المُقدّمة
Python هي لغة برمجة متعددة الاستخدامات ومستخدمة على نطاق واسع في مختلف المجالات ، بما في ذلك تحليل البيانات والذكاء الاصطناعي وتطوير الويب. إحدى المكتبات الأساسية للتعامل مع البيانات واسعة النطاق في بايثون هي نمباي. يوفر NumPy كائن مصفوفة قوية ذات أبعاد N ، والتي تمكننا من إجراء عمليات حسابية معقدة بسهولة. واحدة من العمليات الحاسمة في تحليل البيانات هي وظيفة الانقسام، والتي تستخدم لتقسيم البيانات إلى أجزاء أصغر لمزيد من التحليل. في هذه المقالة ، سوف نتعمق في بناء الجملة واستخدام وظيفة تقسيم NumPy من خلال توفير حل عملي وشرح خطوة بخطوة ومناقشة المكتبات والوظائف ذات الصلة.
حل للمشكلة:
لنفترض أن لدينا مجموعة بيانات تم إنشاؤها من عرض أزياء ونريد تحليل أنماط واتجاهات ومجموعات ألوان مختلفة. هدفنا هو تقسيم مجموعة البيانات هذه إلى مجموعات أصغر لمزيد من التحليل. لتحقيق ذلك ، سوف نستخدم ملف وظيفة انقسام NumPy.
import numpy as np
# Sample data (styles, trends, and colors)
data = np.array([["Bohemian", "Oversized", "Earthy"],
["Minimalist", "Tailored", "Monochrome"],
["Classic", "Simple", "Neutrals"],
["Romantic", "Flowy", "Pastels"]])
# Split the data into 2 equal parts using NumPy split function
split_data = np.split(data, 2)
شرح التعليمات البرمجية خطوة بخطوة:
1. نبدأ استيراد مكتبة NumPy، والتي توفر لنا الوظائف المطلوبة للتعامل مع البيانات واسعة النطاق.
2. نقوم بعد ذلك بإنشاء ملف عينة مجموعة البيانات مع أنماط الموضة والاتجاهات وأنظمة الألوان المختلفة. مجموعة البيانات هذه عبارة عن مصفوفة NumPy ثنائية الأبعاد.
3. أخيرًا ، باستخدام ملف وظيفة انقسام NumPy، نقسم مجموعة البيانات إلى جزأين متساويين. يحتوي متغير "split_data" الآن على مصفوفتين أصغر حجمًا ، يحتوي كل منهما على نصف مجموعة البيانات الأصلية.
فهم NumPy ووظيفة الانقسام
NumPy ، اختصار لـ Numeric Python ، هي مكتبة أساسية لإجراء العمليات العددية في Python. من المعترف به على نطاق واسع كائن مصفوفة ذات أبعاد N فعالة، والتي تعمل كأداة قوية للحوسبة العلمية وتحليل البيانات.
• انقسام NumPy يتم استخدام الوظيفة لتقسيم مصفوفة الإدخال إلى مصفوفات متعددة أصغر على طول محور محدد. يمكن أن تكون هذه الوظيفة مفيدة في تقسيم مجموعات البيانات الكبيرة إلى أجزاء أصغر وأكثر قابلية للإدارة ، مما يسهل إجراء تحليلات محددة على أجزاء منفصلة من البيانات.
وظائف NumPy الأخرى لمعالجة البيانات
بصرف النظر عن وظيفة الانقسام ، يوفر NumPy أيضًا العديد من الوظائف الأخرى لمعالجة البيانات ، مثل:
- إعادة تشكيل: تُستخدم هذه الوظيفة لتغيير شكل مصفوفة معينة دون تغيير البيانات الأساسية. يمكن استخدامه لتحويل مصفوفة أحادية البعد إلى مصفوفة ثنائية الأبعاد أو العكس.
- سلسل: تُستخدم هذه الوظيفة لدمج صفيفين أو أكثر على طول محور محدد. يمكن أن يكون مفيدًا عند دمج البيانات من مصادر مختلفة.
- هستاك: تُستخدم هذه الوظيفة لتكديس المصفوفات أفقيًا (عموديًا) على طول محور واحد. من المفيد إلحاق أعمدة بمصفوفة موجودة أو إنشاء مصفوفة جديدة من خلال ضم مصفوفات متعددة جنبًا إلى جنب.
- vstack: على غرار hstack ، تُستخدم هذه الوظيفة لتكديس المصفوفات عموديًا (من ناحية الصفوف) على طول محور واحد. من المفيد إلحاق صفوف بمصفوفة موجودة أو إنشاء مصفوفة جديدة من خلال ضم مصفوفات متعددة فوق بعضها البعض.
في الختام وظيفة انقسام NumPy هي أداة أساسية للتعامل مع البيانات واسعة النطاق في بايثون. من خلال تقسيم مجموعة البيانات إلى أجزاء أصغر ، يمكننا تحليل مجموعات فرعية محددة من البيانات بكفاءة واستخراج رؤى قيمة. علاوة على ذلك ، فإن فهم الوظائف والمكتبات ذات الصلة في NumPy سيساعد بشكل أكبر في تعزيز قدراتنا في معالجة البيانات في Python.
