Machine Learning: دورة مكثفة في NumPy

import numpy as np

# حلقة Python مقابل التوجيه المتجه في NumPy
sales_list = list(range(1, 60001))     # 60,000 سجل
sales_arr = np.array(sales_list)

# NumPy متجه: أسرع بـ 100 مرة
mean_val = sales_arr.mean()
std_val = sales_arr.std()
print(f"Mean: {mean_val:.2f}, Std: {std_val:.2f}")

import numpy as np

# من قائمة Python
a = np.array([1, 2, 3, 4, 5])

# دوال البناء المدمجة
zeros = np.zeros((3, 4))        # مصفوفة أصفار 3x4
ones = np.ones((2, 3))          # مصفوفة آحاد 2x3
range_arr = np.arange(0, 10, 2) # [0, 2, 4, 6, 8]
linspace = np.linspace(0, 1, 5) # [0, 0.25, 0.5, 0.75, 1.0]

print(f"arange: {range_arr}")
print(f"linspace: {linspace}")

import numpy as np

# المبيعات الشهرية لـ 5 فئات على مدار 12 شهرًا (بالألف دولار)
sales = np.array([
    [120, 135, 150, 142, 160, 175, 180, 190, 195, 200, 220, 250],  # Electronics
    [80, 85, 90, 88, 95, 100, 105, 108, 110, 115, 130, 145],       # Clothing
    [50, 48, 55, 60, 58, 62, 65, 68, 70, 72, 80, 90],              # Food
    [30, 35, 40, 38, 42, 45, 48, 50, 52, 55, 60, 70],              # Books
    [200, 210, 225, 220, 240, 260, 270, 280, 290, 300, 350, 400],  # Home
])

print(f"Shape: {sales.shape}")
print(f"Total annual revenue: {sales.sum() / 1000:.1f} million USD")
print(f"Q4 revenue: {sales[:, 9:].sum() / 1000:.1f} million USD")

Shape: (5, 12)
Total annual revenue: 6.3 million USD
Q4 revenue: 2.3 million USD

import numpy as np

# Reshape: من 1D إلى 2D
data = np.arange(12)
matrix = data.reshape(3, 4)
print(f"Reshaped to 3x4:\n{matrix}")

# Transpose: تبديل الصفوف والأعمدة
transposed = matrix.T
print(f"Transposed to 4x3:\n{transposed}")

# -1 تعني الحساب التلقائي للبعد
auto_reshape = data.reshape(2, -1)
print(f"Auto reshape (2, -1): shape={auto_reshape.shape}")

# Executed successfully

import numpy as np

# Scalar + array: يتم بث Scalar
prices = np.array([100, 200, 300, 400])
discount = 0.9  # خصم 10%
print(f"Discounted prices: {prices * discount}")

# 1D + 2D: يتم بث الصف عبر الصفوف
monthly_sales = np.array([[100, 200], [110, 210], [120, 220]])  # 3 أشهر × 2 فئات
growth_rate = np.array([1.05, 1.10])  # نمو مختلف لكل فئة
print(f"Projected sales:\n{monthly_sales * growth_rate}")

# بث العمود + الصف
col = np.array([[1], [2], [3]])   # شكل (3, 1)
row = np.array([10, 20, 30, 40])  # شكل (4,)
print(f"Col + Row result shape: {(col + row).shape}")

# Executed successfully

import numpy as np

arr = np.arange(10)
print(f"arr[3]: {arr[3]}")          # عنصر واحد
print(f"arr[2:7]: {arr[2:7]}")      # شريحة
print(f"arr[::2]: {arr[::2]}")      # خطوة=2

# فهرسة 2D
matrix = np.arange(12).reshape(3, 4)
print(f"matrix[1, 2]: {matrix[1, 2]}")       # صف 1، عمود 2
print(f"matrix[0, :]: {matrix[0, :]}")       # الصف 0 بالكامل
print(f"matrix[:, 1]: {matrix[:, 1]}")       # العمود 1 بالكامل

import numpy as np

# مبيعات الفئات الشهرية (بالألف دولار)
sales = np.array([250, 145, 90, 70, 400])
categories = np.array(["Electronics", "Clothing", "Food", "Books", "Home"])

# Boolean indexing: البحث عن الفئات فوق 100k
high_sales = sales > 100
print(f"High sales mask: {high_sales}")
print(f"High sales categories: {categories[high_sales]}")
print(f"High sales values: {sales[high_sales]}")

# شروط مركبة
mid_range = (sales >= 80) & (sales <= 200)
print(f"Mid-range categories: {categories[mid_range]}")

# Executed successfully

import numpy as np

sales = np.arange(60).reshape(5, 12)  # 5 فئات × 12 شهرًا

# اختيار أشهر محددة: يناير، أبريل، يوليو، أكتوبر (المؤشرات 0,3,6,9)
quarterly = sales[:, [0, 3, 6, 9]]
print(f"Quarterly data shape: {quarterly.shape}")

# اختيار أعلى 3 فئات حسب إجمالي المبيعات
total = sales.sum(axis=1)
top3_idx = np.argsort(total)[-3:]
print(f"Top 3 category indices: {top3_idx}")
print(f"Top 3 total sales: {total[top3_idx]}")

# Executed successfully

import numpy as np
import time

size = 1_000_000
a = np.random.rand(size)
b = np.random.rand(size)

# حساب متجه
start = time.time()
c = a + b
vec_time = time.time() - start

# حلقة Python (بطيئة!)
start = time.time()
c_list = [a[i] + b[i] for i in range(size)]
loop_time = time.time() - start

print(f"Vectorized: {vec_time:.4f}s")
print(f"Loop: {loop_time:.4f}s")
print(f"Speedup: {loop_time / vec_time:.0f}x")

# Executed successfully

import numpy as np

# بيانات المبيعات اليومية لـ 30 يومًا (بالألف دولار)
daily_sales = np.array([
    45, 52, 48, 61, 55, 72, 68, 50, 53, 49,
    58, 63, 71, 66, 59, 54, 47, 70, 75, 62,
    51, 57, 64, 69, 73, 60, 56, 67, 74, 78
])

print(f"Mean: {daily_sales.mean():.1f}k USD")
print(f"Median: {np.median(daily_sales):.1f}k USD")
print(f"Std: {daily_sales.std():.1f}k USD")
print(f"Min: {daily_sales.min()}k USD")
print(f"Max: {daily_sales.max()}k USD")
print(f"Total: {daily_sales.sum()}k USD")

# المجموع التراكمي للاتجاه
cum_sales = daily_sales.cumsum()
print(f"Day 30 cumulative: {cum_sales[-1]}k USD")

# Executed successfully

import numpy as np

# الإنفاق الإعلاني لكل قناة (3 قنوات) × 4 منتجات
ad_matrix = np.array([
    [10, 15, 8, 12],   # Google Ads (بالألف دولار)
    [5, 20, 10, 8],    # Facebook Ads
    [3, 7, 15, 10],    # Email Marketing
])

# مصفوفة معدل التحويل (قناة × منتج)
conv_rate = np.array([
    [0.05, 0.03, 0.08, 0.04],
    [0.03, 0.06, 0.04, 0.05],
    [0.10, 0.08, 0.12, 0.09],
])

# العائد لكل تحويل (لكل منتج، بالألف دولار)
revenue_per_conv = np.array([50, 30, 80, 40])

# ضرب المصفوفات: التحويلات المتوقعة
expected_conv = ad_matrix * conv_rate  # عنصر بعنصر
# إجمالي العائد لكل منتج
total_revenue = expected_conv.sum(axis=0) * revenue_per_conv
print(f"Revenue by product: {total_revenue} thousand USD")
print(f"Total ROI revenue: {total_revenue.sum():.1f} thousand USD")

# Executed successfully

import numpy as np

rng = np.random.default_rng(seed=42)  # قابل للتكرار

# التوزيعات الشائعة
uniform = rng.uniform(0, 100, size=5)    # منتظم [0, 100)
normal = rng.normal(50, 10, size=5)      # طبيعي (متوسط=50، انحراف=10)
integers = rng.integers(1, 100, size=5)  # أعداد صحيحة عشوائية [1, 100)
choice = rng.choice(["A", "B", "C"], size=5)  # اختيار عشوائي

print(f"Uniform: {uniform}")
print(f"Normal: {normal}")
print(f"Integers: {integers}")

import numpy as np

# محاكاة: sales = 50 + 0.8 * ad_spend + noise
rng = np.random.default_rng(42)
n = 100
ad_spend = rng.uniform(10, 100, n)
noise = rng.normal(0, 5, n)
sales = 50 + 0.8 * ad_spend + noise

# الحل باستخدام المعادلة الطبيعية: w = (X^T X)^-1 X^T y
X = np.column_stack([np.ones(n), ad_spend])  # إضافة عمود الانحياز
w = np.linalg.inv(X.T @ X) @ (X.T @ sales)

print(f"Intercept: {w[0]:.2f}")
print(f"Coefficient: {w[1]:.2f}")
print(f"True values: intercept=50, coeff=0.8")

# Executed successfully