آموزش ایجاد آرایه در NumPy

ایجاد یک آبجکت ndarray در NumPy

از NumPy برای کار با آرایه‌ها استفاده می‌شود. آبجکت آرایه در NumPy آبجکت ndarray نامیده می‌شود. 

ما می‌توانیم با استفاده از تابع array() یک آبجکت ndarray در NumPy ایجاد کنیم. 

import numpy as np

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

print(arr)

print(type(arr))

[1 2 3 4 5]
<class 'numpy.ndarray'>

تابع type(): این تابع درونی پایتون، نوعِ آبجکتی که به آن داده شده است را به ما نشان می‌دهد. مثلا در کد بالا، نشان می‌دهد که arr از نوع numpy.ndarray است. 

برای ایجاد یک آبجکت ndarray، می‌توانیم یک لیست یا تاپل یا هر آبجکت دیگری که مانند آرایه است را به متد array() بدهیم و این متد، آن را به یک آبجکت ndarray تبدیل می‌کند. 

import numpy as np

arr = np.array((1, 2, 3, 4, 5))

print(arr)

[1 2 3 4 5]

ابعاد در آرایه‌ها

یک بُعد(dimension) در آرایه‌، به عمق آرایه(به تودرتویی آرایه) گفته می‌شود. 

آرایه‌های تودرتو: آرایه هایی هستند که عناصر آنها آرایه است. 

آرایه‌های 0-بُعدی

آرایه‌های 0-بُعدی، یا اسکالرها(Scalar)، همان عناصر درون یک آرایه هستند. هر مقدار(value) در یک آرایه، یک آرایه‌ی 0-بُعدی محسوب می‌شود. 

import numpy as np

arr = np.array(42)

print(arr)

42

آرایه‌های 1-بُعدی

به یک آرایه که عناصر آن را آرایه‌های 0-بعدی تشکیل می‌دهند، آرایه‌ی 1-بعدی گفته می‌شود. این آرایه‌ها، رایج‌ترین و اصلی‌ترین آرایه‌ها هستند.

import numpy as np

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

print(arr)

[1 2 3 4 5]

آرایه‌های 2-بعدی

به یک آرایه که عناصر آن را آرایه‌های 1-بعدی تشکیل می‌دهند، آرایه‌ی 2-بعدی گفته می‌شود. از آرایه‌های 2-بعدی اغلب برای نمایش ماتریس‌ها(matrix) یا تانسورهای مرتبه دوم استفاده می‌شود.

NumPy یک زیرماژولِ(sub module) کامل به نام numpy.mat دارد که به عملیات ماتریسی اختصاص داده شده است.

import numpy as np

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

print(arr)

[[1 2 3]
 [4 5 6]]

آرایه‌های 3-بعدی

به یک آرایه که عناصر آن را آرایه‌های 2-بعدی(یعنی ماتریس‌ها) تشکیل می‌دهند، آرایه‌ی 3-بُعدی گفته می‌شود. از آرایه‌های 3-بعدی، اغلب برای نمایش دادن یک تانسور مرتبه سوم استفاده می‌شود. 

import numpy as np

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

print(arr)

[[[1 2 3]
  [4 5 6]]

 [[1 2 3]
  [4 5 6]]]

بررسی کردن تعداد بُعدها

آرایه‌های NumPy یک خصوصیت به نام ndim به ما ارائه می‌دهد که یک عدد صحیح را برمی‌گرداند؛ که نشان می‌دهد آرایه‌ی مورد نظر چندبُعدی است. 

import numpy as np

a = np.array(42)
b = np.array([1, 2, 3, 4, 5])
c = np.array([[1, 2, 3], [4, 5, 6]])
d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])

print(a.ndim)
print(b.ndim)
print(c.ndim)
print(d.ndim)

0
1
2
3

آرایه‌هایی با ابعاد بالاتر

یک آرایه می‌تواند هر بُعدی داشته باشد. ما می‌توانیم وقتی که آرایه ایجاد می‌شود، با استفاده از آرگومان ndmin بُعد آن را تعریف کنیم. 

import numpy as np

arr = np.array([1, 2, 3, 4], ndmin=5)

print(arr)
print('number of dimensions :', arr.ndim)

[[[[[1 2 3 4]]]]]
number of dimensions : 5

در این آرایه، درونی‌ترین بُعد(بُعد پنجم) چهار عنصر دارد. بُعد چهارم یک عنصر دارد که همان بردار مورد نظر([4 3 2 1]) است؛ بُعد سوم یک عنصر دارد که همان ماتریس با بردار است، بُعد دوم یک عنصر دارد که یک آرایه‌ی سه‌بُعدی است و بُعد اول یک عنصر دارد که یک آرایه‌ی چهاربُعدی است. (این بخش رو متوجه نشدم، بیشتر بررسی شود).

منبع: www.w3schools.com/python/numpy