ساخت توابع سفارشی ufunc در NumPy
در کتابخانه NumPy، توابع جهانی (Universal Functions یا ufunc) نقش حیاتی در انجام عملیات برداری روی آرایه‌ها دارند. این توابع امکان اعمال عملیات ریاضی و منطقی را به صورت مؤثر روی تمام عناصر آرایه فراهم می‌کنند. اما گاهی نیاز داریم توابع سفارشی خود را ایجاد کنیم که دقیقاً مطابق نیازهای محاسباتی ما عمل کنند.
چرا توابع سفارشی ufunc؟
توابع پیش‌فرض NumPy مانند add یا multiply کاربردهای عمومی دارند، اما در موارد زیر نیاز به توابع سفارشی داریم:
- پیاده‌سازی الگوریتم‌های خاص ریاضی
- اعمال تبدیل‌های غیرخطی پیچیده
- بهینه‌سازی محاسبات برای سخت‌افزار خاص
- ایجاد توابع ترکیبی از عملیات موجود
روش‌های ساخت ufunc سفارشی
NumPy دو روش اصلی برای ساخت توابع سفارشی ارائه می‌دهد:
| روش |
کاربرد |
مزایا |
| از طریق vectorize |
تبدیل توابع پایتون به ufunc |
سادگی پیاده‌سازی |
| استفاده از frompyfunc |
ساخت ufunc از پایه |
انعطاف‌پذیری بیشتر |
مثال عملی با vectorize
فرض کنید می‌خواهیم تابعی بسازیم که مربع عدد را محاسبه و سپس 10 واحد به آن اضافه کند:
import numpy as np
def custom_func(x):
return x**2 + 10
vectorized_func = np.vectorize(custom_func)
result = vectorized_func(np.array([1, 2, 3]))
print(result) # خروجی: [11 14 19]
بهینه‌سازی عملکرد ufunc
برای بهبود عملکرد توابع سفارشی، این نکات را در نظر بگیرید:
- تا حد امکان از حلقه‌های پایتون در تابع اصلی پرهیز کنید
- از عملیات برداری NumPy در تعریف تابع استفاده نمایید
- برای محاسبات سنگین، گزینه‌های کامپایل شده مانند Numba را بررسی کنید
- توابع را برای انواع داده‌های مختلف تست و بهینه نمایید
برای یادگیری عمیق‌تر درباره توابع جهانی NumPy، می‌توانید از راهنمای بازدید کنید استفاده نمایید.
نتیجه‌گیری
ساخت توابع سفارشی ufunc در NumPy امکان ایجاد عملیات محاسباتی اختصاصی را فراهم می‌کند. با انتخاب روش مناسب (vectorize یا frompyfunc) و رعایت اصول بهینه‌سازی، می‌توانید محاسبات پیچیده را با کارایی بالا انجام دهید. این قابلیت به ویژه در حوزه‌های علمی، مهندسی و تحلیل داده‌ها ارزشمند است.
توجه: همیشه قبل از استفاده از توابع سفارشی در داده‌های واقعی، آن‌ها را روی نمونه‌های کوچک تست کنید.
