Veri Biliminde Numpy Kütüphanesi

Numpy Nedir?

Numpy bilimsel hesaplama kullanılan bir python kütüphanesidir. Numpy makine öğrenmesi ve bilimsel içerikli hesaplanmalarda kullanıyor. Sizlerle birlikte numpy nedir tanımlayalım.

NumPy is the fundamental package for scientific computing in Python. It is a Python library that provides a multidimensional array object, various derived objects (such as masked arrays and matrices), and an assortment of routines for fast operations on arrays, including mathematical, logical, shape manipulation, sorting, selecting, I/O, discrete Fourier transforms, basic linear algebra, basic statistical operations, random simulation and much more.

Numpy Documentation

Numpy dokümantasyonun daki tanımı türkçeye çevirirsek eğer,

NumPy, Python’ da bilimsel hesaplamalarda kullanılan temel pakettir. Çok boyutlu bir dizi nesnesi, çeşitli türetilmiş nesneler (maskelenmiş diziler ve matrisler gibi) ve dizilerdeki hızlı işlemler için matematiksel, mantıksal, şekil işleme, sıralama, seçme, Giriş / Çıkış içeren bir dizi yordam sunan bir Python kitaplığıdır , Ayrık Fourier dönüşümü, temel doğrusal cebir, temel istatistik işlemler, rassal simülasyon ve çok daha fazlasını yapabilir.

Şeklinde tabir edilen numpy kütüphanesi en çok kullanan kütüphanedir. Numpy kabiliyetlerinden ve popüler olmasından geliştiriciler tarafından pythondaki dizilerin yerine kullanabiliyor. Ama arada birkaç önemli farklılık var. Bu farklılıklara göz atacak olursak;

  • İlk olarak numpy statik boyutludur. Boyutunu değiştirmek istediğinde yeni bir ndarray oluşturup önceki diziyi yeni diziye klonlayacaktır. Fakat pythondaki diziler dinamiktir. Yeni veri eklendiğinde büyüyebilen yapıdadır.
  • Numpy daki tüm indexler(elemanlar) eş olmak zorundadır. Yani bir ndarray dizisinde ilk on eleman int64 tipindeyse yeni eklencek olan elemanda int64 veri tipine dönüşecektir.

Ayrıca numpyda yapılan hesaplamalar daha hızlıdır. Numpy sahip olduğu vectorization normal python dizilerinden hızlı hesaplama yapmasını sağlar. Türkçesi Vektörleşme olan vectorization döngü kullanmadan Bu durumda işlemi döngü içerisinde dizinin herbir elemanı için teker teker yapmak yerine Numpy kütüphanesi sayesinde tek değer üzerinden işlem yapıyormuş gibi gerçekleştirebiliriz. Bunun sonucunda numpy daha hızlı işlem yapabilmektedir.

İlerleyen konularda veribilimi ile bir çok konuya değineceğim. Birçok örnek ve bilgiyi derlediğim bloğuma destek olmak için anket kısmından görüşlerinizi iletebilirsiniz. Sağlıcakla kalın. 😊

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

one + fourteen =

Aramak istediğinizi üstte yazmaya başlayın ve aramak için enter tuşuna basın. İptal için ESC tuşuna basın.

Üste dön