☄ دقت در محاسبات عددی (Floating vs Decimal vs Fraction)

در اغلب زبان‌های برنامه‌نویسی، اعداد اعشاری از نوع Floating-point به‌صورت دودویی در حافظه ذخیره می‌شوند.
این یعنی در بسیاری از محاسبات، با مقادیر تقریبی سروکار داریم، نه عدد دقیق.

برای افزایش دقت:

می‌توان از Decimal استفاده کرد که خطای اعشاری را تا حد زیادی کاهش می‌دهد،

اما حتی Decimal هم در برخی سناریوهای خاص کاملاً بی‌نقص نیست.

📌 وقتی دقت ۱۰۰٪ اهمیت دارد (مثل محاسبات مالی، آماری یا ریاضی دقیق)،
بهترین انتخاب Fraction است.

که Fraction عدد را به‌صورت کسر منطقی (صورت/مخرج) ذخیره می‌کند، نه اعشار تقریبی؛
در نتیجه محاسبات:
. دقیق
. قابل پیش‌بینی
. بدون خطای اعشاری
انجام می‌شوند.

✅ خلاصه‌ی انتخاب

float → سریع ولی تقریبی

Decimal → دقیق‌تر، مناسب محاسبات حساس

Fraction → دقیق‌ترین گزینه برای محاسبات ایده‌آل


🧪 مثال

from decimal import Decimal
from fractions import Fraction

# float
print(0.1 + 0.2)
# خروجی: 0.30000000000000004

# Decimal
print(Decimal("0.1") + Decimal("0.2"))
# خروجی: 0.3

# Fraction
print(Fraction(1, 10) + Fraction(2, 10))
# خروجی: 3/10

📌 نکته مهم:

float
به‌خاطر نمایش دودویی دچار خطا می‌شود.

Decimal
باید با رشته (string) ساخته شود.

Fraction
نتیجه را دقیق و بدون خطا نگه می‌دارد


#numbers | #precision | #FloatingPoint | #Decimal | #Fraction | @Learnpythonicy

➿ کار با فایل‌های YAML در Python با کتابخانه PyYAML

کتابخانه PyYAML امکان کار آسان و مؤثر با فایل‌های YAML (YAML Ain’t Markup Language) را فراهم می‌کند. این فرمت معمولاً برای پیکربندی‌ها، تنظیمات و تبادل داده‌های ساختاریافته استفاده می‌شود.

import yaml

# داده‌ای که می‌خواهیم در فایل ذخیره کنیم
data_to_write = {'name': 'علی', 'age': 25, 'city': 'تهران'}

# نوشتن داده در فایل YAML
with open('example.yaml', 'w') as file:
    yaml.dump(data_to_write, file, default_flow_style=False)

# خواندن داده از فایل YAML
with open('example.yaml', 'r') as file:
    loaded_data = yaml.safe_load(file)
    print(f"داده‌های بارگذاری شده: {loaded_data}")

خروجی فایل example.yaml:

age: 25
city: تهران
name: علی

در این مثال، ما دیکشنری data_to_write را در فایل example.yaml ذخیره کرده و سپس داده‌ها را دوباره در متغیر loaded_data بارگذاری می‌کنیم.

کتابخانه PyYAML ابزار ساده و خوانایی برای کار با داده‌های YAML در Python فراهم می‌کند. چه برای ذخیره پیکربندی‌ها، چه تبادل داده‌های ساختاریافته، PyYAML باعث می‌شود کد شما خوانا و آسان برای استفاده باشد. 🙂‍↔️

#yaml | #pyyaml | @learnpythonicy

این تست واقعاً ذهن آدمو درگیر می‌کنه 😈

اول فکر کن خروجی این کد چیه؟ 🤯 و بعد توضیحات و بخون!


Output: [[1, 3], [2], [1, 3]]

❓چرا اینطور شد

- خط ۲: append روی لیست مشترک، همه رو [1] می‌کنه
- خط ۳: x[1] + [2] یه لیست جدیــد می‌سازه و به x[1] نسبت داده می‌شه ← دیگه با بقیه مشترک نیست، میشه [2]
- خط ۴: extend روی لیست مشترک (که هنوز x[0] و x[2] بهش وصله) عدد ۳ رو اضافه می‌کنه ← هر دو می‌شن [1, 3]

🔥نکته تستیِ پست
عملگر + همیشه یه لیست جدید می‌سازه، در حالی که append و extend روی لیست موجود تغییر اعمال می‌کنند!

🎯 سوال
اگه به جای x[1] = x[1] + [2] می‌نوشتیم x[1].append(2) چی میشد؟ 🤔👇

#تست_تایم | @learnpythonicy

⛔️🚫⛔️🚫⛔️🚫⛔️🚫

. دوست دارید پست‌ها چه مدلی باشه؟
. تو چه حیطه‌ای از پایتون؟
. در چه سطحی باشه؟
و...
پیشنهاد و نظراتتون و دریغ نکنید از من! 💝🙏

کامنت کنید یا ناشناس بفرستید.
@learnpythonicyBot

✔️ مدیریت فایل‌ها در پایتون با ۷ روش حرفه‌ای!

برای کار با فایل‌ها در پایتون، این تکنیک‌های کاربردی را امتحان کنید:

1️⃣ باز کردن و خواندن فایل

with open('file.txt', 'r') as f:
    content = f.read()
print(content)

2️⃣ نوشتن در فایل

with open('file.txt', 'w') as f:
    f.write("سلام دنیا!")

3️⃣ افزودن به فایل

with open('file.txt', 'a') as f:
    f.write("\nخط جدید")

4️⃣ خواندن خط به خط

with open('file.txt', 'r') as f:
    for line in f:
        print(line.strip())

5️⃣ بررسی وجود فایل

import os
print(os.path.exists('file.txt'))  # True یا False

6️⃣ حذف فایل

import os
os.remove('file.txt')

7️⃣ مدیریت مسیرها با pathlib

from pathlib import Path
path = Path('file.txt')
print(path.exists())
print(path.read_text())

🗝 روش ویژه: خواندن و نوشتن فایل‌های CSV با pandas

import pandas as pd
df = pd.read_csv('data.csv')
print(df.head())
df.to_csv('output.csv', index=False)

نکات طلایی

* همیشه از with برای مدیریت فایل استفاده کنید
* برای مسیرهای پیچیده از pathlib کمک بگیرید
* برای داده‌های جدولی از pandas بهره ببرید

#PythonMagic | #FileHandling | #pathlib | #pandas | @learnpythonic

> *برای ذخیره‌سازی، تحلیل داده و اتوماسیون کاربرد دارد*

✔️ کار با لیست‌ها در پایتون با ۷ روش حرفه‌ای!

برای مدیریت لیست‌ها و داده‌های متوالی، این تکنیک‌های کاربردی را امتحان کنید:

1️⃣ ایجاد لیست

fruits = ['apple', 'banana', 'cherry']
print(fruits)

2️⃣ اضافه کردن عنصر

fruits.append('orange')
print(fruits)

3️⃣ درج عنصر در موقعیت خاص

fruits.insert(1, 'kiwi')
print(fruits)

4️⃣ حذف عنصر

fruits.remove('banana')
print(fruits)

5️⃣ دسترسی به عناصر با ایندکس

print(fruits[0])  # اولین عنصر
print(fruits[-1]) # آخرین عنصر

6️⃣ مرتب‌سازی لیست

numbers = [5, 2, 9, 1]
numbers.sort()
print(numbers)

7️⃣ لیست‌ها با فهم لیست (List Comprehension)

squares = [x**2 for x in range(5)]
print(squares)

🗝 روش ویژه: تبدیل لیست به آرایه NumPy

import numpy as np
arr = np.array([1, 2, 3, 4])
print(arr * 2)

نکات طلایی

* برای اضافه و حذف عنصر از append و remove استفاده کنید
* List comprehension کد شما را کوتاه و خواناتر می‌کند
* برای محاسبات عددی بزرگ، لیست‌ها را به NumPy array تبدیل کنید

#PythonMagic | #NumPy | #List | @learnpythonicy

✔️ 10 Python Set Tricks You Should Know! 🐍✨


1️⃣ ساخت Set یکتا از لیست

unique_items = set([1, 2, 2, 3, 4])

2️⃣ افزودن آیتم

my_set.add(5)

3️⃣ حذف آیتم بدون خطا

my_set.discard(10)  # Error نمی‌دهد

4️⃣ اجتماع دو مجموعه (Union)

result = set1 | set2

5️⃣ اشتراک دو مجموعه (Intersection)

common = set1 & set2

6️⃣ تفاضل مجموعه‌ها (Difference)

diff = set1 - set2

7️⃣ بررسی زیرمجموعه بودن

if set1 <= set2:
    print("Subset")

8️⃣ حذف آیتم تصادفی

item = my_set.pop()

9️⃣ ساخت Set Comprehension

squares = {x**2 for x in range(5)}

🔟 حذف آیتم‌های تکراری از رشته

unique_chars = set("programming")

> ⚠️ ست ها(set) فوق‌العاده سریع هستند (O(1) average lookup)، اما ترتیب را حفظ نمی‌کنند!


#Set | #PythonTricks | #DataStructures | @LearnPythonicy

👇 بیشتر از کدوم عملیات Set در پروژه‌هات استفاده می‌کنی؟

✔️ 10 Python Async & Concurrency Tricks You Should Know! ⚡🐍


1️⃣ اجرای تابع async

import asyncio

async def main():
    print("Hello Async")

asyncio.run(main())

2️⃣ اجرای همزمان چند Task

async def task(n):
    await asyncio.sleep(1)
    return n

results = await asyncio.gather(task(1), task(2))

3️⃣ ایجاد Task در پس‌زمینه

task = asyncio.create_task(task(3))

4️⃣ محدود کردن همزمانی با Semaphore

sem = asyncio.Semaphore(3)

async with sem:
    await some_io()

5️⃣ Timeout برای جلوگیری از Hang

await asyncio.wait_for(task(1), timeout=2)

6️⃣ اجرای کد Blocking داخل Async

loop = asyncio.get_running_loop()
result = await loop.run_in_executor(None, blocking_func)

7️⃣ استفاده از ThreadPoolExecutor

from concurrent.futures import ThreadPoolExecutor

8️⃣ استفاده از ProcessPool برای CPU-Bound

from concurrent.futures import ProcessPoolExecutor

9️⃣ مدیریت Race Condition با Lock

lock = asyncio.Lock()

async with lock:
    shared_resource += 1

🔟 Async HTTP Requests با aiohttp

import aiohttp

async with aiohttp.ClientSession() as session:
    async with session.get("https://api.example.com") as resp:
        data = await resp.json()

> ⚠️ نکته: Async برای I/O-Bound فوق‌العاده است، اما برای CPU-Bound از multiprocessing استفاده کن.



#AsyncIO #Concurrency #Backend #Performance #PythonTricks

👇 تو پروژه‌هات بیشتر با I/O-Bound سروکار داری یا CPU-Bound؟

سالتون پُرپول، پُرموفقیت و شادی باشه 🦦❤️

بعد دوماه

✔️ کار با لیست‌ها در پایتون با ۷ روش حرفه‌ای!

برای مدیریت لیست‌ها و داده‌های متوالی، این تکنیک‌های کاربردی را امتحان کنید:

1️⃣ ایجاد لیست

fruits = ['apple', 'banana', 'cherry']
print(fruits)

2️⃣ اضافه کردن عنصر

fruits.append('orange')
print(fruits)

3️⃣ درج عنصر در موقعیت خاص

fruits.insert(1, 'kiwi')
print(fruits)

4️⃣ حذف عنصر

fruits.remove('banana')
print(fruits)

5️⃣ دسترسی به عناصر با ایندکس

print(fruits[0]) # اولین عنصر
print(fruits[-1]) # آخرین عنصر

6️⃣ مرتب‌سازی لیست

numbers = [5, 2, 9, 1]
numbers.sort()
print(numbers)

7️⃣ لیست‌ها با فهم لیست (List Comprehension)

squares = [x**2 for x in range(5)]
print(squares)

🗝 روش ویژه: تبدیل لیست به آرایه NumPy

import numpy as np
arr = np.array([1, 2, 3, 4])
print(arr * 2)

#PythonMagic | #NumPy | #list | @learnpythonicy

🔴 چالش ۳۰ روزه Python for AI

اگر قصد ورود به دنیای هوش مصنوعی، یادگیری ماشین و Data Science را دارید، این چالش برای شماست.

در طول ۳۰ روز آینده با حل تمرین‌های روزانه:

✅ مهارت حل مسئله با پایتون را تقویت می‌کنید

✅ با ابزارهای Data Science آشنا می‌شوید

✅ مدل‌های Machine Learning خود را می‌سازید

✅ چند پروژه مناسب GitHub و رزومه خواهید داشت

مسیر چالش:

📍 هفته اول
تفکر برنامه‌نویسی و حل مسئله با Python

📍 هفته دوم
پروژه‌های کاربردی و تحلیل داده

📍 هفته سوم
ورود به Data Science با NumPy ،Pandas و Visualization

📍 هفته چهارم
ورود عملی به Machine Learning و AI

🏆 پروژه‌های پایانی:

• Student Analytics System

• Sales Data Analyzer

• Titanic Data Analysis

• House Price Prediction

🎯 بسته به میزان مشارکت، فعالیت و همراهی اعضا، سطح پروژه‌ها می‌تواند ارتقا پیدا کند و پروژه‌های پیشرفته‌تر و نزدیک‌تر به پروژه‌های واقعی AI به چالش اضافه شوند.

🎯 خروجی نهایی:

• تسلط بیشتر بر Python

• آشنایی عملی با Data Science

• ورود به Machine Learning

• چند پروژه قابل انتشار در GitHub

⏰ هر روز ساعت ۲۰ چالش جدید منتشر می‌شود.

شما تا ساعت ۱۹:۵۹ روز بعد فرصت دارید پاسخ خود را ارسال کنید.

💡 در صورت نیاز Hint ارائه خواهد شد.
💡 پاسخ کامل روز بعد همراه با چالش جدید منتشر می‌شود.

🔥 غیبت = از دست دادن زنجیره یادگیری

📢 روز یکم از چالش ۳۰ روزه Python for AI

#Day1

🎯 موضوع:
Variables + Input + Basic Calculations

⭐ سطح:
مبتدی

⏳ زمان تخمینی:
10 تا 20 دقیقه

📝 صورت مسئله:

فرض کنید می‌خواهیم اولین بخش یک Student Analytics System را طراحی کنیم.

دیتای زیر را در برنامه خود قرار دهید:

students = {
    "Ali": {"credits": 70, "gpa": 17.8},
    "Sara": {"credits": 95, "gpa": 18.5},
    "Reza": {"credits": 40, "gpa": 15.2},
    "Nima": {"credits": 120, "gpa": 18.1},
    "Parsa": {"credits": 55, "gpa": 16.4},
    "Arman": {"credits": 80, "gpa": 17.1},
    "Mina": {"credits": 140, "gpa": 19.0},
    "Ava": {"credits": 35, "gpa": 16.8},
    "Yasmin": {"credits": 110, "gpa": 18.7},
    "Amir": {"credits": 65, "gpa": 15.9}
}

برنامه باید:

1️⃣ نام دانشجو را از کاربر دریافت کند.

2️⃣ اطلاعات دانشجو را نمایش دهد:

- Name
- Credits Passed
- GPA
- Remaining Credits
- Progress Percentage

*فرض کنید برای فارغ‌التحصیلی به 140 واحد نیاز است.
( اگر دانشجو 140 واحد یا بیشتر گذرانده باشد:
Status: Graduated
در غیر این صورت:
Status: In Progress
)

📌 نمونه خروجی:

Enter student name: Ali

Name: Ali
Credits Passed: 70
GPA: 17.8
Remaining Credits: 70
Progress: 50%

📋 قوانین:

✅ خروجی‌ها و نام متغیرها به زبان انگلیسی باشند.

❌ استفاده از ChatGPT فقط برای گرفتن Hint مجاز است، نه دریافت کد کامل 🫪

💡 اگر مبتدی هستی
نگران نباش. هدف این چالش یادگیری و پیشرفت روزانه است، نه کامل بودن.

❓ اگر به راهنمایی نیاز داشتی
راه ارتباطی فراوانه (کامنت،گروه، بات)
@learnpythonicychat
@learnpythonicyBot

⏰ مهلت ارسال پاسخ
فردا ساعت 20:00

فردا علاوه بر انتشار پاسخ رسمی، چالش Day 2 را هم میزارم.

🧡🔥 تغییرات بزرگ یک شبه اتفاق نمی‌افتند.

اگر نت دوباره ملی شد خدایی نکرده
ایتا هستیم 🧌
https://eitaa.com/learnpythonicy

✅ پاسخ چالش Day 1

یکی از راه‌حل‌های ممکن:

students = {
    "Ali": {"credits": 70, "gpa": 17.8},
    "Sara": {"credits": 95, "gpa": 18.5},
    "Reza": {"credits": 40, "gpa": 15.2},
    "Nima": {"credits": 120, "gpa": 18.1},
    "Parsa": {"credits": 55, "gpa": 16.4},
    "Arman": {"credits": 80, "gpa": 17.1},
    "Mina": {"credits": 140, "gpa": 19.0},
    "Ava": {"credits": 35, "gpa": 16.8},
    "Yasmin": {"credits": 110, "gpa": 18.7},
    "Amir": {"credits": 65, "gpa": 15.9}
}

student_name = input("Enter student name: ")

credits = students[student_name]["credits"]
gpa = students[student_name]["gpa"]

remaining_credits = 140 - credits
progress_percentage = (credits / 140) * 100

if credits >= 140:
    status = "Graduated"
else:
    status = "In Progress"

print("\nStudent Information")
print("-------------------")
print("Name:", student_name)
print("Credits Passed:", credits)
print("GPA:", gpa)
print("Remaining Credits:", remaining_credits)
print(f"Progress: {progress_percentage:.2f}%")
print("Status:", status)

📚 مفاهیمی که در این چالش تمرین کردیم:

✅ Variables

✅ User Input

✅ Dictionary

✅ Nested Dictionary Access

✅ Basic Calculations

✅ Conditional Statements (if/else)

✅ Formatted Output

💡 نکته:

اگر نام دانشجویی وارد شود که در دیتاست وجود ندارد، برنامه خطا می‌دهد. در چالش‌های آینده یاد می‌گیریم چطور این خطاها را مدیریت کنیم.

🔥 اگر راه‌حل متفاوتی نوشتید، در کامنت‌ها ارسال کنید. گاهی چندین راه‌حل مختلف برای یک مسئله وجود داره و دیدن روش‌های دیگه می‌تونه آموزنده باشه.

🔜 آماده چالش Day 2 باشید...

🔥 چالش ۳۰ روزه Python for AI

#Day2

🎯 موضوع:
Conditional Statements (if / elif / else)

⭐ سطح:
مبتدی

⏳ زمان تخمینی:
10 تا 25 دقیقه

📝 صورت مسئله:

در بسیاری از سیستم‌های AI و Data Analytics، قبل از تحلیل داده‌ها باید آن‌ها را دسته‌بندی کنیم.

فرض کنید می‌خواهیم دانشجویان را بر اساس معدل طبقه‌بندی کنیم.

برنامه‌ای بنویسید که:

1️⃣ نام دانشجو را از کاربر دریافت کند.

2️⃣ اطلاعات دانشجو را از دیتاست زیر پیدا کند.

3️⃣ علاوه بر نمایش اطلاعات، وضعیت تحصیلی او را نیز تعیین کند.

students = {
    "Ali": {"credits": 70, "gpa": 17.8},
    "Sara": {"credits": 95, "gpa": 18.5},
    "Reza": {"credits": 40, "gpa": 15.2},
    "Nima": {"credits": 120, "gpa": 18.1},
    "Parsa": {"credits": 55, "gpa": 16.4},
    "Arman": {"credits": 80, "gpa": 17.1},
    "Mina": {"credits": 140, "gpa": 19.0},
    "Ava": {"credits": 35, "gpa": 16.8},
    "Yasmin": {"credits": 110, "gpa": 18.7},
    "Amir": {"credits": 65, "gpa": 15.9}
}

📌 Academic Level

اگر GPA برابر یا بیشتر از 18 بود:

Excellent

اگر GPA بین 16 و 18 بود:

Good

اگر GPA بین 14 و 16 بود:

Average

اگر GPA کمتر از 14 بود:

Needs Improvement

📌 نمونه خروجی:

Enter student name: Sara

Name: Sara
GPA: 18.5
Academic Level: Excellent

🎯 Bonus Challenge

علاوه بر Academic Level مشخص کنید آیا به دانشجو اسکالرشیپ تعلق می‌گیرد یا خیر:

Eligible for Scholarship

شرط بورسیه:

- GPA >= 18
- Credits >= 90

💡 اگر مبتدی هستید:

ابتدا روی بخش Academic Level تمرکز کنید و سپس Bonus را انجام دهید.

❓ اگر به راهنمایی نیاز داشتید:

در کامنت‌ها سؤال بپرسید یا از طریق بات پیام ارسال کنید.

⏰ مهلت ارسال پاسخ:
فردا ساعت 20:00

🔺 امروز داریم اولین قدم‌های واقعی در دسته‌بندی داده‌ها (Classification Logic) را تمرین می‌کنیم؛ مفهومی که بعدها در Machine Learning بسیار مهم خواهد بود.

✅ پاسخ چالش Day 2
یکی از راه‌حل‌های ممکن:

students = {
    "Ali": {"credits": 70, "gpa": 17.8},
    "Sara": {"credits": 95, "gpa": 18.5},
    "Reza": {"credits": 40, "gpa": 15.2},
    "Nima": {"credits": 120, "gpa": 18.1},
    "Parsa": {"credits": 55, "gpa": 16.4},
    "Arman": {"credits": 80, "gpa": 17.1},
    "Mina": {"credits": 140, "gpa": 19.0},
    "Ava": {"credits": 35, "gpa": 16.8},
    "Yasmin": {"credits": 110, "gpa": 18.7},
    "Amir": {"credits": 65, "gpa": 15.9}
}

student_name = input("Enter student name: ").strip().title()

if student_name in students:
    credits = students[student_name]["credits"]
    gpa = students[student_name]["gpa"]

    if gpa >= 18:
        academic_level = "Excellent"
    elif gpa >= 16:
        academic_level = "Good"
    elif gpa >= 14:
        academic_level = "Average"
    else:
        academic_level = "Needs Improvement"

    if gpa >= 18 and credits >= 90:
        scholarship = "Eligible for Scholarship"
    else:
        scholarship = "Not Eligible for Scholarship"

    print("\nStudent Information")
    print("-------------------")
    print("Name:", student_name)
    print("Credits Passed:", credits)
    print("GPA:", gpa)
    print("Academic Level:", academic_level)
    print("Scholarship:", scholarship)

else:
    print("Student not found")

📚 مفاهیمی که در این چالش تمرین کردیم:
✅ Variables
✅ User Input
✅ Dictionary
✅ Nested Dictionary Access
✅ Conditional Statements
✅ if / elif / else
✅ Comparison Operators
✅ Logical Operator and
✅ Classification Logic
✅ Formatted Output
💡 نکته:
در این چالش با استفاده از شرط‌ها، دانشجویان را بر اساس GPA دسته‌بندی کردیم. این نوع منطق شرطی، پایه‌ای‌ترین شکل Classification است و در مراحل بعدی یادگیری Machine Learning کاربرد زیادی دارد.

🎁 Bonus:
برای بررسی بورسیه، دو شرط را هم‌زمان بررسی کردیم:
GPA >= 18
Credits >= 90
اگر هر دو شرط درست باشند، دانشجو واجد شرایط Scholarship خواهد بود.

🔥 اگر راه‌حل متفاوتی نوشتید، در کامنت‌ها ارسال کنید. گاهی چندین راه‌حل مختلف برای یک مسئله وجود داره و دیدن روش‌های دیگه می‌تونه آموزنده باشه.
🔜 آماده چالش Day 3 باشید...

🔥 چالش ۳۰ روزه Python for AI

#Day3

🎯 موضوع:
Loops (for)

⭐ سطح:
مبتدی تا متوسط

⏳ زمان تخمینی:
15 تا 30 دقیقه

📝 صورت مسئله:

در سیستم‌های تحلیلی معمولاً لازم است همه داده‌ها را بررسی کنیم.

دیتاست زیر را در برنامه قرار دهید:

students = {
    "Ali": {"credits": 70, "gpa": 17.8},
    "Sara": {"credits": 95, "gpa": 18.5},
    "Reza": {"credits": 40, "gpa": 15.2},
    "Nima": {"credits": 120, "gpa": 18.1},
    "Parsa": {"credits": 55, "gpa": 16.4},
    "Arman": {"credits": 80, "gpa": 17.1},
    "Mina": {"credits": 140, "gpa": 19.0},
    "Ava": {"credits": 35, "gpa": 16.8},
    "Yasmin": {"credits": 110, "gpa": 18.7},
    "Amir": {"credits": 65, "gpa": 15.9}
}

برنامه باید:

✅ تعداد کل دانشجویان را نمایش دهد.

✅ میانگین GPA را محاسبه کند.

✅ دانشجویی با بیشترین GPA را پیدا کند.

✅ دانشجویی با کمترین GPA را پیدا کند.

📌 نمونه خروجی:

Total Students: 10
Average GPA: 17.54

Top Student: Mina (19.0)
Lowest GPA: Reza (15.2)

🎯 Bonus Challenge

تعداد دانشجویانی که GPA آن‌ها بیشتر یا مساوی 18 است را محاسبه کنید.

📋 نکته:
برای حل این مسئله باید روی تمام دانشجویان Loop بزنید.

⏰ مهلت ارسال پاسخ:
فردا ساعت 20:00