NumPy Dizileri Oluşturma
np.array, np.zeros, np.ones ve np.arange ile 1B ve 2B diziler oluşturun; ardından şekillerini ve veri türlerini inceleyin.
NumPy Dizileri Oluşturma, CoddyKit'te ücretsiz bir Pandas & NumPy Academy dersidir. Bu, 4 dersinin 1. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Pandas & NumPy Academy öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Pandas & NumPy Academy kursu toplamda 4 dersten oluşur.
NumPy Dizisi Nedir?
NumPy, Python'ın sayısal işlemler için vazgeçilmez kütüphanesidir. Temelinde ndarray bulunur — bu, aynı tipteki değerlerden oluşan ve listelerden çok daha hızlı ve verimli olan bir ızgaradır.
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)Listelerden Dizi Oluşturma
Dizi oluşturmanın en basit yolu: bir listeyi np.array() fonksiyonuna geçirmektir. NumPy sizin için dtype'ı seçer ve listelerden oluşan bir liste 2 boyutlu bir matris haline gelir.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros ve np.ones
Boş bir başlangıca mı ihtiyacınız var? np.zeros bir diziyi 0.0 ile doldurur ve np.ones ise 1.0 ile doldurur — gerçek değerlerini hesaplamadan önce bir dizi oluşturmak için mükemmeldirler.
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64Tamsayı Dizileri için np.arange
np.arange, Python'daki range gibi çalışır ama bir dizi döndürür. Ona bir başlangıç, bitiş ve adım değeri verin — bitiş değeri dahil değildir.
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]Eşit Aralıklı Ondalıklı Sayılar için np.linspace
Eşit aralıklı ondalıklı sayılar mı istiyorsunuz? np.linspace, iki uç nokta arasında (ikisi de dahil) belirli sayıda değer verir — yuvarlama hatası olmaz.
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full ve np.eye
Bir diziyi istediğiniz herhangi bir sabit değerle doldurmak için np.full kullanın ve birim matris oluşturmak için np.eye kullanın — köşegeninde birler, diğer yerlerde sıfırlar bulunur.
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]Oluştururken dtype Belirtme
Her dizinin tüm değerleri için tek bir dtype'ı vardır. dtype= ile kendiniz belirleyin — örneğin, float64 yerine float32 seçmek belleği yarıya indirebilir.
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32np.random ile Rastgele Diziler
Rastgele verilere mi ihtiyacınız var? np.random bunları sizin için üretir. Her çalıştırmada aynı sayıları elde etmek için önce bir seed belirleyin — tekrarlanabilir deneyler için anahtardır. 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Dizi Şeklini ve Boyutlarını Kontrol Etme
Bir dizi oluşturduktan sonra genellikle shape'ini kontrol edersiniz — her boyut için boyutları içeren bir tuple'dır. Kaç boyutu olduğunu görmek için .ndim'i kullanın.
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2Listeleri ve Tuple'ları Dönüştürme
np.array() sadece listeleri değil — tuple'ları, range'leri, hatta diğer dizileri bile kabul eder. Yalnızca NumPy'ın hızını düşüren düzensiz iç içe listelerden kaçının.
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)Başlatılmamış Diziler için np.empty
np.empty belleği doldurmadan alır, bu yüzden zeros'tan biraz daha hızlıdır. Püf noktası: içinde kalan çöp veriler bulunur — okumadan önce her zaman yazın.
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]Hızlı Kontrol
Bu dersten edindiğiniz NumPy dizi oluşturma bilginizi test edin.
Ders Özeti
Harika iş çıkardınız! np.array() ile listeleri dizilere dönüştürebilirsiniz ve zeros, ones, arange ve linspace ile sıfırdan oluşturabilirsiniz. Sırada: dizi nitelikleri var.
Sıkça Sorulan Sorular
“NumPy Dizileri Oluşturma” dersi ücretsiz mi?
Evet — “NumPy Dizileri Oluşturma” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Pandas & NumPy Academy kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Pandas & NumPy Academy kursu toplamda 4 dersten oluşur.
“NumPy Dizileri Oluşturma” dersinde ne öğreneceğim?
np.array, np.zeros, np.ones ve np.arange ile 1B ve 2B diziler oluşturun; ardından şekillerini ve veri türlerini inceleyin. Pandas & NumPy Academy ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Pandas & NumPy Academy öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Pandas & NumPy Academy, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 1. dersidir.
“NumPy Dizileri Oluşturma” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Pandas & NumPy Academy dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Pandas & NumPy Academy dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- NumPy Dizileri Oluşturma
- Dizi Öznitelikleri ve İnceleme
- Öğe Bazında Aritmetik
- Dizi Dilimleme ve Dizinleme