12.3.1. math
Table of Contents
آشنایی عملی با کتابخانهٔ `math`
در این بخش با مهمترین قابلیتهای کتابخانهٔ استاندارد math در پایتون آشنا میشویم. این کتابخانه برای کار با محاسبات ریاضی «واقعی» (روی اعداد اعشاری float) طراحی شده است.
برای استفاده از آن باید در ابتدای فایل بنویسید:
import mathیا میتوانید فقط تابعهای خاص را وارد کنید:
from math import sqrt, pi
(تفاوت شیوههای import در فصل «وارد کردن ماژولها» توضیح شده است.)
ثابتهای مهم در `math`
کتابخانهٔ math چند مقدار ثابت پرکاربرد را در اختیار شما میگذارد:
math.pi— عدد πmath.e— عدد $e$ (پایهٔ لگاریتم طبیعی)
مثال:
import math
print(math.pi) # 3.1415926535...
print(math.e) # 2.7182818284...از این ثابتها معمولاً در فرمولهای هندسی و محاسبات علمی استفاده میشود، مثلاً مساحت دایره:
$$
\text{area} = \pi r^2
$$
import math
r = 5
area = math.pi * (r ** 2)
print(area)ریشهٔ دوم و توانها
`math.sqrt(x)` — ریشهٔ دوم
تابع sqrt ریشهٔ دوم عدد غیرمنفی را برمیگرداند:
import math
print(math.sqrt(9)) # 3.0
print(math.sqrt(2)) # 1.4142135...اگر عدد منفی بدهید، خطا میگیرید:
math.sqrt(-1) # ValueError`math.pow(x, y)` در برابر عملگر `**`
هر دو برای توان استفاده میشوند:
x ** y— عملگر خود پایتونmath.pow(x, y)— نسخهٔ کتابخانهٔmath(خروجی همیشهfloatاست)
import math
print(2 ** 3) # 8
print(math.pow(2, 3)) # 8.0 (float)
در برنامههای معمولی، استفاده از ** کافی است؛ math.pow بیشتر در کدی استفاده میشود که از قبل بر پایهٔ math نوشته شده است.
گرد کردن و کار با کف و سقف
پایتون یک تابع round داخلی دارد، اما math توابع خاصتری ارائه میدهد:
`math.floor(x)` — کف (بزرگترین عدد صحیح کوچکتر یا مساوی)
import math
print(math.floor(3.9)) # 3
print(math.floor(-1.2)) # -2`math.ceil(x)` — سقف (کوچکترین عدد صحیح بزرگتر یا مساوی)
import math
print(math.ceil(3.1)) # 4
print(math.ceil(-1.2)) # -1
تفاوت در اعداد منفی مهم است؛ floor همیشه به سمت «پایین» روی خط اعداد میرود و ceil به سمت «بالا».
قدر مطلق و علامت
تابع داخلی abs در خود پایتون وجود دارد، اما math هم تابع کمکی دارد:
abs(x)— قدر مطلق (تابع داخلی پایتون)math.fabs(x)— نسخهٔmath(خروجی همیشهfloat)
import math
print(abs(-5)) # 5
print(math.fabs(-5)) # 5.0
در بیشتر مواقع abs کافی است.
توابع مثلثاتی
اگر با مثلثات آشنا هستید، math توابع استاندارد زیر را فراهم میکند:
math.sin(x)— سینوسmath.cos(x)— کسینوسmath.tan(x)— تانژانت
نکتهٔ مهم: ورودی این توابع بر حسب رادیان است، نه درجه.
تبدیل درجه و رادیان
math.radians(deg)— تبدیل درجه به رادیانmath.degrees(rad)— تبدیل رادیان به درجه
مثال:
import math
angle_deg = 30
angle_rad = math.radians(angle_deg)
print(math.sin(angle_rad)) # تقریباً 0.5
# برعکس
rad = math.pi / 2
print(math.degrees(rad)) # 90.0لگاریتمها
کتابخانهٔ math انواع مختلف لگاریتم را پشتیبانی میکند:
`math.log(x)` — لگاریتم طبیعی
لگاریتم بر پایهٔ $e$:
import math
print(math.log(math.e)) # تقریباً 1.0`math.log10(x)` — لگاریتم بر پایهٔ ۱۰
import math
print(math.log10(100)) # 2.0`math.log(x, base)` — لگاریتم با پایهٔ دلخواه
import math
print(math.log(8, 2)) # 3.0 (چون 2 به توان 3 میشود 8)ورودی لگاریتم باید مثبت باشد، وگرنه خطا رخ میدهد.
توابع نمایی
`math.exp(x)`
مقدار $e^x$ را حساب میکند:
import math
print(math.exp(1)) # تقریباً 2.718...
print(math.exp(2)) # تقریباً 7.389...
گاهی میتوان از ترکیب exp و log برای محاسبات علمی استفاده کرد.
توابع min/max ویژه: `math.fsum` و `math.prod`
پایتون به طور داخلی sum و از نسخههای جدیدتر math.prod را دارد، اما math یک نسخهٔ دقیقتر از جمع را ارائه میدهد:
`math.fsum(iterable)` — جمع دقیقتر اعداد اعشاری
برای لیستهای بزرگ float، math.fsum نسبت به sum خطای اعشاری کمتری دارد:
import math
numbers = [0.1] * 1000000
print(sum(numbers)) # نتیجه ممکن است کمی خطا داشته باشد
print(math.fsum(numbers)) # نتیجه دقیقتر است`math.prod(iterable)` — حاصلضرب تمام اعضا
import math
nums = [1, 2, 3, 4]
print(math.prod(nums)) # 24تابعهای کمکی مفید
چند تابع عمومی دیگر در math:
`math.factorial(n)` — فاکتوریل
برای عدد صحیح غیرمنفی $n$:
$$
n! = 1 \times 2 \times 3 \times \dots \times n
$$
import math
print(math.factorial(5)) # 120برای اعداد منفی یا اعشاری خطا میدهد.
`math.isfinite(x)`، `math.isinf(x)`، `math.isnan(x)`
این توابع برای بررسی وضعیت عدد به کار میروند (بیشتر در محاسبات خاص با float):
math.isfinite(x)— بررسی «متناهی بودن»math.isinf(x)— بررسی بینهایت بودنmath.isnan(x)— بررسیNaNبودن (Not a Number)
import math
x = float('inf')
y = float('nan')
print(math.isinf(x)) # True
print(math.isnan(y)) # Trueمثالهای کوچک کاربردی با `math`
مثال ۱: محاسبهٔ فاصلهٔ دو نقطه
دو نقطه در صفحه داریم: $(x_1, y_1)$ و $(x_2, y_2)$. فاصلهٔ بین آنها:
$$
d = \sqrt{(x_2 - x_1)^2 + (y_2 - y_1)^2}
$$
import math
x1, y1 = 0, 0
x2, y2 = 3, 4
dx = x2 - x1
dy = y2 - y1
distance = math.sqrt(dx*dx + dy*dy)
print(distance) # 5.0مثال ۲: تبدیل درجه به رادیان و محاسبهٔ سینوس
import math
deg = float(input("زاویه (درجه) را وارد کنید: "))
rad = math.radians(deg)
print("سینوس زاویه:", math.sin(rad))نکات پایانی کار با `math`
mathبا اعداد حقیقی (float) کار میکند، نه با اعداد مختلط؛ برای اعداد مختلط باید از ماژولcmathاستفاده کرد.- بسیاری از کارهای ساده را بدون
mathهم میتوان انجام داد (مثلاً توان با**، قدر مطلق باabs)، اما برای توابع مثلثاتی، لگاریتم، فاکتوریل و … تقریباً همیشه ازmathاستفاده میشود. - اگر هدف شما «علم داده» یا «محاسبات عددی سنگین» است، در فصلهای بعدی با کتابخانههایی مثل NumPy آشنا میشوید که روی
mathسوار میشوند و امکانات بسیار بیشتری میدهند.
Views: 0
Where to Move
Move chapter:
- ☰ 1. فصل ۱: برنامهنویسی چیست؟
- ☰ 1.1. برنامهٔ کامپیوتری چیست؟
- ☰ 1.2. پایتون چیست؟
- ☰ 1.3. پایتون کجا استفاده میشود؟
- ☰ 1.4. چگونه برنامهنویسی به حل مسائل کمک میکند
- ☰ 1.5. اولین برنامهٔ پایتون شما
-
- ☰ 2. فصل ۲: راهاندازی پایتون
- ☰ 2.1. نصب پایتون (ویندوز / macOS / لینوکس)
- ☰ 2.2. استفاده از پایتون در ترمینال
- ☰ 2.3. استفاده از یک IDE (IDLE / VS Code)
- ☰ 2.4. اجرای اسکریپتهای پایتون
- ☰ 2.5. حالت تعاملی پایتون
-
- ☰ 3. فصل ۳: متغیرها و انواع داده
- ☰ 3.1. متغیر چیست؟
- ☰ 3.2. ایجاد متغیرها
- ☰ 3.3. اعداد (`int`، `float`)
- ☰ 3.4. متن (`str`)
- ☰ 3.5. مقادیر بولی (`True`، `False`)
- ☰ 3.6. بررسی نوع داده با `type()`
-
- ☰ 4. فصل ۴: عملیات پایه
- ☰ 4.1. عملیات حسابی
- ☰ 4.2. کار با اعداد
- ☰ 4.3. عملیات روی رشتهها
- ☰ 4.4. ترکیب متن و متغیرها
- ☰ 4.5. کامنتها در پایتون
-
- ☰ 5. فصل ۵: ورودی و خروجی کاربر
- ☰ 5.1. دریافت ورودی از کاربر
- ☰ 5.2. تبدیل ورودی به عدد
- ☰ 5.3. قالببندی خروجی
- ☰ 5.4. نوشتن برنامههای تعاملی
-
- ☰ 6. فصل ۶: شرطها (if / else)
- ☰ 6.1. عملگرهای مقایسهای
- ☰ 6.2. عملگرهای منطقی
- ☰ 6.3. if، elif، else
- ☰ 6.4. شرطهای تو در تو
- ☰ 6.5. اشتباهات رایج مبتدیان
-
- ☰ 7. فصل ۷: حلقهها
- ☰ 7.1. چرا حلقهها مفید هستند؟
- ☰ 7.2. حلقههای while
- ☰ 7.3. حلقههای for
- ☰ 7.4. شمارندههای حلقه
- ☰ 7.5. break و continue
- ☰ 7.6. تمرینهای حلقه
-
- ☰ 8. فصل ۸: مجموعههای داده
- ☰ 8.1. لیستها (Lists)
- ☰ 8.2. تاپلها (Tuples)
- ☰ 8.3. دیکشنریها (Dictionaries)
- ☰ 8.4. مجموعهها (Sets – مقدماتی)
- ☰ 8.5. انتخاب ساختار دادهٔ مناسب
-
- ☰ 9. فصل ۹: توابع
- ☰ 9.1. چرا توابع مهم هستند؟
- ☰ 9.2. تعریف توابع
- ☰ 9.3. پارامترها و آرگومانها
- ☰ 9.4. مقادیر بازگشتی
- ☰ 9.5. محدودهٔ متغیرها (محلی در برابر سراسری)
- ☰ 9.6. استفادهٔ مجدد از کد
-
- ☰ 10. فصل ۱۰: کار با فایلها
- ☰ 10.1. فایل چیست؟
- ☰ 10.2. خواندن فایلهای متنی
- ☰ 10.3. نوشتن و افزودن به فایلها
- ☰ 10.4. مسیر فایلها
- ☰ 10.5. برنامههای ساده مبتنی بر فایل
-
- ☰ 11. فصل ۱۱: خطاها و اشکالزدایی
- ☰ 11.1. انواع خطاها
- ☰ 11.2. خواندن پیامهای خطا
- ☰ 11.3. خطاهای رایج مبتدیان
- ☰ 11.4. try و except
- ☰ 11.5. راهبردهای اشکالزدایی
-
- ☰ 12. فصل ۱۲: استفاده از کتابخانههای پایتون
- ☰ 12.1. کتابخانه چیست؟
- ☰ 12.2. وارد کردن ماژولها
- ☰ 12.3. کتابخانههای استاندارد
- ☰ 12.3.1. math
- ☰ 12.3.2. random
- ☰ 12.3.3. datetime
-
- ☰ 12.4. نصب کتابخانههای خارجی با pip
-
- ☰ 13. فصل ۱۳: برنامهنویسی شیگرا (OOP)
- ☰ 13.1. برنامهنویسی شیگرا چیست؟
- ☰ 13.2. کلاسها و اشیاء
- ☰ 13.3. ویژگیها و متدها
- ☰ 13.4. متد `__init__`
- ☰ 13.5. کپسولهسازی
- ☰ 13.6. وراثت (مقدماتی)
- ☰ 13.7. مثالهای سادهٔ شیگرا
-
- ☰ 14. فصل ۱۴: خودکارسازی با پایتون
- ☰ 14.1. خودکارسازی چیست؟
- ☰ 14.2. خودکار کردن وظایف ساده
- ☰ 14.3. کار با فایلها و پوشهها
- ☰ 14.4. خودکارسازی پردازش متن
- ☰ 14.5. زمانبندی اجرای اسکریپتها
- ☰ 14.6. مثالهای کاربردی خودکارسازی
-
- ☰ 15. فصل ۱۵: توسعهٔ وب با پایتون
- ☰ 15.1. وب چگونه کار میکند؟ (نمای کلی)
- ☰ 15.2. آشنایی با Flask
- ☰ 15.3. ساخت یک وبسرور ساده
- ☰ 15.4. مسیرها و قالبها (Templates)
- ☰ 15.5. پردازش ورودی کاربر (فرمها)
- ☰ 15.6. API های بسیار ساده
-
- ☰ 16. فصل ۱۶: علم داده با پایتون
- ☰ 16.1. علم داده چیست؟
- ☰ 16.2. کار با دادهها
- ☰ 16.3. آشنایی با NumPy
- ☰ 16.4. آشنایی با pandas
- ☰ 16.5. مصورسازی داده با matplotlib
- ☰ 16.6. مثالهای سادهٔ تحلیل داده
-
- ☰ 17. فصل ۱۷: پروژههای کوچک
- ☰ 17.1. بازی حدس عدد
- ☰ 17.2. ماشینحساب ساده
- ☰ 17.3. فهرست کارها (To-Do List)
- ☰ 17.4. تولیدکنندهٔ رمز عبور
- ☰ 17.5. برنامهٔ آزمون (Quiz)
- ☰ 17.6. پروژهٔ کوچک وب یا داده
-
- ☰ 18. فصل ۱۸: گامهای بعدی
- ☰ 18.1. چگونه پایتون را تمرین کنیم
- ☰ 18.2. نوشتن کد تمیز و خوانا
- ☰ 18.3. انتخاب یک حوزهٔ تخصصی
- ☰ 18.3.1. توسعهٔ وب
- ☰ 18.3.2. علم داده
- ☰ 18.3.3. خودکارسازی
- ☰ 18.3.4. توسعهٔ نرمافزار
-
- ☰ 18.4. منابع یادگیری و انجمنها
-
- ☰ 19. پیوست
- ☰ 19.1. برگهٔ تقلب دستور زبان پایتون
- ☰ 19.2. خطاهای رایج و راهحلها
- ☰ 19.3. واژهنامهٔ اصطلاحات
-
Comments
Please login to add a comment.
Don't have an account? Register now!