📊 آموزش NumPy در پایتون | راهنمای کامل و کاربردی (2025)
آموزش NumPy در پایتون | راهنمای کامل برای مبتدی‌ها (۲۰۲۵)
اگر به دنبال یادگیری تحلیل داده با پایتون هستی، یادگیری کتابخانه NumPy اولین قدم ضروریه.
در این آموزش، آموزش NumPy در پایتون رو از پایه شروع می‌کنیم و با ساخت آرایه، عملیات ریاضی و مثال‌های واقعی پیش می‌ریم.
NumPy چیست و چه کاربردی دارد؟
NumPy مخفف Numerical Python است و یک کتابخانه‌ی متن‌باز پایتون برای انجام محاسبات عددی و علمی محسوب می‌شود.
اگر تا حالا با لیست‌های پایتونی کار کردی، احتمالاً متوجه شدی که وقتی داده‌ها بزرگ می‌شن یا نیاز به عملیات ریاضی زیاد داریم، لیست‌ها دیگه کافی نیستن. اینجا دقیقاً جاییه که NumPy وارد می‌شه.
کتابخانه NumPy برای کار با آرایه‌های چندبعدی طراحی شده و امکانات فوق‌العاده‌ای برای محاسبات برداری، ماتریسی، آماری و تصادفی فراهم می‌کنه. در واقع پایه‌ی بسیاری از کتابخانه‌های داده‌محور مثل Pandas، Scikit-learn، TensorFlow و PyTorch هست.
مزایای NumPy نسبت به لیست‌های معمولی پایتون:
- سرعت بسیار بالاتر (به دلیل پیاده‌سازی در C)
- پشتیبانی از آرایه‌های چندبعدی با اندازه دلخواه
- توابع ریاضی آماده برای میانگین، انحراف معیار، ضرب ماتریسی و…
- مصرف کمتر حافظه در پردازش داده‌های حجیم
- سازگاری بالا با سایر ابزارهای تحلیل داده و یادگیری ماشین
نصب NumPy در پایتون
برای نصب NumPy در محیط پایتون یا ترمینال، از دستور زیر استفاده کن:
pip install numpy
اگر از Google Colab یا Jupyter Notebook استفاده می‌کنی، نیازی به نصب نیست چون NumPy از قبل نصب شده. فقط باید با دستور زیر اون رو ایمپورت کنی:
import numpy as np
ساخت اولین آرایه در NumPy
import numpy as np
arr = np.array([1, 2, 3])
print(arr)
خروجی:
[1 2 3]
آرایه‌های NumPy بر خلاف لیست‌ها، امکان انجام عملیات ریاضی به‌صورت مستقیم و بدون حلقه رو فراهم می‌کنن. مثلاً اگر دو آرایه داشته باشید، می‌تونید اون‌ها رو با یک خط کد با هم جمع کنید.
مقایسه عملکرد NumPy با لیست معمولی پایتون
import time
my_list = list(range(1000000))
my_array = np.arange(1000000)
start = time.time()
sum(my_list)
print("List:", time.time() - start)
start = time.time()
np.sum(my_array)
print("NumPy:", time.time() - start)
همون‌طور که می‌بینید، NumPy در پردازش‌های سنگین بسیار سریع‌تر از لیست‌های معمولیه.
روش‌های ساخت آرایه در NumPy
np.zeros((2, 3)) # ماتریس صفر ۲×۳
np.ones(5) # آرایه‌ای از پنج عدد یک
np.eye(3) # ماتریس همانی ۳×۳
np.arange(0, 10, 2) # آرایه با گام ۲
np.linspace(0, 1, 5) # پنج عدد مساوی بین ۰ و ۱
این توابع پایه‌ای برای تولید داده‌ها در تحلیل آماری و الگوریتم‌های یادگیری ماشین بسیار پرکاربردن.
عملیات ریاضی ساده روی آرایه‌ها
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b) # جمع
print(a * b) # ضرب
print(a ** 2) # توان
در لیست‌های پایتونی برای این کارها باید حلقه بنویسیم، ولی در NumPy همه چیز خلاصه و سریع انجام می‌شه.
اندیس‌دهی، برش و تغییر شکل (Reshape)
a = np.array([[1, 2], [3, 4]])
print(a[0, 1]) # عنصر ردیف اول، ستون دوم
print(a[:, 1]) # ستون دوم کامل
print(a.reshape(4)) # تبدیل به آرایه ۱ بعدی
تغییر شکل آرایه در NumPy بسیار کاربردی است و می‌تونه برای آماده‌سازی داده در یادگیری ماشین مفید باشه.
توابع آماری در NumPy
data = np.array([1, 2, 3, 4, 5])
print(np.mean(data)) # میانگین
print(np.std(data)) # انحراف معیار
print(np.median(data)) # میانه
مثال واقعی: میانگین‌گیری از داده‌های تصادفی
data = np.random.rand(1000000)
mean = np.mean(data)
print("Mean:", mean)
در داده‌کاوی، معمولاً با میلیون‌ها ردیف داده سروکار داریم، و سرعت NumPy اینجا واقعاً می‌درخشه.
تمرین برای شما
۱. آرایه‌ای از اعداد ۱ تا ۲۰ بسازید و فقط اعداد زوج را چاپ کنید.
۲. ماتریسی ۳×۳ با مقادیر تصادفی بسازید و دترمینان آن را با np.linalg.det() محاسبه کنید.
۳. آرایه‌ای از ۱۰ عدد تصادفی بین ۰ تا ۱ بسازید و تعداد مقادیری که از ۰.۵ بزرگ‌ترند را بشمارید.
۴. یک آرایه ۲ بعدی بسازید و مجموع سطوح و ستون‌ها را محاسبه کنید.
منابع یادگیری بیشتر درباره NumPy
جمع‌بندی
در این آموزش، با کتابخانه NumPy در پایتون آشنا شدیم.
یاد گرفتیم چطور آرایه بسازیم، عملیات عددی انجام بدیم، داده‌ها رو برش بدیم و تحلیل آماری اولیه انجام بدیم.
اگر قصد داری وارد مسیر تحلیل داده حرفه‌ای بشی، آموزش‌های بعدی ما در بلاگ Upgrade4u رو از دست نده.
مقاله بعدی ما «راهنمای جامع تحلیل داده با پایتون» هست که همه مراحل پروژه واقعی رو پوشش می‌ده.
📬 عضو خبرنامه شو!
اگر دنبال یادگیری کاربردی، پروژه‌محور و تخصصی در حوزه علم داده هستی، همین حالا عضو خبرنامه Upgrade4u شو تا هر هفته یک آموزش تازه در ایمیلت باشه.
تمرین و جوابش را هم بذارید لطفا