در این مطلب، ویدئو آموزش Numpy Python | آموزش پیشرفته پایتون | 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: 00:53:07
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:01,440 –> 00:00:07,120
[موسیقی]
2
00:00:07,120 –> 00:00:08,639
سلام به همه
3
00:00:08,639 –> 00:00:11,440
خوش آمدید به یک جلسه هیجان انگیز دیگر در
4
00:00:11,440 –> 00:00:12,880
numpy
5
00:00:12,880 –> 00:00:15,040
well نام من راجان شایتری است و در
6
00:00:15,040 –> 00:00:16,720
جلسه امروز در مورد
7
00:00:16,720 –> 00:00:18,560
ویژگی های مختلف
8
00:00:18,560 –> 00:00:21,680
ارائه شده توسط numpy و چگونگی مفید بودن آن
9
00:00:21,680 –> 00:00:24,160
در یادگیری ماشین یا پروژه های علم داده صحبت
10
00:00:24,160 –> 00:00:25,519
11
00:00:25,519 –> 00:00:27,840
خواهیم کرد. ابتدا با دستور کار شروع کنید،
12
00:00:27,840 –> 00:00:29,199
13
00:00:29,199 –> 00:00:31,279
ابتدا در
14
00:00:31,279 –> 00:00:33,360
مورد معرفی numpy صحبت خواهیم کرد
15
00:00:33,360 –> 00:00:35,920
که چه چیزی Numpy را بسیار قدرتمند می کند و در کجا
16
00:00:35,920 –> 00:00:37,760
بیشتر از آن استفاده می شود،
17
00:00:37,760 –> 00:00:39,840
سپس یک مقایسه عملکرد کوچک
18
00:00:39,840 –> 00:00:41,120
19
00:00:41,120 –> 00:00:43,760
بین numpy و پایتون استاندارد
20
00:00:43,760 –> 00:00:44,800
انجام خواهیم
21
00:00:44,800 –> 00:00:48,160
داد. Numpy کارآمد از نظر
22
00:00:48,160 –> 00:00:49,200
حافظه
23
00:00:49,200 –> 00:00:53,920
و عملکرد از نظر سرعت است،
24
00:00:53,920 –> 00:00:56,879
سپس ما در مورد دلیل اصلی
25
00:00:56,879 –> 00:00:58,320
26
00:00:58,320 –> 00:01:01,199
دلیل اصلی عملکرد numpy صحبت خواهیم کرد و
27
00:01:01,199 –> 00:01:03,520
این اساساً یک ساختار داده جدید
28
00:01:03,520 –> 00:01:06,400
به نام آرایه nd است که در مورد آن صحبت خواهیم کرد.
29
00:01:06,400 –> 00:01:07,600
آرایه است
30
00:01:07,600 –> 00:01:10,080
و نحوه کار با آرایه nd با استفاده از
31
00:01:10,080 –> 00:01:12,080
تمرین های مختلف،
32
00:01:12,080 –> 00:01:15,200
بنابراین اجازه دهید با
33
00:01:15,200 –> 00:01:18,560
numpy شروع کنیم، بنابراین numpy
34
00:01:18,560 –> 00:01:21,439
numpy چیست، ابتدایی ترین و قدرتمندترین
35
00:01:21,439 –> 00:01:22,080
بسته
36
00:01:22,080 –> 00:01:24,720
برای کار با داده ها است. در پایتون، بنابراین اگر
37
00:01:24,720 –> 00:01:26,400
با دادهها کار میکنید و اگر
38
00:01:26,400 –> 00:01:28,320
درگیر دستکاری دادهها هستید،
39
00:01:28,320 –> 00:01:31,119
Numpy در این زمینه به شما کمک میکند، بنابراین اجازه دهید
40
00:01:31,119 –> 00:01:32,960
فرض کنیم اگر قرار است
41
00:01:32,960 –> 00:01:35,200
روی پروژههای تجزیه و تحلیل داده یا یادگیری ماشین
42
00:01:35,200 –> 00:01:36,479
کار کنید،
43
00:01:36,479 –> 00:01:38,159
داشتن درک کامل از
44
00:01:38,159 –> 00:01:39,600
اعداد
45
00:01:39,600 –> 00:01:42,799
تقریباً الزامی است. زیرا بسته های دیگر
46
00:01:42,799 –> 00:01:43,920
برای تجزیه و تحلیل داده ها
47
00:01:43,920 –> 00:01:47,040
مانند پانداها در بالای numpy ساخته شده
48
00:01:47,040 –> 00:01:50,159
اند و اگر یک مثال دیگر برایتان بیاورم
49
00:01:50,159 –> 00:01:51,119
50
00:01:51,119 –> 00:01:53,439
یک کتابخانه محبوب به نام یادگیری روانی
51
00:01:53,439 –> 00:01:54,560
نیز
52
00:01:54,560 –> 00:01:56,880
در بالای numpy ساخته شده است که برای
53
00:01:56,880 –> 00:01:58,960
برنامه های یادگیری ماشین
54
00:01:58,960 –> 00:02:02,719
به شدت استفاده می شود در حال حاضر همه این کتابخانه ها مانند
55
00:02:02,719 –> 00:02:04,240
pandas and scikit-
56
00:02:04,240 –> 00:02:07,280
learn به شدت
57
00:02:07,280 –> 00:02:10,878
از numpy استفاده می کند، بنابراین آنچه Numpy دقیقاً
58
00:02:10,878 –> 00:02:13,440
در هسته numpy ارائه می دهد، یک
59
00:02:13,440 –> 00:02:14,720
60
00:02:14,720 –> 00:02:18,720
آرایه عالی در ابعاد یا آرایه
61
00:02:18,720 –> 00:02:22,080
nd در آرایه nd ارائه می دهد که می توانید چندین آیتم
62
00:02:22,080 –> 00:02:24,720
از یک نوع داده را ذخیره کنید، این
63
00:02:24,720 –> 00:02:27,120
امکانات در اطراف منطقه است.
64
00:02:27,120 –> 00:02:29,599
شیئی که برای
65
00:02:29,599 –> 00:02:30,640
انجام
66
00:02:30,640 –> 00:02:36,080
ریاضی و دستکاری داده ها بسیار
67
00:02:36,080 –> 00:02:38,319
راحت است، ممکن است تعجب کنید که آیا می توانم
68
00:02:38,319 –> 00:02:40,640
اعداد و سایر اشیاء را در لیست پایتون ذخیره
69
00:02:40,640 –> 00:02:41,519
70
00:02:41,519 –> 00:02:44,400
کنم. چه نیازی به دانستن یک
71
00:02:44,400 –> 00:02:45,040
72
00:02:45,040 –> 00:02:47,200
آرایه numpy nd من میتوانم انواع
73
00:02:47,200 –> 00:02:48,640
محاسبات را با استفاده از
74
00:02:48,640 –> 00:02:52,000
برنامهنویسی استاندارد پایتون انجام دهم و با استفاده از
75
00:02:52,000 –> 00:02:53,120
76
00:02:53,120 –> 00:02:55,120
تکنیکهای مرسوم مانند حلقهها، فایلها و
77
00:02:55,120 –> 00:02:56,560
همه چیز
78
00:02:56,560 –> 00:02:59,120
را میدانید، اما چیزی که در اینجا باید بدانید این
79
00:02:59,120 –> 00:02:59,760
است
80
00:02:59,760 –> 00:03:03,040
که یک چیز بسیار مهم وجود دارد. مزیت استفاده از
81
00:03:03,040 –> 00:03:06,400
آرایههای numpy نسبت به
82
00:03:06,400 –> 00:03:08,480
فهرستی که مزیت مهم آن چیست را
83
00:03:08,480 –> 00:03:10,319
در تمرینها
84
00:03:10,319 –> 00:03:13,920
در طول مقایسه عملکرد پوشش خواهیم داد،
85
00:03:14,560 –> 00:03:16,560
بنابراین میتوانید از numpy برای
86
00:03:16,560 –> 00:03:19,120
اهداف مختلف مانند توابع مالی
87
00:03:19,120 –> 00:03:22,800
آمار جبر خطی چند جملهای
88
00:03:22,800 –> 00:03:26,239
مرتبسازی یا جستجو استفاده کنید،
89
00:03:26,239 –> 00:03:29,120
بنابراین همانطور که قبلاً دلیل اصلی را ذکر کردم.
90
00:03:29,120 –> 00:03:31,120
پشت عملکرد numpy و
91
00:03:31,120 –> 00:03:32,159
عملکرد
92
00:03:32,159 –> 00:03:36,640
آن آرایه nt است خوب
93
00:03:36,640 –> 00:03:38,560
چه کارایی به این معنی است که ما
94
00:03:38,560 –> 00:03:39,920
در مورد آن صحبت خواهیم کرد
95
00:03:39,920 –> 00:03:42,480
که یک آرایه دوم را ارائه می دهد که ناحیه ای
96
00:03:42,480 –> 00:03:43,599
از یک شی است و
97
00:03:43,599 –> 00:03:46,640
روش های برش پیشرفته ای را در اختیار شما قرار می دهد
98
00:03:46,640 –> 00:03:48,959
99
00:03:48,959 –> 00:03:50,239
که اگر از آن عبور کرده باشید شبیه به برش رشته است. پایتون اصلی
100
00:03:50,239 –> 00:03:53,680
در حال حاضر وقتی با dra کار می کنید راحت
101
00:03:53,680 –> 00:03:54,560
102
00:03:54,560 –> 00:03:57,599
است که ماتریس ها را دستکاری کنید و
103
00:03:57,599 –> 00:04:00,239
به راحتی می توانید کنترل کنید. ماتریس ها را بیاندازید،
104
00:04:00,239 –> 00:04:01,200
بیایید مثالی از
105
00:04:01,200 –> 00:04:04,319
شکل دهی مجدد ماتریس ها بزنیم،
106
00:04:04,319 –> 00:04:07,280
بنابراین این آرایه دوم یکی از
107
00:04:07,280 –> 00:04:08,000
ابزارهای
108
00:04:08,000 –> 00:04:12,480
کتابخانه های با کارایی بالا در
109
00:04:12,480 –> 00:04:14,560
پایتون است، یک ساختار داده بسیار قدرتمند است
110
00:04:14,560 –> 00:04:15,920
که
111
00:04:15,920 –> 00:04:19,120
برای محاسبات آرایه ها و
112
00:04:19,120 –> 00:04:22,720
ماتریس ها بسیار کارآمد است، بنابراین اجازه دهید
113
00:04:22,720 –> 00:04:26,160
دقیقاً بفهمیم چگونه آیا
114
00:04:26,160 –> 00:04:29,600
numpy به ما در محاسبه کارآمد داده ها کمک می کند
115
00:04:29,600 –> 00:04:30,639
،
116
00:04:30,639 –> 00:04:32,080
بنابراین اجازه دهید با
117
00:04:32,080 –> 00:04:33,840
نمایش آزمایشگاهی در مورد
118
00:04:33,840 –> 00:04:37,360
ایجاد آرایه های nd شروع کنیم،
119
00:04:37,440 –> 00:04:39,919
پس دوستان خوش آمدید، بنابراین در اینجا من از
120
00:04:39,919 –> 00:04:42,240
نوت بوک jupyter به عنوان محیط آزمایشگاهی
121
00:04:42,240 –> 00:04:45,199
برای اجرای نمایش ها برای
122
00:04:45,199 –> 00:04:46,240
numpy استفاده می کنم،
123
00:04:46,240 –> 00:04:47,520
بنابراین اجازه دهید با numpy شروع کنیم.
124
00:04:47,520 –> 00:04:49,360
تظاهرات و اولین
125
00:04:49,360 –> 00:04:51,280
گام ابتدایی که انجام خواهیم داد این است
126
00:04:51,280 –> 00:04:55,120
که کتابخانه numpy را در
127
00:04:55,199 –> 00:04:58,479
اینجا وارد کنیم، بنابراین در اینجا می گوییم import numpy به عنوان np np
128
00:04:58,479 –> 00:05:00,800
نام مستعاری است که به ماژول numpy اشاره دارد و
129
00:05:00,800 –> 00:05:03,120
130
00:05:03,120 –> 00:05:04,560
اکنون اولین نمایشی است که ما آن را انجام
131
00:05:04,560 –> 00:05:07,600
خواهیم داد. ایجاد
132
00:05:07,600 –> 00:05:12,240
یک آرایه nd از لیست پایتون است،
133
00:05:12,240 –> 00:05:15,120
بنابراین در اینجا ما یک آرایه nd را
134
00:05:15,120 –> 00:05:17,120
از لیست پایتون در اینجا ایجاد می کنیم، بنابراین اجازه دهید ابتدا یک لیست ایجاد کنیم
135
00:05:17,120 –> 00:05:18,479
136
00:05:18,479 –> 00:05:20,240
تا این کار به b e لیست من برابر است با
137
00:05:20,240 –> 00:05:22,160
یک دو سه چهار و پنج
138
00:05:22,160 –> 00:05:24,479
و در مرحله بعد ما
139
00:05:24,479 –> 00:05:26,240
این لیست را به یک
140
00:05:26,240 –> 00:05:29,520
آرایه numpy nd تبدیل می کنیم، بنابراین چگونه این کار را انجام
141
00:05:29,520 –> 00:05:31,840
دهیم تا آرایه نقطه np باشد
142
00:05:31,840 –> 00:05:34,800
لیست من پس آرایه np dot آرایه است تابعی
143
00:05:34,800 –> 00:05:35,600
144
00:05:35,600 –> 00:05:37,759
که قرار است این لیست را به
145
00:05:37,759 –> 00:05:39,280
آرایه nd تبدیل کند
146
00:05:39,280 –> 00:05:42,400
و در اینجا ما آن آرایه nd
147
00:05:42,400 –> 00:05:46,000
را در یک شی جدید به نام
148
00:05:46,000 –> 00:05:49,280
npr ذخیره
149
00:05:49,280 –> 00:05:50,160
150
00:05:50,160 –> 00:05:53,199
151
00:05:53,199 –> 00:05:55,520
می کنیم. اکنون دقیقاً شبیه
152
00:05:55,520 –> 00:05:56,319
153
00:05:56,319 –> 00:06:00,319
به لیست پایتون است، اگر
154
00:06:00,319 –> 00:06:03,520
نوع npl را به شما نشان دهم که
155
00:06:03,520 –> 00:06:05,759
می توانید در اینجا ببینید، به وضوح می
156
00:06:05,759 –> 00:06:07,360
گوید که یک لیست پایتون
157
00:06:07,360 –> 00:06:10,080
نیست، اکنون آرایه دوم است که چه چیزی این
158
00:06:10,080 –> 00:06:12,000
لیست را با لیست پایتون متفاوت می کند، چه
159
00:06:12,000 –> 00:06:14,000
دلایلی در پشت آن وجود دارد. محبوبیت
160
00:06:14,000 –> 00:06:16,000
اینکه چگونه بسیار کارآمد
161
00:06:16,000 –> 00:06:18,560
است، اکنون با جزئیات بیشتر در مورد آن صحبت خواهیم کرد
162
00:06:18,560 –> 00:06:19,919
اولین چیزی که باید
163
00:06:19,919 –> 00:06:22,400
در اینجا درک کنید عملکرد
164
00:06:22,400 –> 00:06:23,120
بسیار خوب است،
165
00:06:23,120 –> 00:06:25,360
بنابراین تعداد عملکردهای
166
00:06:25,360 –> 00:06:26,160
ارائه شده توسط
167
00:06:26,160 –> 00:06:29,199
آرایه دوم و عملکردهای مختلف به
168
00:06:29,199 –> 00:06:32,479
طور قابل توجهی در مقایسه با یک
169
00:06:32,479 –> 00:06:34,400
لیست پایتون
170
00:06:34,400 –> 00:06:36,160
که در جلسه درباره این
171
00:06:36,160 –> 00:06:38,240
ویژگیها و توابع uh با جزئیات بیشتر
172
00:06:38,240 –> 00:06:41,600
173
00:06:42,720 –> 00:06:45,120
صحبت خواهیم کرد، اکنون اجازه دهید در مورد ضریب کارایی آرایههای numpy صحبت کنیم،
174
00:06:45,120 –> 00:06:47,360
175
00:06:47,360 –> 00:06:49,759
بنابراین چگونه آرایههای numpy کارآمد
176
00:06:49,759 –> 00:06:50,960
با
177
00:06:50,960 –> 00:06:53,440
ساختارهای داده پایه ارائه شده توسط پایتون
178
00:06:53,440 –> 00:06:54,479
برای
179
00:06:54,479 –> 00:06:57,599
مثال مقایسه میشوند. بنابراین در اینجا برای
180
00:06:57,599 –> 00:06:59,599
درک فاکتور کارایی،
181
00:06:59,599 –> 00:07:02,000
دو نمایش را در اینجا انجام خواهیم داد
182
00:07:02,000 –> 00:07:03,360
اولین
183
00:07:03,360 –> 00:07:08,000
نمایش در مورد درک اشغال حافظه است،
184
00:07:08,000 –> 00:07:10,000
اجازه دهید با بررسی کارایی
185
00:07:10,000 –> 00:07:13,039
آرایه های nd شروع کنیم
186
00:07:15,280 –> 00:07:17,599
تا کارایی را بررسی کنیم، اجازه دهید
187
00:07:17,599 –> 00:07:19,520
اولین کار را انجام دهیم. نمایش
188
00:07:19,520 –> 00:07:21,280
در این نمایش ما
189
00:07:21,280 –> 00:07:23,120
هزار عنصر در پایتون
190
00:07:23,120 –> 00:07:26,080
و همچنین هزار عنصر در numpy ایجاد خواهیم کرد
191
00:07:26,080 –> 00:07:28,639
، بررسی خواهیم کرد که چه مقدار حافظه
192
00:07:28,639 –> 00:07:29,440
193
00:07:29,440 –> 00:07:31,919
توسط پایتون و numpy اشغال شده است، اجازه دهید
194
00:07:31,919 –> 00:07:34,639
با نمایش اینجا شروع کنیم،
195
00:07:34,639 –> 00:07:36,720
بنابراین در اینجا این یک تابع محدوده است که
196
00:07:36,720 –> 00:07:37,919
متعلق به
197
00:07:37,919 –> 00:07:40,639
پایتون a است. پایتون استاندارد و در اینجا
198
00:07:40,639 –> 00:07:42,000
1000 عنصر وجود دارد
199
00:07:42,000 –> 00:07:46,080
با این در اینجا ما زیر شی d داریم
200
00:07:46,080 –> 00:07:48,800
و در اینجا این بار عملکرد متفاوت است
201
00:07:48,800 –> 00:07:49,440
202
00:07:49,440 –> 00:07:51,840
و این بار ما از محدوده ای استفاده می کنیم که یک
203
00:07:51,840 –> 00:07:53,919
محدوده به
204
00:07:53,919 –> 00:07:57,039
numpy تعلق دارد، بنابراین در اینجا در d هزار
205
00:07:57,039 –> 00:07:59,680
عنصر از numpy داریم،
206
00:07:59,680 –> 00:08:01,759
اجازه دهید مقایسه کنیم چقدر حافظه
207
00:08:01,759 –> 00:08:03,360
توسط numpy اشغال شده است،
208
00:08:03,360 –> 00:08:04,960
می دانید که این عناصر
209
00:08:04,960 –> 00:08:07,680
اعدادی در داخل آن وجود دارد تا
210
00:08:07,680 –> 00:08:09,599
حافظه اشغال شده توسط را استخراج کنیم.
211
00:08:09,599 –> 00:08:11,440
عناصری که ما ماژولی
212
00:08:11,440 –> 00:08:14,720
به نام وارد می کنیم می گوید این ماژولی است
213
00:08:14,720 –> 00:08:15,599
214
00:08:15,599 –> 00:08:20,000
که تابعی به نام getsize را در اختیار ما قرار می دهد که
215
00:08:20,000 –> 00:08:22,720
این تابع برای
216
00:08:22,720 –> 00:08:24,000
بازیابی تعداد بایت های
217
00:08:24,000 –> 00:08:26,639
اشغال شده توسط یک عنصر خاص
218
00:08:26,639 –> 00:08:27,280
در
219
00:08:27,280 –> 00:08:30,319
پایتون لازم است بنابراین در اینجا اجازه دهید بگوییم اگر می خواهم
220
00:08:30,319 –> 00:08:32,719
تعیین کنم چقدر است. حافظه توسط
221
00:08:32,719 –> 00:08:34,320
یک عدد صحیح
222
00:08:34,320 –> 00:08:37,760
در پایتون اشغال شده است، بنابراین من می توانم هر
223
00:08:37,760 –> 00:08:39,039
عدد صحیحی را در اینجا ارائه کنم،
224
00:08:39,039 –> 00:08:42,559
بنابراین می توانید ببینید که 14 می گوید،
225
00:08:42,559 –> 00:08:46,080
بنابراین دقیقاً 14 بایت است،
226
00:08:46,080 –> 00:08:48,959
بنابراین از این مثال می توانید فرض کنید که
227
00:08:48,959 –> 00:08:50,959
یک عنصر صحیح منفرد
228
00:08:50,959 –> 00:08:54,640
14 بایت در سیستم شما اشغال می کند.
229
00:08:54,640 –> 00:08:58,399
اکنون ایجاد می شود اگر
230
00:08:58,399 –> 00:09:02,399
این را در هزار عنصر ضرب کنیم به
231
00:09:02,399 –> 00:09:05,200
طوری که اساساً طول s باشد،
232
00:09:05,200 –> 00:09:06,080
در اینجا می توانید
233
00:09:06,080 –> 00:09:09,040
تعداد کل حافظه اشغال شده توسط
234
00:09:09,040 –> 00:09:09,760
235
00:09:09,760 –> 00:09:13,600
اندازه کل حافظه اشغال شده توسط پایتون برای
236
00:09:13,600 –> 00:09:15,839
st را ببینید. oring هزار عنصر اساساً
237
00:09:15,839 –> 00:09:18,480
14000 بایت است،
238
00:09:18,480 –> 00:09:21,279
حال اجازه دهید تعیین کنیم حافظه
239
00:09:21,279 –> 00:09:22,080
اشغال شده توسط
240
00:09:22,080 –> 00:09:26,240
عناصر عددی یا اشیاء ndrl چقدر است
241
00:09:26,240 –> 00:09:28,560
تا بفهمیم که
242
00:09:28,560 –> 00:09:30,640
ویژگی اندازه آیتم را می نامیم.
243
00:09:30,640 –> 00:09:33,279
244
00:09:33,279 –> 00:09:34,959
245
00:09:34,959 –> 00:09:37,440
246
00:09:37,440 –> 00:09:39,519
آرایه داده شده
247
00:09:39,519 –> 00:09:42,959
بنابراین اندازه آیتم به ما چهار بایت
248
00:09:42,959 –> 00:09:46,480
249
00:09:46,480 –> 00:09:50,000
برمی گرداند، پس به چه معناست که در numpy در numpy یک عنصر
250
00:09:50,000 –> 00:09:53,120
واحد یک عنصر عدد صحیح برای
251
00:09:53,120 –> 00:09:56,959
4 بایت اشغال می کند در حالی که در پایتون 14 بایت اشغال می کند
252
00:09:56,959 –> 00:09:58,720
253
00:09:58,720 –> 00:10:01,120
که چه مقدار حافظه توسط 1000
254
00:10:01,120 –> 00:10:02,720
عنصر در numpy اشغال شده است.
255
00:10:02,720 –> 00:10:04,880
به منظور تعیین این که اجازه دهید
256
00:10:04,880 –> 00:10:05,920
257
00:10:05,920 –> 00:10:08,720
اندازه یک عنصر را در
258
00:10:08,720 –> 00:10:10,480
اندازه کل ضرب کنیم
259
00:10:10,480 –> 00:10:12,160
و برای بازیابی اندازه کل
260
00:10:12,160 –> 00:10:14,079
، ویژگی اندازه نقطه را داریم
261
00:10:14,079 –> 00:10:17,279
و بیایید ببینیم چقدر بایت
262
00:10:17,279 –> 00:10:18,560
اشغال می کند،
263
00:10:18,560 –> 00:10:21,920
بنابراین در اینجا می توانید آن d را ببینید
264
00:10:21,920 –> 00:10:24,320
که یک numpy است. که یک آرایه numpy nd است
265
00:10:24,320 –> 00:10:25,680
،
266
00:10:25,680 –> 00:10:28,880
4000 بایت در حافظه برای ذخیره
267
00:10:28,880 –> 00:10:30,839
هزار عدد صحیح اشغال می کند در
268
00:10:30,839 –> 00:10:34,640
مقابل 14000 بایت توسط پایتون،
269
00:10:34,640 –> 00:10:37,760
بنابراین در اینجا این کار ما را کاملاً روشن
270
00:10:37,760 –> 00:10:39,120
می کند.
271
00:10:39,120 –> 00:10:42,720
از نظر اشغال حافظه
272
00:10:42,720 –> 00:10:46,560
توسط numpy
273
00:10:46,560 –> 00:10:48,320
اجازه دهید به نمایش دیگری از
274
00:10:48,320 –> 00:10:50,560
numpy نگاه کنیم که در آن
275
00:10:50,560 –> 00:10:54,160
کارایی آرایه های nd را از نظر
276
00:10:54,160 –> 00:10:55,440
عملکرد به
277
00:10:55,440 –> 00:10:57,600
خوبی مشاهده خواهیم کرد در این نمایش سعی خواهیم کرد
278
00:10:57,600 –> 00:10:59,600
279
00:10:59,600 –> 00:11:02,880
یک میلیون عددی را که شما هم در
280
00:11:02,880 –> 00:11:04,320
پایتون و هم در numpy می شناسید اضافه
281
00:11:04,320 –> 00:11:07,279
کنیم. خواهیم دید که چقدر طول می کشد
282
00:11:07,279 –> 00:11:08,079
تا
283
00:11:08,079 –> 00:11:11,680
آن اعداد را اضافه کنیم، بنابراین اجازه دهید تا
284
00:11:11,680 –> 00:11:13,040
285
00:11:13,040 –> 00:11:17,200
زمان ورودی را در اینجا نشان دهیم، بنابراین
286
00:11:17,200 –> 00:11:18,800
در اینجا متغیری به نام اندازه ایجاد می کنیم که
287
00:11:18,800 –> 00:11:21,120
288
00:11:21,120 –> 00:11:25,040
این اندازه ارزش 1 میلیون دارد،
289
00:11:25,040 –> 00:11:29,839
اجازه دهید اشیاء پایتون را در اینجا ایجاد
290
00:11:34,480 –> 00:11:37,600
کنیم. می توانید اینجا را ببینید که l1 و l2 داریم
291
00:11:37,600 –> 00:11:41,600
l1 و l2 هر دو متعلق به اشیاء پایتون هستند
292
00:11:41,600 –> 00:11:44,079
در اینجا اگر برای مقایسه عملکرد مشاهده
293
00:11:44,079 –> 00:11:45,680
294
00:11:45,680 –> 00:11:49,200
کنیم ما در حال ایجاد اشیاء محدوده یکسانی هستیم
295
00:11:49,200 –> 00:11:53,040
اما در numpy
296
00:11:54,560 –> 00:11:59,279
بنابراین در اینجا a1 و a2 اشیاء numpy هستند
297
00:11:59,279 –> 00:12:00,720
اکنون آنچه ما انجام خواهیم داد اساساً ما
298
00:12:00,720 –> 00:12:03,760
l1 l2 و a1 و a2 را اضافه
299
00:12:03,760 –> 00:12:05,600
می کنیم و بررسی می کنیم که چقدر طول می
300
00:12:05,600 –> 00:12:07,040
کشد تا
301
00:12:07,040 –> 00:12:11,120
هر دو اعداد را اضافه کنیم اول از همه اجازه دهید l1 و l2 را اضافه کنیم
302
00:12:11,120 –> 00:12:14,000
303
00:12:21,040 –> 00:12:22,639
بنابراین این یک عبارت درک لیست
304
00:12:22,639 –> 00:12:24,800
است و من اینجا هستم با استفاده از تابع zip
305
00:12:24,800 –> 00:12:25,839
306
00:12:25,839 –> 00:12:27,600
به این صورت که اگر تابع قرار است
307
00:12:27,600 –> 00:12:30,079
مقادیر را از هر دو l1 و l2
308
00:12:30,079 –> 00:12:31,839
309
00:12:31,839 –> 00:12:33,279
بازیابی کند، مقادیر بازیابی شده از l1
310
00:12:33,279 –> 00:12:36,320
را به x و مقدار l2 را
311
00:12:36,320 –> 00:12:39,519
در داخل y اختصاص می دهد، پس از اینکه مقادیر
312
00:12:39,519 –> 00:12:40,160
واکشی شدند،
313
00:12:40,160 –> 00:12:43,440
آن مقادیر اضافه می شوند
314
00:12:43,440 –> 00:12:47,040
و در داخل نتیجه ذخیره می شود،
315
00:12:47,040 –> 00:12:48,959
بنابراین در داخل این
316
00:12:48,959 –> 00:12:50,320
کار مانند
317
00:12:50,320 –> 00:12:54,480
واکشی 0 و 0 از l1 l2
318
00:12:54,480 –> 00:12:58,959
عمل می کند، سپس انجام 0 0 صرفه جویی 0 در نتیجه
319
00:12:58,959 –> 00:13:03,120
مشابه با تاخیر مشابه 1 و 1 است و به همین ترتیب
320
00:13:03,120 –> 00:13:06,720
اکنون در اینجا اجازه دهید ردیابی زمان را
321
00:13:06,720 –> 00:13:08,320
به ترتیب انجام دهیم. برای انجام ردیابی زمان
322
00:13:08,320 –> 00:13:10,320
از ماژول زمان استفاده می کنیم
323
00:13:10,320 –> 00:13:13,360
و در اینجا الگوریتم ردیابی زمان
324
00:13:13,360 –> 00:13:14,399
اساساً
325
00:13:14,399 –> 00:13:18,079
زمان قبل از اجرا را ذخیره می کند و زمان بعد از اجرا
326
00:13:18,079 –> 00:13:21,279
را ضبط می کند،
327
00:13:21,279 –> 00:13:23,839
328
00:13:24,399 –> 00:13:29,279
بنابراین اجازه دهید زمان چاپ
329
00:13:29,279 –> 00:13:32,399
پایتون برای اضافه کردن مقادیر
330
00:13:32,399 –> 00:13:36,320
در اصل متوقف شود منهای شروع
331
00:13:36,320 –> 00:13:38,480
اکنون است. مقادیر به صورت کسری خواهند بود، بنابراین
332
00:13:38,480 –> 00:13:39,360
ما
333
00:13:39,360 –> 00:13:42,160
آن مقادیر کسر را
334
00:13:42,160 –> 00:13:43,519
با ضرب
335
00:13:43,519 –> 00:13:46,720
آن در 1000 به میلی ثانیه تبدیل می کنیم،
336
00:13:46,720 –> 00:13:48,480
اکنون همان الگوریتم
337
00:13:48,480 –> 00:13:51,519
برای ساختار داده های numpy نیز دنبال می شود،
338
00:13:51,519 –> 00:13:54,720
اما در اینجا عبارت خارج می شود.
339
00:13:54,720 –> 00:13:58,560
ساده است، بنابراین به جای درک مطلب،
340
00:13:58,560 –> 00:14:02,800
ما به سادگی می گوییم a1 به اضافه a2
341
00:14:02,800 –> 00:14:06,399
، اختلاف زمانی
342
00:14:06,399 –> 00:14:09,600
numpy را در اینجا چاپ می کنیم و اجازه می دهیم کد را اجرا کنیم
343
00:14:09,600 –> 00:14:10,079
344
00:14:10,079 –> 00:14:12,320
و تفاوت عملکرد را اینجا کاملاً ببینیم،
345
00:14:12,320 –> 00:14:14,639
346
00:14:15,040 –> 00:14:18,160
بنابراین
347
00:14:19,040 –> 00:14:21,839
اجازه دهید ماژول را کاملاً وارد کنیم تا
348
00:14:21,839 –> 00:14:23,360
در اینجا بتوانید ببینید اختلاف زمانی
349
00:14:23,360 –> 00:14:25,440
بین پایتون و
350
00:14:25,440 –> 00:14:28,880
پایتون ناپیتون 159 میلی ثانیه طول می کشد تا
351
00:14:28,880 –> 00:14:32,320
هر عدد 1 میلیون عدد اضافه شود، در حالی
352
00:14:32,320 –> 00:14:35,199
که پایتون numpy فقط 18
353
00:14:35,199 –> 00:14:36,399
میلی ثانیه طول می
354
00:14:36,399 –> 00:14:38,160
کشد، بنابراین در اینجا می توانیم ببینیم که تفاوت زیادی
355
00:14:38,160 –> 00:14:40,399
در
356
00:14:40,399 –> 00:14:43,680
عملکرد numpy و dnas در مقابل
357
00:14:43,680 –> 00:14:46,720
ساختار داده پایتون وجود دارد.
358
00:14:46,720 –> 00:14:48,160
ما با تظاهرات اساسی
359
00:14:48,160 –> 00:14:49,839
در numpy شروع می کنیم
360
00:14:49,839 –> 00:14:51,519
و اجازه می دهیم دقیقاً ببینیم چگونه می توانیم
361
00:14:51,519 –> 00:14:52,880
362
00:14:52,880 –> 00:14:56,560
آرایه های nd مختلف را در numpy ایجاد کنیم، از
363
00:14:56,560 –> 00:14:57,600
ایجاد
364
00:14:57,600 –> 00:14:59,440
آرایه خطی که یک بعدی است
365
00:14:59,440 –> 00:15:01,440
و سپس 2d و سپس 3d
366
00:15:01,440 –> 00:15:03,760
شروع می کنیم و سپس خواهیم دید که دقیقا چند یا چند
367
00:15:03,760 –> 00:15:05,120
چه عملیاتی
368
00:15:05,120 –> 00:15:08,480
را میتوانیم روی آرایههای numpy انجام دهیم،
369
00:15:08,480 –> 00:15:12,720
بنابراین در اینجا np dot آرایه
370
00:15:12,720 –> 00:15:16,000
یک دو سه چهار و پنج بنابراین در
371
00:15:16,000 –> 00:15:17,920
اینجا یک ساختار اساسی در اینجا است بنابراین این
372
00:15:17,920 –> 00:15:21,199
یک بعدی است آرایه nal
373
00:15:23,839 –> 00:15:25,920
اگر در مورد مثال دیگری
374
00:15:25,920 –> 00:15:27,360
در اینجا صحبت کنیم b برابر با
375
00:15:27,360 –> 00:15:30,399
np نقطه جمع کردن است و
376
00:15:30,399 –> 00:15:33,839
در اینجا اگر در مورد آن صحبت می کنیم، فرض کنید یک
377
00:15:33,839 –> 00:15:36,880
دو سه و
378
00:15:36,880 –> 00:15:40,079
به سادگی چهار پنج و شش، بنابراین در اینجا می
379
00:15:40,079 –> 00:15:43,759
توانیم آرایه دو بعدی را
380
00:15:43,759 –> 00:15:45,759
اکنون وقتی که آرایه های چند بعدی داریم ببینیم.
381
00:15:45,759 –> 00:15:48,000
ما میتوانیم بدانیم ابردادههای آنها را بازیابی کنیم
382
00:15:48,000 –> 00:15:48,959
383
00:15:48,959 –> 00:15:51,120
که اساساً به معنای این
384
00:15:51,120 –> 00:15:52,079
ساختار داخلی است
385
00:15:52,079 –> 00:15:55,600
با استفاده از برخی ویژگیها مانند شکل نقطه b
386
00:15:55,600 –> 00:15:58,160
شکل قرار است
387
00:15:58,160 –> 00:15:58,880
تعداد
388
00:15:58,880 –> 00:16:01,279
ردیفها و ستونهای آن
389
00:16:01,279 –> 00:16:03,519
آرایه خاص را به شما برگرداند، بنابراین در اینجا ما دو سطر
390
00:16:03,519 –> 00:16:06,639
و سه ستون داریم. همچنین می تواند
391
00:16:06,639 –> 00:16:08,079
تعداد ابعادی را
392
00:16:08,079 –> 00:16:11,680
که دارد بازیابی کند، بنابراین دارای دو بعد
393
00:16:11,680 –> 00:16:13,440
است،
394
00:16:13,440 –> 00:16:17,519
اجازه دهید آرایه 3 بعدی ایجاد کنیم،
395
00:16:17,519 –> 00:16:20,560
بنابراین چگونه می توان آرایه های 3 بعدی را در عدد ایجاد کرد،
396
00:16:20,560 –> 00:16:23,279
بنابراین درک آرایه 3 بعدی آسان است
397
00:16:23,279 –> 00:16:24,399
زیرا فقط
398
00:16:24,399 –> 00:16:27,920
یک آرایه از آرایه های 2 بعدی است.
399
00:16:27,920 –> 00:16:29,839
با ایجاد 1 در اینجا،
400
00:16:29,839 –> 00:16:32,880
بنابراین c برابر است با
401
00:16:32,880 –> 00:16:38,160
شما می دانید آرایه نقطه np، بنابراین در اینجا
402
00:16:38,320 –> 00:16:43,279
یک دو سه چهار
403
00:16:43,279 –> 00:16:46,240
پنج و شش، یک مورد دیگر
404
00:16:46,240 –> 00:16:47,440
به ناحیه اینجا ایجاد
405
00:16:47,440 –> 00:16:50,639
می کنیم که هفت هشت و 9 است و در اینجا
406
00:16:50,639 –> 00:16:53,759
می گوییم 10 11 و 12.
407
00:16:53,759 –> 00:16:55,920
حالا اگر به این نسخه نمایشی نگاه کنید، این
408
00:16:55,920 –> 00:16:57,040
آرایه در
409
00:16:57,040 –> 00:17:00,560
اینجا اساساً یک آرایه 3 بعدی است اگر
410
00:17:00,560 –> 00:17:04,000
ابعاد را مشاهده کنیم، بنابراین در اینجا با استفاده
411
00:17:04,000 –> 00:17:06,319
از ویژگی پایان می گوید سه، یعنی
412
00:17:06,319 –> 00:17:07,439
413
00:17:07,439 –> 00:17:11,280
سه بعدی است، حالا اجازه دهید در مورد
414
00:17:11,280 –> 00:17:14,559
ویژگی های مختلفی که می دانید صحبت کنیم.
415
00:17:14,559 –> 00:17:15,760
آرایههای nd که به ما کمک میکنند
416
00:17:15,760 –> 00:17:17,760
عملیاتهای مختلفی را روی آرایهها انجام دهند
417
00:17:17,760 –> 00:17:19,039
،
418
00:17:19,039 –> 00:17:22,640
بنابراین اجازه دهید با این مثال در اینجا
419
00:17:22,640 –> 00:17:24,319
در این مثال شروع کنیم، میدانید که
420
00:17:24,319 –> 00:17:25,679
در مورد
421
00:17:25,679 –> 00:17:30,080
تغییر شکل صحبت خواهیم کرد، بنابراین بیایید
422
00:17:30,080 –> 00:17:33,600
ببینیم دقیقاً چه چیزی در حال تغییر شکل است
423
00:17:33,600 –> 00:17:36,240
. براکت در اینجا
424
00:17:36,240 –> 00:17:37,280
همانطور که
425
00:17:37,280 –> 00:17:39,919
آرایه 2 بعدی است،
426
00:17:41,120 –> 00:17:44,000
بنابراین در اینجا اگر آرایه شکل این آرایه را چاپ کنیم، اگر بخواهیم شکل آرایه را از دو به سه به چیز دیگری تغییر
427
00:17:44,000 –> 00:17:45,760
دهیم، شکل این
428
00:17:45,760 –> 00:17:46,000
429
00:17:46,000 –> 00:17:49,120
آرایه اساساً دو در سه است.
430
00:17:49,120 –> 00:17:50,880
431
00:17:50,880 –> 00:17:53,200
432
00:17:53,200 –> 00:17:56,240
ما یک ویژگی به نام reshape داریم که
433
00:17:56,240 –> 00:17:58,640
اکنون با استفاده از reshape کاری که میتوانیم انجام دهیم این است
434
00:17:58,640 –> 00:18:00,880
که میتوانیم شکل آرایه را تغییر
435
00:18:00,880 –> 00:18:04,240
دهیم، بگذارید بگوییم از
436
00:18:04,240 –> 00:18:06,720
دو به سه که دو سطر و سه
437
00:18:06,720 –> 00:18:08,000
ستون
438
00:18:08,000 –> 00:18:10,880
دو سه سطر و دو ستون است، بنابراین در اینجا
439
00:18:10,880 –> 00:18:11,840
میتوانیم به راحتی
440
00:18:11,840 –> 00:18:15,679
resh کنید. میمونی که به ما اجازه میدهد به ویژگی هیجانانگیز دیگر نگاه کنیم
441
00:18:15,679 –> 00:18:17,520
و آن
442
00:18:17,520 –> 00:18:22,400
پلاتین است. مسطح کردن یک ویژگی است،
443
00:18:23,520 –> 00:18:25,679
درست است یک اصلاح کوچک، این تابعی است
444
00:18:25,679 –> 00:18:26,559
445
00:18:26,559 –> 00:18:29,280
که اساساً آرایه را به شکل یک بعدی صاف میکند،
446
00:18:29,280 –> 00:18:30,559
447
00:18:30,559 –> 00:18:33,039
بنابراین این یک خطای خطی است
448
00:18:33,039 –> 00:18:34,000
در حال حاضر من فقط صاف میکنم.
449
00:18:34,000 –> 00:18:36,960
آرایه از شما می دانید 2d تا
450
00:18:36,960 –> 00:18:43,600
یک روز
451
00:18:43,600 –> 00:18:46,480
بسیار خوب است، بنابراین اجازه دهید
452
00:18:46,480 –> 00:18:47,600
453
00:18:47,600 –> 00:18:50,160
با استفاده از چند توابع زیبا در اینجا مقداری عملکرد بیشتر به numpy و آرایه ها اضافه
454
00:18:50,160 –> 00:18:50,960
455
00:18:50,960 –> 00:18:54,000
کنیم، بنابراین اینجا
456
00:18:54,000 –> 00:18:57,039
این بار در مورد انباشته
457
00:18:57,039 –> 00:18:59,120
کردن انباشته صحبت می کنیم فرآیند ادغام دو
458
00:18:59,120 –> 00:19:00,640
و آرایه ها در
459
00:19:00,640 –> 00:19:02,799
آنجا است. دو نوع
460
00:19:02,799 –> 00:19:04,400
انباشته افقی
461
00:19:04,400 –> 00:19:07,600
و انباشته عمودی وجود دارد تا به
462
00:19:07,600 –> 00:19:09,360
وضوح بفهمیم
463
00:19:09,360 –> 00:19:11,280
چیدمان افقی و انباشته عمودی چیست،
464
00:19:11,280 –> 00:19:14,480
اجازه دهید چند آرایه در اینجا ایجاد کنیم،
465
00:19:14,480 –> 00:19:18,160
بنابراین در اینجا یک آرایه
466
00:19:18,160 –> 00:19:21,039
f با مقادیر یک دو سه و
467
00:19:21,039 –> 00:19:24,000
یک آرایه دیگر
468
00:19:24,000 –> 00:19:27,520
g وجود دارد اما مقادیر چهار پنج شش
469
00:19:27,520 –> 00:19:29,760
در حال حاضر ما این دو آرایه را
470
00:19:29,760 –> 00:19:31,760
با استفاده از انباشته کردن ادغام خواهیم کرد
471
00:19:31,760 –> 00:19:33,520
همانطور که قبلاً ذکر کردم انباشتگی
472
00:19:33,520 –> 00:19:36,000
دو نوع افقی و عمودی است.
473
00:19:36,000 –> 00:19:37,840
به خروجی نگاه کنید تا به وضوح
474
00:19:37,840 –> 00:19:40,000
بفهمید که
475
00:19:40,000 –> 00:19:43,360
476
00:19:44,000 –> 00:19:52,080
چیدمان افقی جلو چیست و چه چیزی عمودی است،
477
00:19:52,080 –> 00:19:54,240
لطفاً مطمئن شوید که زمانی که در حال
478
00:19:54,240 –> 00:19:56,000
انباشته کردن هستید، قرار است
479
00:19:56,000 –> 00:19:56,799
آرایهها را به صورت
480
00:19:56,799 –> 00:20:00,000
یک تایی ارسال کنید، بنابراین در اینجا من
481
00:20:00,000 –> 00:20:03,280
f و g را ارسال میکنم، این
482
00:20:03,280 –> 00:20:05,360
در پشته است. stack اساساً به معنای
483
00:20:05,360 –> 00:20:07,120
انباشته افقی است،
484
00:20:07,120 –> 00:20:08,880
در اینجا می توانید ببینید که هر دو
485
00:20:08,880 –> 00:20:10,720
آرایه در یک آرایه ظاهر شده اند،
486
00:20:10,720 –> 00:20:14,240
این انباشته افقی است،
487
00:20:14,240 –> 00:20:17,760
آنها به صورت افقی انباشته شده اند
488
00:20:18,000 –> 00:20:19,760
تا
489
00:20:19,760 –> 00:20:21,520
تفاوت بین افقی و
490
00:20:21,520 –> 00:20:22,559
عمودی
491
00:20:22,559 –> 00:20:24,880
را درک
492
00:20:24,880 –> 00:20:26,640
493
00:20:26,640 –> 00:20:29,440
کنیم. اگر به خروجی در اینجا نگاه کنید، تابع را از پشته h به پشته زباله تغییر می دهد،
494
00:20:29,440 –> 00:20:30,320
495
00:20:30,320 –> 00:20:32,799
496
00:20:32,799 –> 00:20:34,960
آرایه به یک آرایه 2 بعدی تبدیل شده است
497
00:20:34,960 –> 00:20:36,159
498
00:20:36,159 –> 00:20:39,440
و هر دو آرایه به
499
00:20:39,440 –> 00:20:43,360
صورت عمودی روی هم قرار می گیرند،
500
00:20:43,360 –> 00:20:48,559
بنابراین این یک انباشته عمودی است
501
00:20:48,559 –> 00:20:50,240
حالا اجازه دهید در مورد یکی صحبت کنیم. یکی از
502
00:20:50,240 –> 00:20:51,679
مفاهیم مهم
503
00:20:51,679 –> 00:20:54,960
آرایه های numpy و آن برش
504
00:20:54,960 –> 00:20:57,200
برش، فرآیند بازیابی زیر مجموعه ها
505
00:20:57,200 –> 00:20:57,840
از
506
00:20:57,840 –> 00:21:01,120
یک ماتریس یا آرایه داده شده است. ببینید
507
00:21:01,120 –> 00:21:02,400
چگونه برش
508
00:21:02,400 –> 00:21:06,400
در numpy کار می کند تا بفهمیم برش زدن،
509
00:21:06,400 –> 00:21:09,679
اجازه دهید یک آرایه در اینجا ایجاد کنیم
510
00:21:10,240 –> 00:21:13,600
e برابر با آرایه نقطه np
511
00:21:13,600 –> 00:21:17,840
در اینجا ما یک آرایه 2d e ایجاد می کنیم،
512
00:21:20,159 –> 00:21:23,600
بنابراین در اینجا من یک آرایه e ایجاد کرده ام
513
00:21:23,600 –> 00:21:26,159
و آن یک آرایه 2d است و چه چیزی می
514
00:21:26,159 –> 00:21:27,840
رویم. برای انجام این کار این است که ما قصد داریم
515
00:21:27,840 –> 00:21:30,960
مقادیری را از این افزودن واکشی کنیم، اجازه دهید ببینیم
516
00:21:30,960 –> 00:21:34,559
که آیا من 0 را در اینجا مشخص می کنم آنچه به دست می آوریم،
517
00:21:34,559 –> 00:21:37,440
می توانید با واکشی مقادیر شاخص صفر در اینجا ببینید،
518
00:21:37,440 –> 00:21:38,159
519
00:21:38,159 –> 00:21:41,440
ما آرایه یک بعدی را
520
00:21:41,440 –> 00:21:42,159
در اینجا دریافت می
521
00:21:42,159 –> 00:21:45,679
کنیم، بنابراین اگر یکی را دنبال کنید.
522
00:21:45,679 –> 00:21:50,880
شما این عنصر را دریافت خواهید کرد، بیایید امتحان کنیم،
523
00:21:51,440 –> 00:21:54,480
بنابراین این نمایه سازی ساده است،
524
00:21:54,480 –> 00:21:56,559
شما همچنین می توانید آن را شکلی از برش بنامید،
525
00:21:56,559 –> 00:21:58,320
زیرا ما
526
00:21:58,320 –> 00:22:03,440
زیر مجموعه ای از یک ماتریس معین را استخراج می کنیم،
527
00:22:04,000 –> 00:22:07,840
اجازه دهید برخی از عبارات برش را در اینجا امتحان کنیم
528
00:22:07,840 –> 00:22:12,240
و اجازه دهید ابتدا e را به حالت کامل
529
00:22:12,240 –> 00:22:17,360
برسانم. e colon one
530
00:22:17,360 –> 00:22:19,520
now معنی این عبارت چیست این
531
00:22:19,520 –> 00:22:21,360
عبارت اساساً به معنای
532
00:22:21,360 –> 00:22:25,760
اینجاست فقط سطرها
533
00:22:25,760 –> 00:22:29,440
و ستونهای اکنون اینجا کولون اساساً
534
00:22:29,440 –> 00:22:30,000
به این معنی است
535
00:22:30,000 –> 00:22:33,039
که ما همه مقادیر را از همه
536
00:22:33,039 –> 00:22:34,559
ردیفها
537
00:22:34,559 –> 00:22:37,120
درست میخواهیم بنابراین همه ردیفها در اینجا پوشانده میشوند
538
00:22:37,120 –> 00:22:39,120
اما کدام ستون فقط در اینجا پوشانده میشود.
539
00:22:39,120 –> 00:22:41,760
ستون اول، بنابراین
540
00:22:41,760 –> 00:22:42,720
اینجا ستون صفر است
541
00:22:42,720 –> 00:22:45,760
و این یک ستون است، بنابراین
542
00:22:45,760 –> 00:22:48,559
ما تمام سطرها را در نظر می گیریم،
543
00:22:48,559 –> 00:22:50,000
اما فقط مقادیر
544
00:22:50,000 –> 00:22:52,720
ستون اول را در نظر می گیریم، بنابراین به همین دلیل است که می گوییم
545
00:22:52,720 –> 00:22:53,520
546
00:22:53,520 –> 00:22:57,039
دو و پنج در اینجا،
547
00:22:58,000 –> 00:23:01,280
بیایید اگر نگاه کنید، یک کاما، دو نقطه با کاما دو را امتحان کنید.
548
00:23:01,280 –> 00:23:03,919
549
00:23:04,720 –> 00:23:06,720
در خروجی اینجا می گوید
550
00:23:06,720 –> 00:23:08,000
چهار و پنج
551
00:23:08,000 –> 00:23:11,039
حالا چگونه چهار و پنج است، بنابراین این
552
00:23:11,039 –> 00:23:12,960
عبارت ردیف است و این عبارت ستون فراخوانی
553
00:23:12,960 –> 00:23:14,559
است که
554
00:23:14,559 –> 00:23:17,840
در اینجا ما اولین ردیف شاخص را پوشش داده ایم،
555
00:23:17,840 –> 00:23:22,000
بنابراین اولین سطر بعدی
556
00:23:22,000 –> 00:23:26,080
این یک است و دو نقطه 2 اساساً به این معنی است.
557
00:23:26,080 –> 00:23:30,080
در اینجا ما ستونها را از 0
558
00:23:30,080 –> 00:23:34,159
1 پوشش میدهیم، بنابراین ما 2 را پوشش نمیدهیم
559
00:23:34,159 –> 00:23:37,440
زیرا همیشه حد منهای یک است، بنابراین
560
00:23:37,440 –> 00:23:39,200
اگر به سطر اول
561
00:23:39,200 –> 00:23:42,159
و ستونهای صفر و یک نگاه کنید، چه چیزی دریافت میکنیم،
562
00:23:42,159 –> 00:23:43,120
563
00:23:43,120 –> 00:23:45,360
بنابراین این اولین ردیف است و ستون
564
00:23:45,360 –> 00:23:46,640
صفر اینجا
565
00:23:46,640 –> 00:23:49,840
روی ستون صفر است که ما چهار می گیریم
566
00:23:49,840 –> 00:23:52,559
و از اولین ردیف اول
567
00:23:52,559 –> 00:23:53,200
فقط
568
00:23:53,200 –> 00:23:55,919
از یک ستون در اینجا
569
00:23:55,919 –> 00:23:57,600
پنج
570
00:23:57,600 –> 00:24:02,559
می گیریم، به همین دلیل است که پاسخ چهار و
571
00:24:02,840 –> 00:24:04,880
پنج است،
572
00:24:04,880 –> 00:24:07,200
اجازه دهید عبارات مختلف برش را امتحان کنیم
573
00:24:07,200 –> 00:24:08,320
574
00:24:08,320 –> 00:24:12,080
و خواص مختلف یک بار دیگر
575
00:24:13,200 –> 00:24:18,080
بنابراین در اینجا عبارات مختلف
576
00:24:18,080 –> 00:24:20,400
به شما درک خوبی
577
00:24:20,400 –> 00:24:21,840
از نحوه کار با آرایه های numpy
578
00:24:21,840 –> 00:24:22,720
579
00:24:22,720 –> 00:24:25,440
و عبارات مختلف می دهند، بنابراین
580
00:24:25,440 –> 00:24:26,240
در اینجا
581
00:24:26,240 –> 00:24:29,360
اجازه دهید یک بار دیگر آرایه را ایجاد کنیم تا
582
00:24:29,360 –> 00:24:31,600
583
00:24:31,600 –> 00:24:33,279
584
00:24:33,279 –> 00:24:35,600
اگر نگاه کنیم یک آرایه خطی یک دو سه چهار و پنج باشد. در نوع آرایه در
585
00:24:35,600 –> 00:24:38,159
اینجا میگوید آرایه numpy.nd
586
00:24:38,159 –> 00:24:41,600
اگر به شکل آن نگاه کنید،
587
00:24:41,600 –> 00:24:44,159
اینجا پنج مقدار میگوید، زیرا یک dna است
588
00:24:44,159 –> 00:24:46,799
،
589
00:24:46,799 –> 00:24:50,880
اگر ب