نمباي (بالإنجليزية: نمباي) هي إضافة على لغة البرمجة بايثون، تٌستخدم للتعامل مع المصفوفات الكبيرة والحقول متعددة المستوى، وكذلك توفر مكتبة كبيرة من الاقترانات الرياضية عالية المستوى للعمل على هذه الحقول والمصفوفات. فكرة نمباي جاءت من الإضافة جيم هوغنن والتي كانت في الأساس مطورة من قِبَل جيم هيوجيونين. وفي عام 2005 قام ترافياس أوليفانت بإنشاء نمباي بميزات ال Numeric وبإضافات واسعة عليها. يٌذكر أن نمباي هي من البرمجيات مفتوحة المصدر.
| نوع | |
|---|---|
| نظام التشغيل | |
| موقع الويب |
| المطور الأصلي |
Travis Oliphant |
|---|---|
| المطورون |
Community project |
| لغة البرمجة | |
| الإصدار الأول |
Numeric, 1995; NumPy, 2006 |
| الإصدار الأخير |
1.9.2 |
| المستودع | |
| الرخصة |
الخواص
نمباي يقوم بتنفيذ أوامره من خلال مترجم سي بايثون، وبالتالي فإن الخوارزميات الرياضية المكتوبة بهذا الإصدار من بايثون غالباً يتم تنفيذها بشكل أبطأ. يقوم نمباي بالتغلب على هذه المشكلة من خلال تزويد حقول متعددة المستوى وإقترانات تتعامل بكفائة مع هذه الحقول. لذلك فإن أي خوارزمية يمكن كتابتها على شكل إقتران على مصفوفات أو حقول متعددة المستوى، يمكن أن تتم بنفس السرعة كما لو أنها مكتوبة بلغة سي. استخدام نمباي في بايثون يعطي وظائف مماثلة مثل الوظائف الموجودة في ماتلاب، وكلاهما يسمح للمستخدم بكتابة برامج بسرعة، لطالما أن هذه البرامج تعمل على الحقول أو المصفوفات.
الحقول متعددة المستويات ndarray
الجوهر الأساسي لنمباي هي الحقول متعددة المستويات (ndarray: n-dimensional array). بالمقارنة مع الحقول الموجودة مسبقاً في بايثون (محتوياتها ليست من نفس النوع)، فإن ال ndarray تحوي على محتويات من نفس النوع(مثلاً عدد صحيح أو نص).
أمثلة
إنشاء حقل
>>> import numpy as np >>> x = np.array([1, 2, 3]) >>> x array([1, 2, 3]) >>> y = np.arange(10) # مثل الاقتران نفسه في بايثون ولكن يعطي حقل كمٌخرج >>> y array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
العمليات الأساسية
>>> a = np.array([1, 2, 3, 6]) >>> b = np.linspace(0, 2, 4) # يقوم بإنشاء حقل من أربع نقاط تبدأ ب 0 وتنتهي ب 2 >>> c = a - b >>> c array([ 1. , 1.33333333, 1.66666667, 4. ]) >>> a**2 array([ 1, 4, 9, 36])
إقترانات
>>> a = np.linspace(-np.pi, np.pi, 100) >>> b = np.sin(a) >>> c = np.cos(a)
جبر خطي
>>> from numpy.random import rand >>> from numpy.linalg import solve, inv >>> a = np.array([[1, 2, 3], [3, 4, 6.7], [5, 9.0, 5]]) >>> a.transpose() array([[1. , 3. , 5. ], [ 2. , 4. , 9. ], [ 3. , 6.7, 5.]]) >>> inv(a) array([[-2.27683616, 0.96045198, 0.07909605], [ 1.04519774, -0.56497175, 0.1299435 ], [ 0.39548023, 0.05649718, -0.11299435]]) >>> b = np.array([3, 2, 1]) >>> solve(a, b) # solve the equation ax = b array([-4.83050847, 2.13559322, 1.18644068]) >>> c = rand(3, 3) # create a 3x3 random matrix >>> c array([[3.98732789, 2.47702609, 4.71167924], [ 9.24410671, 5.5240412 , 10.6468792 ], [ 10.38136661, 8.44968437, 15.17639591]]) >>> np.dot(a, c) # matrix multiplication array([[3.98732789, 2.47702609, 4.71167924], [ 9.24410671, 5.5240412 , 10.6468792 ], [ 10.38136661, 8.44968437, 15.17639591]])
قراءة إضافية
- Bressert, Eli (2012). Scipy and Numpy: An Overview for Developers. O'Reilly Media. .