Python 117 - Numpy 2

Python 117 - Numpy 2

Merhabalar,

Önceki hafta değindiğimiz gibi, NumPy dizilerle (array) çalışmak üzere geliştirilmiş bir Python kütüphanesi. Buradaki yeteneklerimizi biraz daha sistematik bir yaklaşımla geliştirmeyi düşünerek bugün NumPy kütüphanesine ikinci ziyaretimizi yapıyoruz.

NumPy da dizi (array) oluşturma

NumPy'da bir dizi oluşturmak için array() fonksiyonu kullanılır. Bu fonksiyona bir list, tuple ya da benzeri bir veri yazıldığında bize bir dizi verecektir. İlk 3 doğal sayıdan oluşan bir listeyi ve ardından tuple'ı NumPy dizisine çevirelim:

  import numpy as np
  arr1 = np.array( [0, 1, 2] )
  arr2 = np.array( (0, 1, 2) )

Otomatik dizi oluşturan fonksiyonlar

np.arange(0,3)  # [0 1 2]  a'dan b-1'e birer artarak
np.zeros(3)     # [0. 0. 0.] 3 adet float 0
np.zeros((2,3)) # [[0. 0. 0.], [0. 0. 0.]] boyut verdik
np.ones(3)      # [1. 1. 1.] 3 adet float 1
np.ones((2,3))  # [[1. 1. 1.], [1. 1. 1.]] boyut verdik
np.eye(2)       # [[1. 0.], [0. 1.]] birim matris
np.linspace(0,3,4) # [0. 1. 2. 3.] a'dan b'ye 4 değer

Random dizi oluşturan fonksiyonlar

np.random.randint(0,9)    # a, b arası rastgele bir sayı üret
np.random.randint(9, size=(2,4))  # 2 satır 4 sütunluk olsun
np.random.randint(0,9,5)  # a, b arası rastgele 5 sayı üret
np.random.rand(5)         # 0, 1 arası rastgele 5 sayı üret
np.random.randn(5)        # -1, 1 arası gauss dağılımlı 5 sayı üret
np.random.choice([2,7,15,26])   # dizideki değerlerden birini seçer
np.random.choice([2,7], size=(2,4))   # 2 satır 4 sütunluk
np.random.choice([0,11], p=[0.2, 0.8], size=(10)) # elemanların seçilme olasılıkları sırasıyla 0.2 ve 0.8 olsun

Dizilerde boyut

Bir dizi, içerdiği dizi sayısı kadar boyuta sahiptir. Yukarıdaki dizilerin hepsi de 1 boyutludur. Bir dizinin elemanı olarak başka bir dizi geldiği anda iç içe bir dizi oluşur.

0-D Diziler

• Sıfır boyutlu diziler yahut skalerler, bir dizinin temel elemanlarıdır. Örneğin 15 sayısından adı a0 olan sıfır boyutlu bir dizi oluşturmak için şu kod kullanılabilir: a0 = np.array(15).

1-D Diziler

• En yaygın ve temel dizilerdir, elemanları 0-D dizilerden oluşur. Örneğin 1,2,3 değerlerini içeren 1 boyutlu bir dizi şu şekilde tanımlanabilir: a1 = np.array([1, 2, 3])

2-D Diziler (2. dereceden tensörler)

• Elemanları 1-D diziler olan dizilerdir. Genellikle bir matrisi ya da 2. dereceden tensörü ifade ederler. Örnek: a2 = np.array([[1, 2, 3], [4, 5, 6]])

3-D Diziler (3. dereceden tensörler)

• Elemanları 2-D diziler olan dizilerdir. Genellikle bir matrisi ya da 3. dereceden tensörü ifade ederler. Örnek: a3 = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])

• Dizi ismi nokta ndim ifadesiyle bir dizinin boyutu öğrenilebilir: print(a3.ndim)

• Dizi ismi nokta shape ile boyut ve eleman sayısı öğrenilebilir.

• Diziyi tanımlarken ndmin parametresiyle boyut dikte edilebilir. Örneğin adı dz olan 5 boyutlu bir dizi oluşturmak için: dz = np.array([1, 2, 3, 4], ndmin=5)

Diziyi yeniden şekillendirme

• Dizi ismi nokta reshape ifadesiyle bir dizinin her boyutta kaç elemana sahip olacağını dikte edebiliriz.

• Örneğin arr = np.arange(0,8) dizimizi arr.reshape(2,4) ile şekillendirdiğimizde 8 skalerlik bir vektörü 2 satıra 4 sütunluk bir matrise çevirmiş oluruz.

• Benzer şekilde arange(1,13) lük bir diziye .reshape(2,3,2) uygularsak satırları [1,2], [3,4] ve [5,6] olan 3 boyutlu bir matris elde ederiz.

NumPy veri tipleri

• NumPy kütüphanesini yüklediğimizde, Pythonun temel veri tiplerine ilave olarak bir harfle ifade edilen ekstra veri tipleri kullanıma sunulur.

• i - integer (tamsayı), b - boolean (mantıksal), u - unsigned integer (işaretsiz tamsayı), f - float (ondalıklı), c - complex float (ondalıklı komplex), m - timedelta (zaman farkı), M - datetime (tarih/ zaman), O - object (nesne), S - string (metin), U - unicode string (evrensel metin), V - fixed chunk of memory for other type (diğer tüm veriler)

  arr = np.array([1, 2, 3, 4], dtype='S')

  arr = np.array([1.1, 2.1, 3.1])
  newarr = arr.astype('i')

Mevcut diziden yeni bir dizi oluşturma

a = np.array( [1,2,3] ) şeklinde bir dizimiz olsun. Bundan 2 türlü kopya oluşturabiliriz. Bağımlı ve bağımsız kopya.

Evet uzmanlık alanları gerçekten uzmanlık istiyor. Geçen hafta Python'u kütüphane desteğiyle birlikte kullanabilmek için 2 farklı yol göstermiştim. Bugünkü dersimizi onlardan biri üzerinde denemeniz çok önemli > Python'u online ve kütüphaneleriyle birlikte kullanmak Numpy 3 yazımızda buluşmak dileklerimle.