NumPy, Python’da say\u0131sal hesaplamalar i\u00e7in vazge\u00e7ilmez bir k\u00fct\u00fcphanedir. \u00d6zellikle b\u00fcy\u00fck veri k\u00fcmeleri ve bilimsel hesaplamalar s\u00f6z konusu oldu\u011funda, NumPy’nin sa\u011flad\u0131\u011f\u0131 y\u00fcksek performansl\u0131 dizi (array) objeleri ve bu diziler \u00fczerinde h\u0131zl\u0131 i\u015flemler yapabilme yetene\u011fi onu benzersiz k\u0131lar. Bu rehberde, NumPy’nin NumPy (Numerical Python), Python’da \u00e7ok boyutlu diziler ve matrislerle \u00e7al\u0131\u015fmak i\u00e7in temel bir pakettir. Bu diziler, listelerden \u00e7ok daha verimli bir \u015fekilde depolan\u0131r ve i\u015flenir, \u00e7\u00fcnk\u00fc C veya Fortran gibi d\u00fc\u015f\u00fck seviyeli dillerde optimize edilmi\u015f kodlarla desteklenirler. Bu sayede, milyonlarca eleman\u0131 olan diziler \u00fczerinde bile saniyeler i\u00e7inde karma\u015f\u0131k matematiksel i\u015flemler ger\u00e7ekle\u015ftirmek m\u00fcmk\u00fcn olur.<\/p>\n Tek bir say\u0131 i\u00e7in \u00c7\u0131kt\u0131:<\/strong><\/p>\n Bir NumPy dizisindeki her eleman\u0131n karek\u00f6k\u00fcn\u00fc almak i\u00e7in \u00c7\u0131kt\u0131:<\/strong><\/p>\n \u0130ki boyutlu diziler veya matrisler i\u00e7in de i\u015flem ayn\u0131 \u015fekilde element-wise olarak uygulan\u0131r.<\/p>\n \u00c7\u0131kt\u0131:<\/strong><\/p>\n G\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, NumPy dizilerinin elemanlar\u0131n\u0131n veri tipleri (dtype) \u00f6nemlidir. \u00c7\u0131kt\u0131:<\/strong><\/p>\n G\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, integer bir dizi verilse bile sonu\u00e7 Pozitif bir say\u0131n\u0131n iki reel karek\u00f6k\u00fc varken (\u00f6rne\u011fin 9’un karek\u00f6k\u00fc +3 ve -3’t\u00fcr, ancak \u00c7\u0131kt\u0131:<\/strong><\/p>\n Bu \u00e7\u0131kt\u0131, negatif bir say\u0131n\u0131n reel karek\u00f6k\u00fcn\u00fcn \u00c7\u0131kt\u0131:<\/strong><\/p>\n NumPy’nin Vekt\u00f6rizasyon, bir i\u015flemi bir veri dizisinin t\u00fcm elemanlar\u0131na ayn\u0131 anda uygulamak anlam\u0131na gelir. Geleneksel Python’da, bir dizinin her eleman\u0131 \u00fczerinde i\u015flem yapmak i\u00e7in bir \u015eimdi, b\u00fcy\u00fck bir dizi \u00fczerinde \u00d6rnek \u00c7\u0131kt\u0131 (s\u00fcreler sisteminize g\u00f6re de\u011fi\u015febilir):<\/strong><\/p>\n G\u00f6r\u00fcld\u00fc\u011f\u00fc \u00fczere, (Yukar\u0131daki \u00f6rnekte NumPy’nin 1. \n 2. Negatif bir say\u0131n\u0131n karek\u00f6k\u00fcn\u00fc al\u0131rsam ne olur?<\/strong><\/p>\n \n E\u011fer giri\u015f reel say\u0131 (integer veya float) tipindeyse, 3. \n Hay\u0131r, 4. \u00c7\u0131kt\u0131 dizisinin veri tipi ne olur?<\/strong><\/p>\n \n Genellikle, 5. \n <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"NumPy sqrt() – Matris Elemanlar\u0131n\u0131n Karek\u00f6k\u00fcn\u00fc Alma Rehberi\nNumPy, Python’da say\u0131sal hesaplamalar i\u00e7in vazge\u00e7ilmez bir k\u00fct\u00fcphanedir. \u00d6ze","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-33979","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nsqrt()<\/code> fonksiyonunu derinlemesine inceleyece\u011fiz. Bu fonksiyon, bir NumPy dizisinin veya tek bir say\u0131n\u0131n her bir eleman\u0131n\u0131n karek\u00f6k\u00fcn\u00fc almak i\u00e7in kullan\u0131l\u0131r ve bilimsel, m\u00fchendislik ve veri analizi alanlar\u0131nda yayg\u0131n olarak ihtiya\u00e7 duyulan bir i\u015flemdir.<\/p>\nNumPy ve np.sqrt() Nedir?<\/h3>\n
np.sqrt()<\/code> fonksiyonu, NumPy k\u00fct\u00fcphanesinin bir par\u00e7as\u0131d\u0131r ve kendisine verilen bir say\u0131n\u0131n veya bir NumPy dizisindeki her bir eleman\u0131n karek\u00f6k\u00fcn\u00fc hesaplar. Bu i\u015flem “element-wise” (eleman baz\u0131nda) olarak ger\u00e7ekle\u015ftirilir, yani fonksiyon dizi i\u00e7erisindeki her bir eleman\u0131 tek tek ele al\u0131r ve onun karek\u00f6k\u00fcn\u00fc bulur. Sonu\u00e7 olarak, orijinal diziyle ayn\u0131 boyutta ve \u015fekilde yeni bir dizi (veya tek bir say\u0131 i\u00e7in tek bir de\u011fer) d\u00f6nd\u00fcr\u00fcr.<\/p>\nnp.sqrt()<\/code>‘nin temel avantajlar\u0131 \u015funlard\u0131r:<\/p>\n\n
np.sqrt() Temel Kullan\u0131m\u0131<\/h3>\n
np.sqrt()<\/code> fonksiyonunun kullan\u0131m\u0131 olduk\u00e7a basittir. \u0130lk olarak NumPy k\u00fct\u00fcphanesini i\u00e7e aktarmam\u0131z gerekir. Ard\u0131ndan, karek\u00f6k\u00fcn\u00fc almak istedi\u011fimiz say\u0131y\u0131 veya NumPy dizisini fonksiyona arg\u00fcman olarak veririz.<\/p>\nTek Bir Say\u0131n\u0131n Karek\u00f6k\u00fcn\u00fc Alma<\/h4>\n
np.sqrt()<\/code> kullanmak m\u00fcmk\u00fcnd\u00fcr, ancak genellikle math.sqrt()<\/code> tercih edilir. NumPy’nin g\u00fcc\u00fc, dizilerle \u00e7al\u0131\u015f\u0131rken ortaya \u00e7\u0131kar.<\/p>\n\nimport numpy as np\n\nTek bir say\u0131n\u0131n karek\u00f6k\u00fc<\/h2>\nsayi = 25\nkarekok_sayi = np.sqrt(sayi)\nprint(f\"25'in karek\u00f6k\u00fc: {karekok_sayi}\")\n\nsayi_float = 16.0\nkarekok_sayi_float = np.sqrt(sayi_float)\nprint(f\"16.0'\u0131n karek\u00f6k\u00fc: {karekok_sayi_float}\")\n<\/code><\/pre>\n
\n25'in karek\u00f6k\u00fc: 5.0\n16.0'\u0131n karek\u00f6k\u00fc: 4.0\n<\/code><\/pre>\n1 Boyutlu Dizinin Karek\u00f6k\u00fcn\u00fc Alma<\/h4>\n
np.sqrt()<\/code>‘yi do\u011frudan dizi \u00fczerinde kullan\u0131r\u0131z.<\/p>\n\nimport numpy as np\n\n1 boyutlu bir dizi olu\u015fturma<\/h2>\ndizi_1d = np.array([4, 9, 16, 25, 36])\n\n
Dizinin elemanlar\u0131n\u0131n karek\u00f6k\u00fcn\u00fc alma<\/h2>\nkarekok_dizi_1d = np.sqrt(dizi_1d)\nprint(f\"Orijinal 1D dizi: {dizi_1d}\")\nprint(f\"Karek\u00f6kleri al\u0131nm\u0131\u015f 1D dizi: {karekok_dizi_1d}\")\n<\/code><\/pre>\n
\nOrijinal 1D dizi: [ 4 9 16 25 36]\nKarek\u00f6kleri al\u0131nm\u0131\u015f 1D dizi: [2. 3. 4. 5. 6.]\n<\/code><\/pre>\n2 Boyutlu Dizinin (Matrisin) Karek\u00f6k\u00fcn\u00fc Alma<\/h4>\n
\nimport numpy as np\n\n2 boyutlu bir matris olu\u015fturma<\/h2>\nmatris_2d = np.array([[1, 4, 9],\n [16, 25, 36],\n [49, 64, 81]])\n\n
Matrisin elemanlar\u0131n\u0131n karek\u00f6k\u00fcn\u00fc alma<\/h2>\nkarekok_matris_2d = np.sqrt(matris_2d)\nprint(f\"Orijinal 2D matris:\\n{matris_2d}\")\nprint(f\"\\nKarek\u00f6kleri al\u0131nm\u0131\u015f 2D matris:\\n{karekok_matris_2d}\")\n<\/code><\/pre>\n
\nOrijinal 2D matris:\n[[ 1 4 9]\n [16 25 36]\n [49 64 81]]\n\nKarek\u00f6kleri al\u0131nm\u0131\u015f 2D matris:\n[[1. 2. 3.]\n [4. 5. 6.]\n [7. 8. 9.]]\n<\/code><\/pre>\nnp.sqrt()<\/code> fonksiyonu, giri\u015fin boyutundan ba\u011f\u0131ms\u0131z olarak her elemana ayn\u0131 i\u015flemi uygulayarak yeni bir NumPy dizisi d\u00f6nd\u00fcr\u00fcr.<\/p>\nnp.sqrt() ile \u0130leri Seviye \u0130\u015flemler ve \u00d6zel Durumlar<\/h3>\n
np.sqrt()<\/code> sadece pozitif tam say\u0131larla de\u011fil, ayn\u0131 zamanda float say\u0131lar, negatif say\u0131lar ve hatta karma\u015f\u0131k say\u0131larla da \u00e7al\u0131\u015fabilir. Ancak bu durumlarda baz\u0131 \u00f6zel davran\u0131\u015flar sergiler.<\/p>\nVeri Tipleri (Data Types)<\/h4>\n
np.sqrt()<\/code> genellikle \u00e7\u0131kt\u0131y\u0131 float tipinde d\u00f6nd\u00fcr\u00fcr, \u00e7\u00fcnk\u00fc karek\u00f6k alma i\u015flemi \u00e7o\u011fu zaman ondal\u0131kl\u0131 say\u0131larla sonu\u00e7lan\u0131r.<\/p>\n\nimport numpy as np\n\nInteger dtype'a sahip dizi<\/h2>\ndizi_int = np.array([10, 20, 30], dtype=np.int32)\nkarekok_int = np.sqrt(dizi_int)\nprint(f\"Integer dizi karek\u00f6k\u00fc: {karekok_int}, dtype: {karekok_int.dtype}\")\n\n
Float dtype'a sahip dizi<\/h2>\ndizi_float = np.array([10.0, 20.0, 30.0], dtype=np.float32)\nkarekok_float = np.sqrt(dizi_float)\nprint(f\"Float dizi karek\u00f6k\u00fc: {karekok_float}, dtype: {karekok_float.dtype}\")\n<\/code><\/pre>\n
\nInteger dizi karek\u00f6k\u00fc: [3.16227766 4.47213595 5.47722558], dtype: float64\nFloat dizi karek\u00f6k\u00fc: [3.1622777 4.472136 5.477226 ], dtype: float32\n<\/code><\/pre>\nfloat64<\/code> olarak d\u00f6ner. E\u011fer giri\u015f float32<\/code> ise, \u00e7\u0131kt\u0131 da genellikle float32<\/code> olur.<\/p>\nNegatif Say\u0131larla \u00c7al\u0131\u015fma<\/h4>\n
sqrt<\/code> genellikle pozitif olan\u0131 d\u00f6nd\u00fcr\u00fcr), negatif bir say\u0131n\u0131n reel say\u0131lar k\u00fcmesinde karek\u00f6k\u00fc yoktur. NumPy, bu durumu nan<\/code> (Not a Number) olarak ele al\u0131r. Ancak, e\u011fer dizi karma\u015f\u0131k say\u0131 (complex) tipindeyse, np.sqrt()<\/code> karma\u015f\u0131k karek\u00f6k\u00fc hesaplar.<\/p>\n\nimport numpy as np\n\nNegatif say\u0131lar i\u00e7eren dizi<\/h2>\ndizi_negatif = np.array([4, -9, 16, -25])\nkarekok_negatif = np.sqrt(dizi_negatif)\nprint(f\"Negatif i\u00e7eren dizi karek\u00f6k\u00fc: {karekok_negatif}\")\n\n
Negatif say\u0131lar i\u00e7eren ve complex dtype'a sahip dizi<\/h2>\ndizi_complex = np.array([4, -9, 16, -25], dtype=np.complex64)\nkarekok_complex = np.sqrt(dizi_complex)\nprint(f\"Complex dtype ile negatif i\u00e7eren dizi karek\u00f6k\u00fc: {karekok_complex}\")\n<\/code><\/pre>\n
\nNegatif i\u00e7eren dizi karek\u00f6k\u00fc: [ 2. nan 4. nan]\nComplex dtype ile negatif i\u00e7eren dizi karek\u00f6k\u00fc: [2.+0.j 0.+3.j 4.+0.j 0.+5.j]\n<\/code><\/pre>\nnan<\/code> oldu\u011funu, ancak karma\u015f\u0131k say\u0131lar k\u00fcmesinde sqrt(-9)<\/code>‘un 3j<\/code> (veya 0+3j<\/code>) oldu\u011funu g\u00f6sterir. Bu, veri analizi yaparken dikkat edilmesi gereken \u00f6nemli bir detayd\u0131r. nan<\/code> de\u011ferlerini kontrol etmek i\u00e7in np.isnan()<\/code> fonksiyonunu kullanabilirsiniz.<\/p>\nout<\/code> Parametresi<\/h4>\nnp.sqrt()<\/code> fonksiyonu, hesaplama sonucunu belirli bir NumPy dizisine yazmak i\u00e7in out<\/code> parametresini kabul eder. Bu, \u00f6zellikle b\u00fcy\u00fck dizilerle \u00e7al\u0131\u015f\u0131rken ve bellek ay\u0131rma maliyetini azaltmak istedi\u011finizde faydal\u0131 olabilir.<\/p>\n\nimport numpy as np\n\ndizi_orijinal = np.array([100, 121, 144])\nsonuc_dizisi = np.empty_like(dizi_orijinal, dtype=np.float64) # Sonucu tutacak bo\u015f bir dizi olu\u015ftur\n\nnp.sqrt(dizi_orijinal, out=sonuc_dizisi)\nprint(f\"Orijinal dizi: {dizi_orijinal}\")\nprint(f\"Sonu\u00e7 dizisi (out parametresi ile): {sonuc_dizisi}\")\n<\/code><\/pre>\n\nOrijinal dizi: [100 121 144]\nSonu\u00e7 dizisi (out parametresi ile): [10. 11. 12.]\n<\/code><\/pre>\nNeden np.sqrt() Kullanmal\u0131y\u0131z? Performans ve Vekt\u00f6rizasyon<\/h3>\n
sqrt()<\/code> fonksiyonunun en b\u00fcy\u00fck avantajlar\u0131ndan biri, Python’\u0131n yerle\u015fik math.sqrt()<\/code> fonksiyonu veya manuel d\u00f6ng\u00fclerle kar\u015f\u0131la\u015ft\u0131r\u0131ld\u0131\u011f\u0131nda sa\u011flad\u0131\u011f\u0131 muazzam performans art\u0131\u015f\u0131d\u0131r. Bu performans fark\u0131, “vekt\u00f6rizasyon” ad\u0131 verilen bir prensipten kaynaklan\u0131r.<\/p>\nVekt\u00f6rizasyon Nedir?<\/h4>\n
for<\/code> d\u00f6ng\u00fcs\u00fc kullanman\u0131z gerekir. Bu d\u00f6ng\u00fcler, Python’\u0131n yorumlanm\u0131\u015f do\u011fas\u0131 gere\u011fi yava\u015f \u00e7al\u0131\u015fabilir. NumPy ise, temel matematiksel i\u015flemleri (karek\u00f6k alma gibi) C veya Fortran gibi derlenmi\u015f dillerde optimize edilmi\u015f kodlarla ger\u00e7ekle\u015ftirir. Bu sayede, Python katman\u0131nda d\u00f6ng\u00fc kurma ihtiyac\u0131n\u0131 ortadan kald\u0131r\u0131r ve t\u00fcm i\u015flemi tek bir optimize edilmi\u015f \u00e7a\u011fr\u0131 ile yapar.<\/p>\nPerformans Kar\u015f\u0131la\u015ft\u0131rmas\u0131<\/h4>\n
np.sqrt()<\/code> ile bir Python d\u00f6ng\u00fcs\u00fc ve math.sqrt()<\/code> kullanarak performans\u0131 kar\u015f\u0131la\u015ft\u0131ral\u0131m.<\/p>\n\nimport numpy as np\nimport math\nimport time\n\nboyut = 1_000_000 # 1 milyon elemanl\u0131 bir dizi\n\nNumPy dizisi olu\u015fturma<\/h2>\nnp_dizi = np.arange(1, boyut + 1, dtype=np.float64)\n\n
Python listesi olu\u015fturma<\/h2>\npy_listesi = list(range(1, boyut + 1))\n\nprint(f\"{boyut} elemanl\u0131 dizi \u00fczerinde performans kar\u015f\u0131la\u015ft\u0131rmas\u0131:\\n\")\n\n
Y\u00f6ntem 1: np.sqrt()<\/h2>\nbaslangic_np = time.time()\nsonuc_np = np.sqrt(np_dizi)\nbitis_np = time.time()\nprint(f\"NumPy np.sqrt() ile ge\u00e7en s\u00fcre: {bitis_np - baslangic_np:.6f} saniye\")\n\n
Y\u00f6ntem 2: Python d\u00f6ng\u00fcs\u00fc ve math.sqrt()<\/h2>\nsonuc_py = []\nbaslangic_py = time.time()\nfor x in py_listesi:\n sonuc_py.append(math.sqrt(x))\nbitis_py = time.time()\nprint(f\"Python d\u00f6ng\u00fcs\u00fc ve math.sqrt() ile ge\u00e7en s\u00fcre: {bitis_py - baslangic_py:.6f} saniye\")\n\n
Y\u00f6ntem 3: Python d\u00f6ng\u00fcs\u00fc ve np.sqrt() (yanl\u0131\u015f kullan\u0131m, sadece kar\u015f\u0131la\u015ft\u0131rma i\u00e7in)<\/h2>\n
Bu y\u00f6ntem, NumPy'nin avantaj\u0131n\u0131 kullanmaz ve yava\u015f olacakt\u0131r.<\/h2>\nsonuc_np_loop = []\nbaslangic_np_loop = time.time()\nfor x in np_dizi:\n sonuc_np_loop.append(np.sqrt(x)) # Tekil elemanlar \u00fczerinde np.sqrt \u00e7a\u011f\u0131rmak\nbitis_np_loop = time.time()\nprint(f\"Python d\u00f6ng\u00fcs\u00fc ve tekil np.sqrt() ile ge\u00e7en s\u00fcre: {bitis_np_loop - baslangic_np_loop:.6f} saniye\")\n<\/code><\/pre>\n
\n1000000 elemanl\u0131 dizi \u00fczerinde performans kar\u015f\u0131la\u015ft\u0131rmas\u0131:\n\nNumPy np.sqrt() ile ge\u00e7en s\u00fcre: 0.007823 saniye\nPython d\u00f6ng\u00fcs\u00fc ve math.sqrt() ile ge\u00e7en s\u00fcre: 0.170564 saniye\nPython d\u00f6ng\u00fcs\u00fc ve tekil np.sqrt() ile ge\u00e7en s\u00fcre: 0.281145 saniye\n<\/code><\/pre>\nnp.sqrt()<\/code> do\u011frudan kullan\u0131ld\u0131\u011f\u0131nda, Python d\u00f6ng\u00fcs\u00fcne k\u0131yasla katlarca daha h\u0131zl\u0131d\u0131r. Bu, \u00f6zellikle b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken kritik bir performans fark\u0131 yarat\u0131r. NumPy’nin g\u00fcc\u00fc, bu t\u00fcr element-wise i\u015flemlerin verimli bir \u015fekilde ger\u00e7ekle\u015ftirilmesinden gelir.<\/p>\nPratik Uygulamalar ve \u0130pu\u00e7lar\u0131<\/h3>\n
np.sqrt()<\/code> fonksiyonu, bir\u00e7ok farkl\u0131 bilimsel ve m\u00fchendislik alan\u0131nda temel bir ara\u00e7t\u0131r. \u0130\u015fte baz\u0131 pratik uygulamalar ve kullan\u0131\u015fl\u0131 ipu\u00e7lar\u0131:<\/p>\nPratik Uygulama Alanlar\u0131<\/h4>\n
\n
\n
\n
np.std()<\/code> fonksiyonu arka planda bu i\u015flemi yapar.<\/li>\n\n
\n
Kullan\u0131\u015fl\u0131 \u0130pu\u00e7lar\u0131<\/h4>\n
\n
nan<\/code> de\u011ferlerini istemiyorsan\u0131z, \u00f6ncelikle veriyi kontrol etmelisiniz. Negatif de\u011ferleri filtreleyebilir, mutlak de\u011ferini alabilir (np.abs()<\/code>) veya karma\u015f\u0131k say\u0131larla \u00e7al\u0131\u015fmay\u0131 d\u00fc\u015f\u00fcnebilirsiniz.\n\nimport numpy as np\nveri = np.array([4, -9, 16, -25, 36])\nNegatifleri 0 yaparak karek\u00f6k alma<\/h2>\nveri_pozitif = np.maximum(veri, 0)\nkarekok_guvenli = np.sqrt(veri_pozitif)\nprint(f\"G\u00fcvenli karek\u00f6k: {karekok_guvenli}\")\n <\/code><\/pre>\n<\/li>\n
np.isnan()<\/code> ile Kontrol:<\/strong> np.sqrt()<\/code>‘den sonra nan<\/code> de\u011ferlerinin olu\u015fup olu\u015fmad\u0131\u011f\u0131n\u0131 kontrol etmek i\u00e7in np.isnan()<\/code> kullan\u0131\u015fl\u0131d\u0131r.\n\nimport numpy as np\nsonuc = np.sqrt(np.array([1, -4, 9]))\nnan_var_mi = np.isnan(sonuc)\nprint(f\"Sonu\u00e7ta nan var m\u0131: {nan_var_mi}\") # [False True False]\n <\/code><\/pre>\n<\/li>\nout<\/code> parametresini kullanmak, yeni bir dizi olu\u015fturmak yerine mevcut bir diziye yazma imkan\u0131 sunar.<\/li>\nnp.seterr()<\/code> ile Hata Davran\u0131\u015f\u0131n\u0131 Ayarlama:<\/strong> NumPy, matematiksel hatalar (\u00f6rne\u011fin negatif say\u0131n\u0131n karek\u00f6k\u00fc) i\u00e7in varsay\u0131lan olarak bir uyar\u0131 (warning) verir ve nan<\/code> d\u00f6nd\u00fcr\u00fcr. Bu davran\u0131\u015f\u0131 np.seterr()<\/code> ile de\u011fi\u015ftirebilirsiniz (\u00f6rne\u011fin, hata f\u0131rlatmas\u0131n\u0131 sa\u011flamak i\u00e7in).\n\nimport numpy as np\nHata durumunda uyar\u0131 yerine 'hata' f\u0131rlatmas\u0131n\u0131 sa\u011fla<\/h2>\n
np.seterr(all='raise') # T\u00fcm hatalarda istisna f\u0131rlat<\/h2>\n\ntry:\n np.sqrt(np.array([-1]))\nexcept FloatingPointError as e:\n print(f\"Hata yakaland\u0131: {e}\")\nexcept RuntimeWarning as e:\n print(f\"Uyar\u0131 yakaland\u0131: {e}\")\nfinally:\n np.seterr(all='warn') # Varsay\u0131lan ayara geri d\u00f6n\n <\/code><\/pre>\n
np.seterr(all='raise')<\/code> aktif hale getirilirse FloatingPointError<\/code> yakalan\u0131r, aksi takdirde RuntimeWarning<\/code> verilir.)\n <\/li>\n<\/ul>\nSonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
sqrt()<\/code> fonksiyonu, Python’da bilimsel ve say\u0131sal hesaplamalar yapan herkes i\u00e7in temel bir ara\u00e7t\u0131r. Vekt\u00f6rize edilmi\u015f yap\u0131s\u0131 sayesinde, b\u00fcy\u00fck veri setleri \u00fczerinde element-wise karek\u00f6k alma i\u015flemlerini son derece h\u0131zl\u0131 ve verimli bir \u015fekilde ger\u00e7ekle\u015ftirir. Tekil say\u0131lardan \u00e7ok boyutlu matrislere kadar geni\u015f bir kullan\u0131m alan\u0131na sahiptir ve veri tipleri ile negatif say\u0131lar gibi \u00f6zel durumlar\u0131 y\u00f6netme esnekli\u011fi sunar. NumPy’nin g\u00fcc\u00fcn\u00fc anlamak ve np.sqrt()<\/code> gibi fonksiyonlar\u0131 do\u011fru kullanmak, veri analizi ve bilimsel ara\u015ft\u0131rmalar\u0131n\u0131zda \u00f6nemli performans kazan\u0131mlar\u0131 sa\u011flayacakt\u0131r.<\/p>\nS\u0131k\u00e7a Sorulan Sorular<\/h4>\n
np.sqrt()<\/code> ile math.sqrt()<\/code> aras\u0131ndaki temel fark nedir?<\/strong><\/p>\nmath.sqrt()<\/code> Python’\u0131n standart math<\/code> mod\u00fcl\u00fcne aittir ve yaln\u0131zca tek bir say\u0131sal de\u011ferin karek\u00f6k\u00fcn\u00fc almak i\u00e7in kullan\u0131l\u0131r. NumPy dizileriyle do\u011frudan \u00e7al\u0131\u015famaz. np.sqrt()<\/code> ise NumPy k\u00fct\u00fcphanesine aittir ve hem tekil say\u0131lar hem de NumPy dizilerinin (veya matrislerin) her bir eleman\u0131n\u0131n karek\u00f6k\u00fcn\u00fc almak i\u00e7in tasarlanm\u0131\u015ft\u0131r. np.sqrt()<\/code> vekt\u00f6rize oldu\u011fu i\u00e7in b\u00fcy\u00fck diziler \u00fczerinde math.sqrt()<\/code>‘yi bir d\u00f6ng\u00fc i\u00e7inde kullanmaktan kat kat daha h\u0131zl\u0131d\u0131r.\n<\/p>\nnp.sqrt()<\/code> negatif say\u0131lar\u0131n karek\u00f6k\u00fc i\u00e7in nan<\/code> (Not a Number) de\u011feri d\u00f6nd\u00fcr\u00fcr. E\u011fer giri\u015f dizisi complex<\/code> veri tipine sahipse veya np.sqrt()<\/code>‘ye verilen say\u0131 karma\u015f\u0131k bir say\u0131ysa, fonksiyon karma\u015f\u0131k karek\u00f6k\u00fc hesaplar (\u00f6rne\u011fin, sqrt(-9)<\/code> i\u00e7in 0.+3.j<\/code> d\u00f6nd\u00fcr\u00fcr).\n<\/p>\nnp.sqrt()<\/code> sadece matrisler i\u00e7in mi kullan\u0131l\u0131r?<\/strong><\/p>\nnp.sqrt()<\/code> sadece matrisler (2 boyutlu diziler) i\u00e7in de\u011fil, ayn\u0131 zamanda tekil say\u0131lar, 1 boyutlu diziler (vekt\u00f6rler) ve 3 veya daha fazla boyutlu NumPy dizileri i\u00e7in de kullan\u0131labilir. Temel prensip, her zaman “element-wise” (eleman baz\u0131nda) \u00e7al\u0131\u015fmas\u0131d\u0131r.\n<\/p>\nnp.sqrt()<\/code> fonksiyonunun \u00e7\u0131kt\u0131s\u0131 float64<\/code> veri tipine sahip olur. Giri\u015f dizisi integer olsa bile, karek\u00f6k alma i\u015flemi ondal\u0131kl\u0131 sonu\u00e7lar do\u011furabilece\u011fi i\u00e7in \u00e7\u0131kt\u0131 float’a d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. E\u011fer giri\u015f dizisi float32<\/code> gibi daha d\u00fc\u015f\u00fck hassasiyetli bir float tipindeyse, \u00e7\u0131kt\u0131 da ayn\u0131 hassasiyeti koruyabilir. Karma\u015f\u0131k say\u0131larla \u00e7al\u0131\u015f\u0131ld\u0131\u011f\u0131nda ise \u00e7\u0131kt\u0131 complex<\/code> veri tipinde olur.\n<\/p>\nnp.sqrt()<\/code> ile karek\u00f6k alma i\u015flemi neden bu kadar h\u0131zl\u0131?<\/strong><\/p>\nnp.sqrt()<\/code>‘nin h\u0131z\u0131, NumPy’nin “vekt\u00f6rizasyon” yetene\u011finden ve d\u00fc\u015f\u00fck seviyeli (C veya Fortran) optimize edilmi\u015f kodlar\u0131 kullanmas\u0131ndan kaynaklan\u0131r. Python’\u0131n yorumlanm\u0131\u015f d\u00f6ng\u00fcleri yerine, NumPy, t\u00fcm dizi elemanlar\u0131 \u00fczerinde tek bir optimize edilmi\u015f i\u015flem \u00e7a\u011fr\u0131s\u0131 yapar. Bu, CPU’nun SIMD (Single Instruction, Multiple Data) yeteneklerini kullanarak birden fazla veriyi ayn\u0131 anda i\u015fleyebilmesini sa\u011flar ve bellek eri\u015fimini optimize eder, bu da performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r.\n<\/p>\n