Download NumPy: Creating and Manipulating Multi-dimensional Arrays in Python and more Study Guides, Projects, Research Data Analysis & Statistical Methods in PDF only on Docsity!
NumPy (Numerical Python), çok boyutlu dizilerle ve
matrislerle çalışmamızı sağlayan ve matematiksel
işlemler yapabileceğimiz Python dili
kütüphanelerindendir. Numpy bugünlerde veri
bilimciler tarafından fazlasıyla kullanılmakta.
Numpy ile matematiksel işlemler yapılabilir ve bu
işlemler, Python’un dahili dizilerini kullanarak
mümkün olana oranla daha verimli ve daha az
kodla yürütülür. NumPy paketinin temelinde,
ndarray nesnesi vardır. Bu, homojen veri türlerinin
n-boyutlu dizilerini kapsar ve birçok işlem
performans için derlenmiş kodda gerçekleştirilir.
NumPy dizileri ile standart Python dizileri arasında
bazı farklar var.
Standart Python listeleri dinamik olarak büyüyebilen
diziler iken, NumPy dizileri oluşturulurken sabit bir
boyuta sahiptir.Hatırlarsanız bir önceki yazı olan
veri yapıları yazısında listelerden bahsetmiştik ve
listelerde değişiklik yapabiliyorduk.Bir ndarray
boyutunu değiştirdiğinizde yeni bir dizi oluşturulur
ve orjinali silinir.
ndarray.ndim : Aksis (boyut) sayısını verir. Bu da
“rank” olarak adlandırılır.
ndarray.shape : Dizi boyutunu verir. a X b matrisi
(a,b) olarak döner.
ndarray.size : Dizideki eleman sayısını verir. Yani
a*b işleminin sonucudur.
ndarray.dtype : Dizideki eleman türünü döndürür.
import numpy as np #kütüpheyi kullanabilmek için import etmeliyiz a = np.arange(15).reshape(3, 5) #arange()metodu ile 0’dan 15’e kadar bir #dizi yaratıyoruz.reshape() metodu ile 3*5’lik bir matris şekillendirmiş #oluyoruz. a #oluşturduğumuz a array’ini görelim
array [[ 0, 1, 2, 3, 4], [ 5, 6, 7, 8, 9], [10, 11, 12, 13, 14]] a.shape #a’nın boyutları (3, 5) a.ndim #a’nın rankı 2 a.dtype.name #eleman türünü döndürmek istersek dtype(‘int32’) a.size #a’nın eleman sayısı 15 type(a) #oluşturduğumuz a array’inin türünü görmek istersek numpy.ndarray'
3*3 bir birim matris oluşturmamızı sağlar.
f = np.eye((3)) f
array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
Elemanları 0’dan 10’a kadar olan bir array
oluşturmamızı sağlar.
g = np.arange(10) g
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
0 ile 2 arasında bu sayılarda dahil olmak üzere 9
sayı oluşturduk.
h = np.linspace(0,2,9) h
array([0., 0.25, 0.5, 0.75, 1., 1.25, 1.50, 1.75, 2.])
Elemanlarının hepsi 5 olan 2*4 bir array
oluşturmamızı sağlar.
ı = np.ones((2,4))* ı
array([[5., 5., 5., 5.], [5., 5., 5., 5.]])
Elemanları aynı olan array oluşturmak için full()
metodunu da kullanabiliriz.(2,3) dizinin boyutunu
belirtirken, matrisin 8’lerden oluşmasını istedik.
k = np.full((2,3),8) k
array([[8, 8, 8], [8, 8, 8]])
0 ve 50 arasında 5 tane rastgele sayı üret
l = np.random.randint(0,50,5) l
array([1,39,36, 43, 1])
0 ile 1 arasında 5 random sayı üret.
m = np.random.rand(5) m
array([0.8251616,0.137013,0.43805667, 0.5694103, 0.59116609])
Eleman Seçme(Indeksleme)
Array elemanlarına onları düzenlemek, değiştirmek
veya başka işlemler uygulamak için erişmek
isteyebiliriz. Array’leri [ ] ile temsil
ediyoruz.Elemanlarına erişmek istediğimizde de
yine bunu kullanırız.
n_array = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9 ,10, 11, 12, 13 ,14]) n_array = n_array.reshape(3,5)#array’i 3*5 formatına getirdik n_array
array [[0, 1, 2, 3, 4], [5, 6, 7, 8, 9], [10,11,12,13,14]] n_array[0] #array 1.satırına ulaşmak istersek [0 1 2 3 4] n_array[0:2] #array 1.ve 2.satırını istersek [[0 1 2 3 4]
[5 6 7 8 9]] n_array[0][0] #array 1.satırın ilk elemanını yazdıralım
0
numpy_array.median() : ortayı verir.
numpy_array.var() : varyans bulur.
numpy_array.std() : standart sapmasını bulur.
num_array = np.array([[1,2], [5,6]]) print(num_array + num_array) #array toplamı
[[2,4], [10,12]] print(num_array + 2) #bir array'e bir sayı ekleme [[3,4], [7,8]] print(num_array - num_array)#array’ler için çıkarma işlemi [[0,0], [0,0]] print(num_array * num_array)#array’ler için çarpma işlemi [[1,4],
[25,36]] print(num_array * 3)#bir array’in bir sayıyla çarpımı
[[3,6], [15,18]] print(num_array / num_array)#array’ler için bölme işlemi [[1.,1.], [1.,1.]]
Transpoz Bulma
Matrislerin satırını sütun, sütunlarını satır yapmaya
transpoz alma işlemi denir.Bir array’in transpozu .T
ile bulunur.
list_array = np.array([[1,2], [4,5], [7,8]]) print(list_array.T)
[[1 4 7] [2 5 8]]
Matris Çarpımı
a1 matrisinin kolon sayısı a2 matrisinin satır
sayısına eşitse a1 x a2 çarpımı tanımlıdır.Bu koşul
çarpma işlemi için gerekli bir kısıtlamadır.Bu koşulu
sağlamayan iki matris çarpılmaz.a1 (3,2) bir
matrisken, a2 matrisi (2,2) matristir.Çarpım
sonucunun (3,2) bir matris olmasını bekliyoruz.
a1 = np.array([[1,2], [2,0], [3,1]]) a2 = np.array ([[4,3], [1,2]]) print(np.dot(a1,a2))
[[6,7], [8,6], [13,11]]
Matris Birleştirme
· Birleştirme işlemiyle, iki veya daha fazla matris
içeriğini tek bir dizide birleştirebiliriz.
· SQL’de tabloları bir anahtara göre birleştiriyoruz,
Numpy’da ise dizileri eksenlerle birleştiririz.
· Eksen açıkça belirtilmezse, 0 olarak kabul edilir.
a3 = np.array([[1,2], [2,0], [3,1]]) print(np.concatenate([numpy_array, numpy_array], axis =0)) #Satıra göre birleştirmek istersek, satır = 0
[[1,2] [2,0] [3,1] [1,2] [2,0] [3,1]] print(np.concatenate([numpy_array, numpy_array], axis =1)) #Sütuna göre birleştirme yapmak istersek, sütun = 1
