Veri Biliminde Python Kütüphaneleri: Numpy Kütüphanesi
- Diyar Kaya
- 6 Şub
- 3 dakikada okunur
Numpy Nedir?
Numpy, kendi tanımımca Python dilinde oluşturulmuş açılımı “Numerical Python” olan, diziler ve matrisler üzerinde üst düzey matemiksel işlemler yapmayı sağlayan bir kütüphanedir.
Numpy sitesine göre, Python'da bilimsel hesaplama için temel pakettir. Çok boyutlu bir dizi nesnesi, çeşitli türetilmiş nesneler (maskelenmiş diziler ve matrisler gibi) ve matematiksel, mantıksal, şekil manipülasyonu, sıralama, seçme, G / Ç, ayrık Fourier dönüşümleri, temel doğrusal cebir, temel istatistiksel işlemler, rastgele simülasyon ve çok daha fazlası dahil olmak üzere diziler üzerinde hızlı işlemler için çeşitli rutinler sağlayan bir Python kütüphanesidir.(1)
Numpy kütüphanesinin ana bileşeni “ndarray” objesidir.
Numpy nerelerde kullanılır?
NumPy, veri işleme, istatistik ve sayısal hesaplamalar gibi alanlarda yaygın olarak kullanılmaktadır. Aşağıda, bazı örnek kullanım alanlarını görebilirsiniz:
1. Veri İşleme: NumPy, veri işleme işlemlerinde kullanılabilir. Örneğin, veri temizleme için kullanabilirsiniz.
2. İstatistik: NumPy, istatistiksel işlemler için kullanılabilir. Örneğin, ortalama, standart sapma, varyans veya kovaryans gibi işlemler yapabilirsiniz.
3. Sayısal Hesaplama: NumPy, sayısal hesaplamalar için kullanılabilir. Örneğin, lineer cebir veya matris işlemleri yapabilirsiniz.
4. Machine Learning: NumPy dizileri, scikit-learn gibi makine öğrenimi kütüphanelerinde veya Tensorflow, Pytorch gibi deep learning kütüphanelerinde kullanılabilir. (2)
Numpy Kütüphanesinin Kullanımı
Öncelikle numpy kütüphanesini pip, paket yönetim aracı, kullanarak yükleyelim.
pip install numpyPaketimizin yükleme işlemi tamamlandıktan sonra paketi python’a import edelim.
import numpy as npDaha sonra bir matris oluşturalım.
"""Arrange() fonksiyonu yardımıyla 0 dan 11 e kadar bir dizi oluşturduk ve bu diziye reshape() fonksiyonu yardımı ile (3,4) matris olarak düzenledik."""dizi=np.arange(12).reshape(3,4) diziOutputarray([[ 0, 1, 2, 3], [ 4, 5, 6, 7], [ 8, 9, 10, 11]])Sonraki adımda bu matrise ait bilgileri çekmek için belli özellikler çekilmiştir:
"""Matrisin boyutunu çeker."""dizi.shape(3, 4)"""Boyut sayısını çeker."""dizi.ndim2"""Dizi veya matristeki toplam eleman sayısını çeker."""dizi.size12"""type() fonksiyonu verinin tipini döner."""type(dizi)numpy.ndarrayYukarıda NumPy ile basit bir kod yazarak bir dizi oluşturduk ve bu dizinin özelliklerini çektik.
Not: Jupyter notebook kullanılması sebebiyle print() fonksiyonu kullanılmamıştır.
NumPy’da Özellik ve Fonksiyonlar
Array Creation Functions (Array Yaratma Fonksiyonları)
NumPy’de dizi yaratma fonksiyonlarıdır.
array, zeros, zeros_like, ones, ones_like, empty, empty_like, arrange, linspace, random.Generator.random, random.Generator.normal, fromfunction, fromfile
Fonksiyonun üstüne tıklayarak o fonksiyonun kullanım şekline ve ne işe yaradığını görebilirsiniz.
NumPy Universal Functions (ufuncs)
Universal Functions (ufuncs), NumPy'de eleman bazlı işlemler yapan optimize edilmiş fonksiyonlardır. Diziler üzerinde hızlı ve vektörize matematiksel işlemler gerçekleştirmek için kullanılırlar.
all, any, apply_along_axis, argmax, argmin, argsort, average, bincount, ceil, clip, conj, corrcoef, cov, cross, cumprod, cumsum, diff, dot, floor, inner, invert, lexsort, max, maximum, mean, median, min, minimum, nonzero, outer, prod, re, round, sort, std, sum, trace, transpose, var, vdot, vectorize, where
NumPy Shape Manipulation (Şekil Manipülasyonu)
NumPy'de dizilerin boyutlarını değiştirmek veya yeniden şekillendirmek için çeşitli fonksiyonlar bulunur.
Stacking Arrays (Dizileri Üst Üste veya Yan Yana Birleştirme)
NumPy’de farklı dizileri birleştirmek için stacking (yığma) yöntemleri kullanılır.
hstack, vstack, column_stack, concatenate, c_, r_
Neden NumPy kullanmalıyım?
NumPy, büyük veri setleriyle hızlı ve verimli hesaplamalar yapmak için optimize edilmiş bir kütüphanedir. Python'un standart listelerine göre daha hızlıdır, daha az bellek kullanır ve vektörel işlemler sayesinde döngüleri minimize eder. Matris işlemleri, istatistiksel hesaplamalar ve bilimsel hesaplamalar için idealdir. Ayrıca, birçok makine öğrenimi ve veri bilimi kütüphanesi (Pandas, Scikit-Learn, TensorFlow) NumPy’yi temel alır, bu yüzden veri analizi ve yapay zeka çalışmalarında vazgeçilmezdir. 🚀
Kaynakça