Из-за периодической блокировки нашего сайта РКН сервисами, просим воспользоваться резервным адресом:
Загрузить через dTub.ru Загрузить через ycliper.com Загрузить через ClipSaver.ruУ нас вы можете посмотреть бесплатно جلسه سیزدهم از کتاب مرجع علم داده با استفاده از زبان پایتون или скачать в максимальном доступном качестве, которое было загружено на ютуб. Для скачивания выберите вариант из формы ниже:
Роботам не доступно скачивание файлов. Если вы считаете что это ошибочное сообщение - попробуйте зайти на сайт через браузер google chrome или mozilla firefox. Если сообщение не исчезает - напишите о проблеме в обратную связь. Спасибо.
Если кнопки скачивания не
загрузились
НАЖМИТЕ ЗДЕСЬ или обновите страницу
Если возникают проблемы со скачиванием, пожалуйста напишите в поддержку по адресу внизу
страницы.
Спасибо за использование сервиса savevideohd.ru
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