Flattening and Reshaping
Numpy array'lerini yeniden şekillendirme (reshaping) ve düzleştirme (flattening) işlemleri, verileri analiz etmek için farklı biçimlere dönüştürmeyi sağlar.
Array'leri Düzleştirme (Flattening)
Array'leri düzleştirmek, çok boyutlu bir array'i tek boyutlu hale getirmek anlamına gelir. flatten() ve ravel() fonksiyonları bu işlemi gerçekleştirir.
flatten() Fonksiyonu
flatten() fonksiyonu, çok boyutlu bir array'i düzleştirir ve kopya bir array döner.
import numpy as np
# 2x3 boyutunda bir array oluşturma
array = np.array([[1, 2, 3], [4, 5, 6]])
# Array'i düzleştirme (flattening)
flattened_array = array.flatten()
print("Flattened Array:", flattened_array)
# Çıktı: Flattened Array: [1 2 3 4 5 6]
ravel() Fonksiyonu
ravel() fonksiyonu, çok boyutlu bir array'i düzleştirir ve orijinal array'in bir görünümünü (view) döner.
import numpy as np
# 2x3 boyutunda bir array oluşturma
array = np.array([[1, 2, 3], [4, 5, 6]])
# Array'i ravel() ile düzleştirme
raveled_array = array.ravel()
print("Raveled Array:", raveled_array)
# Çıktı: Raveled Array: [1 2 3 4 5 6]
Array'lerin Boyutlarını Yeniden Şekillendirme (Reshaping)
Array'lerin boyutlarını yeniden şekillendirmek, verileri analiz etmek için farklı düzenlere dönüştürmeyi sağlar. reshape() fonksiyonu bu işlemi gerçekleştirir.
reshape() Fonksiyonu
reshape() fonksiyonu, bir array'in boyutlarını yeniden düzenler ve belirtilen yeni şekle uygun bir array döner.
import numpy as np
# 1'den 12'ye kadar olan sayılardan bir array oluşturma
array = np.arange(1, 13)
# Array'i 3x4 boyutunda yeniden şekillendirme
reshaped_array = array.reshape((3, 4))
print("Reshaped Array:\\n", reshaped_array)
# Çıktı:
# Reshaped Array:
# [[ 1 2 3 4]
# [ 5 6 7 8]
# [ 9 10 11 12]]
# Array'i 2x2x3 boyutunda yeniden şekillendirme
reshaped_array_3d = array.reshape((2, 2, 3))
print("3D Reshaped Array:\\n", reshaped_array_3d)
# Çıktı:
# 3D Reshaped Array:
# [[[ 1 2 3]
# [ 4 5 6]]
# [[ 7 8 9]
# [10 11 12]]]
Numpy Data Types
Numpy, array'lerde farklı veri türlerini destekler. Bu veri türleri, array'in bellek kullanımı ve performansını etkiler. Numpy'da veri türlerini değiştirmek ve kontrol etmek mümkündür.
Veri Türlerini Belirleme ve Değiştirme
Örnek:
import numpy as np
# Integer veri türünde bir array oluşturma
int_array = np.array([1, 2, 3, 4, 5], dtype=np.int32)
print("Integer Array:", int_array)
print("Data Type:", int_array.dtype)
# Çıktı:
# Integer Array: [1 2 3 4 5]
# Data Type: int32
# Float veri türünde bir array oluşturma
float_array = np.array([1.1, 2.2, 3.3, 4.4, 5.5], dtype=np.float64)
print("Float Array:", float_array)
print("Data Type:", float_array.dtype)
# Çıktı:
# Float Array: [1.1 2.2 3.3 4.4 5.5]
# Data Type: float64
# Veri türünü değiştirme (casting)
new_int_array = float_array.astype(np.int32)
print("New Integer Array:", new_int_array)
print("New Data Type:", new_int_array.dtype)
# Çıktı:
# New Integer Array: [1 2 3 4 5]
# New Data Type: int32
Slicing and Indexing
Numpy array'lerinde dilimleme (slicing) ve indeksleme (indexing) işlemleri, belirli alt kümelere erişim sağlar. Bu işlemler, verilerin manipülasyonunda ve analizinde yaygın olarak kullanılır.
Tek Boyutlu Array'lerde Dilimleme ve İndeksleme
Örnek:
import numpy as np
# 1'den 10'a kadar olan sayılardan bir array oluşturma
array = np.arange(1, 11)
# Belirli bir indekse erişim
print("Element at index 0:", array[0])
# Çıktı: Element at index 0: 1
# Belirli bir dilimi alma
print("Elements from index 2 to 5:", array[2:6])
# Çıktı: Elements from index 2 to 5: [3 4 5 6]
# Belirli bir aralıkla dilimleme
print("Every second element:", array[::2])
# Çıktı: Every second element: [1 3 5 7 9]
Çok Boyutlu Array'lerde Dilimleme ve İndeksleme
Örnek:
import numpy as np
# 3x3 boyutunda bir array oluşturma
array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# Belirli bir elemanın erişimi
print("Element at row 1, column 2:", array[1, 2])
# Çıktı: Element at row 1, column 2: 6
# Belirli bir dilimi alma
print("First two rows:\\n", array[:2, :])
# Çıktı:
# First two rows:
# [[1 2 3]
# [4 5 6]]
Python temellerini atıp, veri analizi ve bilimi için yetkinlik kazanmak istiyorsanız, 1 aylık yoğun Python kampına hemen kayıt olabilirsiniz. ~40 saat canlı ders, ~50 adet kapsamlı proje, ~15 adet quiz ve sayısız kodlama egzersizinden oluşan, Finlandiya eğitim modellerinden esinlenilerek Helsinki'de geliştirilen interaktif ve pratik odaklı eğitim programına hemen göz atın !
Comments