Veri Analizi İçin Numpy Python Kılavuzu

Neden NumPy?

NumPy dizileri olarak bilinen ndarray nesneleri, bu kütüphanenin kalbindedir. Python listelerinin aksine, NumPy dizilerinin veri tipi, bellek ve performans açısından büyük veri dizilerini daha verimli bir şekilde işleyebilir. Bu verimlilik, NumPy'nin verileri ardışık bellek bloklarında saklama yeteneğinden kaynaklanır, bu da veriye hızlı erişim ve veri üzerinde hızlı işlemler yapılmasını sağlar.

NumPy, bilimsel hesaplama ve veri görselleştirme için kapsamlı bir ortam oluşturmak üzere sıklıkla SciPy ve Matplotlib gibi diğer kütüphanelerle birlikte kullanılır.

Kurulum

pip install numpy

pip install numpy

NumPy, Windows, macOS ve Linux dahil olmak üzere çeşitli işletim sistemleriyle uyumludur, bu da onu farklı geliştirme ortamları için çok yönlü kılar.

Aşağıdaki kod, numpy'nin nasıl import edileceğini gösterir:

import numpy as np

import numpy as np

Dizi Oluşturma

NumPy'deki en temel işlemlerden biri dizi oluşturmaktır. Tamsayılar, ondalık sayılar ve dizgeler dahil olmak üzere farklı veri türlerinde diziler oluşturabilirsiniz. İşte tek boyutlu bir dizi oluşturmanın bir örneği:

import numpy as np

# Creating a one-dimensional NumPy array
one_dimensional_array = np.array([1, 2, 3])

import numpy as np

# Creating a one-dimensional NumPy array
one_dimensional_array = np.array([1, 2, 3])

NumPy, sırasıyla sıfır veya birlerle dolu diziler oluşturmak için numpy.zeros ve numpy.ones gibi fonksiyonlar sağlar.

Birden Fazla Dizi ile Çalışma

NumPy, aynı türden veya farklı veri türlerinden oluşan birden fazla dizi üzerinde işlemleri kolaylaştırır. İşlemler eleman bazında yapılabilir, bu da onu güçlü bir istatistiksel araç yapar. Yayınlama, farklı şekil ve boyutlardaki diziler arasında işlemler yapılmasına olanak tanıyan NumPy'de güçlü bir özelliktir.

import numpy as np

# Creating two NumPy arrays
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

# Element-wise addition
result_addition = array1 + array2

# Element-wise multiplication
result_multiplication = array1 * array2

# Displaying the results
print("Array 1:", array1)
print("Array 2:", array2)
print("Element-wise Addition:", result_addition)
print("Element-wise Multiplication:", result_multiplication)

import numpy as np

# Creating two NumPy arrays
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

# Element-wise addition
result_addition = array1 + array2

# Element-wise multiplication
result_multiplication = array1 * array2

# Displaying the results
print("Array 1:", array1)
print("Array 2:", array2)
print("Element-wise Addition:", result_addition)
print("Element-wise Multiplication:", result_multiplication)

Bu örnekte, array1 ve array2 iki NumPy dizisidir ve kod bu diziler üzerinde eleman bazında toplama ve çarpma işlemleri yaparak result_addition ve result_multiplication elde eder. Çıktı, orijinal dizileri ve ilgili işlemlerin sonuçlarını gösterecektir.

NumPy'deki Veri Türleri

NumPy, bellek kullanımı optimize etmek için en uygun veri türünü seçmenize olanak tanıyan geniş bir veri türü yelpazesini destekler. Tamsayıdan kayan noktalı sayılara ve dizelere kadar çeşitli veri türleriyle çalışabilme esnekliğine sahipsiniz.

NumPy'nin veri türleri, çeşitli bilimsel uygulamalar için kapsamlı bir yelpaze sağlayan karmaşık sayılar ve kullanıcı tanımlı veri türlerini içerir.

Makine Öğrenimi Uygulamaları

Makine öğrenimi alanında, NumPy'nin dizi işlemleri vazgeçilmezdir. Matris çarpımı ve transpozisyon gibi görevleri daha verimli bir şekilde gerçekleştirebilir, bu da onu makine öğrenimi algoritmaları için tercih edilen bir kütüphane yapar.

NumPy, TensorFlow ve PyTorch gibi makine öğrenimi çerçevelerinde sıklıkla kullanılır ve sinir ağları oluşturup eğitmek için kullanılır.

Rastgele Sayılar Üretme

Bilimsel hesaplama ve makine öğrenimi bağlamında rastgele sayılar üretmek önemlidir. NumPy, sinir ağlarında ağırlıkların başlatılması gibi görevler için kullanışlı olan rastgele sayılar içeren diziler oluşturmak için çeşitli yöntemler sunar.

NumPy'nin rastgele modülü, rastgele tamsayılar oluşturma, olasılık dağılımlarından örnekleme yapma ve dizileri karıştırma işlevleri içerir.

Dizi İndeksleme ve Dilimleme

Bir dizideki elemanlara erişmek ve bunları değiştirmek sık sık gerekebilir. NumPy, indeksleme ve dilimleme yöntemlerini kullanarak dizi elemanlarına esnek bir şekilde erişim imkanı sağlar.

NumPy'nin dizi dilimleme işlemi, verilerin gereksiz yere kopyalanmasına gerek kalmadan büyük veri kümelerini etkin bir şekilde manipüle etmesini sağlar.

NumPy ile Entegrasyon

Python'da IronPDF'i NumPy ile entegre etmek, veri analizi veya bilimsel hesaplama sonuçlarının PDF formatında belgelenmesi veya paylaşılması gerektiği senaryolarda özellikle yararlı olabilir. Örneğin, NumPy ile karmaşık hesaplamalar veya veri görselleştirmeleri yapıldıktan sonra sonuçlar HTML veya diğer desteklenen formatlarda formatlanabilir ve IronPDF kullanılarak dağıtım için PDF'ye dönüştürülebilir. Bu entegrasyon, bilimsel hesaplama ve veri analizi projelerinde iş akışını önemli ölçüde geliştirebilir ve veri işlemeden belge oluşturma sürecine sorunsuz bir geçiş sunar.

import numpy as np
from ironpdf import *

# Create a NumPy array
data = np.random.rand(10, 3)

# Generate some statistical data
mean_data = np.mean(data, axis=0)
max_data = np.max(data, axis=0)
min_data = np.min(data, axis=0)

# Convert statistical data to HTML format
html_content = f"""
<h1>Statistical Summary</h1>
<p>Mean: {mean_data}</p>
<p>Max: {max_data}</p>
<p>Min: {min_data}</p>
"""
# Using IronPDF to convert HTML to PDF
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(html_content)
pdf.SaveAs("numpy_data_summary.pdf")

import numpy as np
from ironpdf import *

# Create a NumPy array
data = np.random.rand(10, 3)

# Generate some statistical data
mean_data = np.mean(data, axis=0)
max_data = np.max(data, axis=0)
min_data = np.min(data, axis=0)

# Convert statistical data to HTML format
html_content = f"""
<h1>Statistical Summary</h1>
<p>Mean: {mean_data}</p>
<p>Max: {max_data}</p>
<p>Min: {min_data}</p>
"""
# Using IronPDF to convert HTML to PDF
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(html_content)
pdf.SaveAs("numpy_data_summary.pdf")

IronPDF'in Chrome tabanlı işleme motoru, HTML içeriğinin PDF belgelerine yüksek kaliteli ve tutarlı işlenmesini sağlar.