import math import numbers as nmbs import matplotlib.pyplot as plt import numpy as np import pandas as pd import sympy as sp class Settings: def __init__(self, x): if isinstance(x, (dict, set)): # دیکشنری و مجموعه قبول نکن raise ValueError("this class doesn't apply dicts and sets.") # بای دیفالت روی ورودی متد flat_and_array رو اعمال کن self.x = x self.x = self.flat_and_array() # بررسی خالی بودن به جز دیکشنری و مجموعه def is_empty(self): x = self.x s = set(x) return True if len(s) == 1 and None in s else x.size == 0 # تبدیل به آرایه نامپای و تخت کردن ماتریس های چند بعدی def flat_and_array(self): x = self.x if isinstance(x, np.ndarray): # تبدیل وروردی آرایه به لیست با در نظر گرفتن آرایه های 0 بعدی x = [x.item()] if x.ndim == 0 else x.tolist() elif self.is_iter(x): # تبدیل ورودی هایی ایتریتور دیگر مثل تاپل و جنریتور و غیره به لیست x = list(x) else: # تبدیل وروئی های تکی مثل اینتجر یا فلات و ... به لیست تک عضوی x = [x] is_list_inside = True # تازمانی که یک ایتریتور (به جز دیکشنری و ست و رشته) در ورودی # وجود داشته باشد این حلقه ادامه دارد while is_list_inside: l = [] is_list_inside = False for i in x: if isinstance(i, (dict, set)): raise ValueError("can't be used for dict and set") elif not self.is_iter(i) and not isinstance( i, (np.ndarray, dict, set) ): l.append(i) # افزودن آیتم های تکی به لیست موقت else: if isinstance(i, np.ndarray): # تبدیل آرایه های داخلی به لیست با در نظر گرفتن # آرایه های 0 بعدی i = [i.item()] if i.ndim == 0 else i.tolist() i = list(i) # برای تبدیل سایر ایتریتور ها به لیست # افزودن تک تک اعضای درون لیست ساخته شده به لیست موقت l.extend(i) x = l # بررسی وجود اعضای غیر اتمی در لیست for o in x: if isinstance(o, (dict, set)): raise ValueError("can't be used for dict and set") elif self.is_iter(o): is_list_inside = True # خروجی >> آرایه تخت شده ی آیتم ورودی return np.array(x, dtype=object).flatten() @staticmethod # بررسی ایتریتور بودن به جز رشته ها و دیکشنری و ست def is_iter(x): if isinstance(x, (str, dict, set)): # رشته ها و دیکشنری را ایتریتور حساب نمی کند return False try: iter(x) except TypeError: return False return True # مشتق و مشتق جزئی # ∂f/∂x def derivative(f, *symbols): symbols_list = [ x if isinstance(x, sp.Symbol) else sp.Symbol(str(x)) for x in symbols ] results = [sp.diff(f, x) for x in symbols_list] return results[0] if len(results) == 1 else results _none = lambda x: x # سیگمای جامع # ∑ᵢ₌₁ⁿ xᵢ def sigma(i=None, n=None, f=_none, g=_none, operator=None): if i is None and n is None and operator is None: raise TypeError("sigma missing required arguments") # اگر آی و ان ایتریتور بودند، تخت و تبدیل به آرایه شوند if Settings.is_iter(i): i = Settings(i).x if Settings.is_iter(n): n = Settings(n).x ops = { '+': lambda a, b: a + b, '%': lambda a, b: a % b, '*': lambda a, b: a * b, '**': lambda a, b: a ** b, '/': lambda a, b: a / b, '-': lambda a, b: a - b, } if operator is not None: # اگر کاربر اپراتور وارد کرده بود operator = operator.strip() if operator in ops: # و اپراتور معتبر بود # <<------------- ''' وقتی کاربر اپراتور را وارد کرده طبق شرط های زیر اگر کاربر فقط یک تابع وارد کرد توابع اف و جی هردو یکسان و برابر با همان تابع داده شده می شوند همان تابع بر دو ایکس جدا یعنی لیست های آی و ان اعمال شود و بر دو لیست به دست امده عمل اپراتور را انجام و سیگما را انجام دهد ''' if f is _none: f = g elif g is _none: g = f # ------------->> # <<------------- ''' وقتی کاربر اپراتور را وارد کرده طبق شرط های زیر اگر کاربر فقط یک لیست وارد کرد مقادیر آی و ان هردو یکسان و برابر با همان لیست داده شده می شوند و در آخر هم به تابع جی و هم به تابع اف، آن لیست به طور جداگانه داده شود و بعد از اجرای تابع ها با ایکس یکسان، روی وای های بدست آمده عمل اپراتور انجام شود و در نهایت روی لیست نهایی عمل سیگما انجام شود ''' if n is None: n = i elif i is None: i = n # اگر هم ان و هم آی، نان بودند if i is None: raise TypeError( "at least one of i or n must be given when operator " "is set" ) # ------------->> # نامعتبر بودن ورودی # نامعتبر بودن آی و ان if (not Settings.is_iter(i) or not Settings.is_iter(n) or len(i) != len(n)): raise TypeError( "at least one of i or n must be given and been valid " "when operator is set (length of should be equal)" ) # ----------- سیگما با دو تابع و دو لیست و اپراتور ----------- # حالتی که درآن دوتابع به ترتیب روی دولیست اعمال میشوند و # برای خروجی های انها عمل اپراتور انجام شده و سیگما انجام میشود # یا اینکه کاربر فقط یکی از آی یا ان را به همراه اپراتور و # دو تابع وارد کرده برای l1 = np.array([f(v) for v in i]) # اعمال تابع اف روی آی l2 = np.array([g(j) for j in n]) # اعمال تابع جی روی ان # اعمال اپراتور روی لیست های خروجی و اعمال سیگما return (ops[operator](l1, l2)).sum() # ----------------------------------------------------------- else: # اگر اپراتور معتبر نبود raise ValueError("Invalid operation symbol") # <<--- # نامعتبر بودن ورودی # اپراتور داده نشده ولی آی و ان هردو ایتریتور هستند if Settings.is_iter(i) and Settings.is_iter(n): raise ValueError( "you have to give an operator when both of i and n are iterator" ) # اپراتور نداده ولی دو تابع داده شده if g is not _none and f is not _none: raise ValueError( "2 functions have been given, but i and n are not iterator " "and you didn't give any operator" ) # اگر کاربر اف را وارد نکرد، اف را مساوی جی قرار بده if g is not _none and f is _none: f = g # وقتی هم آی و هم ان داده شده اند ولی یکی از آنها ایتریتور است if (Settings.is_iter(i) and n is not None or Settings.is_iter(n) and i is not None): raise TypeError( "you can not give both of i & n when one of them is iterator" ) # --->> # ----------- سیگما با یک تابع و یک لیست ----------- # حالت هایی که کاربر یک لیست داده که روی اعضای آن تابع اف اعمال و # سیگما انجام شود if Settings.is_iter(i): return sum(f(j) for j in i) elif Settings.is_iter(n): return sum(f(j) for j in n) # ------------------------------------------------- # ----------- سیگما با یک تابع و بازه ی آی تا ان ----------- # حالتی که کابر بازه آی تا ان رو تعیین کرده که یکی یکی روی اعداد # این بازه تابع اف اعمال و سیگما انجام شود is_bool = isinstance(i, bool) or isinstance(n, bool) not_int = (not isinstance(i, nmbs.Integral) or not isinstance(n, nmbs.Integral)) if is_bool or not_int: raise TypeError('i and n must be integers (bool not allowed)') i, n = int(i), int(n) return sum(f(j) for j in range(i, n + 1)) # -------------------------------------------------------- class Stats: def __init__(self, nums): stg = Settings(nums) # بای دیفالت روی ورودی متد flat_and_array رو اعمال کن nums = stg.x if stg.is_empty(): raise ValueError("you should not enter None items or empty.") try: nums = nums.astype(float) except ValueError as e: raise ValueError(f'items should be numbers: {e}') from e except TypeError as e: raise TypeError(f'items should be numbers: {e}') from e self.nums = nums # قضیه چبیشف def chebyshev(self, k): if not isinstance(k, nmbs.Integral) or k <= 0: # k باید عدد باشد و مثبت و غیر صفر raise ValueError('k should be number and >0') l = self.loc() v = self.variance() s = math.sqrt(v) return float(l - (k * s)), float(l + (k * s)) # نرمال سازی داده ها # normed xᵢ = (xᵢ - μ)/σ def norm(self): x_s = self.nums l = self.loc() s = self.scale() if s == 0: return x_s - l return (x_s - l) / s # میانگین # μ = ∑(xᵢ)/n def loc(self): return self.nums.mean() # واریانس # σ² = ∑(xᵢ - μ)²/n def variance(self): nums = self.nums l = self.loc() return ((nums - l) ** 2).mean() # انحراف معیار # σ = √(variance) def scale(self): return math.sqrt(self.variance()) class Plots: @staticmethod # نمودار مقایسه دو تابع مدل و واقعی def comparison_plot(f_true, f_pred): x = np.linspace(1, 10, 100) plt.plot(x, f_true(x), label='truth') plt.plot(x, f_pred(x), label='guess') plt.legend() plt.show() return True @staticmethod # ساخت و نمایش نمودار ساده def show_plot(x, y): plt.plot(x, y) plt.show() return True @staticmethod # نمایش نمودار نقطه ای ساده def show_scatter(x, y): plt.scatter(x, y) plt.show() return True class Matrix: def __init__(self, M): self.M = np.asarray(M) # تشخیص نوع ماتریس براساس ماتریس های خاص # rectangular, identity, row, column, scalar, square, diagonal def detect_matrix(self): M = self.M M = np.asarray(M) if Settings(M).is_empty(): return None, M.shape if M.ndim == 0 or M.ndim == 1: M = M.reshape(1, -1) if M.ndim > 2: raise ValueError( 'The matrix must ultimately be 2-dimensional.' ) typ = 'rectangular' s = set() n_columns = len(M[0]) n_rows = len(M) dgnl = True zero = True o = M.shape for row in range(n_rows): for col in range(n_columns): if M[row][col] != 0: zero = False if zero: return 'null', o if n_columns == n_rows: for row in range(n_rows): if not dgnl: break for col in range(n_columns): if row != col: if M[row][col] != 0: dgnl = False break else: s.add(M[row][col]) typ = 'diagonal' if dgnl else 'square' if dgnl and len(s) == 1: typ = 'scalar' elif n_columns == 1 and n_rows > 1: typ = 'column' elif n_rows == 1 and n_columns > 1: typ = 'row' if typ == 'scalar' and 1 in s: typ = 'identity' return typ, o # بررسی تساوی ماتریس ها def matrix_equal(self, B): A = self.M B = np.asarray(B) if A.shape == B.shape: return np.array_equal(A, B) return False class Metrics: @staticmethod # تابع خطا # mse = ∑(yᵢ - ŷᵢ)²/n def mse(y_true_array, y_pred_array): y_pred_array, y_true_array = ( Settings(y_pred_array).x, Settings(y_true_array).x ) if y_pred_array.size == y_true_array.size and y_pred_array.size != 0: return ( ((y_true_array - y_pred_array) ** 2).sum() / len(y_true_array) ) return None @staticmethod # جذر تابع خطا # rme = √mse def rmse(mse_value): if mse_value is None: return None return math.sqrt(mse_value) class LinearRegression: def __init__(self, dataframe, x_name, y_name): self.df, self.x_name, self.y_name = dataframe, x_name, y_name self.t0, self.t1 = None, None self.coefficients() # ساخت مدل رگرسیون خطی با فرمول بسته بر اساس ستون های دیتافریم # y = θ₀ + θ₁x # θ₁ = Σ(xᵢ - x̄)(yᵢ - ȳ)/Σ(xᵢ - x̄)² # θ₀ = ȳ - θ₁x̄ def coefficients(self): df, x_name, y_name = self.df, self.x_name, self.y_name meanx, meany = Stats(df[x_name]).loc(), Stats(df[y_name]).loc() x, y = df[x_name], df[y_name] t1 = (sigma(x, y, lambda a: (a - meanx), lambda b: (b - meany), operator='*') / sigma(x, f=lambda c: (c - meanx) ** 2)) self.t0 = meany - t1 * meanx self.t1 = t1 return self def predict(self, x): return self.t0 + self.t1 * np.asarray(x) def model_mse(self, x, y_true): x, y_true = np.asarray(x), np.asarray(y_true) y_pred = self.predict(x) return Metrics.mse(y_true, y_pred) class DataHandler: @staticmethod # ساخت سریع دیتاست نمونه از سن و قد def make_sample_dataset(n, seed=313): np.random.seed(seed) noise = np.random.normal(0, 10, n) height = np.round(np.random.normal(167, 10, n) + noise, 1) age = np.random.randint(18, 60, n) data = { "age": age, "height": height, } df = pd.DataFrame(data) df.to_csv("sample_dataset.csv", encoding='utf-8-sig', index=False) return df @staticmethod # خواندن فایل سی اس وی یا درصورت نبود ساخت فایل توسط تابع داده شده # و مقادیر لازم آن def read_or_make_csv(address, make_dataset_function, *args): try: return pd.read_csv(address, encoding='utf-8-sig', index_col=False) except FileNotFoundError: make_dataset_function(*args).to_csv( address, encoding='utf-8-sig', index=False ) return pd.read_csv( address, encoding='utf-8-sig', index_col=False ) if __name__ == "__main__": print(" Hello dear! Thanks for using! ;D\n This file can only be used as a library, not for running! :D")