توابع جمع‌بندی در NumPy: ابزارهای قدرتمند تحلیل داده
در دنیای تحلیل داده‌ها، توابع جمع‌بندی (Aggregate Functions) نقش حیاتی در خلاصه‌سازی و استخراج اطلاعات از مجموعه‌داده‌های بزرگ دارند. کتابخانه NumPy در پایتون با ارائه توابع بهینه‌شده، محاسبات ریاضی روی آرایه‌ها را به شدت تسهیل می‌کند.
توابع پایه‌ای جمع‌بندی
سه تابع اصلی که هر تحلیل‌گر داده باید با آنها آشنا باشد عبارتند از:
- جمع کل (sum): مجموع تمام عناصر آرایه
- میانگین (mean): مقدار متوسط داده‌ها
- ماکزیمم (max): بزرگترین مقدار در مجموعه
| تابع |
توضیح |
مثال |
| np.sum() |
محاسبه مجموع عناصر |
np.sum([1,2,3]) → 6 |
| np.mean() |
محاسبه میانگین |
np.mean([1,2,3]) → 2 |
| np.max() |
یافتن بزرگترین مقدار |
np.max([1,2,3]) → 3 |
کاربردهای پیشرفته
این توابع در تحلیل‌های پیچیده‌تر نیز کاربرد دارند. برای مثال می‌توانید محاسبات را در امتداد محورهای خاصی از آرایه‌های چندبعدی انجام دهید:
مثال: محاسبه میانگین ستون‌های یک ماتریس 2 بعدی با استفاده از axis=0
برای یادگیری عمیق‌تر این مفاهیم، می‌توانید مشاهده کنید.
نکات کلیدی عملکرد
- توابع NumPy بهینه‌شده هستند و سرعت بسیار بالاتری نسبت به حلقه‌های پایتون دارند
- می‌توانند روی آرایه‌های با ابعاد مختلف اعمال شوند
- از محاسبات برداری (Vectorized Operations) پشتیبانی می‌کنند
توجه: هنگام کار با داده‌های حجیم، استفاده از این توابع می‌تواند تفاوت چشمگیری در زمان اجرای کد ایجاد کند.
