در این مطلب، ویدئو NumPy | پایه های پایتون (قسمت 7/7) 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: 00:31:22
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,080 –> 00:00:03,840
سلام به هفتمین و آخرین
2
00:00:03,840 –> 00:00:06,960
جلسه ما از پایه های پایتون خوش آمدید،
3
00:00:06,960 –> 00:00:09,840
4
00:00:09,840 –> 00:00:11,360
5
00:00:11,360 –> 00:00:13,360
همانطور که قبلاً گفته بودم، امروز به بررسی بسته
6
00:00:13,360 –> 00:00:15,519
7
00:00:15,519 –> 00:00:18,720
8
00:00:18,720 –> 00:00:22,480
numpy خواهیم پرداخت. برای این سری دوره،
9
00:00:22,480 –> 00:00:24,480
همچنین می توانید هر پیوند ویدیویی را در
10
00:00:24,480 –> 00:00:26,560
بالای دفترچه یادداشت در
11
00:00:26,560 –> 00:00:28,400
وب سایت
12
00:00:28,400 –> 00:00:31,359
بنیاد پایتون بیابید، ما جلسه 7 پایه پایتون را شروع خواهیم کرد.
13
00:00:31,359 –> 00:00:32,960
14
00:00:32,960 –> 00:00:35,840
15
00:00:35,840 –> 00:00:37,600
16
00:00:37,600 –> 00:00:40,160
17
00:00:40,160 –> 00:00:42,320
سایر ابزارهای محاسباتی مانند
18
00:00:42,320 –> 00:00:46,079
idl یا matlab numpy باید بسیار
19
00:00:46,079 –> 00:00:48,480
آشنا
20
00:00:48,480 –> 00:00:50,719
به نظر برسند، بنابراین ما از این نام مستعار استاندارد با
21
00:00:50,719 –> 00:00:54,000
numpy استفاده می کنیم که np است، بنابراین numpy را وارد می کنیم
22
00:00:54,000 –> 00:00:56,879
زیرا np
23
00:00:56,879 –> 00:00:59,760
numpy مجموعه ای از
24
00:00:59,760 –> 00:01:01,760
ابزارهای تولید اعداد تصادفی
25
00:01:01,760 –> 00:01:04,239
مرتبط با آن دارد و می توانیم آن موارد
26
00:01:04,239 –> 00:01:07,520
تصادفی را مشاهده کنیم. ابزارهای تولید اعداد
27
00:01:07,520 –> 00:01:11,040
مانند فراخوانی np.random.seed
28
00:01:11,040 –> 00:01:13,280
و تنظیم آن روی مقداری،
29
00:01:13,280 –> 00:01:15,200
خواهید دید که بسیاری از افراد دیگر این کار را انجام می دهند.
30
00:01:15,200 –> 00:01:16,240
31
00:01:16,240 –> 00:01:18,479
32
00:01:18,479 –> 00:01:21,759
او شماره 42.
33
00:01:21,759 –> 00:01:22,960
بسیار خوب،
34
00:01:22,960 –> 00:01:25,680
با ایجاد آرایههای numpy شروع
35
00:01:25,680 –> 00:01:27,119
کردیم، وقتی با bliss کار میکردیم، دیدیم که میتوانیم
36
00:01:27,119 –> 00:01:28,560
آنها را با انواع دادهها پر کنیم
37
00:01:28,560 –> 00:01:31,200
درست، فکر میکنم مثالی که استفاده کردیم
38
00:01:31,200 –> 00:01:32,240
این بود که
39
00:01:32,240 –> 00:01:34,159
فیلها در باغوحش پای غذا میخورند یا
40
00:01:34,159 –> 00:01:36,479
چیزی شبیه به این درست است. دارای
41
00:01:36,479 –> 00:01:39,119
یک عدد صحیح دارای مقادیر رشته ممیز شناور است که
42
00:01:39,119 –> 00:01:42,159
آرایه های numpy لزوما از یک نوع داده هستند
43
00:01:42,159 –> 00:01:43,200
44
00:01:43,200 –> 00:01:44,960
و این به نحوه
45
00:01:44,960 –> 00:01:46,560
ذخیره آنها در حافظه
46
00:01:46,560 –> 00:01:48,000
47
00:01:48,000 –> 00:01:49,920
48
00:01:49,920 –> 00:01:51,759
49
00:01:51,759 –> 00:01:54,479
مربوط می شود. شی همان نوع داده است،
50
00:01:54,479 –> 00:01:59,280
بنابراین در این لیست 1 2 3 6 5 و 4
51
00:01:59,280 –> 00:02:01,200
همه آنها اعداد صحیح هستند و
52
00:02:01,200 –> 00:02:04,560
سپس در این لیست با 1 2 6 5 4 و
53
00:02:04,560 –> 00:02:06,240
3.14
54
00:02:06,240 –> 00:02:09,119
همه آنها شناور هستند، می توانیم
55
00:02:09,119 –> 00:02:11,680
بررسی کنیم انواع داده ها به روش استاندارد
56
00:02:11,680 –> 00:02:13,120
اینجا آرایه من است
57
00:02:13,120 –> 00:02:14,400
که من ایجاد می کنم، فقط می خواهم
58
00:02:14,400 –> 00:02:16,080
از طریق هر یک حلقه بزنم و به
59
00:02:16,080 –> 00:02:17,760
نوع آن عنصر
60
00:02:17,760 –> 00:02:20,640
نگاه کنم، می بینیم که برای این لیست همه چیز
61
00:02:20,640 –> 00:02:23,840
یک عدد صحیح است و می بینیم که همه انواع
62
00:02:23,840 –> 00:02:27,040
آپکست هستند خوب است. به پیچیده ترین شی
63
00:02:27,040 –> 00:02:30,560
در به عنوان مثال، آرایه به دلیل اینکه
64
00:02:30,560 –> 00:02:33,440
3.14 یک شناور است، همه اعداد دیگر در
65
00:02:33,440 –> 00:02:36,239
آرایه یک شناور خواهند بود،
66
00:02:36,239 –> 00:02:38,560
بنابراین در اینجا ما به جای عدد صحیح، float 64 را داریم
67
00:02:38,560 –> 00:02:41,040
، زیرا
68
00:02:41,040 –> 00:02:44,239
آن یک مقدار در آرایه باید به
69
00:02:44,239 –> 00:02:47,360
عنوان یک شناور تفسیر شود.
70
00:02:47,360 –> 00:02:49,360
ما همچنین میتوانیم انواع دادهها را
71
00:02:49,360 –> 00:02:53,760
در آرایه با ارسال یک مقدار به
72
00:02:53,760 –> 00:02:56,560
پارامتر d-type دقیقاً
73
00:02:56,560 –> 00:02:58,239
مشخص کنیم، بنابراین در اینجا مشخص میکنم که میخواهم آنها به
74
00:02:58,239 –> 00:03:01,840
جای float 64، float 32 باشند.
75
00:03:01,840 –> 00:03:05,519
اندازه اضافی 1 نوع داده را مشخص کنید یک آرایه ایجاد کنید
76
00:03:05,519 –> 00:03:07,840
از پنج عددی که نوع دادههای
77
00:03:07,840 –> 00:03:10,800
آنها اعداد صحیح 16 بیتی است، باعث میشود یکی از
78
00:03:10,800 –> 00:03:13,040
اعداد یک عدد کامل نباشد،
79
00:03:13,040 –> 00:03:14,400
وقتی دوباره در آرایه اعداد صحیح 16 بیتی ذخیره میشود، چه اتفاقی برای عدد میافتد،
80
00:03:14,400 –> 00:03:17,360
81
00:03:17,360 –> 00:03:18,879
اگر این اولین بار است که در
82
00:03:18,879 –> 00:03:20,159
اینجا میتوانید ویدیو را متوقف کنید.
83
00:03:20,159 –> 00:03:21,200
اگر میخواهید خودتان روی تمرین کار
84
00:03:21,200 –> 00:03:23,599
کنید، من میروم و
85
00:03:23,599 –> 00:03:25,040
روی
86
00:03:25,040 –> 00:03:28,959
آن کار میکنم، بنابراین آرایهای از پنج عدد،
87
00:03:28,959 –> 00:03:31,200
بنابراین من mp.array را فراخوانی میکنم
88
00:03:31,200 –> 00:03:33,519
و سپس انواع دادهها اعداد صحیح 16 بیتی هستند،
89
00:03:33,519 –> 00:03:34,799
بنابراین من نمیخواهم. فکر نمی کنم مهم باشد که یکی
90
00:03:34,799 –> 00:03:36,000
از اعداد یک عدد کامل نباشد
91
00:03:36,000 –> 00:03:38,879
ما 1 2 3 4
92
00:03:38,879 –> 00:03:41,680
و سپس 5.6
93
00:03:41,680 –> 00:03:44,799
d نوع برابر با
94
00:03:45,040 –> 00:03:48,879
uh int 16 را انجام
95
00:03:49,280 –> 00:03:50,640
می دهیم. وقتی در آرایه عدد صحیح 16 بیتی ذخیره می شود چه اتفاقی می افتد، می
96
00:03:50,640 –> 00:03:52,879
بینیم که آن
97
00:03:52,879 –> 00:03:54,959
5.6
98
00:03:54,959 –> 00:03:55,840
99
00:03:55,840 –> 00:03:57,200
100
00:03:57,200 –> 00:04:00,159
در مقدار 5 طبقه بندی شده است، بنابراین ما فقط مقدار را برش می
101
00:04:00,159 –> 00:04:02,560
دهیم. اعشار خاموش بدون گرد کردن وجود دارد،
102
00:04:02,560 –> 00:04:06,239
فقط رفتار جالب اعشاری را حذف می کنیم
103
00:04:06,239 –> 00:04:08,879
تا از درستی آن آگاه
104
00:04:08,879 –> 00:04:11,519
باشیم ایجاد آرایه ها از
105
00:04:11,519 –> 00:04:14,319
متدهای numpy یک آرایه ده صفر ایجاد
106
00:04:14,319 –> 00:04:16,320
می کنیم.
107
00:04:16,320 –> 00:04:19,279
108
00:04:19,279 –> 00:04:21,040
برای آن
109
00:04:21,040 –> 00:04:23,199
فقط تعداد صفرهایی است که ما می خواهیم و
110
00:04:23,199 –> 00:04:25,199
آرایه ای از صفر ایجاد
111
00:04:25,199 –> 00:04:27,600
می کند که نوع داده را مشخص می
112
00:04:27,600 –> 00:04:28,960
کنیم بله آن را بررسی کنید من می توانم
113
00:04:28,960 –> 00:04:30,800
راهنمای ابزارم را بالا بکشم که می گوید یک پرچم نوع d
114
00:04:30,800 –> 00:04:33,919
در اینجا وجود دارد اجازه دهید int را بگذارم ببینم آیا کار می کند به
115
00:04:33,919 –> 00:04:35,759
نظر می رسد مثلاً اینها همه اعداد صحیح هستند
116
00:04:35,759 –> 00:04:37,280
درست در جایی که اعشار شما
117
00:04:37,280 –> 00:04:39,360
دیگر وجود ندارد،
118
00:04:39,360 –> 00:04:41,520
ما همچنین می توانیم آرایه هایی از یک ها ایجاد کنیم، بنابراین
119
00:04:41,520 –> 00:04:44,960
در اینجا من فقط روش np.ones را
120
00:04:44,960 –> 00:04:46,160
عالی
121
00:04:46,160 –> 00:04:48,160
می نامم، همچنین می توانیم
122
00:04:48,160 –> 00:04:50,960
آرایه ای با مقدار دلخواه
123
00:04:50,960 –> 00:04:53,280
و برخی از اشکال دلخواه را پر کنیم. از این استفاده کنید
124
00:04:53,280 –> 00:04:55,000
ما این کار را با استفاده از متو انجام می دهیم d
125
00:04:55,000 –> 00:04:57,600
numpy.full اولین پارامتری که
126
00:04:57,600 –> 00:04:59,199
میخواهم پاس بدهم شکل
127
00:04:59,199 –> 00:05:00,560
و پارامتر دوم
128
00:05:00,560 –> 00:05:02,479
مقداری است که میخواهم
129
00:05:02,479 –> 00:05:04,720
آن آرایه را با 642 ثانیه پر کنم،
130
00:05:04,720 –> 00:05:06,720
بنابراین
131
00:05:06,720 –> 00:05:08,479
میتوانیم آن را به تعداد دلخواه تغییر دهیم.
132
00:05:08,479 –> 00:05:09,919
ابعاد، بنابراین اکنون من
133
00:05:09,919 –> 00:05:11,520
سه بعدی
134
00:05:11,520 –> 00:05:12,720
دارم، ما همچنین میتوانیم آن را در یک بعدی نگه داریم،
135
00:05:12,720 –> 00:05:15,199
136
00:05:15,360 –> 00:05:18,160
سس شگفتانگیز را کاملاً مرتب کنیم از ابتدا
137
00:05:18,160 –> 00:05:21,280
شامل توقف اعداد صحیح انحصاری
138
00:05:21,280 –> 00:05:23,280
با اندازه گام است،
139
00:05:23,280 –> 00:05:25,120
140
00:05:25,120 –> 00:05:26,960
اگر فکر میکنی محدوده این چیزی است که من به آن فکر میکنم، چه چیزی را به ما یادآوری میکند. m
141
00:05:26,960 –> 00:05:30,160
ابزار تفکر دو تا نقطهای بیحرکت ترتیب
142
00:05:30,160 –> 00:05:33,919
Api بسیار مشابه با تابع محدوده
143
00:05:33,919 –> 00:05:36,800
در پایتون وانیلی داریم، یک شروع یک توقف
144
00:05:36,800 –> 00:05:40,400
و یک مرحله توقف منحصر به فرد است،
145
00:05:40,400 –> 00:05:43,919
شروع شامل میشود،
146
00:05:44,320 –> 00:05:45,919
میتوانیم
147
00:05:45,919 –> 00:05:47,759
با تغییر اندازه گام به یک اندازه
148
00:05:47,759 –> 00:05:49,199
149
00:05:49,199 –> 00:05:50,479
عالی این
150
00:05:50,479 –> 00:05:53,039
را به طور مشخص تأیید کنیم. آرایهای از اعداد
151
00:05:53,039 –> 00:05:56,000
که فضای بین شروع و توقف را
152
00:05:56,000 –> 00:05:58,720
شامل میشود با x
153
00:05:58,720 –> 00:06:00,800
فواصل مساوی تقسیم میکند، کاملاً خوب
154
00:06:00,800 –> 00:06:03,440
155
00:06:03,440 –> 00:06:06,800
است که numpy خواهد بود.
156
00:06:06,800 –> 00:06:08,639
157
00:06:08,639 –> 00:06:10,960
10 شامل این بار شامل کران بالایی
158
00:06:10,960 –> 00:06:11,919
159
00:06:11,919 –> 00:06:14,080
سمت راست این چیزی نیست که
160
00:06:14,080 –> 00:06:16,000
ما معمولاً انتظار داریم، بنابراین خوب است توجه داشته باشیم
161
00:06:16,000 –> 00:06:18,880
که چه زمانی اتفاق میافتد
162
00:06:18,880 –> 00:06:22,240
و بنابراین ما توسعه میدهیم، پنج
163
00:06:22,240 –> 00:06:24,160
مقدار عددی را در اینجا درست میکنیم تا
164
00:06:24,160 –> 00:06:26,400
در هر یک از اینها
165
00:06:26,400 –> 00:06:27,280
از
166
00:06:27,280 –> 00:06:30,199
همسایگانش np فاصله یکسان باشد.
167
00:06:30,199 –> 00:06:32,720
تابع فوق العاده مفید .linspace
168
00:06:32,720 –> 00:06:34,880
در اینجا برای آگاهی از
169
00:06:34,880 –> 00:06:37,120
ایجاد یک آرایه از مقادیر برگرفته از یک
170
00:06:37,120 –> 00:06:39,840
توزیع یکنواخت خوب است، بنابراین این
171
00:06:39,840 –> 00:06:42,400
تابع در زیر ماژول تصادفی
172
00:06:42,400 –> 00:06:44,800
در بسته numpy قرار می گیرد، بنابراین ما به
173
00:06:44,800 –> 00:06:47,919
صورت تصادفی به np dot و تابع واقعی
174
00:06:47,919 –> 00:06:49,199
می رویم. این
175
00:06:49,199 –> 00:06:50,720
تابع تصادفی
176
00:06:50,720 –> 00:06:52,560
است که یک عدد بین 0 و 1 تولید می کند که
177
00:06:52,560 –> 00:06:55,840
همگی با احتمال مساوی
178
00:06:55,840 –> 00:06:57,120
می توانیم این کار را
179
00:06:57,120 –> 00:06:59,599
برای 5 عدد انجام دهیم، 10 عدد درست است این
180
00:06:59,599 –> 00:07:00,720
پارامتر به ما اجازه می
181
00:07:00,720 –> 00:07:03,199
دهد تا تعداد اعداد تصادفی را مشخص کنیم.
182
00:07:03,199 –> 00:07:05,199
مایلیم
183
00:07:05,199 –> 00:07:08,000
یک تابع مهم دیگر در ماژول تصادفی داشته باشیم
184
00:07:08,000 –> 00:07:10,400
یک آرایه از مقادیر را از یک
185
00:07:10,400 –> 00:07:12,639
توزیع معمولی
186
00:07:12,639 –> 00:07:15,199
درست کنیم، بنابراین دوباره ماژول تصادفی
187
00:07:15,199 –> 00:07:17,840
قرار است تابع عادی نامیده شود
188
00:07:17,840 –> 00:07:20,080
و سپس ما داریم نقطه مرکزی زیر
189
00:07:20,080 –> 00:07:22,240
قسمت پارامتر loc
190
00:07:22,240 –> 00:07:24,319
ما همچنین انحراف استاندارد را
191
00:07:24,319 –> 00:07:26,960
در مقیاس فیلد پارامتر داریم و سپس
192
00:07:26,960 –> 00:07:29,919
میتوانیم شکل
193
00:07:29,919 –> 00:07:32,479
آرایهای را که میخواهیم به سمت راست
194
00:07:32,479 –> 00:07:36,240
بپیچیم مشخص کنیم، بنابراین در اینجا من یک آرایه پنج در پنج را مشخص میکنم که
195
00:07:36,240 –> 00:07:40,160
چگونه اینها چگونه است. همه در مرکز صفر هستند
196
00:07:40,160 –> 00:07:42,800
و اگر بخواهیم چهار نوع UH را
197
00:07:42,800 –> 00:07:45,599
در اینجا بررسی کنیم، واریانس واحدی خواهد داشت
198
00:07:45,599 –> 00:07:47,599
که آرایه ای از اعداد صحیح تصادفی
199
00:07:47,599 –> 00:07:51,919
بین 5 تا 10 با شکل 2 در 2 ایجاد می کند. بسیار
200
00:07:51,919 –> 00:07:53,840
خوب آخرین
201
00:07:53,840 –> 00:07:56,240
تابعی است که از ماژول تصادفی رند در مورد آن صحبت خواهیم کرد.
202
00:07:56,240 –> 00:08:01,520
در یکی دیگر از موارد عالی
203
00:08:01,599 –> 00:08:04,720
، مرز شروع را مشخص می کنیم،
204
00:08:04,720 –> 00:08:06,639
مرز توقف را مشخص می کنیم و سپس
205
00:08:06,639 –> 00:08:08,080
شکل
206
00:08:08,080 –> 00:08:10,720
را چند بار اجرا
207
00:08:10,720 –> 00:08:12,960
می کنیم.
208
00:08:12,960 –> 00:08:14,720
209
00:08:14,720 –> 00:08:16,879
210
00:08:16,879 –> 00:08:18,400
211
00:08:18,400 –> 00:08:22,000
اگر
212
00:08:22,000 –> 00:08:25,199
213
00:08:25,199 –> 00:08:27,039
من این را 10 بار اجرا کنم، احتمال ندیدن نمونه شمارنده وجود دارد، اما احتمالاً بسیار
214
00:08:27,039 –> 00:08:29,680
کم است، من هیچ 11 را در آنجا
215
00:08:29,680 –> 00:08:32,958
ندیدهام، بنابراین کران بالا منحصر به فرد کران پایین
216
00:08:32,958 –> 00:08:35,279
شامل آن پارامتر موقعیتی سوم است.
217
00:08:35,279 –> 00:08:37,120
eter
218
00:08:37,120 –> 00:08:40,640
شکل آرایه برگشتی است که میخواهیم
219
00:08:40,640 –> 00:08:42,958
و سپس حدس میزنم آخرین نکته در اینجا
220
00:08:42,958 –> 00:08:45,440
توزیع تصادفی دوباره یکنواخت um همانطور
221
00:08:45,440 –> 00:08:48,959
که با تصادفی مشاهده کردیم.
222
00:08:48,959 –> 00:08:51,760
223
00:08:51,760 –> 00:08:52,880
224
00:08:52,880 –> 00:08:56,160
225
00:08:56,160 –> 00:08:59,600
بسیار خب، بیایید این p نقطه یک ها را امتحان
226
00:08:59,600 –> 00:09:01,760
کنیم
227
00:09:01,760 –> 00:09:03,760
و اولین پارامتر
228
00:09:03,760 –> 00:09:05,920
شکل خواهد بود، بنابراین ما یک پنج در پنج سمت راست
229
00:09:05,920 –> 00:09:08,640
می خواهیم، من آن شکل را در یک تاپلی به سمت راست منتقل می کنم، قس
230
00:09:08,640 –> 00:09:10,320
ت پارامتر انتظار یک آی
231
00:09:10,320 –> 00:09:11,440
232
00:09:11,440 –> 00:09:13,120
م واحد را دارد، بنابراین من می روم برای جمع آوری آن در
233
00:09:13,120 –> 00:09:16,399
یک تاپل و سپس نوع d و این
234
00:09:16,399 –> 00:09:20,080
مشکل از من برای int 16
235
00:09:20,080 –> 00:09:21,600
می خواهد. برای من خوب به نظر می رسد
236
00:09:21,600 –> 00:09:23,760
آرایه ای از ده عدد را ایجاد کنم که
237
00:09:23,760 –> 00:09:26,320
از توزیع یکنواخت بین صفر
238
00:09:26,320 –> 00:09:27,440
و یک گرفته شده است،
239
00:09:27,440 –> 00:09:28,880
بنابراین
240
00:09:28,880 –> 00:09:31,360
توزیع یکنواخت ما در مورد چه فکر می
241
00:09:31,360 –> 00:09:34,160
کنیم. به ماژول تصادفی فکر کنید و یا به
242
00:09:34,160 –> 00:09:36,480
صورت تصادفی یا نقطهای رند را در نظر بگیرید، بنابراین این
243
00:09:36,480 –> 00:09:38,720
میگوید ده عدد بین صفر و یک،
244
00:09:38,720 –> 00:09:42,399
بنابراین من از تصادفی.تصادفی استفاده میکنم
245
00:09:42,399 –> 00:09:44,880
و ما ده عدد میخواهیم، بنابراین فک
246
00:09:44,880 –> 00:09:47,040
میکنم این به درستی کاهش میدهد، ما فقط یک
247
00:09:47,040 –> 00:09:49,839
دد ساده را پاس میکنیم. عدد برای فایل شکل d
248
00:09:49,839 –> 00:09:52,399
و 10 عدد بدست می آوریم
249
00:09:52,399 –> 00:09:54,880
که آرایه ای از 10 عدد را ایجاد می کنیم که از
250
00:09:54,880 –> 00:09:57,279
یک توزیع نرمال در مرکز 80
251
00:09:57,279 –> 00:09:59,040
با انحراف استاندارد 5 ترسیم شده است.
252
00:09:59,040 –> 00:10:00,240
بسیار خوب، بنابراین این باید
253
00:10:00,240 –> 00:10:02,880
تصادفی باشد. نرمال است، سپس به راحتی
254
00:10:02,880 –> 00:10:06,240
می توان مکان را در 80 به خاطر
255
00:10:06,240 –> 00:10:08,800
آورد. انحراف استاندارد
256
00:10:08,800 –> 00:10:11,279
به نام پارامتر مقیاس 5 خواهد بود
257
00:10:11,279 –> 00:10:12,640
.
258
00:10:12,640 –> 00:10:18,079
و سپس می خواهیم شکل 10 باشد.
259
00:10:18,079 –> 00:10:19,839
اوه در این
260
00:10:19,839 –> 00:10:22,720
تابع پارامتر
261
00:10:22,720 –> 00:10:26,399
شکل شکل نیست بلکه اندازه اندازه 10 است.
262
00:10:26,399 –> 00:10:28,240
263
00:10:28,240 –> 00:10:30,320
از بین این کلمات کلیدی
264
00:10:30,320 –> 00:10:31,920
تا جایی که می توانید وقتی دارید
265
00:10:31,920 –> 00:10:35,519
پایتون را یاد می گیرید، کار کردن با ایده برای شما مفید
266
00:10:35,519 –> 00:10:36,560
خواهد بود
267
00:10:36,560 –> 00:10:39,360
و همه ایدها یکسان ساخته نمی شوند
268
00:10:39,360 –> 00:10:41,040
، بنابراین
269
00:10:41,040 –> 00:10:43,120
دریابید که کدام ایده را ترجیح می دهید، اما به
270
00:10:43,120 –> 00:10:45,760
بهترین شکل می توانید از آن ایده استفاده کنید.
271
00:10:45,760 –> 00:10:47,760
با آن رابطه برقرار کنید، زیرا اگر
272
00:10:47,760 –> 00:10:49,120
بتوانید انگشتان خود را روی
273
00:10:49,120 –> 00:10:51,200
صفحه کلید نگه دارید، اگر بتوانید از
274
00:10:51,200 –> 00:10:53,040
گوگل کردن مطالب
275
00:10:53,040 –> 00:10:55,600
دوری کنید و همه چیز را کلیک کنید، به توسعه دهنده سریع تری تبدیل خواهید شد،
276
00:10:55,600 –> 00:10:58,000
خوب
277
00:10:58,000 –> 00:10:59,839
یک آرایه از ده
278
00:10:59,839 –> 00:11:02,000
عدد صحیح ایجاد کنید که از توزیع یکنواخت
279
00:11:02,000 –> 00:11:03,600
b بین
280
00:11:03,600 –> 00:11:05,519
پنج و ده شامل، بنابراین این می
281
00:11:05,519 –> 00:11:07,200
تواند آخرین
282
00:11:07,200 –> 00:11:10,720
ماژولی باشد که در ماژول تصادفی uh در مورد آن یاد گرفتیم،
283
00:11:10,720 –> 00:11:13,680
همه درست rand int
284
00:11:13,680 –> 00:11:16,720
همانی خواهد بود که می خواهیم 10
285
00:11:16,720 –> 00:11:18,320
عدد صحیح داخلی از یک
286
00:11:18,320 –> 00:11:20,320
توزیع یکنواخت بین 5 تا 10 شامل شود،
287
00:11:20,320 –> 00:11:22,000
بنابراین 5
288
00:11:22,000 –> 00:11:23,040
um
289
00:11:23,040 –> 00:11:26,480
خواهیم داشت. نقطه توقف را 11 درست کنید و ما 10 را می خواهیم
290
00:11:26,480 –> 00:11:27,440
.
291
00:11:27,440 –> 00:11:28,640
در واقع فکر می کنم ما فقط می توانیم از
292
00:11:28,640 –> 00:11:30,880
پارامترهای موقعیتی در اینجا استفاده کنیم توجه داشته باشید که من
293
00:11:30,880 –> 00:11:32,959
فقط کلمات کلیدی را درست کنار گذاشته ام، بنابراین این
294
00:11:32,959 –> 00:11:34,560
آرگومان های موقعیتی در مقابل آرگومان های کلیدواژه در اینجا،
295
00:11:34,560 –> 00:11:37,120
می توانید یکی از آنها را
296
00:11:37,120 –> 00:11:39,440
درست انجام دهید، ارزش دارد که آرگومان های کلیدواژه را انجام دهید.
297
00:11:39,440 –> 00:11:41,200
اگر
298
00:11:41,200 –> 00:11:43,040
می دانید 100 مطمئن نیستید که
299
00:11:43,040 –> 00:11:45,279
حافظه uh شما از موقعیت های مناسب
300
00:11:45,279 –> 00:11:47,120
درست است، بنابراین
301
00:11:47,120 –> 00:11:48,560
همه
302
00:11:48,560 –> 00:11:51,360
ویژگی های آرایه numpy
303
00:11:51,360 –> 00:11:54,880
مشخصه های رایج آرایه اندازه شکل
304
00:11:54,880 –> 00:11:57,279
و بایت هستند و
305
00:11:57,279 –> 00:11:58,959
شکل اندازه آیتم حداقل درست است، ما
306
00:11:58,959 –> 00:12:00,720
یک ویژگی مشابه را برای پانداها دیدیم.
307
00:12:00,720 –> 00:12:01,920
308
00:12:01,920 –> 00:12:04,639
به نظر میرسد که فریمهای داده
309
00:12:04,639 –> 00:12:07,200
در اینجا مثال کوچکی میزنیم یا یک
310
00:12:07,200 –> 00:12:08,320
311
00:12:08,320 –> 00:12:11,200
آرایه ساختگی برای بررسی نمونههای خود،
312
00:12:11,200 –> 00:12:13,200
بنابراین فقط یک
313
00:12:13,200 –> 00:12:15,360
آرایه پنج در پنج است.
314
00:12:15,360 –> 00:12:17,519
315
00:12:17,519 –> 00:12:19,680
316
00:12:19,680 –> 00:12:22,399
پنج و
317
00:12:22,399 –> 00:12:24,880
نه برای یک عنصر
318
00:12:24,880 –> 00:12:25,760
خوب است،
319
00:12:25,760 –> 00:12:27,440
بنابراین بیایید سعی کنیم به این ویژگیها دسترسی پیدا کنیم،
320
00:12:27,440 –> 00:12:29,760
بنابراین شکل نقطهای است
321
00:12:29,760 –> 00:12:31,200
که تعداد ردیفها اول میآید
322
00:12:31,200 –> 00:12:33,519
و سپس تعداد ستونهایی
323
00:12:33,519 –> 00:12:36,079
که داریم نوع d نوع داده
324
00:12:36,079 –> 00:12:40,079
هر عنصر در آرایه را به
325
00:12:40,079 –> 00:12:43,120
ما نشان میدهد. زیر خط من r.size
326
00:12:43,120 –> 00:12:47,040
25 خوب 5 ضربدر 5 برابر 25 است بنابراین
327
00:12:47,040 –> 00:12:48,880
فکر می کنم این تعداد عناصر
328
00:12:48,880 –> 00:12:50,639
در آرایه است
329
00:12:50,639 –> 00:12:54,240
که خط زیر خط من r نقطه n بایت است
330
00:12:54,240 –> 00:12:56,720
شاید بتوانیم
331
00:12:56,720 –> 00:12:58,320
فرض کنیم که این تعداد کل
332
00:12:58,320 –> 00:13:00,320
بایت های آرایه
333
00:13:00,320 –> 00:13:02,880
و سپس اندازه آیتم زیرخط من
334
00:13:02,880 –> 00:13:05,040
به خوبی مطابق با آنچه که قبل از
335
00:13:05,040 –> 00:13:08,639
200 تقسیم بر 25 گفتم، 8 است. بنابراین فکر می کنم
336
00:13:08,639 –> 00:13:10,240
این منطقی است بنابراین ما 25
337
00:13:10,240 –> 00:13:11,680
مورد داریم
338
00:13:11,680 –> 00:13:15,279
25 عنصر هر کدام 8 بایت است و
339
00:13:15,279 –> 00:13:19,519
سپس 200 بایت برای کل شی
340
00:13:19,519 –> 00:13:21,519
عالی
341
00:13:21,519 –> 00:13:23,200
تمرین سه شرطی بررسی
342
00:13:23,200 –> 00:13:25,600
ویژگی های آرایه یک شرطی بنویسید
343
00:13:25,600 –> 00:13:27,600
که
344
00:13:27,600 –> 00:13:30,160
تعداد کل بایت های شی آرایه را بررسی می
345
00:13:30,160 –> 00:13:32,160
کند که زیر خط من تقسیم بر
346
00:13:32,160 –> 00:13:33,839
اندازه هر آیتمی که دعوت می کند برابر است
347
00:13:33,839 –> 00:13:36,800
با تعداد آیتم های آرایه
348
00:13:36,800 –> 00:13:38,560
خوب حدس می زنم این دقیقاً مطابق
349
00:13:38,560 –> 00:13:39,920
با چیزی است که من میگفتم، ما فقط
350
00:13:39,920 –> 00:13:41,920
میخواهیم آن شرایط را درست بررسی کنیم تا
351
00:13:41,920 –> 00:13:43,839
زیرخط r نقطه
352
00:13:43,839 –> 00:13:46,560
n بایت
353
00:13:47,680 –> 00:13:51,680
تقسیم بر زیرخط r نقطه مورد اندازه
354
00:13:51,680 –> 00:13:53,360
355
00:13:53,360 –> 00:13:55,199
من برابر با علامت مساوی دو برابر
356
00:13:55,199 –> 00:13:57,199
357
00:13:57,199 –> 00:13:58,399
358
00:13:58,399 –> 00:14:01,360
باشد.
359
00:14:01,680 –> 00:14:05,600
360
00:14:05,600 –> 00:14:07,440
تنظیم کپی برش آرایه،
361
00:14:07,440 –> 00:14:09,120
بنابراین ما برش را در چند
362
00:14:09,120 –> 00:14:11,600
زمینه مختلف در فهرستها
363
00:14:11,600 –> 00:14:15,279
و همچنین فریمهای داده دیدهایم که
364
00:14:15,279 –> 00:14:18,079
میخواهیم آنها را با آرایهها ببینیم، اکنون
365
00:14:18,079 –> 00:14:20,880
برش آرایه
366
00:14:20,880 –> 00:14:23,760
مانند لیستهای پایتون عمل میکند، بنابراین دوباره
367
00:14:23,760 –> 00:14:27,040
به کار ما ادامه میدهیم. مجموعه دادههای ساختگی در اینجا
368
00:14:27,040 –> 00:14:29,279
میتوانیم ردیف اول
369
00:14:29,279 –> 00:14:31,199
را با نمایهسازی روی صفر با استفاده از
370
00:14:31,199 –> 00:14:32,880
371
00:14:32,880 –> 00:14:34,560
کروشهها بگیریم
372
00:14:34,560 –> 00:14:37,040
373
00:14:37,040 –> 00:14:40,160
374
00:14:40,160 –> 00:14:41,279
375
00:14:41,279 –> 00:14:43,519
.
376
00:14:43,519 –> 00:14:45,360
377
00:14:45,360 –> 00:14:46,959
و
378
00:14:46,959 –> 00:14:49,440
سپس نکته دیگری که باید به آن توجه داشت این است که مشابه
379
00:14:49,440 –> 00:14:52,720
نحوه استفاده از df.iloc یا df.lock
380
00:14:52,720 –> 00:14:54,480
با فریم های داده پاندا، این
381
00:14:54,480 –> 00:14:57,839
توانایی را داریم که هم یک ردیف و هم یک ستون را
382
00:14:57,839 –> 00:15:00,079
در یک مجموعه مربع بگیریم. براکتها و در
383
00:15:00,079 –> 00:15:02,000
واقع این روش ترجیحی
384
00:15:02,000 –> 00:15:04,160
برای دسترسی به یک عنصر خاص
385
00:15:04,160 –> 00:15:06,160
با آرایهها خواهد بود، زیرا سریعتر است،
386
00:15:06,160 –> 00:15:07,839
بنابراین بیایید
387
00:15:07,839 –> 00:15:09,120
خودمان را در این مورد متقاعد کنیم، من میخواهم
388
00:15:09,120 –> 00:15:12,079
از دستور زمانبندی درست از جادوی سلولی استفاده کنم
389
00:15:12,079 –> 00:15:14,160
و این به زمانبندی میشود که چگونه
390
00:15:14,160 –> 00:15:16,320
سریعاً برای من این است که آرایه خود را به
391
00:15:16,320 –> 00:15:18,079
این صورت نمایه کنم در
392
00:15:18,079 –> 00:15:20,240
حالی که ردیف و ستون
393
00:15:20,240 –> 00:15:22,000
با هم در یک مجموعه از پرانتزهای مربع
394
00:15:22,000 –> 00:15:23,279
395
00:15:23,279 –> 00:15:25,040
درست ظاهر شوند، بنابراین در حالت
396
00:15:25,040 –> 00:15:29,519
اول، 232 نانوثانیه 236 نانوثانیه در هر حلقه
397
00:15:29,519 –> 00:15:32,240
در مورد دوم 122 نانوثانیه در هر
398
00:15:32,240 –> 00:15:35,120
حلقه طول کشید. تقریباً دو برابر سریعتر که
399
00:15:35,120 –> 00:15:37,600
منطقی است این باید دوبار ایندکس شود
400
00:15:37,600 –> 00:15:38,839
این نمایهسازی است
401
00:15:38,839 –> 00:15:41,680
زمانی که میتوانیم از همان
402
00:15:41,680 –> 00:15:45,600
نماد برش مانند لیستها استفاده کنیم، بنابراین من مرحله دوم نقطه شروع
403
00:15:45,600 –> 00:15:48,639
توقف دو نقطه را
404
00:15:48,639 –> 00:15:50,800
دارم، میتوانیم این کار را برای هر تعداد
405
00:15:50,800 –> 00:15:52,480
406
00:15:52,480 –> 00:15:54,880
آرایه بعدی انجام دهیم، بنابراین فقط
407
00:15:54,880 –> 00:15:56,399
اوه
408
00:15:56,399 –> 00:15:58,399
در امتداد بعد اول شروع توقف
409
00:15:58,399 –> 00:16:00,480
مرحله بعد دوم و سپس کاما
410
00:16:00,480 –> 00:16:02,560
بعد دوم شروع استاپ مرحله
411
00:16:02,560 –> 00:16:03,759
و غیره
412
00:16:03,759 –> 00:16:06,000
بنابراین اوم
413
00:16:06,000