NumPy به شما امکان می دهد عملیات ریاضی و منطقی را به طور کارآمد و برداری بر روی آرایه ها انجام دهید.
در این بخش، به برخی از عملیات اساسی بر روی آرایه های NumPy، مانند جمع، تفریق، ضرب، تقسیم، و … می پردازیم.
۱. جمع و تفریق:
می توانید از علامت های جمع و تفریق (+ و -) برای انجام عملیات جمع و تفریق بر روی آرایه ها به صورت عنصری یا بین کل آرایه ها استفاده کنید.
import numpy as np
# جمع دو آرایه
arr1 = np.array([۱, ۲, ۳])
arr2 = np.array([۴, ۵, ۶])
sum_arr = arr1 + arr2
print(sum_arr) # Output: [5 7 9]
# تفریق دو آرایه
diff_arr = arr1 - arr2
print(diff_arr) # Output: [-3 -3 -3]
# جمع یک عدد به هر عنصر آرایه
add_scalar = arr1 + ۱۰
print(add_scalar) # Output: [11 12 13]
۲. ضرب و تقسیم:
می توانید از علامت های ضرب و تقسیم (* و /) برای انجام عملیات ضرب و تقسیم بر روی آرایه ها به صورت عنصری یا بین کل آرایه ها استفاده کنید.
import numpy as np
# ضرب دو آرایه
arr1 = np.array([۱, ۲, ۳])
arr2 = np.array([۴, ۵, ۶])
product_arr = arr1 * arr2
print(product_arr) # Output: [4 10 18]
# تقسیم دو آرایه
division_arr = arr1 / arr2
print(division_arr) # Output: [0.25 0.4 0.5]
# ضرب هر عنصر آرایه در یک عدد
multiply_scalar = arr1 * ۵
print(multiply_scalar) # Output: [5 10 15]
۳. توان:
می توانید از عملگر توان (**) برای محاسبه توان هر عنصر آرایه یا کل آرایه استفاده کنید.
import numpy as np
arr = np.array([۱, ۲, ۳])
# توان دوم هر عنصر آرایه
square_arr = arr ** ۲
print(square_arr) # Output: [1 4 9]
# توان ۳ کل آرایه
cube_arr = arr ** ۳
print(cube_arr) # Output: [1 8 27]
۴. عملیات منطقی:
می توانید از عملگرهای منطقی (==, !=, <, >, <=, >=) برای انجام عملیات منطقی بر روی آرایه ها به صورت عنصری استفاده کنید.
import numpy as np
arr1 = np.array([۱, ۲, ۳])
arr2 = np.array([۴, ۵, ۶])
# مقایسه دو آرایه به صورت عنصری
equal_arr = arr1 == arr2
print(equal_arr) # Output: [False False False]
# بررسی اینکه آیا هر عنصر آرایه ۱ کوچکتر از ۵ است
less_than_5 = arr1 < ۵
print(less_than_5) # Output: [True True True]
نکات:
- NumPy از پخش برادکست برای انجام عملیات بر روی آرایه ها با ابعاد مختلف به طور کارآمد پشتیبانی می کند.
- می توانید از توابع NumPy مانند
np.sum(),np.mean(),np.min(),np.max()برای انجام محاسبات آماری بر روی آرایه ها استفاده کنید. - برای اطلاعات بیشتر در مورد عملیات و توابع NumPy، به مستندات رسمی NumPy (https://numpy.org/doc/) مراجعه کنید.
با تسلط بر عملیات اساسی بر روی آرایه های NumPy، می توانید به طور موثر از این کتابخانه قدرتمند برای محاسبات عددی، دستکاری داده ها و تجزیه و تحلیل در برنامه های پایتون خود استفاده کنید.
