Takip et

NumPy ile Veri Analizi Başlangıç Rehberi

NumPy ile Veri Analizi Başlangıç Rehberi

Veri bilimi dünyasına adım atmak için Python’un güçlü kütüphanelerinden NumPy’yi öğrenmek son derece önemlidir. NumPy, N-boyutlu dizi nesneleri ve bu nesneler üzerinde çalışmak için fonksiyonlar sağlayan temel bir kütüphanedir. Bu rehberde, veri analizi için NumPy’nin temel özelliklerini ve kullanımını adım adım öğreneceğiz.

NumPy Kurulumu

NumPy’yi kullanmaya başlamadan önce, sisteminize kurmanız gerekir. Bunun için pip paket yöneticisini kullanabilirsiniz:

pip install numpy

Kurulum tamamlandıktan sonra, NumPy’i kodunuzda import ederek kullanmaya başlayabilirsiniz:

import numpy as np

Numpy Dizileri (Arrays)

NumPy’nin en önemli özelliği, N-boyutlu dizi nesneleridir (arrays). Bu diziler, aynı veri tipine sahip elemanlardan oluşan yapılardır. Örneğin, bir listeyi NumPy dizisine dönüştürmek için np.array() fonksiyonunu kullanabiliriz:

my_list = [1, 2, 3, 4, 5]
my_array = np.array(my_list)
print(my_array)

Ayrıca, belirli bir şekle sahip diziler de oluşturabiliriz:

zeros_array = np.zeros((3,4)) # 3 satır, 4 sütunluk sıfırlarla dolu dizi
ones_array = np.ones((2,2))   # 2 satır, 2 sütunluk birlerle dolu dizi
empty_array = np.empty((2,3)) # 2 satır, 3 sütunluk boş bir dizi (değerler rastgele olabilir)

Dizi İşlemleri

NumPy dizileri üzerinde birçok işlem gerçekleştirebiliriz. Örneğin, iki diziyi toplayabilir, çıkarabilir, çarpabilir veya bölebiliriz. Bu işlemler, eleman bazında yapılır:

array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
toplam = array1 + array2
fark = array1 - array2
carpim = array1 * array2
bolum = array1 / array2
print(toplam, fark, carpim, bolum)

Ayrıca, diziler üzerinde matematiksel fonksiyonlar da uygulayabiliriz. Örneğin, bir dizinin ortalamasını, standart sapmasını veya toplamını hesaplayabiliriz:

ortalama = np.mean(array1)
standart_sapma = np.std(array1)
toplam = np.sum(array1)
print(ortalama, standart_sapma, toplam)

Dizilerde Dilimleme (Slicing)

NumPy dizilerinde dilimleme işlemi, belirli bir aralıktaki elemanlara erişmemizi sağlar. Python listelerinde olduğu gibi, dilimleme için köşeli parantezler kullanılır:

dizi = np.array([10, 20, 30, 40, 50])
ilk_uc_eleman = dizi[:3]  # ilk üç elemanı alır
son_iki_eleman = dizi[3:] # son iki elemanı alır
orta_elemanlar = dizi[1:4] # 2. 3. ve 4. elemanları alır
print(ilk_uc_eleman, son_iki_eleman, orta_elemanlar)

Çok Boyutlu Diziler

NumPy, iki boyutlu (matrisler) ve daha yüksek boyutlu dizileri de destekler. Çok boyutlu dizilerde, dilimleme işlemi daha karmaşıktır ve her boyut için ayrı indeksler kullanılır:

matris = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
ilk_satir = matris[0]
ikinci_sutun = matris[:, 1] # tüm satırlar, 2. sütun
print(ilk_satir, ikinci_sutun)

NumPy Fonksiyonları

NumPy, veri analizi için birçok faydalı fonksiyon sağlar. Örneğin, verilerin şeklini değiştirmek, verileri sıralamak, verilerde arama yapmak gibi işlemler için NumPy fonksiyonlarını kullanabilirsiniz. Daha detaylı bilgi için NumPy dokümantasyonuna göz atabilirsiniz.

Örneğin, rastgele sayı üretmek için np.random modülünü kullanabiliriz:

rastgele_sayilar = np.random.rand(5) # 5 adet 0-1 arasında rastgele sayı üretir
print(rastgele_sayilar)

Sonuç

Bu rehberde, NumPy’nin veri analizi için temel özelliklerini inceledik. NumPy, verimli ve güçlü dizi işlemleri sağlayan bir kütüphanedir. Daha fazla bilgi edinmek ve daha gelişmiş özelliklerini keşfetmek için, NumPy dokümantasyonunu ve online kaynakları inceleyebilirsiniz. Veri bilimi yolculuğunuza fatihsoysal.com sitesinden daha fazla bilgi bularak devam edebilirsiniz.

#Etiketler: NumPy, veri analizi, Python, dizi, array, matris, data science, başlangıç rehberi, tutorial, eğitim, numpy array, numpy fonksiyonları, çok boyutlu diziler, dilimleme


Yorumlar
İçeriği beğendiniz mi? Bir tartışma başlatın veya görüşlerinizi paylaşın.
Yorum Yaz

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

E-posta Bülteni
Yazılım Topluluğuna Katılın
En son güncellemeleri, yaratıcı ipuçlarını ve özel kaynakları doğrudan e-posta kutunuza alın. Tasarım ve inovasyonun geleceğini birlikte keşfedelim.