فهرست مطالب

ایجاد و دستکاری آرایه ها و ماتریس ها در SciPy

SciPy مجموعه ای قدرتمند از ابزارها برای کار با آرایه ها و ماتریس ها در پایتون را ارائه می دهد. این قابلیت ها بر روی کتابخانه NumPy ساخته شده اند و به شما امکان می دهند عملیات پیچیده ای را بر روی داده های عددی خود انجام دهید.

در این بخش، به نحوه ایجاد و دستکاری آرایه ها و ماتریس ها با استفاده از SciPy می پردازیم.

1. ایجاد آرایه ها

روش های مختلفی برای ایجاد آرایه در SciPy وجود دارد:

از تابع array در ماژول scipy.ndaray استفاده کنید:

Python
 import scipy.ndaray as np

# ایجاد آرایه تک بعدی
array_1d = np.array([1, 2, 3, 4, 5])

# ایجاد آرایه دو بعدی
array_2d = np.array([[1, 2, 3],
                      [4, 5, 6],
                      [7, 8, 9]])
 

از لیست های پایتون استفاده کنید:

Python
 array_from_list = np.array([10, 20, 30])
 

از توابع NumPy مانند arange و linspace استفاده کنید:

Python
 # ایجاد آرایه با مقادیر متوالی
array_arange = np.arange(10, 20, 2)

# ایجاد آرایه با مقادیر به طور مساوی فاصله دار
array_linspace = np.linspace(0, 1, 10)
 

2. دستکاری آرایه ها

پس از ایجاد آرایه، می توانید با استفاده از روش های مختلفی آن را دستکاری کنید:

به عناصر آرایه دسترسی پیدا کنید و آنها را تنظیم کنید:

Python
 # دسترسی به عنصر خاص
array_2d[1, 2] = 99

# تنظیم مقادیر یک ستون
array_2d[:, 0] = 100
 

از برش گذاری برای انتخاب زیرمجموعه های آرایه استفاده کنید:

Python
 # انتخاب ردیف اول
row_1 = array_2d[0, :]

# انتخاب ستون دوم
column_2 = array_2d[:, 1]

# انتخاب زیرماتریس
sub_matrix = array_2d[1:3, 0:2]
 

از توابع NumPy برای انجام عملیات ریاضی روی آرایه ها استفاده کنید:

Python
 # محاسبه میانگین
mean_array_1d = np.mean(array_1d)

# محاسبه مجموع ماتریس
total_sum = np.sum(array_2d)
 

3. ایجاد و دستکاری ماتریس ها

ماتریس ها نوع خاصی از آرایه ها هستند که در آنها مقادیر به صورت ردیف و ستون سازماندهی شده اند.

برای ایجاد ماتریس می توانید از روش های مشابه ایجاد آرایه استفاده کنید:

Python
 # ایجاد ماتریس از آرایه
matrix_from_array = np.matrix(array_2d)

# ایجاد ماتریس از لیست های لیست
matrix_from_list = np.matrix([[1, 2, 3],
                              [4, 5, 6],
                              [7, 8, 9]])
 

از عملیات ماتریسی مانند ضرب ماتریس، معکوس ماتریس و حل معادلات خطی استفاده کنید:

Python
 # ضرب دو ماتریس
matrix_product = np.matmul(matrix_1, matrix_2)

# محاسبه معکوس ماتریس
matrix_inverse = np.linalg.inv(matrix_1)

# حل معادله خطی
x = np.linalg.solve(matrix_a, b)
 

اینها فقط مقدماتی در مورد ایجاد و دستکاری آرایه ها و ماتریس ها با استفاده از SciPy هستند. SciPy طیف گسترده ای از توابع و روش های دیگر را برای کار با داده های چند بعدی ارائه می دهد.

برای یادگیری بیشتر، می توانید از منابع زیر استفاده کنید: