روز 3: محاسبات علمی

پایتون دارای یک مجموعه فوق‌العاده از کتابخانه‌ها برای انجام محاسبات علمی است. دو بسته اصلی آن numpy و scipy هستند.

NumPy چیست و چرا برای محاسبات علمی اهمیت دارد؟ NumPy یک پکیج پایتون است که از جمله امکانات دیگر، یک آرایه چندبعدی شیء به نام ndarray ارائه می‌دهد که امکان انجام عملیات سریع روی آرایه‌ها را فراهم می‌کند. NumPy به زبان برنامه‌نویسی C نوشته شده است که به کتابخانه امکان استفاده از سرعت C برای عملیات برداری سریع را می‌دهد. به جای استفاده از حلقه‌های کند، هر کجا که امکان دارد، همیشه عملیات خود را با استفاده از NumPy برداری کنید.

NumPy همچنین اساس یا به طور گسترده توسط بسته‌های دیگری مانند scipy و scikit-learn استفاده می‌شود، بنابراین درک قوی از NumPy برای استفاده از بسته‌های دیگر مفید است.

scipy یک بسته است که بسیاری از روش‌های عددی کارآمد مانند انتگرال عددی، بهینه‌سازی، جبر خطی و روش‌های آماری را فراهم می‌کند. هر چند که برای محاسبات علمی مفید است، اما در برنامه Fellowship زیاد از scipy استفاده نخواهیم کرد.

منابع

1. یک آموزش عالی درباره NumPy.
2. اگر علاقه دارید ویدئوها را بپذیرید، این ویدئو را تماشا کنید و با کد Github آن همراه شوید.
3. برای کسانی که با MATLAB آشنا هستند، در اینجا راهنمایی برای ترجمه دانش MATLAB خود به NumPy می باشد.

گام های پیش رو

1. اطمینان حاصل کنید که چگونه یک آرایه در numpy ایجاد کنید. این کار را می‌توانید با استفاده از تابع array، zeros و ones برای آرایه‌های پیش‌فراخوانده با اندازه‌های داده شده و توابع arange و linspace برای دنباله‌ها انجام دهید.
2. چندین آرایه NumPy ایجاد کنید، آن‌ها را با عملیات ابتدایی تغییر دهید و برخی از توابع یکپارچه NumPy را امتحان کنید.
3. تمرین‌های یک ستاره و تعدادی از تمرین‌های دو ستاره را از صفحه تمرین‌های NumPy 100 انجام دهید.