Veri Analizi İçin Numpy Python Kılavuzu

Neden NumPy?

NumPy dizileri, ndarray nesneleri olarak bilinir ve bu kutuphanenin kalbindedir. Python listlerinden farkli olarak, NumPy dizilerinin veri tipi bellek ve performans bakimindan buyuk veri dizilerini daha verimli bir sekilde isleyebilir. Bu verimlilik, NumPy'nin verileri bitisik bellek bloklarinda depolama yeteneginden kaynaklanir, bu da temeldeki verilere hizli erişim ve operasyonlar saglar.

NumPy, bilimsel hesaplama ve veri gorsellestirme icin kapsamli bir ortam oluşturmak icin sikca SciPy ve Matplotlib gibi diğer kutuphanelerle birlikte kullanilir.

Kurulum

pip install numpy

pip install numpy

NumPy, Windows, macOS ve Linux da dahil olmak üzere çeşitli isletim sistemleriyle uyumludur, bu da onu farkli geliştirme ortamlarinda kullanislidir yapar.

Numpy import etmek icin asagidaki kod kullanilir:

import numpy as np

import numpy as np

Array Oluşturma

NumPy'de en temel operasyonlardan biri array oluşturmaktir. Array'ler, tamsayilar, kesirli sayilar ve metinler dahil çeşitli veri turlerinde oluşturulabilir. Bir boyutlu bir array nasıl oluşturulacagi ornegi burada:

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 sıfırlar veya birlerle doldurulmuş diziler yaratmak için numpy.zeros ve numpy.ones gibi fonksiyonlar sağlar.

Birden Çok Array ile Calisma

NumPy, ayni tip veya farkli veri turleri fark etmeksizin birden çok dizi uzerinde işlemler yapmayi saglar. İşlemler eleman bazinda yapilabilir, bu da onu guclu bir istatistiksel arac yapar. Yayilma, farkli sekil ve boyuttaki diziler arasinda işlemlere izin veren NumPy'de guclu 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 uzerinde eleman bazinda toplama ve carpma işlemleri yapar ve result_addition ve result_multiplication uretir. Cikti, orijinal dizileri ve ilgili işlemlerin sonuclarini gösterecektir.

NumPy'deki Veri Tipleri

NumPy, bellek kullanimini optimize etmek icin en uygun veri turunu secmenize izin veren genis bir veri turu destegi sunar. Tamsayilardan kesirli sayilara ve metinlere kadar, farkli veri turleriyle calisma esnekliginiz var.

NumPy'nin veri turleri, çeşitli bilimsel uygulamalar icin kapsamli bir yelpaze oluşturan kompleks sayilar ve kullanıcı tanimli veri turlerini icerir.

Makine Ogrenimi Uygulamalari

Makine ogrenimi alaninda, NumPy'nin dizi işlemleri çok degerlidir. Matris carpimi ve transpozisyon gibi gorevleri daha verimli bir sekilde yerine getirebilir, bu da onu makine ogrenimi algoritmalari icin tercih edilen bir kutuphane yapar.

NumPy, neural aglar insa etmek ve egitmek icin TensorFlow ve PyTorch gibi makine ogrenimi cerceveleri ile sikca kullanilir.

Rastgele Sayı Üretimi

Bilimsel hesaplama ve makine ogrenimi unsurlarinda rastgele sayi uretimi çok onemlidir. NumPy, neural aglarda agirliklari başlatma gibi gorevler icin yararli olan rastgele sayi dizileri oluşturmak icin çeşitli yöntemler sunar.

NumPy'nin rastgele modulu, rastgele tamsayilar uretmek, olasılık dagilimlarından örneklem almak ve dizileri karistirmak icin fonksiyonlar icerir.

Array Indeksleme ve Dilimleme

Bir dizideki ogelere erişim saglamak ve değiştirmek surekli bir gerekliliktir. NumPy, dizi ogelerine indeksleme ve dilimleme yöntemlerini kullanarak esnek bir sekilde erişim saglar.

NumPy'nin dizi dilimlemesi, gereksiz veri kopyalamadan buyuk veri setlerini verimli bir sekilde manipule etmenize olanak tanir.

NumPy ile Entegrasyon

Python'da IronPDF'i NumPy ile entegre etmek, veri analizi veya bilimsel hesaplama sonuclarinin PDF formatinda belgelenmesi veya paylasilmasi gereken senaryolarda ozelikle faydali olabilir. Ornegin, NumPy ile karmasik hesaplamalar veya veri görüntülemeleri yapildiktan sonra, sonuclar HTML veya desteklenen diğer formatlara dönüştürulup IronPDF kullanarak dağıtim icin PDF'e cevrilebilir. Bu entegrasyon, bilimsel hesaplama ve veri analizi projelerinde is akisini belirgin sekilde iyilestirebilir, veri işleme ile belge uretimi arasinda kesintisiz bir geceis 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 tabanli işleme motoru, HTML iceriginin PDF belgelerine yuksek kalitede ve tutarli bir sekilde islenmesini saglar.