Python Arrays

در پایتون برای کار با آرایه‌ها (Arrays) می‌توان از دو روش اصلی استفاده کرد:

1️⃣ استفاده از لیست‌ها (Lists)

در بسیاری از زبان‌های دیگر «آرایه» نوع دادهٔ مخصوص دارد، اما در پایتون لیست پرکاربردترین جایگزین است.
لیست‌ها می‌توانند انواع مختلف داده را نگه دارند.

ساخت یک لیست شبیه آرایه

numbers = [1, 2, 3, 4, 5] print(numbers[0]) # دسترسی به عنصر اول → 1

تغییر مقدار

numbers[1] = 20 print(numbers) # [1, 20, 3, 4, 5]

پیمایش

for x in numbers: print(x)

افزودن و حذف

numbers.append(6) # افزودن به انتها numbers.remove(3) # حذف اولین عنصر با مقدار 3 print(numbers) # [1, 20, 4, 5, 6]

لیست‌ها برای بیشتر کارهای روزمرهٔ «آرایه‌ای» کافی هستند.

2️⃣ استفاده از ماژول array

وقتی به آرایه‌ای از یک نوع دادهٔ مشخص و بهینه‌تر از نظر حافظه نیاز داریم، می‌توان از ماژول داخلی array استفاده کرد.

ایجاد آرایه

import array # 'i' یعنی نوع عدد صحیح (int) nums = array.array('i', [1, 2, 3, 4, 5]) print(nums)

افزودن و حذف

nums.append(6) nums.remove(3) print(nums) # array('i', [1, 2, 4, 5, 6])

دسترسی به عناصر

print(nums[0]) # 1 nums[2] = 10 print(nums) # array('i', [1, 2, 10, 5, 6])

کدهای نوع (type codes) رایج:

  • 'i' : عدد صحیح (int)

  • 'f' : عدد اعشاری (float)

  • 'd' : اعشاری با دقت بالا (double)

🔹 تفاوت لیست و array.array

ویژگیلیستarray.array
نوع عناصرمی‌تواند انواع مختلف باشدفقط یک نوع داده مشخص
بهینه‌سازی حافظهمعمولیحافظه کمتر برای داده‌های یکنواخت
توابع و متدهامتنوعمحدودتر

3️⃣ کتابخانه‌های تخصصی (مثل NumPy)

برای محاسبات علمی و کار با آرایه‌های چندبعدی، NumPy استاندارد است:

import numpy as np arr = np.array([1, 2, 3, 4]) print(arr * 2) # [2 4 6 8]

NumPy امکانات گسترده‌ای برای کار با آرایه‌های بزرگ و عملیات ریاضی پیچیده فراهم می‌کند.

💡 تمرین‌های پیشنهادی

  1. آرایه‌ای از 5 عدد بساز و میانگین آن‌ها را محاسبه کن.

  2. با استفاده از array.array آرایه‌ای از اعداد صحیح بساز و بیشترین مقدار آن را پیدا کن.

  3. یک آرایه NumPy دوبعدی 3×3 بساز و جمع هر ستون را حساب کن.

✅ خلاصه

  • برای استفاده عمومی: لیست بهترین انتخاب است.

  • برای نوع داده یکنواخت و حافظه کمتر: از array.array استفاده کنید.

  • برای پردازش داده‌های علمی و بزرگ: NumPy گزینهٔ استاندارد است.