Veri Bilimi İçin Temel Python Kütüphaneleri-1 : Numpy

NumPy (Numerical Python) bilimsel hesaplamaları hızlı bir şekilde yapmamızı sağlayan bir matematik kütüphanesidir. Numpy’ın temelini numpy dizileri oluşturur. Numpy dizileri python listelerine benzer fakat hız ve işlevsellik açısından python listelerinden daha kullanışlıdır.Ayrıca python listelerinden farklı olarak Numpy dizileri homojen yapıda olmalıdır yani dizi içindeki tüm elemanlar aynı veri tipinden olmalıdır.

Bu yazı 4 bölümden oluşmaktadır:

1)Numpy kütüphanesinin import edilmesi

2) Numpy ile Temel İşlemler

3) Numpy ile Matematiksel İşlemler

4)Numpy’da Koşul İfadeleri ile Çalışmak

1) Numpy kütüphanesinin import edilmesi

Öncelikle kütüphanemizi import edelim ve neler yapabileceğimize bakalım :

# Kütüphanemizi np ismi ile import ettik.
import numpy as np

2) Numpy ile Temel İşlemler

- Numpy dizisinin oluşturulması

Numpy dizisi ve python listesi oluşturup farklarına göz atalım :

# python list
python_list = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
# numpy array
numpy_array = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print("Python listesi :")
print(python_list)
print("Numpy dizisi :")
print(numpy_array)
Output:
Python listesi :
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
Numpy dizisi :
[0 1 2 3 4 5 6 7 8 9]

Yukarıdaki örneğe baktığımızda python listesi ve numpy dizileri arasında çok fark olmadığını görüyoruz.Fakat çok boyutlu dizilerle(matrisler ile) çalışma imkanı sağladığı ve python listelerinden daha hızlı olduğu için data science alanında genellikle Numpy kütüphanesi kullanılmaktadır.

Şimdi de Numpy dizileri ile yapabileceğimiz temel işlemlere bakalım :

- Dizinin boyutunu bulmak : ndarray.ndim

.ndim →numpy array nesnesinin boyutunu döndürür.

numpy_array1 = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(numpy_array1.ndim)
Output:
1
numpy_array2 = np.array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
print(numpy_array2.ndim)
Output:
2

- Dizinin satır ve sütun sayısını bulmak: ndarray.shape

.shape →Numpy array nesnesinin kaç satır ve sütundan oluştuğunu gösteren bir tupple nesnesi döndürür.

numpy_array1 = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(numpy_array1.shape)
print(numpy_array1.ndim)
#10 tane elemandan oluşan 1 boyutlu bir dizi(vektör).
Output:
(10,)
1
numpy_array2 = np.array([[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]])
print(numpy_array2.ndim)
print(numpy_array2.shape)
# 1 satır ve 10 sütundan oluşan 2 boyutlu bir dizi(matris).
Output:
(1, 10)
2

-Dizinin satır ve sütun sayısını değiştirmek : ndarray.reshape()

Numpy array’i yeniden şekillendirmek istediğimizde yani satır ve sütun sayısını değiştirmek istediğimizde reshape() metodunu kullanabiliriz. numpy_array isimli değişkenimizi yeniden şekillendirelim:

numpy_array = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
print(numpy_array.reshape(1,10))
Output : 
[[0 1 2 3 4 5 6 7 8 9]]
print(numpy_array.reshape(10,1))
Output:
  [[0]  
   [1]
   [2]  
   [3]
   [4]
   [5]  
   [6]  
   [7]
   [8]
   [9]]
print(numpy_array.reshape(5,2))
Output:
  [[0 1]  
   [2 3]
   [4 5]
   [6 7]
   [8 9]]
print(numpy_array.reshape(2,5))
Output:
  [[0 1 2 3 4] 
   [5 6 7 8 9]]

Not : Orijinal matris ve yeniden şekillendirilen matris aynı sayıda elemana sahip olmalıdır.

Başlangıçta numpy_array nesnemizin şekline baktığımızda(10,) olduğunu görmüştük ve bu bize numpy_array nesnemizin tek boyutlu bir vektör olduğunu söyler. reshape(10,1) metodunu kullandığımızda ise artık numpy_array nesnemiz 10 satır ve 1 sütundan oluşan 10x1 lik 2 boyutlu bir matrise dönüşmüştür.

- np.arange()

np.arange() →Python’daki range() fonksiyonuna benzer. Belirtilen başlangıç değerinden başlayıp, her seferinde adım sayısı kadar arttırarak ,bitiş değerine kadar olan sayıları bulunduran bir numpy dizisi dödürür.

Not: Bitiş değerinin diziye dahil edilmediğine dikkat edelim.

Genel kullanım :

np.arange(başlangıç,bitiş,adım sayısı)

np.arange(bitiş) → bu kullanımda default başlangıç değeri 0 , adım sayısı ise 1 olarak kabul edilir. Yani aslında yukarıda ki formatta ifade edecek olursak np.arange(0,bitiş,1) şeklinde yazabiliriz.

np.arange(0,10,3)
Output:
array([0, 3, 6, 9])
np.arange(10)
Output:
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(0,10,1)
Output:
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

- Dizinin elemanlarını seçmek

Diziden ihtiyyacımız olan eleman veya elemanları nasıl elde edeceğimize bakalım

Genel kullanım : ndarray[rows,columns]

Not: ndarray[:,:] → buradaki “:” kullanımı tüm satır ve sütunları seçmemizi sağlar.

numpy_array = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array = numpy_array.reshape(5,2)
print(numpy_array)
Output:
  [[0 1]  
   [2 3]
   [4 5]
   [6 7]
   [8 9]]
#Dizinin herhangi bir satırını seçmek
#1.satır
first_row = numpy_array[0]
#1. ve 2. satır 
first_and_second_rows = numpy_array[0:2]
print(first_row)
print(first_and_second_rows)
Output:
[0 1]
[[0 1]  [2 3]]
#Dizinin herhangi bir kolonunu seçmek
#1. sütun
first_column = numpy_array[:,0]
#1. ve 2. sütun
first_and_second_column = numpy_array[:,0:2]
print(first_column)
print(first_and_second_column)
Output:
[0 2 4 6 8]
[[0 1] 
 [2 3]
 [4 5] 
 [6 7] 
 [8 9]]
#Dizinin herhangi bir elemanını seçmek
selecting_item = numpy_array[3,1]
print(selecting_item)
Output:
7

- Diziyi ters çevirmek

numpy_array = np.array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array = numpy_array.reshape(5,2)
print(numpy_array)
Output:
[[0 1] 
 [2 3] 
 [4 5] 
 [6 7] 
 [8 9]]
print(numpy_array[::-1])
Output:
[[8 9]  
 [6 7]
 [4 5] 
 [2 3] 
 [0 1]]

-0 matrisi oluşturmak : np.zeros()

np.zeros() →Bu fonksiyon belirtilen satır ve sütuna sahip 0'lardan oluşan bir matris döndürür.

print(np.zeros((5,4)))
Output:
[[ 0 0 0 0]
 [ 0 0 0 0] 
 [ 0 0 0 0]
 [ 0 0 0 0]
 [ 0 0 0 0]]

np.ones(): zeros() fonksiyonuna benzer şeklide verilen büyüklükte 1'lerden oluşan bir matris döndürür.

print(np.ones((3,3,3)))
Output:
[[[ 1 1 1] [ 1 1 1] [ 1 1 1]]
 [[ 1 1 1] [ 1 1 1] [ 1 1 1]]
 [[ 1 1 1] [ 1 1 1] [ 1 1 1]]]

- Birim matris oluşturmak : np.eye()

np.eye() → Belirlenen boyutlarda birim matris oluşturmamızı sağlayan fonksiyon.

#4X4 lük birim matris
print(np.eye(4))
Output:
[[ 1 0 0 0] 
 [ 0 1 0 0] 
 [ 0 0 1 0] 
 [ 0 0 0 1]]

- Matrisleri birleştirmek

numpy_array = np.array([0,1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array = numpy_array.reshape(5,2)

#Satır bazlı birleştirme
print(np.concatenate([numpy_array, numpy_array], axis =0))
Output:
[[0 1] 
 [2 3] 
 [4 5] 
 [6 7] 
 [8 9] 
 [0 1] 
 [2 3] 
 [4 5] 
 [6 7] 
 [8 9]]
#Sütun bazlı birleştirme
print(np.concatenate([numpy_array, numpy_array], axis =1))
Output:
[[0 1 0 1] 
 [2 3 2 3] 
 [4 5 4 5] 
 [6 7 6 7] 
 [8 9 8 9]]

Bu yöntemle dizimize istediğimiz kolon veya satırı ekleyebiliriz.

3) Numpy ile Matematiksel İşlemler

-sum(toplam), max ve min değerlerini hesaplamak

numpy_array = np.array([0,1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array = numpy_array.reshape(5,2)
print(numpy_array)
Output:
[[0 1] 
 [2 3] 
 [4 5] 
 [6 7] 
 [8 9]]
print(numpy_array.max())
Output:9
print(numpy_array.min())
Output:0

print(numpy_array.sum())
Output:45

#Satırların toplamı
print(numpy_array.sum(axis = 1))
Output:  
[ 1  5  9 13 17] 
#Sütunların toplamı
print(numpy_array.sum(axis = 0))
Output:
[20 25]

- mean, median, varyans ve standart sapma hesaplamak

numpy_array = np.array([0,1, 2, 3, 4, 5, 6, 7, 8, 9])
print(numpy_array.mean())
Output:4.5
print(np.median(numpy_array))
Output:4.5
print(numpy_array.var())
Output:8.25
print(numpy_array.std())
Output:2.8722813232690143

!!! Median kullanımının diğerlerinden farklı olduğu dikkatinizi çekmiş olabilir. Bunun sebebi ndarray nesnesinin np.median(ndarray) fonksiyonuna sahip olması fakat ndarray.median() metoduna sahip olmamasıdır.Metod ve fonksiyonların farkı konusunda daha detaylı bilgi için buraya bakabilirsiniz.

-Matrislerde aritmetik işlemler

Matrislerden hatırlayacağımız üzere toplama, çıkarma vb. işlemler yapabilmek için işlem yapılacak matrislerin satır ve sütun sayılarının eşit olması gerekiyordu.

numpy_array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array = numpy_array.reshape(3,3)
#dizimizi 3x3 lük, 2 boyutlu bir matrise dönüştürdük.
print(numpy_array)
Output:
[[1 2 3] 
 [4 5 6] 
 [7 8 9]]
print(numpy_array + numpy_array)
Output:
[[ 2  4  6] 
 [ 8 10 12] 
 [14 16 18]]
print(numpy_array - numpy_array)
Output:
[[0 0 0] 
 [0 0 0] 
 [0 0 0]]
print(numpy_array * numpy_array)
Output:
[[ 1  4  9] 
 [16 25 36] 
 [49 64 81]]
print(numpy_array / numpy_array)
Output:
[[1  1  1]
 [1  1  1]
 [1  1  1]]
print(numpy_array + 5)
Output:
[[ 6  7  8] 
 [ 9 10 11] 
 [12 13 14]]
print(numpy_array * 2)
Output:
[[ 2  4  6] 
 [ 8 10 12] 
 [14 16 18]]

- Özel foksiyonlar ile işlemler

Numpy toplama, çıkarma gibi basit matematiksel işlemlerin yanında trigonometrik, logaritmik,üstel fonksiyonlar… gibi daha kompleks fonksiyonlarla da çalışma imkanı sağlar.

numpy_array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array = numpy_array.reshape(3,3)
#dizimizi 3x3 lük, 2 boyutlu bir matrise dönüştürdük.
print(np.sin(numpy_array))
Output:
[[0.84147 0.9093 0.14112]
 [-0.7568 -0.95892 -0.27942] 
 [0.65699 0.98936 0.41212]]
print(np.cos(numpy_array))
Output:
[[0.5403 -0.41615 -0.98999]
 [-0.65364 0.28366 0.96017] 
 [0.7539 -0.1455 -0.91113]] [
print(np.sqrt(numpy_array))  
Output:  
[[ 1 1.4142 1.7321]
 [ 2 2.2361 2.4495]
 [2.6458 2.8284 3]]
print(np.exp(numpy_array))
Output:
[[2.7183 7.3891 20.086]
 [54.598 148.41 403.43]
 [1096.6 2981 8103.1]]
print(np.log(numpy_array))
Output:
[[ 0 0.69315 1.0986] 
 [1.3863 1.6094 1.7918]
 [1.9459 2.0794 2.1972]]

-Matrislerin çarpımı

Bu bölüme ,iki matris çarpılırken ilk matrisin sütun sayısının ikinci matrisin satır sayısına eşit olması gerektiğini hatırlayarak başlayalım.

numpy_array = np.array([0,1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array1 = numpy_array.reshape(5,2)
numpy_array2 = numpy_array.reshape(2,5)
print(np.dot(numpy_array1,numpy_array2))
Output:
[[  5   6   7   8   9] 
 [ 15  20  25  30  35] 
 [ 25  34  43  52  61] 
 [ 35  48  61  74  87] 
 [ 45  62  79  96 113]]

-Matrisin transpozu

Matrisin satırlarını sütun, sütunlarını satır yapma işlemi numpy ile “ .T” yazmak kadar kolay.

numpy_array = np.array([0,1, 2, 3, 4, 5, 6, 7, 8, 9])
numpy_array = numpy_array.reshape(5,2)
print(numpy_array)
Output:
[[0 1] 
 [2 3] 
 [4 5] 
 [6 7] 
 [8 9]]
print(numpy_array.T) 
Output:
[[0 2 4 6 8] 
 [1 3 5 7 9]]

4)Numpy’da Koşul İfadeleri ile Çalışmak

Numpy bize if-else bloğu kullanmamıza gerek kalmadan belirli bir koşulu sağlayan dizi elemanlarıyla çalışma imkanı sağlar. Klasik numpy_array nesnemizi kullanarak nasıl yapılacağına göz atalım:

numpy_array = np.array([0,1, 2, 3, 4, 5, 6, 7, 8, 9])
boolean_array = numpy_array >= 5
print(boolean_array)
Output :
[False False False False False  True  True  True  True  True]

Yukarıda gördüğümüz boolean_array dizisi bize numpy_array dizimizin elemanlarının belirtilen koşulu sağlayıp sağlamadığını True-False olarak gösteriyor. İyi güzel de, benim listemdeki hangi elemanlar bu koşulu sağlıyor ??? Numpy ın güzelliğide burada ortaya çıkıyor çünkü numpy bize bu boolean dizisini index olarak kullanarak koşulu sağlayan elemanlara ulaşmamızı sağlıyor:

# 5 ve 5'ten büyük elemanlar
print(numpy_array[boolean_array])
Output:
[5 6 7 8 9]
# 5 ten küçük elemanlar
print(numpy_array<5)
print(numpy_array[numpy_array<5])
Output:
[ True  True  True  True  True False False False False False]
[0 1 2 3 4]