ورقة الغش Numpy: تحليل البيانات الأساسية في Python

بصفتك عالم بيانات يعمل مع Python ، فمن المرجح أنك صادفت مكتبة NumPy . إنها إحدى الحزم الأساسية للحوسبة العلمية في بايثون .

بفضل قدرتها على إجراء عمليات عالية الأداء على المصفوفات متعددة الأبعاد ، تعد NumPy أداة أساسية لأي شخص يتعمق في علوم البيانات أو الحوسبة الرقمية في Python.

يمكن أن تكون ورقة الغش في NumPy مصدرًا ممتازًا للمساعدة في توجيه رحلتك إلى مكتبة Python هذه. ستساعدك ورقة الغش الشاملة على التنقل في ميزات NumPy وستصبح سريعًا ماهرًا في استخدامها في مهام مختلفة!

تذكر أيضًا أن NumPy يقع في قلب المكتبات المهمة مثل Pandas و SciPy و sci-kit-Learn وحزم Python الأخرى.

من خلال إتقان أساسياتها من خلال مساعدة ورقة الغش في Python NumPy ، ستكون مجهزًا بشكل أفضل للعمل مع هذه المكتبات. ستقوم أيضًا بتطوير مهاراتك في التعامل مع هياكل البيانات المعقدة والحسابات.

هل أنت من المدرسة القديمة (مثلنا) وترغب في تنزيل ورقة الغش الخاصة بك وربما طباعتها؟

قم بالتمرير لأسفل للقيام بذلك.

جدول المحتويات

• أساسيات NumPy
  • 1. تثبيت واستيراد NumPy
  • 2. إنشاء المصفوفة
  • 3. صفيف الصفات
  • 4. أنواع البيانات
• التلاعب بالصفيف
  • 1. إعادة التشكيل
  • 2. النسخ
  • 3. التسلسل
  • 4. تقسيم
  • 5. إضافة / إزالة العناصر
  • 6. الفهرسة
  • 7. التقطيع
• وظائف الابتدائية
  • 1. العمليات الحسابية
  • 2. علم المثلثات
  • 3. الأس واللوغاريتمات
• تحليل المصفوفة
  • 1. وظائف مجمعة
  • 2. وظائف إحصائية
  • 3. البحث
  • 4. الفرز
• وظائف متقدمة
  • 1. البث
  • 2. الجبر الخطي
• المدخلات والمخرجات
  • 1. حفظ وتحميل المصفوفات
  • 2. القراءة والكتابة إلى ملفات نصية
• قم بتنزيل ورقة الغش أدناه
• افكار اخيرة

أساسيات NumPy

في هذا القسم ، سنغطي أساسيات NumPy ، مع التركيز على تثبيت NumPy وإنشاء الصفيف وسمات الصفيف وأنواع البيانات. ستوفر هذه المفاهيم أساسًا متينًا لفهم NumPy واستخدامها بشكل فعال في مشاريع علوم بيانات Python الخاصة بك.

1. تثبيت واستيراد NumPy

يمكنك تثبيت NumPy من سطر الأوامر باستخدام الأمر أدناه:

pip install numpy

بمجرد تثبيته ، قم باستيراده إلى التعليمات البرمجية الخاصة بك.

import numpy as np

ضع في اعتبارك أنه يمكنك استخدام أي اسم آخر بخلاف np . ومع ذلك ، فإن np هو اصطلاح استيراد NumPy القياسي الذي يستخدمه معظم المطورين وعلماء البيانات.

2. إنشاء المصفوفة

يعد إنشاء المصفوفات في NumPy أمرًا بسيطًا ومباشرًا. يمكنك إنشاء مصفوفات من قوائم أو مجموعات باستخدام الدالة numpy.array () :

import numpy as np

a = np.array([1, 2, 3])  # Creates a 1D array
b = np.array([(1, 2, 3), (4, 5, 6)])  # Creates a 2D array

يمكنك أيضًا إنشاء مصفوفات من أشكال وقيم محددة باستخدام وظائف مختلفة:

• np.zeros () : إنشاء مصفوفة مليئة بالأصفار

• np.ones () : إنشاء مصفوفة مليئة بتلك

• np.identity () : ينشئ مصفوفة هوية.

• np.empty () : يُنشئ مصفوفة بدون تهيئة عناصرها لأي قيمة معينة

• np.arange () : إنشاء مصفوفة بقيم متباعدة بانتظام بين قيمة البداية والنهاية

• np.linspace () : إنشاء مصفوفة بعدد محدد من القيم المتباعدة بشكل متساوٍ بين قيمة البداية والنهاية

ملاحظة: لا يمكنك إنشاء مصفوفة فارغة في NumPy. كل مصفوفة NumPy لها حجم ثابت وغير قابل للتغيير ويجب ملء كل عنصر في المصفوفة عند إنشاء المصفوفة.

تقوم الدالة np.empty () بإنشاء شكل الصفيف المطلوب وتعبئته بقيم عشوائية. الطريقة الافتراضية تنشئ مصفوفة من العوامات العشوائية.

يمكنك إنشاء نوع بيانات صفيف مختلف باستخدام معلمة dtype .

3. صفيف الصفات

تحتوي مصفوفات NumPy على العديد من السمات التي توفر معلومات مفيدة حول المصفوفة. دعونا نلقي نظرة على بعضها:

• ndarray.shape: إرجاع أبعاد المصفوفة على هيئة مجموعة (صفوف ، أعمدة)

• ndarray.ndim: إرجاع عدد الأبعاد في المصفوفة

• ndarray.size: إرجاع العدد الإجمالي للعناصر في المصفوفة

• ndarray.dtype: إرجاع نوع البيانات لعناصر الصفيف

للوصول إلى هذه السمات ، استخدم تدوين النقطة ، مثل:

a = np.array([(1, 2, 3), (4, 5, 6)])

#Print out the array shape
print(a.shape)  # Output: (2, 3)

4. أنواع البيانات

يوفر NumPy العديد من أنواع البيانات لتخزين البيانات في مصفوفات ، مثل الأعداد الصحيحة والسلسلة والعائمة والمنطقية والمعقدة. بشكل افتراضي ، يحاول NumPy استنتاج نوع البيانات بناءً على عناصر الإدخال.

ومع ذلك ، يمكنك أيضًا تحديد نوع البيانات بشكل صريح باستخدام الكلمة الأساسية dtype . على سبيل المثال:

import numpy as np
a = np.array([1, 2, 3], dtype=float)  # Creates an array of floats

تتضمن أنواع بيانات NumPy الشائعة ما يلي:

• np.int32 : عدد صحيح 32 بت

• np.int64: عدد صحيح 64 بت

• np.float32: رقم فاصلة عائمة 32 بت

• np.float64: رقم فاصلة عائمة 64 بت

• np.complex: رقم مركب ، يتم تمثيله برقمين من 64 بت فاصلة عائمة

يمكنك أيضًا تحويل المصفوفات من نوع بيانات إلى آخر. في هذا المثال ، إليك كيفية تحويل المصفوفة الصحيحة a إلى مصفوفة منطقية arr باستخدام طريقة np.array () .

من المثال ، يمكننا أن نرى طريقة المصفوفة () تحوّل عناصر المصفوفة إلى قيم منطقية. ثم تشكل هذه القيم المنطقية مجموعة NumPy الجديدة arr.

سيسمح لك فهم هذه المفاهيم الأساسية لـ NumPy بالعمل بفعالية مع المصفوفات وتنفيذ مجموعة متنوعة من عمليات NumPy الرياضية. على سبيل المثال ، يمكنك مشاهدة مقطع الفيديو الخاص بنا حول كيفية تحويل العناوين وكودها في Python.

في ذلك ، استخدمنا أنواع بيانات Python Pandas و NumPy لتكويد عناوين المنازل جغرافيًا.

التلاعب بالصفيف

في هذا القسم ، ستتعرف على تقنيات معالجة أشكال المصفوفات المختلفة في NumPy. سنناقش إعادة التشكيل والتسلسل والنسخ والتقسيم وإضافة / إزالة العناصر والفهرسة والتقطيع.

هذه التقنيات ضرورية للعمل بفعالية مع بيانات المصفوفة في مشاريع علوم البيانات الخاصة بك.

دعونا نتعمق في كل قسم فرعي.

1. إعادة التشكيل

تعد إعادة تشكيل مصفوفة في NumPy مهمة شائعة ستؤديها. قد تحتاج إلى تغيير شكل المصفوفة الخاصة بك لمطابقة متطلبات دالة أو خوارزمية.

لإعادة تشكيل مصفوفة ، استخدم الدالة reshape () :

arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3)

سيؤدي ذلك إلى تحويل صفيفك أحادي البعد إلى مصفوفة ثنائية الأبعاد تتكون من صفين وثلاثة أعمدة.

ملاحظة: تأكد من أن الشكل الجديد الذي تقدمه له نفس الحجم (عدد عناصر المصفوفة) مثل المصفوفة الأصلية.

2. النسخ

يمكنك نسخ العناصر الموجودة في مصفوفة NumPy إلى أخرى باستخدام طريقة copy () . يجب أن تلاحظ أن استخدام عامل الإسناد '=' يؤدي إلى إنشاء نسخة سطحية.

#Creating a shallow copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = a
b[0] = 19

print(a) #Output:[19, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

المصفوفة الجديدة تشير فقط إلى المصفوفة القديمة في ذاكرة النظام. تحتوي على نفس العناصر وهي ليست مستقلة عن بعضها البعض.

باستخدام النسخة العميقة ، يمكنك إنشاء مصفوفة NumPy جديدة تحتوي على نفس البيانات مثل القديم بينما تكون مستقلة عنها.

#Creating a deep copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = np.copy(a)
b[0] = 19

print(a) #Output:[9, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

3. التسلسل

في بعض الأحيان ، قد تحتاج إلى دمج مصفوفتين في مصفوفة واحدة. في NumPy ، يمكنك استخدام الدالة concatenate () لربط المصفوفات على طول محور موجود:

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = np.concatenate((arr1, arr2))

هذا يجمع بين arr1 و arr2 في مصفوفة واحدة. ضع في اعتبارك أن المصفوفات التي يتم تجميعها يجب أن يكون لها نفس الشكل ، ما عدا على طول المحور المحدد.

4. تقسيم

الانقسام هو عكس التسلسل. يمكنك تقسيم المصفوفة إلى مصفوفات فرعية أصغر باستخدام وظيفة split ():

arr = np.array([1, 2, 3, 4, 5, 6])
result = np.split(arr, 3)

هذا يقسم الصفيف إلى 3 مصفوفات فرعية متساوية الحجم. تأكد من أن عدد التقسيمات التي تحددها يمكن أن يقسم بالتساوي حجم الصفيف على طول المحور المحدد.

5. إضافة / إزالة العناصر

يمكن إضافة عناصر أو إزالتها في مصفوفة NumPy باستخدام الدالتين append () و delete () . يمكنك استخدام السابق لإلحاق القيم بنهاية المصفوفة بينما يقوم الأخير بحذف العنصر في فهرس محدد.

هذا مثال:

arr = np.array([1, 2, 3])

arr = np.append(arr, [4, 5, 6]) # Appends values to the end of the array
arr = np.delete(arr, 0) # Removes the array element on index 0

ضع في اعتبارك أن مصفوفات NumPy لها حجم ثابت. عند استخدام append () أو delete () ، يتم إنشاء مصفوفة جديدة ولا يتم تعديل الأصل.

6. الفهرسة

يمكنك إجراء عمليات الفهرسة على مصفوفات NumPy بنفس الطريقة التي تقوم بها بها في قوائم Python أو المجموعات. لنلقِ نظرة على كيفية الوصول إلى عناصر المصفوفة أو تغييرها في مصفوفة معينة.

arr = np.array([1, 2, 3])

#Returns the array element on index 1
element_2 = b[1]

#Change the array element on index 0
arr[0]= 89

7. التقطيع

يمكنك أيضًا تقسيم مصفوفات NumPy إلى شرائح لاستخراج أو عرض قسم من البيانات بنفس الطريقة التي تستخدم بها قوائم أو مجموعات Python . دعنا نلقي نظرة على المثال أدناه:

arr1 = np.array([1, 2, 3, 4, 5, 6, 7])
arr2 = np.array([(1, 2, 3, 6, 0), (4, 5, 6, 11, 13)]) 

# To return the first 3 elements of arr1
print(arr1[0:3]) #Output: [1, 2, 3]

# To return the second row in arr2
b = arr2[1, : ].copy() #Output: [4, 5, 6, 11, 13]

ملاحظة: يُنشئ التقطيع نسخة سطحية لا تزال تشير إلى المصفوفة الرئيسية. لذلك ، سيتم تطبيق أي تغيير تقوم بإجرائه على البيانات المقطعة على المصفوفة الرئيسية والعكس صحيح.

لتجنب ذلك ، يمكنك استخدام طريقة copy () لإنشاء نسخة عميقة ومستقلة.

وظائف الابتدائية

في هذا القسم ، ستتعرف على الوظائف الأولية المختلفة في NumPy ، والتي ستسهل مهام تحليل البيانات الخاصة بك. سنغطي العمليات الحسابية وعلم المثلثات والأسس واللوغاريتمات.

1. العمليات الحسابية

تقدم NumPy العديد من العمليات الحسابية على المصفوفات التي تجعل التعامل معها بسيطًا وفعالًا. مجموعة الرياضيات ناقلات الرياضيات

بعض العمليات هي:

• إضافة: numpy.add (x1، x2)

• الطرح: numpy.subtract (x1، x2)

• الضرب: numpy.multiply (x1، x2)

• القسمة: numpy.divide (x1، x2)

• المعامل: numpy.mod (x1، x2)

• الطاقة: numpy.power (x1 ، x2)

• الجذر التربيعي: numpy.sqrt (x)

ملاحظة: عند استخدام هذه العمليات ، يجب أن يكون المصفوفان بنفس الشكل. إذا لم يكن كذلك ، فسوف تواجه أخطاء.

هناك استثناء لبعض المصفوفات بفضل ميزة NumPy تسمى البث. سنغطي ذلك في قسم لاحق.

يمكنك إجراء هذه العمليات من حيث العناصر على المصفوفات ، مما يجعلها عالية الكفاءة لمعالجة البيانات على نطاق واسع.

2. علم المثلثات

تلعب الدوال المثلثية دورًا مهمًا في مختلف الحسابات الرياضية والعلمية. يوفر NumPy مجموعة واسعة من الدوال المثلثية.

بعض الوظائف الأساسية هي:

• الجيب : numpy.sin (x)

• جيب التمام: numpy.cos (x)

• الظل: numpy.tan (x)

• أركسين: numpy.arcsin (x)

• Arccosine: numpy.arccos (x)

• قوس ظل : numpy.arctan (x)

تعمل هذه الوظائف بسلاسة مع المصفوفات ، مما يسهل عليك إجراء عمليات حسابية متجهة على مجموعات البيانات الكبيرة.

3. الأس واللوغاريتمات

الأسس واللوغاريتمات ضرورية للعمليات العددية المختلفة. يوفر NumPy مجموعة واسعة من الوظائف للتعامل مع الأس واللوغاريتمات.

بعض الوظائف الأساسية هي:

• أسي : numpy.exp (x)

• اللوغاريتم (الأساس e): numpy.log (x)

• اللوغاريتم (الأساس 10): numpy.log10 (x)

• اللوغاريتم (الأساس 2): numpy.log2 (x)

باستخدام هذه الوظائف ، يمكنك إجراء عمليات حسابية معقدة بسرعة على كل عنصر في المصفوفة. هذا يجعل مهام تحليل البيانات الخاصة بك أكثر سهولة وفعالية.

تحليل المصفوفة

في هذا القسم ، سنناقش تقنيات مختلفة لتحليل المصفوفات وعناصر المصفوفات في NumPy. تتضمن بعض الميزات الرئيسية التي سنغطيها الوظائف الإجمالية والوظائف الإحصائية والبحث والفرز.

1. وظائف مجمعة

يوفر NumPy العديد من الوظائف التجميعية التي تتيح لك إجراء عمليات على المصفوفات ، مثل جمع كل عناصرها ، وإيجاد القيمة الدنيا أو القصوى ، والمزيد:

• sum: np.sum (your_array) - احسب مجموع كل العناصر في المصفوفة.

• min: np.min (your_array) - ابحث عن الحد الأدنى لعنصر المصفوفة.

• max: np.max (your_array) - ابحث عن الحد الأقصى لعنصر المصفوفة.

• يعني : np.mean (your_array) - احسب متوسط ​​القيم في المصفوفة.

• الوسيط : np.median (your_array) - أوجد وسيط القيم في المصفوفة.

2. وظائف إحصائية

يحتوي NumPy أيضًا على مجموعة متنوعة من الوظائف الإحصائية لمساعدتك في تحليل البيانات:

• std: np.std (your_array) - احسب الانحراف المعياري للقيم في المصفوفة.

• var: np.var (your_array) - احسب تباين القيم في المصفوفة.

• corrcoef : np.corrcoef (your_array) - احسب معامل الارتباط للمصفوفة.

3. البحث

يمكن البحث في مصفوفات NumPy باستخدام طرق مختلفة:

• argmin: np.argmin (your_array) - ابحث عن فهرس الحد الأدنى لعنصر المصفوفة.

• argmax: np.argmax (your_array) - ابحث عن فهرس الحد الأقصى لعنصر المصفوفة.

• حيث: np.where (condition) - إرجاع فهارس العناصر في المصفوفة التي تفي بالشرط المحدد.

4. الفرز

يمكنك فرز العناصر في المصفوفة الخاصة بك باستخدام الوظائف التالية:

• الفرز : np.sort (your_array) - فرز العناصر في المصفوفة بترتيب تصاعدي.

• argsort: np.argsort (your_array) - تُرجع المؤشرات التي من شأنها فرز المصفوفة.

باستخدام هذه الوظائف والتقنيات ، يمكنك تحليل مصفوفات NumPy ومعالجتها بسهولة للكشف عن رؤى قيمة ودعم جهود تحليل البيانات الخاصة بك.

وظائف متقدمة

في هذا القسم ، سوف نستكشف بعض الوظائف المتقدمة في NumPy لمساعدتك على العمل بكفاءة أكبر مع بياناتك. سنغطي وظائف البث والجبر الخطي.

1. البث

البث عبارة عن ميزة NumPy قوية تتيح لك إجراء عمليات على مصفوفات بأشكال وأحجام مختلفة. إنه يعمل عن طريق توسيع أبعاد المصفوفة الأصغر تلقائيًا لمطابقة المصفوفة الأكبر ، مما يسهل إجراء عمليات من حيث العناصر.

هذا مثال:

import numpy as np
A = np.array([1, 2, 3])
B = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

C = A + B

في هذا المثال ، يتم بث المصفوفة 1D A لمطابقة شكل المصفوفة ثنائية الأبعاد B ، مما يسمح بالإضافة حسب العنصر.

ضع هذه القواعد في الاعتبار عند العمل مع البث:

• يجب أن تكون أبعاد المصفوفات متوافقة (إما بالحجم نفسه أو يكون أحدهما 1).

• يتم تطبيق البث من أبعاد زائدة ويعمل نحو الأبعاد الرائدة.

2. الجبر الخطي

يوفر NumPy العديد من وظائف الجبر الخطي التي يمكن أن تكون مفيدة عند العمل مع مصفوفات متعددة الأبعاد. بعض هذه الوظائف تشمل:

• np.dot (A، B): حساب حاصل الضرب النقطي لمصفوفتين.

• np.linalg.inv (A) : لحساب معكوس المصفوفة المربعة.

• np.linalg.eig (A) : يحسب القيم الذاتية والمتجهات الذاتية لمصفوفة مربعة.

• np.linalg.solve (A، B): يحل نظامًا خطيًا من المعادلات ، حيث A هي مصفوفة المعامل و B هي المصفوفة الثابتة.

تذكر أن تتحقق دائمًا مما إذا كانت مصفوفاتك متوافقة قبل إجراء هذه العمليات.

المدخلات والمخرجات

في هذا القسم ، سنستكشف كيفية حفظ المصفوفات وتحميلها ، وكذلك كيفية قراءة الملفات وكتابتها باستخدام NumPy.

1. حفظ وتحميل المصفوفات

لحفظ مصفوفة ، يمكنك استخدام دالة np.save () في NumPy . تأخذ هذه الوظيفة اسم الملف والمصفوفة كوسائطها الرئيسية.

import numpy as np
arr = np.array([1, 2, 3])

np.save('my_array.npy', arr)

لتحميل المصفوفة المحفوظة ، استخدم الدالة np.load () ، مع توفير اسم الملف كوسيطة.

loaded_array = np.load('my_array.npy')

print(loaded_array)  
# Output: array([1, 2, 3])

يمكنك أيضًا حفظ وتحميل مصفوفات متعددة باستخدام الدالتين np.save () و np.load () .

2. القراءة والكتابة إلى ملفات نصية

يوفر NumPy وظائف لقراءة الملفات النصية وكتابتها باستخدام المصفوفات ، مثل np.loadtxt () و np.savetxt () . يمكنك استخدام هذه الوظائف لحفظ وتحميل البيانات من تنسيقات الملفات مثل ملف txt أو CSV.

لقراءة ملف نصي في مصفوفة ، استخدم الدالة np.loadtxt () . يأخذ اسم الملف كوسيطته الرئيسية ويدعم أيضًا الوسائط الاختيارية لتحديد المحدد ونوع dtype والمزيد.

arr_from_txt = np.loadtxt('data.txt', delimiter=',')
print(arr_from_txt)

لقراءة البيانات من ملف CSV ، يمكنك أيضًا استخدام وظيفة np.loadtxt () . ومع ذلك ، تأكد من تعيين المحدد دائمًا على الفاصلة " ، ".

لكتابة مصفوفة إلى ملف نصي ، استخدم الدالة np.savetxt () . تأخذ هذه الوظيفة اسم الملف والمصفوفة كوسائطها الرئيسية ، متبوعة بوسائط اختيارية ، مثل المحدد والرأس.

arr_to_txt = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('output_data.txt', arr_to_txt, delimiter=',')

تسمح لك وظائف الإدخال والإخراج هذه بالعمل بكفاءة مع المصفوفات والملفات النصية في مهام معالجة البيانات ومعالجتها باستخدام NumPy.

قم بتنزيل ورقة الغش أدناه

Numpy-Cheat-Sheet تنزيل

افكار اخيرة

حسنًا ، هذا كل ما تحتاج إلى معرفته لبدء استخدام مكتبة Numpy Python! يمكنك أيضًا استخدام ورقة الغش في Python Numpy كمرجع مفيد عند العمل مع المكتبة.

لمزيد من الميزات المتقدمة ، يمكنك الاطلاع على وثائق NumPy . يمكنك أيضًا التحقق من ورقة Python Cheat الممتعة التي قمنا بتجميعها للمطورين الجدد وذوي الخبرة.

حظ سعيد!