آموزش ایجاد آرایه اولیه در NumPy
کتابخانه NumPy یکی از قدرتمندترین ابزارهای محاسبات علمی در پایتون است که با ارائه ساختار داده‌ای به نام آرایه (Array)، امکان انجام عملیات پیچیده ریاضی را با سرعت بالا فراهم می‌کند. در این مقاله به روش‌های مختلف ایجاد آرایه اولیه می‌پردازیم.
روش‌های پایه برای ساخت آرایه
ساده‌ترین روش برای ایجاد آرایه، استفاده از تابع np.array() است که لیست‌های پایتون را به آرایه NumPy تبدیل می‌کند:
import numpy as np
my_array = np.array([1, 2, 3, 4, 5])
انواع مختلفی از آرایه‌ها را می‌توان با توابع زیر ایجاد کرد:
- np.zeros(): آرایه پر از صفر
- np.ones(): آرایه پر از یک
- np.empty(): آرایه بدون مقداردهی اولیه
- np.arange(): آرایه با اعداد متوالی
| تابع |
توضیحات |
مثال |
| zeros |
ایجاد آرایه با مقادیر صفر |
np.zeros((3,4)) |
| ones |
ایجاد آرایه با مقادیر یک |
np.ones((2,2)) |
| empty |
ایجاد آرایه بدون مقداردهی |
np.empty((2,3)) |
آرایه‌های خاص در NumPy
NumPy توابعی برای ایجاد آرایه‌های خاص ارائه می‌دهد:
- آرایه اعداد تصادفی: با استفاده از np.random.rand()
- آرایه واحد: با استفاده از np.eye()
- آرایه خطی: با استفاده از np.linspace()
برای مثال، ایجاد یک ماتریس واحد 3x3 به این صورت است:
identity_matrix = np.eye(3)
برای یادگیری عمیق‌تر می‌توانید به اطلاعات بیشتر مراجعه کنید.
نکات پیشرفته در ایجاد آرایه
هنگام کار با آرایه‌ها در NumPy، توجه به پارامترهای زیر ضروری است:
- نوع داده (dtype): تعیین نوع عناصر آرایه (مثلاً int32, float64)
- شکل (shape): ابعاد آرایه (تعداد سطرها و ستون‌ها)
- ترتیب حافظه (order): 'C' برای ردیف‌محور یا 'F' برای ستون‌محور
مثال زیر نشان می‌دهد چگونه می‌توان این پارامترها را مشخص کرد:
custom_array = np.array([[1, 2], [3, 4]], dtype=np.float32, order='F')
با استفاده از این تکنیک‌ها می‌توانید آرایه‌هایی با کارایی بهینه برای پروژه‌های علمی و مهندسی ایجاد کنید.
