در این مطلب، ویدئو پایتون: آرایه های NumPy 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: 00:10:33
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,799 –> 00:00:02,720
بسیار
2
00:00:02,720 –> 00:00:05,040
خوب پس من در مقابل کد برای شروع
3
00:00:05,040 –> 00:00:07,919
اینجا هستم امم من قبلاً به
4
00:00:07,919 –> 00:00:10,719
یک محیط پایتون وصل شده ام و این
5
00:00:10,719 –> 00:00:13,120
محیط پایتون مجدداً نصب شده است
6
00:00:13,120 –> 00:00:15,280
زیرا اکنون یک افزونه یا یک
7
00:00:15,280 –> 00:00:17,600
ماژول یا بسته ای است
8
00:00:17,600 –> 00:00:19,199
که نمی توانید
9
00:00:19,199 –> 00:00:21,279
فقط آن را انجام دهید. از آن در پایتون پایه استفاده کنید، باید در
10
00:00:21,279 –> 00:00:23,199
محیط شما نصب شود و سپس
11
00:00:23,199 –> 00:00:25,119
برای استفاده از آن، باید import خود را درست انجام دهیم،
12
00:00:25,119 –> 00:00:28,240
بنابراین در اینجا
13
00:00:28,240 –> 00:00:30,480
من import را روی pi انجام میدهم و دوباره
14
00:00:30,480 –> 00:00:32,558
به من اجازه میدهد
15
00:00:32,558 –> 00:00:34,800
از کلاسها و متدها استفاده کنم. و
16
00:00:34,800 –> 00:00:36,880
توابع و چیزهایی که توسط numpy um در دسترس قرار گرفته است
17
00:00:36,880 –> 00:00:37,920
18
00:00:37,920 –> 00:00:41,040
و سپس من نام مستعار
19
00:00:41,040 –> 00:00:43,760
np را با کلمه کلیدی as به آن می دهم و این
20
00:00:43,760 –> 00:00:46,239
نوعی استاندارد برای numpy است که لازم نیست این
21
00:00:46,239 –> 00:00:47,840
کار را انجام دهید، اما عموماً
22
00:00:47,840 –> 00:00:50,239
مردم آن را در um می خوانند. فقط میتواند
23
00:00:50,239 –> 00:00:52,000
کد شما را کمی مختصرتر کند، شما
24
00:00:52,000 –> 00:00:54,320
باید همیشه numpy را تایپ کنید،
25
00:00:54,320 –> 00:00:55,680
26
00:00:55,680 –> 00:00:56,719
بنابراین
27
00:00:56,719 –> 00:00:58,480
اگر این را اجرا کنید و نوعی خطا دریافت کردید
28
00:00:58,480 –> 00:01:00,640
که میگوید یافت نشد،
29
00:01:00,640 –> 00:01:02,480
به این معنی است که اگر چیزی در
30
00:01:02,480 –> 00:01:04,000
محیط اشتباه است یا پایتون
31
00:01:04,000 –> 00:01:06,000
در آن کور نصب نشده است rect در آن
32
00:01:06,000 –> 00:01:08,640
محیط یا هر چیز دیگری، اما اگر اجرا شود، به
33
00:01:08,640 –> 00:01:10,479
این معنی است که شما باید به numpy okay دسترسی داشته باشید،
34
00:01:10,479 –> 00:01:12,799
35
00:01:12,799 –> 00:01:14,720
بنابراین در این اولین بلوک کد من
36
00:01:14,720 –> 00:01:17,040
فقط یک لیست درست می کنم و سپس
37
00:01:17,040 –> 00:01:20,560
آن را به یک آرایه numpy um تبدیل می کنم،
38
00:01:20,560 –> 00:01:23,520
بنابراین لیست ها را به خاطر بسپارید be ترکیبی از
39
00:01:23,520 –> 00:01:26,000
رشته ها و اعداد و بولی ها همه
40
00:01:26,000 –> 00:01:28,479
یک نوع داده در اینجا هستند. من فقط یک
41
00:01:28,479 –> 00:01:30,799
دسته اعداد دارم و دوباره
42
00:01:30,799 –> 00:01:32,400
کروشه های مربع نشان می دهد که
43
00:01:32,400 –> 00:01:33,840
یک لیست خواهد بود
44
00:01:33,840 –> 00:01:37,439
و سپس آن لیست را به
45
00:01:37,439 –> 00:01:40,320
یک آرایه numpy تبدیل می کنم. از تابع آرایه
46
00:01:40,320 –> 00:01:43,600
از numpy so np.array استفاده کنید و من
47
00:01:43,600 –> 00:01:45,200
فقط لیست را تغذیه می کنم
48
00:01:45,200 –> 00:01:46,640
و سپس در اینجا فقط
49
00:01:46,640 –> 00:01:47,759
انواع را
50
00:01:47,759 –> 00:01:49,840
چاپ می کنم و سپس محتوا را چاپ می کنم بنابراین اگر
51
00:01:49,840 –> 00:01:51,439
این را اجرا
52
00:01:51,439 –> 00:01:55,360
کنیم می توانیم ببینیم که شی لیست یک
53
00:01:55,360 –> 00:01:58,399
لیست است درست لیست کلاس و سپس وقتی
54
00:01:58,399 –> 00:02:01,520
این تبدیل را انجام دادیم از
55
00:02:01,520 –> 00:02:03,520
نوع numpy.ndra است،
56
00:02:03,520 –> 00:02:05,840
بنابراین در نهایت این یک کلاس جدید یا
57
00:02:05,840 –> 00:02:09,199
نوع جدیدی از داده است که می توانیم با اوم کار
58
00:02:09,199 –> 00:02:10,959
کنیم، زیرا آنها اساساً
59
00:02:10,959 –> 00:02:13,200
در هر دو مورد اطلاعات یکسانی را ذخیره می کنند.
60
00:02:13,200 –> 00:02:14,560
61
00:02:14,560 –> 00:02:16,080
درسته ام اما یه مقدار
62
00:02:16,080 –> 00:02:17,599
در TE متفاوته rms از اینکه چگونه می توانید
63
00:02:17,599 –> 00:02:18,480
با آن کار کنید،
64
00:02:18,480 –> 00:02:21,360
اوم و همچنین می دانید که چگونه
65
00:02:21,360 –> 00:02:22,959
حافظه ذخیره شده است و
66
00:02:22,959 –> 00:02:23,760
به
67
00:02:23,760 –> 00:02:26,959
هر حال چه چیزی است که فقط یک
68
00:02:26,959 –> 00:02:29,840
لیست واحد را به یک آرایه numpy تبدیل می کند و سپس
69
00:02:29,840 –> 00:02:33,599
فقط آن نوع داده را در آنجا معرفی می کند،
70
00:02:33,599 –> 00:02:35,360
خوب
71
00:02:35,360 –> 00:02:38,720
دوباره یکی از قدرت های numpy
72
00:02:38,720 –> 00:02:41,280
این است که شما فقط نمی توانید اوه
73
00:02:41,280 –> 00:02:42,720
اوم
74
00:02:42,720 –> 00:02:44,879
نه شما می توانید
75
00:02:44,879 –> 00:02:47,200
بیش از یک سری مقادیر داشته باشید، بنابراین
76
00:02:47,200 –> 00:02:48,959
معمولاً اصطلاحی را که
77
00:02:48,959 –> 00:02:51,200
اگر یک عدد داشته باشیم مانند یک مقدار واحد
78
00:02:51,200 –> 00:02:53,360
مانند آرایه ای که یک عدد را ذخیره
79
00:02:53,360 –> 00:02:56,000
می کند استفاده می کنیم. آن را یک اسکالر می نامیم
80
00:02:56,000 –> 00:02:59,440
و اگر یک سری از مقادیر باشد،
81
00:02:59,440 –> 00:03:01,760
مانند کاری که ما انجام دادیم،
82
00:03:01,760 –> 00:03:02,480
83
00:03:02,480 –> 00:03:04,080
مثلاً یک سری از اعداد در یک
84
00:03:04,080 –> 00:03:05,519
بعد، اوه
85
00:03:05,519 –> 00:03:08,319
اوم، آن را یک بردار
86
00:03:08,319 –> 00:03:10,640
می نامیم و سپس می توانیم به چند بعد گسترش دهیم، به
87
00:03:10,640 –> 00:03:12,720
عنوان مثال می
88
00:03:12,720 –> 00:03:14,239
توانید
89
00:03:14,239 –> 00:03:16,720
یک ماتریس از مقادیر داشته باشید که در آن سطرها
90
00:03:16,720 –> 00:03:19,280
و ستونها مانند سلولهای
91
00:03:19,280 –> 00:03:21,680
صفحه گسترده اکسل فکر کنید که در آن
92
00:03:21,680 –> 00:03:24,080
سطرها مانند یک تا ده هستند
93
00:03:24,080 –> 00:03:25,840
و ستونها مانند
94
00:03:25,840 –> 00:03:28,400
a تا f یا چیزی سمت راست um هستند، به طوری
95
00:03:28,400 –> 00:03:30,319
که به طور کلی به عنوان یک شناخته میشود.
96
00:03:30,319 –> 00:03:31,840
یک ماتریس دو بعدی کنید
97
00:03:31,840 –> 00:03:33,680
و سپس می توانید
98
00:03:33,680 –> 00:03:34,879
آرایه های سه بعدی داشته باشید پرتوهای چهار
99
00:03:34,879 –> 00:03:36,239
بعدی پرتوهای پنج بعدی به طوری که
100
00:03:36,239 –> 00:03:38,319
یکی از قدرت هایی است که یکی از
101
00:03:38,319 –> 00:03:40,959
قدرت های بزرگ numpy این است که می توانید
102
00:03:40,959 –> 00:03:43,120
اعداد را
103
00:03:43,120 –> 00:03:44,799
در ابعاد مختلف ذخیره کنید و حتی میتوان آنها را
104
00:03:44,799 –> 00:03:47,680
تغییر شکل داد و چه نمیشود، برای مثال
105
00:03:47,680 –> 00:03:49,599
اگر تصویری
106
00:03:49,599 –> 00:03:52,799
مانند یک تصویر قرمز سبز آبی رنگ واقعی
107
00:03:52,799 –> 00:03:55,200
داشتید، میتوانید ابعاد کانال
108
00:03:55,200 –> 00:03:57,280
و ارتفاع و عرض یک ارتفاع در بعد عرض داشته باشید،
109
00:03:57,280 –> 00:03:58,480
110
00:03:58,480 –> 00:04:00,400
بنابراین کاری که من اینجا انجام میدهم به من اجازه دهید فقط به
111
00:04:00,400 –> 00:04:02,720
شما نشان می دهم که من یک
112
00:04:02,720 –> 00:04:06,319
آرایه دو بعدی یا یک ماتریس درست
113
00:04:06,319 –> 00:04:08,000
می کنم و می توانید ببینید که من اساساً
114
00:04:08,000 –> 00:04:10,640
دو مجموعه براکت دارم،
115
00:04:10,640 –> 00:04:12,480
بنابراین
116
00:04:12,480 –> 00:04:16,238
ببخشید اولین ردیف
117
00:04:16,238 –> 00:04:18,320
مقادیر اساساً
118
00:04:18,320 –> 00:04:21,759
اولین ردیف است uh اولین ردیف است. اینجا در آرایه
119
00:04:21,759 –> 00:04:23,680
و سپس ثانیه های دوم
120
00:04:23,680 –> 00:04:26,400
سوم سوم است، بنابراین ما اساساً
121
00:04:26,400 –> 00:04:27,520
ردیف ها
122
00:04:27,520 –> 00:04:29,600
و ستون ها را درست داریم، بنابراین اگر می خواستم
123
00:04:29,600 –> 00:04:31,600
یکی از این
124
00:04:31,600 –> 00:04:33,600
مقادیر را تعریف کنم، باید بگویم که این یک
125
00:04:33,600 –> 00:04:36,240
ردیف است. به صورت ستون یا موقعیت و بعد
126
00:04:36,240 –> 00:04:38,720
یک و موقعیت آن در بعد دو
127
00:04:38,720 –> 00:04:39,520
سمت راست
128
00:04:39,520 –> 00:04:41,759
um است، بنابراین یک آرایه دو بعدی است و
129
00:04:41,759 –> 00:04:44,720
من آن را با تغذیه در یک آرایه از
130
00:04:44,720 –> 00:04:47,199
آرایه ها ایجاد کردم، بنابراین می توانید ببینید که اساساً
131
00:04:47,199 –> 00:04:49,120
این آرایه خودش
132
00:04:49,120 –> 00:04:50,960
است، بنابراین سه آرایه در
133
00:04:50,960 –> 00:04:52,800
آنجا وجود دارد و سپس همه آنها در داخل هستند. یک
134
00:04:52,800 –> 00:04:56,960
آرایه در یک آرایه قرار می گیرد
135
00:04:56,960 –> 00:04:59,520
این یکی کمی پیچیده تر است، بنابراین
136
00:04:59,520 –> 00:05:02,800
اکنون هدف این است که سه بعدی داشته باشیم، بنابراین
137
00:05:02,800 –> 00:05:04,240
می توانید ببینید که مجموعه ای از سه
138
00:05:04,240 –> 00:05:06,000
براکت در اینجا