جعبه‌ابزار ریاضی پایتون

MathTool

آمار، ماتریس، رگرسیون و حساب دیفرانسیل در یک ماژول

کتابخانه‌ای جامع و ماژولار برای ابزارهای ریاضی، آماری، ماتریسی، رگرسیون خطی و رسم نمودار در پایتون.
مجموعه‌ای از پرکاربردترین عملیات ریاضی در قالب کلاس‌ها و توابعی ساده و خوانا — بدون نیاز به نوشتن کدهای تکراری.

Python NumPy Pandas SymPy Matplotlib
معرفی

MathTool چیست؟

MathTool یک کتابخانه‌ی جامع و ماژولار است که مجموعه‌ای از پرکاربردترین عملیات ریاضی را در قالب کلاس‌ها و توابعی ساده و خوانا در اختیار شما قرار می‌دهد. این ابزار با تکیه بر NumPy برای محاسبات برداری، SymPy برای محاسبات نمادین، Pandas برای مدیریت داده و Matplotlib برای رسم نمودار، به شما امکان می‌دهد بدون نوشتن کدهای تکراری، به سرعت به نتایج دقیق برسید.

🎓

دانشجویان و پژوهشگران

مناسب برای محاسبات آماری و ریاضی در حوزه‌های دانشگاهی و پژوهشی.

🤖

مهندسان یادگیری ماشین

برای محاسبه سریع معیارهای خطا (MSE، RMSE) و ارزیابی مدل رگرسیون.

📊

تحلیلگران داده

برای محاسبات توصیفی، نرمال‌سازی داده‌ها و رسم نمودارهای مقایسه‌ای.

🧪

توسعه‌دهندگان

برای نمونه‌سازی سریع الگوریتم‌ها و آزمون ایده‌های ریاضی.

قابلیت‌ها

ویژگی‌های کلیدی

هر آنچه برای محاسبات روزمره ریاضی نیاز دارید، در یک کتابخانه سبک.

🧩

تخت‌سازی و نرمال‌سازی ورودی

پذیرش هر ساختار تو در تو (لیست، تاپل، جنریتور، آرایه NumPy، Series پانداس) و تبدیل خودکار به آرایه یک‌بعدی.

∂

مشتق‌گیری نمادین

محاسبه مشتق معمولی و جزئی چندمتغیره با استفاده از SymPy.

∑

سیگمای جامع

پشتیبانی از بازه، لیست، ترکیب دو لیست، دو تابع و عملگر دلخواه (‎+‎، −‎، ×‎، ÷‎، **‎، %‎).

📊

ابزارهای آماری

میانگین، واریانس، انحراف معیار، نرمال‌سازی Z-Score و بازه چبیشف.

🔢

تشخیص نوع ماتریس

شناسایی خودکار ماتریس‌های همانی، قطری، اسکالر، مربعی، سطری، ستونی و تهی.

📐

معیارهای خطا

محاسبه MSE و RMSE با اعتبارسنجی ابعاد و مدیریت ورودی‌های ناهمخوان.

📉

رگرسیون خطی ساده

ساخت مدل روی دیتافریم، پیش‌بینی و محاسبه خطای مدل با فرمول بسته.

🗂️

مدیریت داده

ساخت دیتاست نمونه و خواندن/ساخت خودکار فایل‌های CSV.

📈

رسم نمودار

نمودار خطی، پراکندگی و مقایسه دو تابع با برچسب‌گذاری خودکار.

🧪

تست کامل

پوشش تست واحد با unittest برای تمامی کلاس‌ها و توابع.

راه‌اندازی

نصب و پیش‌نیازها

پیش‌نیاز: پایتون نسخه ۳.۸ یا بالاتر

۱. دکمه <> Code → ۲. Download ZIP → ۳. استخراج فایل
۱

روش ۱ — دانلود ZIP

بدون نیاز به Git. با کلیک روی دکمه‌ی زیر، فایل ZIP پروژه مستقیماً دانلود می‌شود.

دانلود ZIP مستقیم
۲

روش ۲ — کلون با Git

اگر Git دارید، مخزن را کلون کنید:

bash
git clone https://github.com/kiarashsardari/Math-Tool.git
cd Math-Tool

نصب پکیج‌های موردنیاز

این کتابخانه به چهار پکیج نیاز دارد که در فایل requirements.txt تعریف شده‌اند:

requirements.txt
numpy>=1.20
pandas>=1.3
matplotlib>=3.4
sympy>=1.8

برای نصب تمام پیش‌نیازها، در ریشه پروژه اجرا کنید:

bash
pip install -r requirements.txt

سپس فایل math_tool.py را در کنار پروژه خود قرار دهید یا در مسیر PYTHONPATH کپی کنید. نیازی به نصب پکیج جداگانه‌ای نیست.

💡 در صورت نیاز می‌توانید ابتدا pip را به‌روزرسانی کنید:
bash
python -m pip install --upgrade pip

دانلود فایل‌های تکی

اگر فقط به یکی از فایل‌ها نیاز دارید، مستقیم دانلود کنید:

💡 اگر فایل در مرورگر باز شد، راست‌کلیک → «Save link as» را انتخاب کنید. برای دانلود تضمینی، از دکمه‌ی ZIP بالا استفاده کنید.
شروع

شروع سریع

یک نمونه کامل از کاربرد کلاس‌ها و توابع کتابخانه.

python
import numpy as np
import pandas as pd
import sympy as sp

from math_tool import (
    Settings, Stats, Matrix, Metrics,
    LinearRegression, DataHandler, Plots,
    derivative, sigma,
)

# ۱. تخت‌سازی ورودی
data = [1, 2, [3, (4, 5)], np.array([[6, 7], [8, 9]])]
flat = Settings(data).x
print(flat)  # [1 2 3 4 5 6 7 8 9]

# ۲. مشتق نمادین
x = sp.Symbol('x')
f = 2 * x**3 + 3 * x - 6
print(derivative(f, x))  # 6*x**2 + 3

# ۳. سیگمای بازه‌ای
total = sigma(0, 10, lambda i: 2 * i)
print(total)  # 110

# ۴. محاسبات آماری
s = Stats([1, 2, 3, 4, 5])
print(s.loc())         # 3.0
print(s.variance())    # 2.0
print(s.scale())       # 1.4142...
print(s.norm())        # [-1.414 -0.707 0. 0.707 1.414]
print(s.chebyshev(2))  # (-1.414, 7.414)

# ۵. تشخیص نوع ماتریس
print(Matrix([[1, 0], [0, 1]]).detect_matrix())  # ('identity', (2, 2))

# ۶. معیار خطا
print(Metrics.mse([3, -0.5, 2, 7], [2.5, 0.0, 2, 8]))  # 0.375

# ۷. رگرسیون خطی
df = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [7, 4, 1, -2, -5]})
model = LinearRegression(df, 'x', 'y')
print(model.t0, model.t1)  # 10.0 -3.0
print(model.predict(10))   # -20.0

# ۸. مدیریت داده
df_sample = DataHandler.make_sample_dataset(50)

# ۹. رسم نمودار
Plots.show_plot([1, 2, 3, 4], [1, 4, 9, 16])
API

مستندات کامل

مرجع کامل کلاس‌ها و توابع موجود در math_tool.py به‌همراه پارامترها و مثال.

Settings مدیریت و تخت‌سازی ورودی ▸
Settings(x)

سازنده کلاس؛ ورودی را به آرایه NumPy یک‌بعدی تخت تبدیل می‌کند. دیکشنری و مجموعه پذیرفته نمی‌شوند.

پارامترنوعتوضیح
xanyهر داده قابل تخت‌سازی (به‌جز dict و set)

ویژگی عمومی: .x — آرایه NumPy یک‌بعدی.

خطاها: ValueError برای dict یا set.

python
>>> Settings([1, 2, [3, (4, 5)], np.array([[6, 7]])]).x
array([1, 2, 3, 4, 5, 6, 7], dtype=object)
is_empty()

بررسی می‌کند آیا ورودی خالی است (آرایه خالی یا همه اعضا None).

بازگشتی: bool — True اگر خالی باشد.

python
>>> Settings([None]).is_empty()
True
>>> Settings([None, 1]).is_empty()
False
flat_and_array()

تخت‌سازی کامل و بازگرداندن آرایه NumPy یک‌بعدی.

بازگشتی: numpy.ndarray — آرایه‌ای یک‌بعدی از عناصر.

python
>>> Settings([[1, 2], [3, 4]]).flat_and_array()
array([1, 2, 3, 4], dtype=object)
is_iter(x) [static]

بررسی iterable بودن، با استثنای str، dict و set.

بازگشتی: bool

python
>>> Settings.is_iter([1, 2])
True
>>> Settings.is_iter(12)
False
>>> Settings.is_iter("hello")
False
derivative / sigma محاسبات نمادین و سیگما ▸
derivative(f, *symbols)

مشتق معمولی یا مشتق جزئی چندمتغیره با استفاده از SymPy. رشته به‌طور خودکار به Symbol تبدیل می‌شود.

پارامترنوعتوضیح
fSymPy expressionعبارت نمادین برای مشتق‌گیری
*symbolsSymbol | strیک یا چند نماد

بازگشتی: یک عبارت تکی اگر یک نماد بدهید، یا لیستی از مشتق‌ها.

python
>>> import sympy as sp
>>> x = sp.Symbol('x')
>>> derivative(2*x**3 + 3*x - 6, x)
6*x**2 + 3

>>> a, b = sp.symbols('a b')
>>> derivative(2*a**3 + 3*b**2, a, b)
[6*a**2, 6*b]
sigma(i=None, n=None, f=identity, g=identity, operator=None)

سیگمای جامع با پشتیبانی از بازه، لیست، دو لیست، دو تابع و عملگر دلخواه.

پارامترنوعتوضیح
iint | iterable | Noneکران پایین یا لیست اول
nint | iterable | Noneکران بالا یا لیست دوم
fcallableتابع اول (پیش‌فرض: همانی)
gcallableتابع دوم (اختیاری، برای حالت دو تابع)
operatorstrعملگر: +، -، *، /، **، %

حالت ۱ — بازه با یک تابع:

python
>>> sigma(0, 10, lambda i: 2*i)
110

حالت ۲ — لیست با یک تابع:

python
>>> sigma([1, 2, 3, 4], f=lambda x: 2*x)
20

حالت ۳ — دو لیست با عملگر و یک تابع:

python
>>> i, n = [1, 2, 3, 4, 5], [6, 7, 8, 9, 10]
>>> sigma(i, n, f=lambda x: 2*x, operator='-')
-50

حالت ۴ — دو لیست با دو تابع و عملگر:

python
>>> sigma(
...     [1, 2, 3, 4, 5],
...     [6, 7, 8, 9, 10],
...     f=lambda x: 2*x,
...     g=lambda x: x - 1,
...     operator='-',
... )
-5
توجه: bool به‌عنوان عدد صحیح پذیرفته نمی‌شود تا از سوءاستفاده جلوگیری شود.
Stats آمار توصیفی، نرمال‌سازی و چبیشف ▸
Stats(nums)

سازنده کلاس؛ ورودی را تخت کرده و به اعداد تبدیل می‌کند.

پارامترنوعتوضیح
numsarray-likeمجموعه اعداد ورودی

خطاها: ValueError برای ورودی خالی، TypeError برای مقادیر غیرعددی.

loc()

میانگین حسابی (Mean) عناصر را محاسبه می‌کند.

بازگشتی: float — میانگین.

python
>>> Stats([1, 2, 3, 4, 5]).loc()
3.0
variance()

واریانس جامعه (تقسیم بر n) را محاسبه می‌کند.

بازگشتی: float — واریانس.

توجه: این واریانس از نوع جامعه است (تقسیم بر n)، نه نمونه (تقسیم بر n-1).
python
>>> Stats([1, 2, 3, 4, 5]).variance()
2.0
scale()

انحراف معیار (Standard Deviation) به‌عنوان جذر واریانس.

بازگشتی: float

python
>>> Stats([2, 4, 4, 4, 5, 5, 7, 9]).scale()
2.0
norm()

نرمال‌سازی Z-Score؛ هر مقدار به (x − μ) / σ تبدیل می‌شود.

بازگشتی: numpy.ndarray

💡 اگر انحراف معیار صفر باشد، آرایه با کم کردن میانگین بازگردانده می‌شود.
python
>>> Stats([1, 2, 3, 4, 5]).norm()
array([-1.41421356, -0.70710678,  0.        ,  0.70710678,  1.41421356])
chebyshev(k)

بازه چبیشف را به‌صورت [μ − kσ, μ + kσ] محاسبه می‌کند.

پارامترنوعتوضیح
kint | floatضریب بازه (باید بزرگ‌تر از صفر باشد)

بازگشتی: tuple[float, float] — کران پایین و بالا.

خطاها: ValueError اگر k ≤ 0.

python
>>> Stats([1, 2, 3, 4, 5]).chebyshev(2)
(-1.4142135623730951, 7.414213562373095)
Matrix تشخیص نوع ماتریس و مقایسه ▸
Matrix(M)

سازنده کلاس؛ ماتریس ورودی را به آرایه NumPy تبدیل می‌کند.

پارامترنوعتوضیح
Marray-likeماتریس یا آرایه ورودی

ویژگی عمومی: .M — آرایه NumPy ماتریس.

detect_matrix()

نوع ماتریس را به‌همراه ابعاد آن تشخیص می‌دهد.

بازگشتی: tuple[str | None, tuple] — (نوع، shape)

نوعتوضیح
'null'تمام درایه‌ها صفر
'rectangular'ماتریس مستطیلی عمومی
'square'ماتریس مربعی غیرقطری
'diagonal'قطری با درایه‌های قطری ناهمگون
'scalar'قطری با درایه‌های قطری مساوی
'identity'قطری با درایه‌های قطری برابر ۱
'column'ماتریس ستونی (n×1)
'row'ماتریس سطری (1×n)

خطاها: ValueError اگر آرایه بیش از دو بعد داشته باشد.

python
>>> Matrix([[1, 0, 0], [0, 2, 0], [0, 0, 3]]).detect_matrix()
('diagonal', (3, 3))
>>> Matrix([[1, 0], [0, 1]]).detect_matrix()
('identity', (2, 2))
>>> Matrix([[0, 0], [0, 0]]).detect_matrix()
('null', (2, 2))
matrix_equal(B)

بررسی می‌کند آیا دو ماتریس از نظر شکل و محتوا کاملاً یکسان هستند.

پارامترنوعتوضیح
Barray-likeماتریس دوم برای مقایسه

بازگشتی: bool

python
>>> Matrix([[1, 2], [3, 4]]).matrix_equal([[1, 2], [3, 4]])
True
>>> Matrix([[1, 2]]).matrix_equal([[1, 2], [3, 4]])
False
Metrics معیارهای خطا ▸
mse(y_true, y_pred) [static]

میانگین مربع خطا (Mean Squared Error) را محاسبه می‌کند.

پارامترنوعتوضیح
y_truearray-likeمقادیر واقعی
y_predarray-likeمقادیر پیش‌بینی‌شده

بازگشتی: float | None — مقدار MSE، یا None اگر ابعاد ناهمخوان یا آرایه خالی باشند.

python
>>> Metrics.mse([3, -0.5, 2, 7], [2.5, 0.0, 2, 8])
0.375
rmse(mse_value) [static]

جذر میانگین مربع خطا (Root Mean Squared Error) را از مقدار MSE محاسبه می‌کند.

پارامترنوعتوضیح
mse_valuefloat | Noneمقدار MSE که قبلاً محاسبه شده

بازگشتی: float | None

python
>>> Metrics.rmse(0.375)
0.6123724356957945
Plots رسم نمودار ▸
show_plot(x, y) [static]

نمودار خطی ساده از داده‌های x و y رسم می‌کند.

python
>>> Plots.show_plot([1, 2, 3, 4], [1, 4, 9, 16])
True
show_scatter(x, y) [static]

نمودار پراکندگی (Scatter) ساده رسم می‌کند.

python
>>> Plots.show_scatter([1, 2, 3], [4, 5, 6])
True
comparison_plot(f_true, f_pred) [static]

نمودار مقایسه‌ای دو تابع را در بازه x ∈ [1, 10] با ۱۰۰ نقطه رسم می‌کند.

پارامترنوعتوضیح
f_truecallableتابع مرجع (برچسب truth)
f_predcallableتابع پیش‌بینی (برچسب guess)

بازگشتی: bool — پس از نمایش نمودار.

python
>>> Plots.comparison_plot(
...     f_true=lambda x: 2*x,
...     f_pred=lambda x: 3*x + 3,
... )
True
LinearRegression رگرسیون خطی ساده ▸
LinearRegression(df, x_name, y_name)

سازنده کلاس؛ مدل رگرسیون خطی ساده با فرمول بسته را روی ستون‌های دیتافریم می‌سازد.

پارامترنوعتوضیح
dfpandas.DataFrameدیتافریم ورودی
x_namestrنام ستون مستقل
y_namestrنام ستون وابسته

ویژگی‌های عمومی: t0 و t1 — ضرایب مدل.

python
>>> df = pd.DataFrame({'x': [1, 2, 3, 4, 5], 'y': [7, 4, 1, -2, -5]})
>>> model = LinearRegression(df, 'x', 'y')
>>> model.t0, model.t1
(10.0, -3.0)
coefficients()

ضرایب مدل را (دوباره) محاسبه می‌کند و خود شیء را برمی‌گرداند.

بازگشتی: LinearRegression — خود شیء (برای زنجیره‌سازی).

predict(x)

پیش‌بینی مقدار y برای ورودی x با استفاده از مدل آموزش‌دیده.

پارامترنوعتوضیح
xarray-like | scalarمقدار(های) مستقل

بازگشتی: ndarray | float

python
>>> model.predict(10)
-20.0
model_mse(x, y_true)

خطای MSE مدل را روی داده‌های ورودی محاسبه می‌کند.

بازگشتی: float | None

python
>>> model.model_mse([1, 2, 3, 4, 5], [7, 4, 1, -2, -5])
0.0
DataHandler مدیریت داده ▸
make_sample_dataset(n, seed=313) [static]

دیتاست نمونه از سن و قد با نویز مصنوعی می‌سازد و در فایل sample_dataset.csv ذخیره می‌کند.

پارامترنوعتوضیح
nintتعداد رکوردها
seedintبذر تصادفی (پیش‌فرض ۳۱۳)

بازگشتی: pandas.DataFrame

python
>>> df = DataHandler.make_sample_dataset(100)
>>> df.head()
read_or_make_csv(address, make_dataset_function, *args) [static]

اگر فایل CSV موجود باشد می‌خواند، در غیر این صورت با تابع داده‌شده آن را می‌سازد.

پارامترنوعتوضیح
addressstrمسیر فایل CSV
make_dataset_functioncallableتابع سازنده دیتاست
*argsanyآرگومان‌های ارسالی به تابع سازنده

بازگشتی: pandas.DataFrame

python
>>> df = DataHandler.read_or_make_csv(
...     "data.csv",
...     DataHandler.make_sample_dataset,
...     100,
... )
کاربردی

مثال‌های ترکیبی

چند سناریوی واقعی برای استفاده از MathTool.

مثال ۱ — تحلیل آماری یک مجموعه داده Stats

ترکیب توابع آمار توصیفی، بازه چبیشف و نرمال‌سازی برای تحلیل نمرات.

python
from math_tool import Stats

scores = [78, 85, 90, 92, 88, 75, 95, 82, 79, 91]
s = Stats(scores)

mean       = s.loc()
var        = s.variance()
std        = s.scale()
interval   = s.chebyshev(2)
normalized = s.norm()

print(f"میانگین: {mean:.2f}")
print(f"انحراف معیار: {std:.2f}")
print(f"بازه چبیشف (k=2): [{interval[0]:.2f}, {interval[1]:.2f}]")
print(f"داده‌های نرمال‌شده: {normalized.round(2)}")

مثال ۲ — ارزیابی یک مدل پیش‌بینی Metrics

محاسبه MSE و RMSE برای سنجش دقت پیش‌بینی مدل.

python
from math_tool import Metrics

y_true = [2.5, 3.1, 4.8, 5.2, 6.0]
y_pred = [2.4, 3.3, 4.5, 5.5, 5.9]

mse_val  = Metrics.mse(y_true, y_pred)
rmse_val = Metrics.rmse(mse_val)

print(f"MSE  = {mse_val:.4f}")
print(f"RMSE = {rmse_val:.4f}")

مثال ۳ — مشتق و رسم مقایسه derivative

محاسبه مشتق نمادین با SymPy و رسم مقایسه با تابع اصلی.

python
import sympy as sp
from math_tool import derivative, Plots

x = sp.Symbol('x')
f = x**3 - 3*x**2 + 2*x + 1

# مشتق نسبت به x
print(derivative(f, x))  # 3*x**2 - 6*x + 2

# رسم مقایسه با تابع اصلی
Plots.comparison_plot(
    f_true=sp.lambdify(x, f, 'numpy'),
    f_pred=lambda t: t**3 - 3*t**2 + 2*t + 1.5,
)

مثال ۴ — تشخیص نوع ماتریس در عمل Matrix

شناسایی خودکار انواع ماتریس با استفاده از detect_matrix.

python
from math_tool import Matrix

matrices = {
    "همانی":   [[1, 0, 0], [0, 1, 0], [0, 0, 1]],
    "اسکالر":  [[5, 0, 0], [0, 5, 0], [0, 0, 5]],
    "قطری":    [[1, 0, 0], [0, 2, 0], [0, 0, 3]],
    "پوچ":     [[0, 0], [0, 0]],
    "ستونی":   [[1], [2], [3]],
    "سطری":    [[1, 2, 3]],
    "مستطیلی": [[1, 2, 3], [4, 5, 6]],
}

for name, M in matrices.items():
    typ, shape = Matrix(M).detect_matrix()
    print(f"{name:12s} → {typ:12s} {shape}")
output
همانی        → identity     (3, 3)
اسکالر       → scalar       (3, 3)
قطری         → diagonal     (3, 3)
پوچ          → null         (2, 2)
ستونی        → column       (3, 1)
سطری         → row          (1, 3)
مستطیلی      → rectangular  (2, 3)

مثال ۵ — رگرسیون خطی روی دیتاست نمونه LinearRegression

ساخت دیتاست نمونه، آموزش مدل رگرسیون و پیش‌بینی.

python
from math_tool import DataHandler, LinearRegression, Plots

# ۱. ساخت یا خواندن دیتاست
df = DataHandler.read_or_make_csv(
    "sample_dataset.csv",
    DataHandler.make_sample_dataset,
    100,
)

# ۲. آموزش مدل
model = LinearRegression(df, "age", "height")
print(f"θ₀ = {model.t0:.3f}")
print(f"θ₁ = {model.t1:.3f}")

# ۳. پیش‌بینی برای سن ۳۰
print(model.predict(30))

# ۴. محاسبه خطای مدل
print(model.model_mse(df["age"], df["height"]))

# ۵. نمایش نمودار مقایسه
Plots.comparison_plot(
    f_true=lambda a: df["height"].mean(),
    f_pred=model.predict,
)
کیفیت

اجرای تست‌ها

کتابخانه دارای مجموعه تست واحد با unittest است.

bash
python -m unittest test_math_tool.py -v
💡 خروجی مورد انتظار: اجرای موفق ۶۲ تست بدون خطا. تست‌ها تمام کلاس‌ها و توابع کتابخانه را پوشش می‌دهند.
سازمان‌دهی

ساختار پروژه

Math-Tool/
Math-Tool/
├── math_tool.py         # هسته کتابخانه
├── test_math_tool.py    # مجموعه تست‌های واحد
├── requirements.txt     # وابستگی‌های پروژه
└── README.md            # مستندات پروژه

ساختار داخلی math_tool.py

math_tool.py
math_tool.py
│
├── Settings (class)
│   ├── is_empty()
│   ├── flat_and_array()
│   └── is_iter(x)             [static]
│
├── derivative(f, *symbols)    [function]
├── sigma(...)                 [function]
│
├── Stats (class)
│   ├── loc()
│   ├── variance()
│   ├── scale()
│   ├── norm()
│   └── chebyshev(k)
│
├── Plots (class)
│   ├── comparison_plot(f_true, f_pred)  [static]
│   ├── show_plot(x, y)                  [static]
│   └── show_scatter(x, y)               [static]
│
├── Matrix (class)
│   ├── detect_matrix()
│   └── matrix_equal(B)
│
├── Metrics (class)
│   ├── mse(y_true, y_pred)    [static]
│   └── rmse(mse_value)        [static]
│
├── LinearRegression (class)
│   ├── coefficients()
│   ├── predict(x)
│   └── model_mse(x, y_true)
│
└── DataHandler (class)
    ├── make_sample_dataset(n, seed=313)         [static]
    └── read_or_make_csv(address, make_fn, *args) [static]

فایل requirements.txt

requirements.txt
numpy>=1.20
pandas>=1.3
matplotlib>=3.4
sympy>=1.8
NumPy — محاسبات برداری Pandas — مدیریت داده SymPy — محاسبات نمادین Matplotlib — رسم نمودار