كيفية استخدام مكتبة NumPy لإجراء العمليات الحسابية في Python

تمت الكتابة بواسطة: عبد الحكيم

تارخ آخر تحديث: 10 سبتمبر 2024

محتوى المقال

ما هي مكتبة NumPy؟
إعداد البيئة وتثبيت NumPy
إنشاء المصفوفات في NumPy
إجراء العمليات الحسابية على المصفوفات
التعامل مع المصفوفات متعددة الأبعاد
إجراء العمليات الإحصائية باستخدام NumPy
الخلاصة

كيفية استخدام مكتبة NumPy لإجراء العمليات الحسابية في Python

تُعد مكتبة NumPy من أقوى المكتبات المستخدمة في Python لتحليل البيانات وإجراء العمليات الحسابية المتقدمة. توفر NumPy أدوات متعددة للتعامل مع المصفوفات (arrays) والعمليات الرياضية عليها بكفاءة عالية. في هذا المقال، سنتعرف على كيفية استخدام NumPy لإنشاء المصفوفات وإجراء العمليات الحسابية المختلفة عليها.

ما هي مكتبة NumPy؟

NumPy هي مكتبة مفتوحة المصدر تُستخدم في Python لتوفير دعم شامل للمصفوفات والعمليات الرياضية المتقدمة. تمثل المصفوفات الأساس في التعامل مع البيانات في NumPy، مما يجعلها أداة قوية لتحليل البيانات ومعالجة الأرقام.

لماذا نستخدم NumPy؟

تُسهل التعامل مع المصفوفات متعددة الأبعاد وإجراء العمليات الحسابية عليها بسرعة وكفاءة.
تدعم NumPy مجموعة واسعة من الدوال الرياضية المتقدمة.
تتكامل بشكل ممتاز مع مكتبات Python الأخرى مثل Pandas وMatplotlib.

إعداد البيئة وتثبيت NumPy

قبل البدء في استخدام NumPy، نحتاج إلى تثبيتها في بيئة Python الخاصة بنا. يمكن تثبيت المكتبة باستخدام pip:


            $ pip install numpy

إنشاء المصفوفات في NumPy

المصفوفات هي الأساس في NumPy، حيث يتم استخدامها لتخزين البيانات في شكل منظم. يمكن إنشاء المصفوفات باستخدام دالة array():

إنشاء مصفوفة أحادية الأبعاد


            import numpy as np


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

            print(arr)

في هذا المثال، نقوم بإنشاء مصفوفة أحادية الأبعاد تحتوي على خمسة عناصر. يمكننا طباعة المصفوفة لمشاهدة القيم المخزنة فيها.

إنشاء مصفوفة متعددة الأبعاد

يمكن أيضًا إنشاء مصفوفات ثنائية أو ثلاثية الأبعاد باستخدام NumPy:


            arr_2d = np.array([[1, 2, 3], [4, 5, 6]])

            print(arr_2d)

في هذا المثال، نقوم بإنشاء مصفوفة ثنائية الأبعاد تحتوي على صفين وثلاثة أعمدة.

إنشاء مصفوفات خاصة

NumPy يوفر دوال لإنشاء مصفوفات خاصة مثل مصفوفة الصفر، مصفوفة الواحدات، ومصفوفة ذات أعداد عشوائية:


            zeros = np.zeros((2, 3))

            print(zeros)


            ones = np.ones((2, 3))

            print(ones)


            randoms = np.random.random((2, 3))

            print(randoms)

في هذا المثال، نقوم بإنشاء مصفوفة مكونة من الأصفار، مصفوفة مكونة من الواحدات، ومصفوفة تحتوي على أعداد عشوائية.

إجراء العمليات الحسابية على المصفوفات

تُعد العمليات الحسابية الأساسية مثل الجمع، الطرح، الضرب، والقسمة من بين الوظائف الرئيسية التي يمكن إجراؤها على المصفوفات باستخدام NumPy.

الجمع والطرح

يمكنك بسهولة جمع أو طرح مصفوفتين باستخدام العمليات الحسابية القياسية:


            arr1 = np.array([1, 2, 3])

            arr2 = np.array([4, 5, 6])


            sum_arr = arr1 + arr2

            print(sum_arr)  # الناتج: [5, 7, 9]


            diff_arr = arr1 arr2

            print(diff_arr)  # الناتج: [-3, -3, -3]

في هذا المثال، نقوم بجمع وطرح مصفوفتين. يتم تنفيذ العمليات على العناصر المقابلة في المصفوفات.

الضرب والقسمة

يمكن أيضًا إجراء عمليات الضرب والقسمة على المصفوفات:


            product_arr = arr1 * arr2

            print(product_arr)  # الناتج: [4, 10, 18]


            div_arr = arr1 / arr2

            print(div_arr)  # الناتج: [0.25, 0.4, 0.5]

في هذا المثال، نقوم بضرب وقسمة العناصر المقابلة في مصفوفتين.

العمليات الحسابية المتقدمة

تقدم مكتبة NumPy العديد من الدوال الرياضية المتقدمة مثل الجذر التربيعي، اللوغاريتمات، والدوال المثلثية:


            sqrt_arr = np.sqrt(arr1)

            print(sqrt_arr)  # الناتج: [1.0, 1.414, 1.732]


            log_arr = np.log(arr1)

            print(log_arr)  # الناتج: [0.0, 0.693, 1.099]


            sin_arr = np.sin(arr1)

            print(sin_arr)  # الناتج: [0.841, 0.909, 0.141]

في هذا المثال، نقوم بحساب الجذر التربيعي، اللوغاريتم الطبيعي، ودالة الجيب للمصفوفة arr1.

التعامل مع المصفوفات متعددة الأبعاد

يدعم NumPy المصفوفات متعددة الأبعاد، مما يتيح لك تنفيذ العمليات الحسابية على المصفوفات ذات الأبعاد المختلفة بسهولة.

العمليات على مصفوفات ثنائية الأبعاد

يمكن إجراء العمليات الحسابية على مصفوفات ثنائية الأبعاد بنفس الطريقة التي نقوم بها مع المصفوفات أحادية الأبعاد:


            arr_2d_1 = np.array([[1, 2], [3, 4]])

            arr_2d_2 = np.array([[5, 6], [7, 8]])


            sum_2d = arr_2d_1 + arr_2d_2

            print(sum_2d)  # الناتج: [[6, 8], [10, 12]]


            prod_2d = arr_2d_1 * arr_2d_2

            print(prod_2d)  # الناتج: [[5, 12], [21, 32]]

في هذا المثال، نقوم بجمع وضرب مصفوفتين ثنائيتين الأبعاد.

التنقل في المصفوفات متعددة الأبعاد

يمكنك التنقل داخل المصفوفات متعددة الأبعاد باستخدام الفهارس:


            element = arr_2d_1[0, 1]

            print(element)  # الناتج: 2


            row = arr_2d_1[1, :]

            print(row)  # الناتج: [3, 4]

في هذا المثال، نقوم بالوصول إلى عنصر واحد من المصفوفة، وكذلك استخراج صف كامل.

إجراء العمليات الإحصائية باستخدام NumPy

تقدم NumPy مجموعة من الدوال الإحصائية التي تسهل حساب المتوسطات، الانحرافات المعيارية، والمجاميع.

حساب المتوسط

يمكنك حساب المتوسط لأي مصفوفة باستخدام دالة mean():


            mean_value = np.mean(arr)

            print(mean_value)  # الناتج: 3.0

حساب الانحراف المعياري

يمكنك حساب الانحراف المعياري باستخدام دالة std():


            std_value = np.std(arr)

            print(std_value)  # الناتج: 1.414

حساب المجموع

يمكنك حساب مجموع العناصر في مصفوفة باستخدام دالة sum():


            sum_value = np.sum(arr)

            print(sum_value)  # الناتج: 15

الخلاصة

تُعد مكتبة NumPy أداة قوية ومرنة لإجراء العمليات الحسابية المتقدمة في Python. سواء كنت بحاجة إلى التعامل مع المصفوفات متعددة الأبعاد، إجراء العمليات الرياضية الأساسية، أو استخدام الدوال الإحصائية المتقدمة، فإن NumPy توفر لك كل ما تحتاجه لإجراء هذه العمليات بكفاءة عالية. بمجرد أن تتقن استخدام NumPy، ستجد أنها أداة لا غنى عنها في تحليل البيانات ومعالجتها.