 00:04:44,639
بنابراین اگر من می خواهم یک آرایه یک متقاطع دو
140
00:04:44,639 –> 00:04:47,680
numpy ایجاد کنم که در آن همه مقادیر
141
00:04:47,680 –> 00:04:48,400
صفر باشند،
142
00:04:48,400 –> 00:04:50,880
سپس می توانم ادامه دهم و np
143
00:04:50,880 –> 00:04:53,040
dot zeros را تایپ کنم و داخل آن
144
00:04:53,040 –> 00:04:54,880
، ابعادی که یک کاما دو است را رد می
145
00:04:54,880 –> 00:04:57,520
کنم و یک ضربدر 1 دریافت می کنم. 2 آرایه numpy که
146
00:04:57,520 –> 00:04:59,440
در آن مقادیر فقط 0 هستند به
147
00:04:59,440 –> 00:05:02,639
طور مشابه در اینجا من یک
148
00:05:02,639 –> 00:05:05,759
آرایه 5 متقاطع 5 numpy ایجاد می کنم که در آن همه
149
00:05:05,759 –> 00:05:08,560
مقادیر 0 هستند، بنابراین من فقط از np dot 0 استفاده می کنم
150
00:05:08,560 –> 00:05:10,000
و در داخل آن
151
00:05:10,000 –> 00:05:12,639
با 5 کاما 5 عبور می کنم. اجازه دهید من ادامه دهم
152
00:05:12,639 –> 00:05:14,400
و این را در نوت بوک jupyter در اینجا پیاده سازی
153
00:05:14,400 –> 00:05:15,759
کنم، کامنت np dot zeros را اضافه می
154
00:05:15,759 –> 00:05:19,759
155
00:05:19,759 –> 00:05:23,680
کنم، اکنون ادامه می دهم و اجازه دهید فقط
156
00:05:23,680 –> 00:05:27,360
این را در n1 ایجاد کنم و در داخل n1 باید
157
00:05:27,360 –> 00:05:28,160
از
158
00:05:28,160 –> 00:05:31,039
روش np dot zeros و بیشتر استفاده کنم. در اینجا
159
00:05:31,039 –> 00:05:32,639
باید از بعد عبور کنم تا
160
00:05:32,639 –> 00:05:35,280
ابعاد یک کاما دو باشد
161
00:05:35,280 –> 00:05:37,440
و اجازه دهید من ادامه میدهم و یکی را چاپ میکنم و
162
00:05:37,440 –> 00:05:39,520
یکی را اینجا چاپ میکنم، بنابراین همانطور که میبینید، اکنون
163
00:05:39,520 –> 00:05:42,320
با موفقیت این آرایه numpy را ایجاد کردهام،
164
00:05:42,320 –> 00:05:44,960
اگر میخواهم شاید یک آرایه numpy با
165
00:05:44,960 –> 00:05:46,720
ابعاد متفاوتی داشته باشم،
166
00:05:46,720 –> 00:05:48,720
بنابراین روش یکسان باشد، من اینجا
167
00:05:48,720 –> 00:05:50,000
np dot
168
00:05:50,000 –> 00:05:52,560
صفرها را خواهم داشت. و در داخل این،
169
00:05:52,560 –> 00:05:54,000
فرض کنید میخواهم یک
170
00:05:54,000 –> 00:05:55,680
آرایه سه متقاطع سه عددی ایجاد کنم که
171
00:05:55,680 –> 00:05:58,000
فقط از صفرها تشکیل شده باشد و این کار را ادامه میدهم
172
00:05:58,000 –> 00:05:59,759
و آن را در این شی به نام
173
00:05:59,759 –> 00:06:00,080
174
00:06:00,080 –> 00:06:04,160
n2 ذخیره میکنم، حالا اجازه دهید n2 را در اینجا چاپ کنم
175
00:06:04,160 –> 00:06:06,800
و یک ضربدر 3 داریم. 3 آرایه
176
00:06:06,800 –> 00:06:09,120
numpy که فقط از 0s تشکیل شده است
177
00:06:09,120 –> 00:06:12,000
اگر من بخواهم یک آرایه numpy را
178
00:06:12,000 –> 00:06:14,560
با همان عدد مقداردهی اولیه کنم،
179
00:06:14,560 –> 00:06:17,039
میتوانیم ادامه دهیم و از روش کامل
180
00:06:17,039 –> 00:06:18,080
استفاده کنیم، بنابراین در اینجا
181
00:06:18,080 –> 00:06:20,479
من از نقطه پر استفاده میکنم و این در
182
00:06:20,479 –> 00:06:21,680
دو
183
00:06:21,680 –> 00:06:24,240
پارامتر طول میکشد، اولین پارامتر بعد است. از
184
00:06:24,240 –> 00:06:26,560
آرایه numpy پارامتر دوم
185
00:06:26,560 –> 00:06:29,440
مقداری است که ما می خواهیم
186
00:06:29,440 –> 00:06:31,680
در این آرایه numpy وارد کنیم، بنابراین در اینجا
187
00:06:31,680 –> 00:06:35,120
یک آرایه 2 متقاطع 2 numpy ایجاد می کنیم که
188
00:06:35,120 –> 00:06:36,080
در آن
189
00:06:36,080 –> 00:06:38,880
مقدار با 10 پر می شود. بنابراین همانطور که می بینید
190
00:06:38,880 –> 00:06:40,880
این یک 2 متقاطع 2 است. آرایه numpy که در آن
191
00:06:40,880 –> 00:06:41,680
فقط
192
00:06:41,680 –> 00:06:44,800
ده ها داریم پس همینطور است زمان برای np dot full من فقط np dot full
193
00:06:44,800 –> 00:06:47,120
را تایپ میکنم،
194
00:06:47,120 –> 00:06:48,639
در اینجا یک نظر
195
00:06:48,639 –> 00:06:51,599
اضافه میکنم، سپس اجازه دهید np dot full اضافه کنم و
196
00:06:51,599 –> 00:06:53,840
باید دو پارامتر بدهم، مثلاً
197
00:06:53,840 –> 00:06:55,120
میخواهم
198
00:06:55,120 –> 00:06:58,880
چهار کراس هشت numpy آرایه و
199
00:06:58,880 –> 00:06:59,440
200
00:06:59,440 –> 00:07:02,720
من مقدار ph را در داخل این می
201
00:07:02,720 –> 00:07:05,360
خواهم اکنون این را در این شی
202
00:07:05,360 –> 00:07:06,000
به نام
203
00:07:06,000 –> 00:07:09,599
n3 ذخیره می کنم و فقط n3 را در اینجا چاپ می کنم
204
00:07:09,599 –> 00:07:11,840
و همانطور که می بینید یک آرایه
205
00:07:11,840 –> 00:07:13,120
numpy 4 cross 8 ایجاد کردم
206
00:07:13,120 –> 00:07:15,680
که مقدار آن است. فقط 5. اکنون
207
00:07:15,680 –> 00:07:17,599
به طور مشابه اگر بخواهم یک آرایه numpy را در یک محدوده خاص مقداردهی اولیه کنم، می
208
00:07:17,599 –> 00:07:18,240
توانم ادامه دهم
209
00:07:18,240 –> 00:07:20,639
210
00:07:20,639 –> 00:07:21,599
211
00:07:21,599 –> 00:07:24,800
و از روش a range استفاده کنم، بنابراین
212
00:07:24,800 –> 00:07:27,280
همانطور که می بینید من از یک محدوده np dot استفاده می کنم
213
00:07:27,280 –> 00:07:28,960
و این دوباره دو
214
00:07:28,960 –> 00:07:31,039
پارامتر اول را می گیرد.
215
00:07:31,039 –> 00:07:33,280
پارامتر مقدار اولیه ای است که
216
00:07:33,280 –> 00:07:34,720
محدوده باید از آن شروع شود،
217
00:07:34,720 –> 00:07:36,639
بنابراین در اینجا وقتی من 10 دادم همانطور که می
218
00:07:36,639 –> 00:07:38,319
بینید محدوده از 10 شروع می شود
219
00:07:38,319 –> 00:07:40,319
و زمانی که من 20 می دهم. بنابراین در اینجا دوباره
220
00:07:40,319 –> 00:07:41,599
باید به خاطر داشته باشید که
221
00:07:41,599 –> 00:07:44,000
20 انحصاری است یا شاید دومی باشد.
222
00:07:44,000 –> 00:07:45,599
پارامتر انحصاری است
223
00:07:45,599 –> 00:07:47,360
و از آنجایی که این انحصاری است، ما
224
00:07:47,360 –> 00:07:49,280
فقط مقداری را خواهیم داشت که از 10 شروع شود
225
00:07:49,280 –> 00:07:52,160
و ادامه یابد تا 19 و به همین دلیل است که 20
226
00:07:52,160 –> 00:07:54,960
در این نتیجه در اینجا گنجانده نشده است،
227
00:07:54,960 –> 00:07:57,039
اکنون می توانیم ادامه دهیم و پارامتر دیگری را اضافه کنیم،
228
00:07:57,039 –> 00:07:59,120
بنابراین در اینجا مقدار اولیه
229
00:07:59,120 –> 00:08:01,440
10 است، مقدار نهایی 50 است و ما
230
00:08:01,440 –> 00:08:02,319
مقدار نادیده گرفته شده را داریم،
231
00:08:02,319 –> 00:08:04,000
بنابراین مقدار نادیده گرفته شده 5 است.
232
00:08:04,000 –> 00:08:06,720
یعنی بعد از 10 ما 15 خواهیم داشت، بنابراین 15
233
00:08:06,720 –> 00:08:07,919
به علاوه 5 تبدیل به 20 می شود،
234
00:08:07,919 –> 00:08:10,240
20 به علاوه 5 می شود 25 و به این ترتیب است که
235
00:08:10,240 –> 00:08:12,000
236
00:08:12,000 –> 00:08:14,879
وقتی به عدد 45 می رسیم، زمانی که شما 5 مورد دیگر را به 45 اضافه می کنید
237
00:08:14,879 –> 00:08:16,639
که 50 می شود
238
00:08:16,639 –> 00:08:19,680
و از آنجایی که 50 در اینجا انحصاری است،
239
00:08:19,680 –> 00:08:23,039
این روند ادامه می یابد. به همین دلیل است که ما 45 را به پایان میرسانیم،
240
00:08:23,039 –> 00:08:24,879
اما از طرف دیگر اگر
241
00:08:24,879 –> 00:08:27,280
مقدار نهایی را
242
00:08:27,280 –> 00:08:30,000
51 میدادیم، عنصر 50 را نیز
243
00:08:30,000 –> 00:08:31,120
در اینجا خواهیم داشت،
244
00:08:31,120 –> 00:08:33,919
بنابراین بیایید به جلو برویم و یک متد محدوده را در اینجا پیادهسازی کنیم.
245
00:08:33,919 –> 00:08:36,399
246
00:08:36,399 –> 00:08:40,080
247
00:08:40,080 –> 00:08:43,599
این در و 4
248
00:08:43,599 –> 00:08:46,640
اکنون باید از یک محدوده np dot استفاده
249
00:08:46,640 –> 00:08:50,080
کنم و ادامه می دهم و
250
00:08:50,080 –> 00:08:52,720
مقدار اولیه را مثلاً 100 می دهم
251
00:08:52,720 –> 00:08:56,560
سپس مقدار نهایی را 200 می
252
00:08:56,560 –> 00:08:59,600
دهم و n4 را در اینجا چاپ می کنم
253
00:08:59,600 –> 00:09:02,320
و همانطور که می بینید ما همه
254
00:09:02,320 –> 00:09:04,640
اعداد را به ترتیب داریم که از 100
255
00:09:04,640 –> 00:09:06,839
شروع می شود تا
256
00:09:06,839 –> 00:09:10,080
199. حالا اگر من واقعاً می خواهید مقدار
257
00:09:10,080 –> 00:09:12,240
200 نیز در این مورد لحاظ شود،
258
00:09:12,240 –> 00:09:15,519
اجازه دهید مقدار نهایی را 201 قرار
259
00:09:15,519 –> 00:09:17,760
دهم و همانطور که می بینید این بار محدوده
260
00:09:17,760 –> 00:09:18,800
از 100 شروع می شود
261
00:09:18,800 –> 00:09:22,000
و همچنین شامل 200 در اینجا می شود و ما
262
00:09:22,000 –> 00:09:23,279
همچنین می توانیم یک مقدار پرش اضافه
263
00:09:23,279 –> 00:09:26,000
کنیم، بیایید بگوییم اگر من مقدار پرش
264
00:09:26,000 –> 00:09:26,560
را
265
00:09:26,560 –> 00:09:30,720
10 دادم، بنابراین اینجا بعد از 100، ما 110 داریم سپس
266
00:09:30,720 –> 00:09:33,120
120 و این به جای 201 تا 200 ادامه می یابد،
267
00:09:33,120 –> 00:09:36,880
اگر
268
00:09:36,880 –> 00:09:39,920
مقدار نهایی را 200 نگه دارم،
269
00:09:39,920 –> 00:09:43,440
می بینیم که این آرایه numpy به 190 ختم می شود
270
00:09:43,440 –> 00:09:44,560
زیرا 200
271
00:09:44,560 –> 00:09:47,360
انحصاری است اکنون می توانیم همچنین ادامه دهید و
272
00:09:47,360 –> 00:09:49,440
یک آرایه numpy را با
273
00:09:49,440 –> 00:09:52,320
اعداد تصادفی مقداردهی اولیه کنید و برای مقداردهی اولیه
274
00:09:52,320 –> 00:09:54,080
آرایه numpy با اعداد تصادفی
275
00:09:54,080 –> 00:09:57,279
میتوانیم از نقطه تصادفی rand استفاده کنیم،
276
00:09:57,279 –> 00:09:59,600
بنابراین در اینجا ما np dot نقطه تصادفی
277
00:09:59,600 –> 00:10:00,560
rand
278
00:10:00,560 –> 00:10:02,839
end را فراخوانی میکنیم و در اینجا سه
279
00:10:02,839 –> 00:10:05,040
امتر داریم و د
280
00:10:05,040 –> 00:10:07,120
اینجا سه پارامتر داریم.
281
00:10:07,120 –> 00:10:08,720
پارامتر اول
282
00:10:08,720 –> 00:10:12,240
اساساً است و در اینجا ما سه
283
00:10:12,240 –> 00:10:13,120
پارامتر داریم
284
00:10:13,120 –> 00:10:15,279
که دو پارامتر اول اساساً
285
00:10:15,279 –> 00:10:16,800
محدوده ای را نشان می دهد که
286
00:10:16,800 –> 00:10:18,880
از آن
287
00:10:18,880 –> 00:10:20,640
اعداد تصادفی را می خواهیم بنابراین ما
288
00:10:20,640 –> 00:10:24,320
اعداد تصادفی را در این محدوده
289
00:10:24,320 –> 00:10:27,440
1 200 و این پارامتر سوم می خواهیم.
290
00:10:27,440 –> 00:10:29,680
eter به مفسر پایتون میگوید به
291
00:10:29,680 –> 00:10:31,440
چند عدد تصادفی نیاز داریم،
292
00:10:31,440 –> 00:10:33,440
بنابراین در محدوده 200
293
00:10:33,440 –> 00:10:35,920
به پنج عدد تصادفی نیاز داریم
294
00:10:35,920 –> 00:10:37,600
و همانطور که میبینید این نتیجهای است
295
00:10:37,600 –> 00:10:39,680
که در اینجا به دست میآورید، بنابراین ما 95
296
00:10:39,680 –> 00:10:43,440
88 26 22 و 76 داریم. که پنج
297
00:10:43,440 –> 00:10:46,000
عدد تصادفی تولید شده بین محدوده
298
00:10:46,000 –> 00:10:49,200
یک تا صد هستند،
299
00:10:49,600 –> 00:10:53,680
من این نظر را به صورت تصادفی اضافه میکنم،
300
00:10:53,680 –> 00:10:56,240
حالا بیایید پیش برویم و یک
301
00:10:56,240 –> 00:10:58,240
امپراتوری را با تعدادی اعداد تصادفی مقداردهی اولیه کنیم، بنابراین من
302
00:10:58,240 –> 00:10:58,640
303
00:10:58,640 –> 00:11:02,320
np dot نقطه تصادفی rand
304
00:11:02,320 –> 00:11:05,200
خواهم داشت، زیرا من یک مجموعه تصادفی از اعداد صحیح میخواهم.
305
00:11:05,200 –> 00:11:07,040
و این شامل سه پارامتر است
306
00:11:07,040 –> 00:11:08,560
، فرض کنید من به
307
00:11:08,560 –> 00:11:11,680
مقادیر بین 50 تا 100
308
00:11:11,680 –> 00:11:15,120
نیاز دارم و به 10 مقدار تصادفی در
309
00:11:15,120 –> 00:11:16,240
اینجا نیاز دارم
310
00:11:16,240 –> 00:11:19,360
و اجازه دهید این را در n5 ذخیره
311
00:11:19,360 –> 00:11:22,240
کنم، اجازه دهید ادامه دهم و چاپ کنم و 5 در
312
00:11:22,240 –> 00:11:23,279
اینجا
313
00:11:23,279 –> 00:11:25,920
و همانطور که بچه ها می بینید من دارای 10
314
00:11:25,920 –> 00:11:28,000
مقدار تصادفی است که
315
00:11:28,000 –> 00:11:31,120
بین محدوده 50 و 100 تولید می شود. به طور مشابه، اگر من
316
00:11:31,120 –> 00:11:32,800
ادامه دهم و دوباره این را اجرا کنم، مجموعه مقادیر متفاوتی دریافت خواهم کرد،
317
00:11:32,800 –> 00:11:34,079
318
00:11:34,079 –> 00:11:35,760
همانطور که می بینید،
319
00:11:35,760 –> 00:11:37,680
وقتی روی این کلیک می کنم، دوباره مجموعه مقادیر متفاوتی داریم.
320
00:11:37,680 –> 00:11:40,000
دوباره یک s متفاوت داشته باشید et از مقادیری
321
00:11:40,000 –> 00:11:42,560
که تماماً در مورد مقداردهی اولیه یک
322
00:11:42,560 –> 00:11:43,279
آرایه numpy با
323
00:11:43,279 –> 00:11:45,279
روش های مختلف بود، اکنون می توانید ادامه دهید
324
00:11:45,279 –> 00:11:46,480
325
00:11:46,480 –> 00:11:49,040
و شکل یک آرایه numpy را
326
00:11:49,040 –> 00:11:50,959
بررسی کنید و شکل یک آرایه
327
00:11:50,959 –> 00:11:52,959
numpy را بررسی کنید.
328
00:11:52,959 –> 00:11:54,240
329
00:11:54,240 –> 00:11:56,720
ایجاد یک آرایه numpy
330
00:11:56,720 –> 00:11:58,560
جایی که ما در لیست لیست ها عبور می کنیم،
331
00:11:58,560 –> 00:12:00,160
بنابراین در لیست اول یک دو و
332
00:12:00,160 –> 00:12:01,440
سه در لیست دوم چهار
333
00:12:01,440 –> 00:12:02,399
پنج و شش داریم،
334
00:12:02,399 –> 00:12:04,959
بنابراین بدیهی است که یک آرایه
335
00:12:04,959 –> 00:12:05,920
numpy خواهیم داشت که در آن
336
00:12:05,920 –> 00:12:08,560
دو ردیف خواهیم داشت و سه ستون و این همان
337
00:12:08,560 –> 00:12:08,959
چیزی است که
338
00:12:08,959 –> 00:12:12,560
شکل n1 نقطه به ما می دهد اگر بخواهیم
339
00:12:12,560 –> 00:12:13,200
340
00:12:13,200 –> 00:12:15,600
شکل این را تغییر دهیم، می توانیم
341
00:12:15,600 –> 00:12:17,839
از همان روش استفاده کنیم، بنابراین در اینجا کاری که من انجام می دهم این
342
00:12:17,839 –> 00:12:18,320
است
343
00:12:18,320 –> 00:12:21,440
که به شکل n1 نقطه تایپ می کنم و تغییر می کنم.
344
00:12:21,440 –> 00:12:22,639
شکل
345
00:12:22,639 –> 00:12:26,000
از 2 کاما 3 تا 3 کاما 2 که به
346
00:12:26,000 –> 00:12:27,040
جای داشتن
347
00:12:27,040 –> 00:12:30,320
2 سطر و 3 ستون i است
348
00:12:30,320 –> 00:12:33,600
3 سطر و 2 ستون خواهد داشت بنابراین
349
00:12:33,600 –> 00:12:36,880
می توان از همین روش شکل برای
350
00:12:36,880 –> 00:12:39,120
بررسی شکل آرایه numpy و
351
00:12:39,120 –> 00:12:42,560
همچنین تغییر شکل ابعاد استفاده کرد. آرایه numpy
352
00:12:42,560 –> 00:12:43,279
353
00:12:43,279 –> 00:12:46,240
بنابراین اجازه دهید یک آرایه numpy در اینجا ایجاد کنم
354
00:12:46,240 –> 00:12:47,440
o ما باید یک آرایه numpy چند بعدی ایجاد کنیم،
355
00:12:47,440 –> 00:12:48,959
356
00:12:48,959 –> 00:12:52,000
بنابراین این مقدار n6 برابر
357
00:12:52,000 –> 00:12:55,600
با آرایه نقطه np خواهد بود و
358
00:12:55,600 –> 00:12:57,839
در داخل آن باید لیستی
359
00:12:57,839 –> 00:12:58,800
از لیست ها ایجاد کنم،
360
00:12:58,800 –> 00:13:02,240
بنابراین در لیست اول مقادیری خواهم داشت. 10
361
00:13:02,240 –> 00:13:05,920
20 و 30 و در لیست دوم
362
00:13:05,920 –> 00:13:07,360
من مقادیر 40
363
00:13:07,360 –> 00:13:11,200
50 و 60 را خواهم داشت و اکنون این را در n6 ذخیره می کنم
364
00:13:11,200 –> 00:13:13,760
365
00:13:13,760 –> 00:13:16,160
پس از اتمام، اجازه دهید فقط n6 را در اینجا پرینت بگیرم
366
00:13:16,160 –> 00:13:18,480
تا بچه ها بتوانید این آرایه کم رنگ را ببینید
367
00:13:18,480 –> 00:13:20,240
. همچنین میروم و
368
00:13:20,240 –> 00:13:21,440
شکل آن را بررسی میکنم تا
369
00:13:21,440 –> 00:13:24,800
شکل n6 نقطهای
370
00:13:24,800 –> 00:13:26,639
داشته باشم و به این نتیجه میرسیم که این یک
371
00:13:26,639 –> 00:13:29,120
آرایه کمرنگ است که در آن دو ردیف و
372
00:13:29,120 –> 00:13:31,040
سه ستون داریم،
373
00:13:31,040 –> 00:13:32,639
اکنون میتوانم جلوتر بروم و شکل آن را تغییر دهم.
374
00:13:32,639 –> 00:13:34,160
من شکل n6 نقطه ای خواهم داشت
375
00:13:34,160 –> 00:13:37,279
376
00:13:37,279 –> 00:13:40,480
و در اینجا شکل را
377
00:13:40,480 –> 00:13:41,519
به
378
00:13:41,519 –> 00:13:44,880
3 کاما 2 تغییر می دهم، سپس ادامه می دهم و n6
379
00:13:44,880 –> 00:13:45,199
را چاپ می کنم
380
00:13:45,199 –> 00:13:49,199
و همانطور که می بینید ما
381
00:13:49,199 –> 00:13:49,680
این را
382
00:13:49,680 –> 00:13:52,560
از یک آرایه متقاطع سه عددی به یک تبدیل کرده ایم.
383
00:13:52,560 –> 00:13:54,560
آرایه سه متقاطع دو نومپی،
384
00:13:54,560 –> 00:13:56,959
بنابراین شما 10 20 30 در ردیف اول داشتید،
385
00:13:56,959 –> 00:13:57,760
ما در اینجا 10
386
00:13:57,760 –> 00:14:00,000
20 در ردیف اول داریم، بنابراین به طور مشابه،
387
00:14:00,000 –> 00:14:02,320
این چگونه تغییر کرده است.
388
00:14:02,320 –> 00:14:04,800
ما در اینجا چند روش انباشتگی
389
00:14:04,800 –> 00:14:05,600
داریم،
390
00:14:05,600 –> 00:14:07,680
پشته سر و پشته ستون را پشته می
391
00:14:07,680 –> 00:14:09,839
کنیم، بنابراین بیایید فقط با پشته v شروع
392
00:14:09,839 –> 00:14:13,360
کنیم، بنابراین یک آرایه numpy n1 ایجاد
393
00:14:13,360 –> 00:14:15,519
می کنیم که در آن مقادیر 10 20 و 30 را
394
00:14:15,519 –> 00:14:17,440
داریم، سپس آرایه numpy n2 را ایجاد می کنیم.
395
00:14:17,440 –> 00:14:20,079
ما مقادیر 40 50 و 60 را داریم.
396
00:14:20,079 –> 00:14:22,079
اکنون وقتی از v stack در اینجا استفاده می کنیم،
397
00:14:22,079 –> 00:14:23,760
دوباره دو پارامتر را در بر می گیرد که
398
00:14:23,760 –> 00:14:24,959
در آن فقط
399
00:14:24,959 –> 00:14:28,000
دو آرایه numpy را در داخل آن پاس می دهیم، بنابراین
400
00:14:28,000 –> 00:14:31,120
همانطور که می بینید ما به صورت عمودی
401
00:14:31,120 –> 00:14:32,079
402
00:14:32,079 –> 00:14:34,399
در اینجا انباشته می شویم، بنابراین وقتی می گویم
403
00:14:34,399 –> 00:14:35,360
انباشته شدن عمودی
404
00:14:35,360 –> 00:14:39,120
من یک آرایه ناتوانی روی
405
00:14:39,120 –> 00:14:42,320
یک آرایه بیحرکتی دیگر دارم، بنابراین چون از n1 کاما استفاده میکنم،
406
00:14:42,320 –> 00:14:46,240
n2 n1 در بالا
407
00:14:46,240 –> 00:14:49,040
و 2 در پایین قرار میگیرد، بنابراین انباشتن عمودی به این
408
00:14:49,040 –> 00:14:49,680
صورت عمل
409
00:14:49,680 –> 00:14:53,040
میکند، سپس میتوانیم جلو
410
00:14:53,040 –> 00:14:56,160
برویم و دو را به صورت افقی روی هم قرار دهیم. آرایه های numpy
411
00:14:56,160 –> 00:14:58,240
بنابراین n1 و 102 ما همان
412
00:14:58,240 –> 00:14:59,199
آرایه های numpy را در اینجا داریم
413
00:14:59,199 –> 00:15:01,279
و به جای استفاده از v stack از
414
00:15:01,279 –> 00:15:03,440
روش head stack استفاده می کنم از n1 و n2 عبور می کنم
415
00:15:03,440 –> 00:15:04,399
416
00:15:04,399 –> 00:15:07,440
و همانطور که شما بچه ها می بینید 40 50 و 60. بنابراین n2
417
00:15:07,440 –> 00:15:08,839
به صورت افقی روی n1 انباشته شده است،
418
00:15:08,839 –> 00:15:12,079
سپس
419
00:15:12,079 –> 00:15:15,600
ستون st را داریم اگر میخواهیم این
420
00:15:15,600 –> 00:15:16,240
421
00:15:16,240 –> 00:15:19,120
آرایههای کمرنگ را در ستونهای جداگانه قرار
422
00:15:19,120 –> 00:15:19,440
دهیم،
423
00:15:19,440 –> 00:15:22,000
n1 و n2 داریم و وقتی از پشته ستون استفاده
424
00:15:22,000 –> 00:15:23,199
425
00:15:23,199 –> 00:15:25,600
میکنم، همانطور که میبینید، n1 به ستون اول
426
00:15:25,600 –> 00:15:27,600
میرود، n2 به
427
00:15:27,600 –> 00:15:29,759
ستون دوم میرود و به این صورت است که ما
428
00:15:29,759 –> 00:15:31,839
میتوانم با این روشهای انباشتگی
429
00:15:31,839 –> 00:15:33,839
کار کنم، بنابراین باید این دو
430
00:15:33,839 –> 00:15:34,880
431
00:15:34,880 –> 00:15:38,320
432
00:15:38,320 –> 00:15:41,759
آرایه کمرنگ را
433
00:15:41,759 –> 00:15:42,160
434
00:15:42,160 –> 00:15:45,120
435
00:15:45,120 –> 00:15:45,920
در اینجا ایجاد کنم.
436
00:15:45,920 –> 00:15:49,680
n دو، بنابراین این آرایه np dot خواهد بود و
437
00:15:49,680 –> 00:15:50,480
در داخل آن
438
00:15:50,480 –> 00:15:54,000
من چهار پنج و
439
00:15:54,000 –> 00:15:57,759
شش خواهم داشت، بنابراین اکنون n1 و n2 خود را آماده
440
00:15:57,759 –> 00:16:00,320
کرده ام، باید با
441
00:16:00,320 –> 00:16:01,759
انباشتن عمودی شروع
442
00:16:01,759 –> 00:16:05,120
کنم، بنابراین از np dot v استفاده خواهم کرد. پشته و از
443
00:16:05,120 –> 00:16:08,240
داخل آن من در n1 و n2 عبور می کنم
444
00:16:08,240 –> 00:16:10,000
و ببینیم نتیجه چه می شود،
445
00:16:10,000 –> 00:16:11,600
بنابراین ما به
446
00:16:11,600 –> 00:16:15,279
صورت عمودی n1 را با n2 n1
447
00:16:15,279 –> 00:16:17,040
در بالا و 2 در پایین قرار داده ایم،
448
00:16:17,040 –> 00:16:18,639
همچنین می توانید نحوه انباشته شدن آنها را تغییر دهید
449
00:16:18,639 –> 00:16:20,639
تا به جای با دادن n 1 و 2
450
00:16:20,639 –> 00:16:22,639
بیایید بگوییم اگر n2 و
451
00:16:22,639 –> 00:16:25,920
n1 را می دادم، شما بچه ها می بینید که n2 در
452
00:16:25,920 –> 00:16:26,480
بالا و
453
00:16:26,480 –> 00:16:29,519
n1 در پایین است اکنون ما c به طور
454
00:16:29,519 –> 00:16:31,680
مشابه با متد headstack کار میکند، بنابراین در اینجا
455
00:16:31,680 –> 00:16:33,120
من
456
00:16:33,120 –> 00:16:36,480
np dot h stack
457
00:16:36,480 –> 00:16:39,360
را تایپ میکنم و دوباره داخل آن n1 کاما
458
00:16:39,360 –> 00:16:41,360
n2 میگذارم
459
00:16:41,360 –> 00:16:44,320
و همانطور که میبینید،
460
00:16:44,320 –> 00:16:45,519
461
00:16:45,519 –> 00:16:49,600
اگر من n2 بخواهم، n2 را در انتهای n1 قرار دادهام. اول و و یک
462
00:16:49,600 –> 00:16:50,000
ثانیه
463
00:16:50,000 –> 00:16:52,160
من فقط باید دنباله را تغییر دهم، بنابراین
464
00:16:52,160 –> 00:16:54,959
داخل و پشته سر نقطه p به
465
00:16:54,959 –> 00:16:58,160
n 2 کاما n 1 می دهم
466
00:16:58,160 –> 00:17:01,600
و اول 4 5 6 دارم و n 1
467
00:17:01,600 –> 00:17:02,560
در
468
00:17:02,560 –> 00:17:06,079
انتهای پشت n2 وصل می شود سپس ستون داریم پشته،
469
00:17:06,079 –> 00:17:10,079
بنابراین من فقط پشته ستون np dot را
470
00:17:10,079 –> 00:17:13,119
در اینجا خواهم داشت و در داخل آن
471
00:17:13,119 –> 00:17:13,760
472
00:17:13,760 –> 00:17:18,240
با n1 کاما n2 عبور می کنم و همانطور که می بینید اگر n دو کاما بدهم،
473
00:17:18,240 –> 00:17:20,319
n یکی در ستون اول و دو در
474
00:17:20,319 –> 00:17:21,280
ستون دوم
475
00:17:21,280 –> 00:17:24,799
به طور مشابه دارم.
476
00:17:24,799 –> 00:17:28,000
در یکی خواهید دید که من n دو در
477
00:17:28,000 –> 00:17:29,200
ستون اول
478
00:17:29,200 –> 00:17:31,360
و یکی در ستون دوم دارم، بنابراین
479
00:17:31,360 –> 00:17:34,400
همه چیز در مورد چیدن آرایه های numpy است،
480
00:17:34,400 –> 00:17:37,039
اکنون با روش های تقاطع و تفاوت نیز کار خواهیم کرد،
481
00:17:37,039 –> 00:17:37,600
482
00:17:37,600 –> 00:17:40,480
بنابراین در اینجا دوباره
483
00:17:40,480 –> 00:17:42,720
دو آرایه numpy داریم. در آرایه numpy اول
484
00:17:42,720 –> 00:17:45,039
مقادیر 10 تا 60 را داریم
485
00:17:45,039 –> 00:17:46,960
و در آرایه numpy دوم
486
00:17:46,960 –> 00:17:49,200
مقادیر fro را داریم m 50 تا 90
487
00:17:49,200 –> 00:17:52,640
و اگر من عناصر مشترک
488
00:17:52,640 –> 00:17:54,799
بین این دو آرایه numpy را بخواهم
489
00:17:54,799 –> 00:17:58,480
، می توانم از
490
00:17:58,480 –> 00:18:01,919
روش intersect 1d استفاده کنم، بنابراین در اینجا در روش intersect 1d
491
00:18:01,919 –> 00:18:03,919
فقط باید در
492
00:18:03,919 –> 00:18:05,600
این دو آرایه numpy پاس بدهم
493
00:18:05,600 –> 00:18:08,400
و همانطور که در نتیجه می بینید ما یک
494
00:18:08,400 –> 00:18:09,679
495
00:18:09,679 –> 00:18:12,720
آرایه numpy جدید متشکل از عناصر مشترک
496
00:18:12,720 –> 00:18:13,679
در این دو
497
00:18:13,679 –> 00:18:17,280
آرایه numpy دریافت کنید، سپس در اینجا من
498
00:18:17,280 –> 00:18:21,360
n1 و n2 دارم اگر بخواهم
499
00:18:21,360 –> 00:18:24,960
تمام عناصر منحصر به فرد n1 را پیدا
500
00:18:24,960 –> 00:18:28,000
کنم، می توانم از روش set