تحميل NumPy الحزمة الأساسية للحوسبة العلمية مع Python مجانا

4 دقائق

جدول المحتويات

دعم للحوسبة الرقمية باستخدام Python

مشروع مفتوح المصدر يهدف إلى تمكين الحوسبة الرقمية. تم إنشاؤه في عام 2005، بناءً على العمل المبكر لمكتبتي Numeric و Numarray. سيكون دائمًا برنامجًا مفتوح المصدر بنسبة 100%، مجاني للجميع للاستخدام ويتم إصداره بموجب الشروط الليبرالية لترخيص BSD المعدل. تم تطوير NumPy في العلن على GitHub، بواسطة إجماع NumPy والمجتمع العلمي الأوسع.

يتمثل دور المجلس التوجيهي ضمان، العمل مع مجتمع أوسع وخدمته، الرفاهية طويلة الأجل للمشروع، من الناحية الفنية وكمجتمع. يصمن المجلس التوجيهي حاليًا العديد من الأعضاء حول العالم.

يشجع المجلس التوجيهي المشاركة في المشروع بواسطة المشاركة في منتديات المشروع والانضمام إلى الفرق الفنية والتشغيل الذاتي للمشروع. يسعى المجلس التوجيهي أيضًا إلى الاستمرار في التطوير والقيام بجهود مستمرة لتحسين البرنامج وتوفير الدعم اللازم للمجتمع العلمي.

تحميل NumPy الحزمة الأساسية للحوسبة العلمية باستخدام Python — تحميل NumPy الحزمة الأساسية للحوسبة العلمية مع Python مجانا

الميزات والنقاط البارزة

كائن صفيف قوي الأبعاد
وظائف (إذاعية) متطورة
أدوات لدمج كود C / C ++ و Fortran
إمكانات الجبر الخطي وتحويل فورييه والأرقام العشوائية المفيدة
إلى جانب استخداماته العلمية الواضحة، يمكن استخدامه أيضًا كحاوية فعالة متعددة الأبعاد للبيانات العامة.
يمكن تعريف أنواع البيانات التعسفية.
يسمح بالتكامل بسلاسة وسرعة مع مجموعة متنوعة من قواعد البيانات.
يمكن العثور على أرشيف كامل من الوثائق لجميع إصدارات Num Py (Numerical Python) (إصدارات ثانوية؛
لا تحتوي إصدارات bugfix على تغييرات كبيرة في التوثيق) منذ عام 2009 على https://docs.scipy.org.

ما هي NumPy؟

هي الحزمة الأساسية للحوسبة العلمية في بايثون. إنها مكتبة توفر كائن مصفوفة متعددة الأبعاد، وكائنات مشتقة متنوعة (مثل المصفوفات والمصفوفات المقنعة)، ومجموعة متنوعة من الإجراءات للعمليات السريعة على المصفوفات، بما في ذلك التلاعب الرياضي والمنطقي بالشكل والفرز والاختيار والإدخال / الإخراج وتحويلات فورييه المنفصلة والجبر الخطي الأساسي والعمليات الإحصائية الأساسية والمحاكاة العشوائية وغير ذلك الكثير.

يسمح للمطورين بالتعامل مع المصفوفات الكبيرة في الحجم التي تحتوي على المئات والآلاف من العناصر، ويجعل البرمجة أسهل بواسطة التركيز على المصفوفات واستخدام المعالجات الجبرية التي لا تتطلب التعبير عن كل عنصر في المصفوفة. إضافة إلى ذلك، توفر المعالجات الخاصة بالتحليل الاحصائي والتنبؤ والمحاكاة العشوائية والإحصاءات التجريبية وغيرها من المهام الأساسية للحوسبة العلمية.

في جوهرها يوجد كائن ndarray. يقوم هذا بتغليف مصفوفات ذات أبعاد n لأنواع البيانات المتجانسة، مع إجراء العديد من العمليات في التعليمات البرمجية المجمعة للأداء. هناك العديد من الاختلافات المهمة بين مصفوفات وتسلسلات Python القياسية:

✔️ تمتلك المصفوفات حجمًا ثابتًا عند الإنشاء، على عكس قوائم Python (التي يمكن أن تنمو ديناميكيًا). سيؤدي تغيير حجم ndarray إلى إنشاء مصفوفة جديدة وحذف الأصل.

✔️ يجب أن تكون جميع العناصر في المصفوفة من نفس نوع البيانات، وبذلك ستكون بالحجم نفسه في الذاكرة. الاستثناء: يمكن للمرء أن يكون لديه مصفوفات من الكائنات، بما في ذلك NumPy)، مما يسمح بمصفوفات من عناصر مختلفة الحجم.

تسهيل العمليات الحسابية المتقدم

تسهل المصفوفات العمليات الحسابية المتقدمة وأنواع أخرى من العمليات على أعداد كبيرة من البيانات. عادةً ما يتم تنفيذ مثل هذه العمليات بكفاءة أكبر وبكود أقل مما هو ممكن باستخدام التسلسلات المضمنة.

عدد كبير من الحزم العلمية والرياضية المبنية على بايثون تستخدم المصفوفات؛ مع أنّ أنها تدعم عادةً إدخال التسلسل، إلا أنها تحول هذه المدخلات إلى المصفوفات قبل المعالجة، وغالبًا ما تُخرج مصفوفات. بعبارة أخرى، من أجل الاستخدام الفعال للكثير (وربما حتى معظم) البرامج العلمية / الرياضية المعتمدة على لغة بايثون، فإن مجرد معرفة كيفية استخدام أنواع التسلسلات المضمنة في بايثون غير كافٍ – يحتاج المرء أيضًا إلى معرفة كيفية استخدام المصفوفات.

✔️ النقاط المتعلقة بحجم التسلسل والسرعة لها أهمية خاصة في الحوسبة العلمية. كمثال بسيط، ضع في اعتبارك حالة ضرب كل عنصر في تسلسل أحادي الأبعاد مع.

✔️ تسلسلات يمكن استخدامها لذلك، ولكن نظرًا لسرعة المصفوفات، فإن تنفيذ العملية السابقة باستخدام مصفوفات سيكون أسرع من تنفيذها باستخدام التسلسلات المضمنة. يمكنك أيضًا التعامل مع البيانات الأخرى بشكل أسرع، بما في ذلك عمليات التحويل والتكرار والإضافة والطباعة والقسمة والجمع.

لماذا NumPy؟

يصف Vectorization عدم وجود أي حلقات أو فهرسة صريحة، إلخ، في الكود – هذه الأشياء تحدث، بالطبع، فقط ‘خلف الكواليس’ في كود C المحسن والمجمع مسبقًا. الكود المتجه له العديد من المزايا، من بينها:

الكود المتجه أكثر إيجازًا وأسهل في القراءة.
عدد سطور أقل من التعليمات البرمجية يعني عمومًا أخطاء أقل.
يشبه الرمز إلى حد كبير تدوينًا رياضيًا قياسيًا (مما يسهل، عادةً، ترميز التركيبات الرياضية بشكل صحيح).
ينتج عن التوجيه المزيد من التعليمات البرمجية ‘Pythonic’. دون التوجيه، سيكون الكود مليئًا بحلقات غير فعالة ويصعب قراءتها.
حزمة برمجية متكاملة تجعل الحلول الرياضية المتعددة الأبعاد أكثر سهولة وسرعة.
يساعد على تحسين سرعة التنفيذ ويوفر مجموعة من الأدوات التي تساعد في كتابة الكود البرمجي المتجه بسهولة.
الحزمة يمكن أن تضيف القيمة المطلوبة للتطبيقات الحاسوبية المعقدة الرياضية.

البث هو المصطلح المستخدم لوصف سلوك العمليات الضمني لكل عنصر؛ عمومًا، تسلك جميع العمليات، ليس فقط العمليات الحسابية، ولكن المنطقية، وآلبتيه، والوظيفية، وما إلى ذلك، بطريقة العناصر الضمنية هذه، أي أنها تبث.

بالتالي، يمكنك الحصول على نتائج أسرع باستخدام عناصر البث الضمني لكل عملية، وبذلك يصبح البرنامج أسرع وأكثر فعالية. كما أن البث يسمح للبرنامج بالتحكم في ما إذا كان ينبغي تنفيذ عملية معينة أو لا، ويعطيك نتائج أكثر ثباتًا بالنسبة لكل عملية.

من يستخدم NumPy أيضًا؟

يدعم تمامًا النهج الموجه للكائنات، بدءًا من ndarray. على سبيل المثال، ndarray هي فئة تمتلك العديد من الأساليب والسمات. تنعكس العديد من أساليبها بواسطة وظائف في مساحة اسم NumPy الخارجية، مما يسمح للمبرمج بالتشفير في أي نموذج يفضله. سمحت هذه المرونة لهجة المصفوفة وفئة NumPy ndarray بأن تصبح لغة فعلية لتبادل البيانات متعددة الأبعاد.

إضافة إلى ذلك، يستخدم أيضًا العديد من المتصفحات الشهيرة، ومنها المتصفحات الشهيرة مثل Chrome، Firefox، Safari، Edge و Internet Explorer. كما أنه يستخدم أيضًا في العديد من التطبيقات الأخرى، مثل التطبيقات التي تستخدم محولات البيانات لتحويل البيانات من إحدى الأنواع إلى صيغة أخرى.

📌 ملاحظة: يتطلب Python.

✅ متوفر لنظام التشغيل Windows, macOS, Linux