توابع ریاضی و آماری NumPy

NumPy طیف گسترده ای از توابع ریاضی و آماری را برای انجام محاسبات و تجزیه و تحلیل داده ها بر روی آرایه ها ارائه می دهد. این توابع به شما امکان می دهد عملیات مختلفی مانند محاسبه توابع ریاضی، آمار توصیفی، و ماتریس ها را به طور کارآمد بر روی آرایه های NumPy انجام دهید.

برخی از توابع ریاضی رایج:

• np.sin(): محاسبه سینوس زاویه
• np.cos(): محاسبه کسینوس زاویه
• np.tan(): محاسبه تانژانت زاویه
• np.exp(): محاسبه توان e (e^x)
• np.log(): محاسبه لگاریتم (با پایه دلخواه)
• np.sqrt(): محاسبه ریشه دوم
• np.abs(): محاسبه مقدار مطلق
• np.power(): محاسبه توان (x^y)
• np.floor(): گرد کردن به پایین به نزدیکترین عدد صحیح
• np.ceil(): گرد کردن به بالا به نزدیکترین عدد صحیح
• np.round(): گرد کردن به تعداد ارقام اعشاری دلخواه

برخی از توابع آماری رایج:

• np.mean(): محاسبه میانگین
• np.median(): محاسبه میانه
• np.std(): محاسبه انحراف معیار
• np.var(): محاسبه واریانس
• np.min(): محاسبه حداقل
• np.max(): محاسبه حداکثر
• np.sum(): محاسبه مجموع
• np.prod(): محاسبه حاصلضرب
• np.cumsum(): محاسبه مجموع تجمعی
• np.diff(): محاسبه تفاوت بین عناصر مجاور

توابع ماتریس:

• np.dot(): ضرب ماتریس
• np.transpose(): جابجایی سطرها و ستون های ماتریس
• np.linalg.inv(): محاسبه معکوس ماتریس
• np.linalg.det(): محاسبه دترمینان ماتریس
• np.linalg.eig(): محاسبه مقادیر ویژه و بردارهای ویژه ماتریس

نحوه استفاده از توابع:

• توابع NumPy به طور مستقیم بر روی آرایه ها اعمال می شوند.
• برای مثال، برای محاسبه سینوس ۳۰ درجه:

import numpy as np

angle = np.radians(۳۰)
sin_value = np.sin(angle)
print(sin_value)  # Output: 0.5

• می توانید از آرگومان های اختیاری برای کنترل نحوه عملکرد توابع استفاده کنید.
• برای مثال، برای محاسبه میانگین آرایه arr با نادیده گرفتن مقادیر NaN:

import numpy as np

arr = np.array([۱, ۲, ۳, np.nan, ۵, ۶])

mean_value = np.mean(arr, skipna=True)
print(mean_value)  # Output: 3.5

نکات:

• برای اطلاعات بیشتر در مورد هر تابع، می توانید از دستور np.help(function_name) در کنسول پایتون استفاده کنید.
• مستندات رسمی NumPy (https://numpy.org/doc/) شامل توضیحات مفصل و مثال های استفاده از تمام توابع NumPy است.
• می توانید از توابع NumPy در ترکیب با سایر کتابخانه های پایتون مانند pandas و matplotlib برای تجزیه و تحلیل و نمایش داده ها استفاده کنید.

با تسلط بر توابع ریاضی و آماری NumPy، می توانید به طور موثر از این کتابخانه قدرتمند برای حل طیف گسترده ای از مسائل مربوط به محاسبات علمی، مهندسی و تجزیه و تحلیل داده ها در برنامه های پایتون خود استفاده کنید.