آموزش numpy | عملیات ترکیبی با آرایه ها

افزودن آرایه به آرایه

افزودن آرایه به آرایه یکی از عملیات رایج در numpy است که به شما اجازه می‌دهد تا عناصر دو آرایه را با هم ترکیب کنید. این کار می‌تواند به صورت عمودی (ستونی) یا افقی (ردیفی) انجام شود. در numpy، این عملیات با استفاده از تابع np.add() یا عملگر + انجام می‌شود.

1. افزودن آرایه‌ها به صورت عنصر به عنصر

اگر دو آرایه با ابعاد یکسان داشته باشید، می‌توانید آن‌ها را به صورت عنصر به عنصر جمع کنید. به عنوان مثال:

import numpy as np

# ایجاد دو آرایه
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

# افزودن آرایه‌ها
result = arr1 + arr2
print(result)

خروجی این کد به صورت زیر خواهد بود:

[5 7 9]

در اینجا، هر عنصر از arr1 با عنصر متناظر خود در arr2 جمع شده است.

2. افزودن آرایه‌ها در ابعاد مختلف

اگر ابعاد دو آرایه متفاوت باشد، numpy به طور خودکار آرایه‌ها را به ابعاد سازگار تبدیل می‌کند (این کار به نام "پخش" یا broadcasting شناخته می‌شود). به عنوان مثال:

import numpy as np

# ایجاد یک آرایه 1 بعدی
arr1 = np.array([1, 2, 3])

# ایجاد یک آرایه 2 بعدی
arr2 = np.array([[4], [5], [6]])

# افزودن آرایه‌ها
result = arr1 + arr2
print(result)

خروجی این کد به صورت زیر خواهد بود:

[[5 6 7]
 [6 7 8]
 [7 8 9]]

در اینجا، آرایه arr1 به صورت عمودی به آرایه arr2 اضافه شده و هر عنصر از arr1 به هر سطر از arr2 اضافه شده است.

3. استفاده از تابع np.add()

شما همچنین می‌توانید از تابع np.add() برای افزودن آرایه‌ها استفاده کنید. این تابع مشابه عملگر + عمل می‌کند، اما به شما این امکان را می‌دهد که پارامترهای اضافی مانند out (برای ذخیره نتیجه در یک آرایه دیگر) را مشخص کنید:

import numpy as np

# ایجاد دو آرایه
arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])

# افزودن آرایه‌ها با استفاده از np.add()
result = np.add(arr1, arr2)
print(result)

خروجی این کد نیز به صورت زیر خواهد بود:

[5 7 9]

نتیجه‌گیری

افزودن آرایه‌ها در numpy یک عملیات ساده و قدرتمند است که می‌تواند به شما کمک کند تا به راحتی داده‌ها را ترکیب کنید. با استفاده از عملگر + یا تابع np.add()، می‌توانید آرایه‌ها را به صورت عنصر به عنصر یا با استفاده از پخش در ابعاد مختلف جمع کنید. این قابلیت به ویژه در تحلیل داده‌ها و محاسبات علمی بسیار مفید است.