جلسه سیزدهم از کتاب مرجع علم داده با استفاده از زبان پایتون

Описание: جلسه سیزدهم از کتاب مرجع علم داده با استفاده از زبان پایتون

قسمتی از ترجمه کتاب صرفا با گوگل ترنسلیت تا در نتیجه جستجوی کاربران بیاید:


محاسبه بر روی آرایه های NumPy: توابع جهانی
تا به حال، ما در مورد برخی از مهره ها و پیچ های اصلی NumPy بحث کرده ایم. که در
در چند بخش بعدی، به دلایل اهمیت NumPy در این زمینه خواهیم پرداخت
دنیای علم داده پایتون یعنی یک رابط آسان و انعطاف پذیر برای بهینه سازی فراهم می کند
محاسبات کوچک شده با آرایه های داده
محاسبات در آرایه های NumPy می تواند بسیار سریع باشد یا می تواند بسیار کند باشد. کلید به
سریع کردن آن استفاده از عملیات برداری است که معمولاً از طریق Num- پیاده سازی می شود.
توابع جهانی Py (ufuncs). این بخش نیاز به ufunc های NumPy را تحریک می کند،
که می تواند برای انجام محاسبات مکرر روی عناصر آرایه بسیار کارآمدتر استفاده شود.
دانشمند سپس بسیاری از رایج ترین و مفیدترین ufunc های حسابی را معرفی می کند
در بسته NumPy موجود است.
کندی حلقه ها
پیاده سازی پیش فرض پایتون (معروف به CPython) برخی از عملیات ها را بسیار انجام می دهد
به آرامی این تا حدی به دلیل ماهیت پویا و تفسیر شده زبان است: واقعیت
که انواع منعطف هستند، به طوری که دنباله ای از عملیات را نمی توان کامپایل کرد
کد ماشین کارآمد مانند زبان هایی مانند C و Fortran. اخیرا وجود داشته است
تلاش های مختلفی برای رفع این ضعف: نمونه های شناخته شده پروژه PyPy،
یک پیاده سازی به موقع کامپایل شده از پایتون. پروژه Cython، که
کد پایتون را به کد C قابل کامپایل تبدیل می کند. و پروژه Numba که تبدیل می کند
تکه هایی از کد پایتون به بایت کد سریع LLVM. هر کدام از اینها نقاط قوت خود را دارند و
نقاط ضعف، اما به جرات می توان گفت که هیچ یک از این سه رویکرد هنوز پیشی نگرفته است
دسترسی و محبوبیت موتور استاندارد CPython.
کندی نسبی پایتون به طور کلی در شرایطی خود را نشان می دهد
بسیاری از عملیات های کوچک در حال تکرار هستند - برای مثال، حلقه زدن روی آرایه ها برای عملگر
50 | فصل 2: ​​مقدمه ای بر NumPy
روی هر عنصر خورد. به عنوان مثال، تصور کنید که ما مجموعه ای از مقادیر را داریم و می خواهیم
متقابل هر کدام را محاسبه کنید. یک رویکرد ساده ممکن است به این شکل باشد