Телеграм канал «PyPlus»

🔹 "np.copy()" — ایجاد کپی مستقل از داده‌ها
🔹 "np.isnan()" — شناسایی مقادیر NaN
🔹 "np.isinf()" — شناسایی مقادیر بی‌نهایت
🔹 "np.nanmean()" — میانگین با نادیده‌گرفتن مقادیر NaN
🔹 "np.clip()" — محدودکردن مقادیر به یک بازه مشخص
🔹 "np.round()" — گردکردن اعداد
🔹 "np.abs()" — قدرمطلق

📌 ۱۰. توابع مثلثاتی و نمایی (Universal Functions / Ufuncs)
🔹 "np.sqrt()" — جذر
🔹 "np.square()" — توان دوم
🔹 "np.exp()" — تابع نمایی
🔹 "np.log()" — لگاریتم طبیعی
🔹 "np.sin()"، "np.cos()"، "np.tan()" — توابع مثلثاتی
🔹 "np.floor()" — گردکردن به پایین
🔹 "np.ceil()" — گردکردن به بالا

📌 ۱۱. ورودی و خروجی فایل‌ها (File I/O)
🔹 "np.save()" — ذخیره آرایه در فایل NPY
🔹 "np.load()" — بارگذاری فایل NPY یا NPZ
🔹 "np.savez()" — ذخیره چند آرایه در فایل NPZ
🔹 "np.savetxt()" — ذخیره آرایه به‌صورت متنی
🔹 "np.loadtxt()" — خواندن داده‌های متنی عددی
🔹 "np.genfromtxt()" — خواندن داده‌های متنی با پشتیبانی بهتر از داده‌های ناقص

💡 چند نکته مهم درباره NumPy
✅ آرایه "ndarray" ساختار اصلی داده در NumPy است.
✅ عملیات برداری (Vectorization) امکان انجام عملیات روی مجموعه‌ای از داده‌ها را بدون نوشتن حلقه صریح پایتون فراهم می‌کند.
✅ Broadcasting اجازه می‌دهد عملیات روی آرایه‌هایی با ابعاد سازگار انجام شود.
✅ "axis=0" و "axis=1" در آرایه‌های دوبعدی به‌ترتیب معمولاً به محور سطرها و ستون‌ها اشاره دارند؛ نتیجه کاهش بُعد را باید با دقت بررسی کرد.
✅ NumPy در تحلیل داده، محاسبات علمی، پردازش تصویر و یادگیری ماشین کاربرد گسترده‌ای دارد.
✅ برای کار با آرایه‌های عددی بزرگ، NumPy اغلب از حلقه‌های معمول پایتون کارآمدتر است؛ البته سرعت به نوع عملیات و اندازه داده بستگی دارد.

🎯 چالش امروز: یک آرایه بساز، میانگین و انحراف معیار آن را محاسبه کن، مقادیر بزرگ‌تر از میانگین را جدا کن و اندیس بیشترین مقدار را به دست بیاور!

👨‍🏫 مدرس: یاسر محمودیان
کارشناس ارشد مهندسی کامپیوتر | مربی برنامه‌نویسی و هوش مصنوعی

📌 این پست را ذخیره کن تا هنگام برنامه‌نویسی به‌عنوان یک راهنمای سریع NumPy از آن استفاده کنی.

💬 در کامنت‌ها بنویس: کدام تابع NumPy برایت کاربردی‌تر است؟

#Python #NumPy #برنامه_نویسی #آموزش_پایتون #هوش_مصنوعی #تحلیل_داده #علم_داده #یادگیری_ماشین #برنامه_نویسی_پایتون #مهندسی_کامپیوتر

🐍💙 برگه تقلب NumPy؛ مهم‌ترین توابع و قابلیت‌های کتابخانه NumPy در یک نگاه!

اگر با پایتون کار می‌کنی و می‌خواهی محاسبات عددی را سریع‌تر، ساده‌تر و حرفه‌ای‌تر انجام بدهی، کتابخانه NumPy یکی از ابزارهای ضروری توست. 🚀

در این راهنمای کاربردی، مهم‌ترین توابع، متدها و اصطلاحات NumPy را مرور می‌کنیم؛ از ساخت آرایه‌ها تا عملیات ریاضی، پردازش داده‌ها و محاسبات ماتریسی.

📌 ۱. ساخت آرایه‌ها (Array Creation)
🔹 "np.array()" — ساخت آرایه از داده‌ها
🔹 "np.zeros()" — ساخت آرایه‌ای با مقادیر صفر
🔹 "np.ones()" — ساخت آرایه‌ای با مقادیر یک
🔹 "np.arange()" — تولید دنباله عددی با گام مشخص
🔹 "np.linspace()" — تولید تعداد مشخصی عدد در یک بازه
🔹 "np.eye()" — ساخت ماتریس همانی
🔹 "np.empty()" — ایجاد آرایه بدون مقداردهی اولیه مشخص
🔹 "np.full()" — ساخت آرایه با مقدار ثابت
🔹 "np.random.rand()" — تولید اعداد تصادفی
🔹 "np.random.randint()" — تولید اعداد صحیح تصادفی

📌 ۲. ویژگی‌های آرایه (Array Attributes)
🔹 "arr.shape" — ابعاد هر محور آرایه
🔹 "arr.ndim" — تعداد ابعاد آرایه
🔹 "arr.size" — تعداد کل عناصر
🔹 "arr.dtype" — نوع داده عناصر
🔹 "arr.itemsize" — اندازه هر عنصر برحسب بایت
🔹 "arr.nbytes" — حافظه اشغال‌شده توسط داده‌های آرایه

📌 ۳. تغییر شکل و ترکیب آرایه‌ها (Reshaping & Joining)
🔹 "arr.reshape()" — تغییر شکل آرایه
🔹 "arr.ravel()" — تبدیل به آرایه یک‌بعدی، در صورت امکان بدون کپی
🔹 "arr.flatten()" — تبدیل به آرایه یک‌بعدی مستقل
🔹 "np.concatenate()" — اتصال آرایه‌ها
🔹 "np.stack()" — ترکیب آرایه‌ها در یک محور جدید
🔹 "np.vstack()" — ترکیب عمودی آرایه‌ها
🔹 "np.hstack()" — ترکیب افقی آرایه‌ها
🔹 "np.split()" — تقسیم آرایه به بخش‌های مساوی
🔹 "np.array_split()" — تقسیم آرایه حتی با بخش‌های نابرابر
🔹 "np.transpose()" — جابه‌جایی محورها
🔹 "arr.T" — ترانهاده آرایه

📌 ۴. دسترسی و انتخاب داده‌ها (Indexing & Slicing)
🔹 "arr[0]" — دسترسی به عنصر اول
🔹 "arr[0, 1]" — دسترسی به یک عنصر در آرایه دوبعدی
🔹 "arr[1:5]" — انتخاب بخشی از آرایه
🔹 "arr[:, 1:]" — انتخاب ستون‌ها یا بخش مشخصی از محورها
🔹 "arr[arr > 0]" — انتخاب عناصر بر اساس شرط
🔹 Boolean Masking — فیلترکردن عناصر با مقادیر بولی
🔹 Fancy Indexing — انتخاب عناصر با استفاده از آرایه‌ای از اندیس‌ها

📌 ۵. عملیات ریاضی و آماری (Mathematical & Statistical Operations)
🔹 "np.sum()" — مجموع عناصر
🔹 "np.mean()" — میانگین حسابی
🔹 "np.median()" — میانه
🔹 "np.std()" — انحراف معیار
🔹 "np.var()" — واریانس
🔹 "np.min()" — کمینه
🔹 "np.max()" — بیشینه
🔹 "np.argmin()" — اندیس اولین مقدار کمینه
🔹 "np.argmax()" — اندیس اولین مقدار بیشینه
🔹 "np.argmin()" و "np.argmax()" — یافتن موقعیت مقادیر کمینه و بیشینه
🔹 "np.percentile()" — محاسبه صدک
🔹 "np.prod()" — حاصل‌ضرب عناصر
🔹 "np.cumsum()" — مجموع تجمعی
🔹 "np.diff()" — محاسبه اختلاف عناصر متوالی

📌 ۶. توابع منطقی و شرطی (Logic & Conditions)
🔹 "np.where()" — انتخاب مقدار بر اساس شرط
🔹 "np.any()" — بررسی درست‌بودن حداقل یک شرط
🔹 "np.all()" — بررسی درست‌بودن همه شرط‌ها
🔹 "np.isin()" — بررسی عضویت عناصر در مجموعه‌ای از مقادیر
🔹 "np.logical_and()" — عملگر منطقی AND
🔹 "np.logical_or()" — عملگر منطقی OR
🔹 "np.logical_not()" — عملگر منطقی NOT
🔹 Broadcasting — انجام عملیات میان آرایه‌هایی با شکل‌های سازگار

📌 ۷. محاسبات ماتریسی و جبر خطی (Linear Algebra)
🔹 "A @ B" — ضرب ماتریسی
🔹 "np.dot()" — ضرب داخلی یا ضرب آرایه‌ها، بسته به ابعاد
🔹 "np.matmul()" — ضرب ماتریسی
🔹 "np.linalg.inv()" — معکوس ماتریس، در صورت وجود
🔹 "np.linalg.det()" — دترمینان ماتریس
🔹 "np.linalg.solve()" — حل دستگاه معادلات خطی
🔹 "np.linalg.eig()" — محاسبه مقادیر و بردارهای ویژه
🔹 "np.linalg.norm()" — محاسبه نرم بردار یا ماتریس

📌 ۸. مرتب‌سازی و جست‌وجو (Sorting & Searching)
🔹 "np.sort()" — مرتب‌سازی عناصر
🔹 "np.argsort()" — اندیس‌های ترتیب مرتب‌شده
🔹 "np.unique()" — استخراج مقادیر یکتا
🔹 "np.searchsorted()" — یافتن محل درج در آرایه مرتب‌شده
🔹 "np.argmax()" — یافتن اندیس بیشترین مقدار

📌 ۹. تغییر نوع و مدیریت داده‌ها (Data Types & Handling)
🔹 "arr.astype()" — تبدیل نوع داده

🐍 با قابلیت‌های جدید پایتون، کدهای تمیزتر بنویس! 🚀

توی این آموزش یاد می‌گیری چطور با "*" لیست‌ها رو باز کنی و با "**" دیکشنری‌ها رو با هم ادغام کنی. 😎

گاهی با چند تا ترفند ساده می‌شه کدهای خواناتر و حرفه‌ای‌تری نوشت.

💻 کدها رو اجرا کن و خودت نتیجه رو ببین!

#پایتون #آموزش_پایتون #برنامه_نویسی #Python #ترفند_پایتون

⭐ ۵ تمرین جذاب برای چاپ ستاره در پایتون!

با این تمرین‌ها می‌تونی حلقه‌های for رو بهتر یاد بگیری و شکل‌های مختلفی مثل مربع، مثلث، هرم و لوزی بسازی. 🐍💻

کدها و خروجی هر تمرین جداگانه قرار داده شده تا راحت‌تر یاد بگیری.

تمرین کن تا حرفه‌ای‌تر بشی! 🚀

#پایتون #آموزش_پایتون #برنامه_نویسی #Python #یادگیری_برنامه_نویسی

یه فایل کاربردی از متدها و مثال‌های پایتون آماده کردم که گفتم با شما هم به اشتراک بذارم. 🐍💻

همه‌چیز داخل یک فایل کد جمع شده؛ از متدهای رشته‌ها و لیست‌ها گرفته تا دیکشنری، تاپل، مجموعه‌ها و انواع داده‌های عددی.

اگه پایتون کار می‌کنی، می‌تونه برای تمرین و مرور خیلی به دردت بخوره. 👌

📌 برای دریافت فایل، فقط کلمه «متد» رو کامنت کن تا برات بفرستم. ❤️

اگه به درد دوستات هم می‌خوره، براشون بفرست. 🌱

#پایتون #آموزش_پایتون #برنامه_نویسی