Numpy Cheat Sheet: Pythonda Temel Veri Analizi

Python ile çalışan bir veri bilimcisi olarak, büyük olasılıkla NumPy kitaplığıyla karşılaşmışsınızdır . Python'da bilimsel bilgi işlem için temel paketlerden biridir .

NumPy, çok boyutlu dizilerde yüksek performanslı işlemler gerçekleştirme becerisiyle Python'da veri bilimine veya sayısal hesaplamaya giren herkes için önemli bir araçtır.

Bir NumPy hile sayfası, bu Python kitaplığına yolculuğunuza rehberlik edecek mükemmel bir kaynak olabilir. Kapsamlı bir kopya kağıdı, NumPy'nin özelliklerinde gezinmenize ve onu çeşitli görevler için kullanma konusunda hızla uzmanlaşmanıza yardımcı olacaktır!

Ayrıca NumPy'nin Pandas, SciPy, sci-kit-learn ve diğer Python paketleri gibi önemli kitaplıkların merkezinde yer aldığını unutmayın.

Python NumPy hile sayfasının yardımıyla temellerinde uzmanlaşarak , bu kitaplıklarla çalışmak için daha donanımlı olacaksınız. Ayrıca, karmaşık veri yapılarını ve hesaplamaları ele alma becerilerinizi de geliştireceksiniz.

Eski kafalı mısınız (bizim gibi) ve kopya sayfanızı indirip potansiyel olarak yazdırmak mı istiyorsunuz?

Bunu yapmak için aşağı kaydırın.

İçindekiler

• NumPy'nin Temelleri
  • 1. NumPy'yi Yükleme ve İçe Aktarma
  • 2. Dizi Oluşturma
  • 3. Dizi Nitelikleri
  • 4. Veri Türleri
• Dizi Manipülasyonu
  • 1. Yeniden Şekillendirme
  • 2. Kopyalama
  • 3. Birleştirme
  • 4. Bölme
  • 5. Öğe Ekleme/Kaldırma
  • 6. İndeksleme
  • 7. Dilimleme
• Temel İşlevler
  • 1. Aritmetik İşlemler
  • 2. Trigonometri
  • 3. Üsler ve Logaritmalar
• Dizi Analizi
  • 1. Toplu İşlevler
  • 2. İstatistiksel Fonksiyonlar
  • 3. Arama
  • 4. Sıralama
• Gelişmiş işlevler
  • 1. Yayın
  • 2. Doğrusal Cebir
• Giriş ve çıkış
  • 1. Dizileri Kaydetme ve Yükleme
  • 2. Metin Dosyalarını Okuma ve Yazma
• Hile Sayfanızı Aşağıdan İndirin
• Son düşünceler

NumPy'nin Temelleri

Bu bölümde, NumPy kurulumuna, dizi oluşturmaya, dizi özniteliklerine ve veri türlerine odaklanarak NumPy'nin temellerini ele alacağız. Bu kavramlar, Python veri bilimi projelerinizde NumPy'yi anlamak ve etkili bir şekilde kullanmak için sağlam bir temel sağlayacaktır.

1. NumPy'yi Yükleme ve İçe Aktarma

NumPy'yi aşağıdaki komutu kullanarak komut satırından yükleyebilirsiniz:

pip install numpy

Kurulduktan sonra, kodunuza aktarın.

import numpy as np

np dışında herhangi bir adı kullanabileceğinizi unutmayın . Ancak np , çoğu geliştirici ve veri bilimcisi tarafından kullanılan standart NumPy içe aktarma kuralıdır.

2. Dizi Oluşturma

NumPy'de diziler oluşturmak basit ve basittir. numpy.array() işlevini kullanarak listelerden veya demetlerden diziler oluşturabilirsiniz :

import numpy as np

a = np.array([1, 2, 3])  # Creates a 1D array
b = np.array([(1, 2, 3), (4, 5, 6)])  # Creates a 2D array

Çeşitli işlevleri kullanarak belirli şekil ve değerlerden oluşan diziler de oluşturabilirsiniz:

• np.zeros() : Sıfırlarla dolu bir dizi oluşturur

• np.ones() : Birlerle dolu bir dizi oluşturur

• np.identity() : Bir kimlik matris dizisi oluşturur.

• np.empty() : Öğelerini belirli bir değere başlatmadan bir dizi oluşturur

• np.arange() : Bir başlangıç ​​ve bitiş değeri arasında düzenli aralıklı değerler içeren bir dizi oluşturur

• np.linspace() : Bir başlangıç ​​ve bitiş değeri arasında belirtilen sayıda eşit aralıklı değer içeren bir dizi oluşturur

Not: NumPy'de boş bir dizi oluşturamazsınız. Her NumPy dizisinin sabit, değişmez bir boyutu vardır ve dizi oluşturulduğunda dizideki her öğenin doldurulması gerekir.

np.empty () işlevi, gerekli dizi şeklini oluşturur ve onu rastgele değerlerle doldurur. Varsayılan yöntem, bir rastgele kayan nokta dizisi oluşturur.

dtype parametresini kullanarak farklı bir dizi veri türü oluşturabilirsiniz .

3. Dizi Nitelikleri

NumPy dizileri, dizi hakkında yararlı bilgiler sağlayan birkaç özniteliğe sahiptir. Bunlardan bazılarına bakalım:

• ndarray.shape: Dizinin boyutlarını bir demet (satırlar, sütunlar) olarak döndürür

• ndarray.ndim: Dizideki boyutların sayısını döndürür

• ndarray.size: Dizideki toplam eleman sayısını verir

• ndarray.dtype: Dizi öğelerinin veri türünü döndürür

Bu özniteliklere erişmek için aşağıdaki gibi nokta gösterimini kullanın:

a = np.array([(1, 2, 3), (4, 5, 6)])

#Print out the array shape
print(a.shape)  # Output: (2, 3)

4. Veri Türleri

NumPy, dizilerde veri depolamak için tamsayı, dizi, kayan nokta, boolean ve karmaşık gibi çeşitli veri türleri sağlar. Varsayılan olarak, NumPy, giriş öğelerine dayalı olarak veri türünü çıkarmaya çalışır.

Ancak, dtype anahtar sözcüğünü kullanarak veri türünü açıkça belirtebilirsiniz . Örneğin:

import numpy as np
a = np.array([1, 2, 3], dtype=float)  # Creates an array of floats

Yaygın NumPy veri türleri şunları içerir:

• np.int32 : 32 bit tamsayı

• np.int64: 64 bit tamsayı

• np.float32: 32 bit kayan noktalı sayı

• np.float64: 64 bit kayan noktalı sayı

• np.complex: İki adet 64 bitlik kayan noktalı sayı ile temsil edilen karmaşık sayı

Dizileri bir veri türünden diğerine de dönüştürebilirsiniz. Bu örnekte, a Tamsayı dizisini np.array() yöntemini kullanarak bir Boole dizisi dizisine nasıl dönüştürebileceğimiz aşağıda açıklanmıştır .

Örnekten, array() yönteminin dizi öğelerini mantıksal değerlere dönüştürdüğünü görebiliriz. Bu boole değerleri daha sonra yeni NumPy dizisi dizisini oluşturur.

NumPy'nin bu temel kavramlarını anlamak, dizilerle etkili bir şekilde çalışmanıza ve çeşitli matematiksel NumPy işlemlerini gerçekleştirmenize olanak tanır. Örneğin Python'da adres dönüştürme ve kodlama ile ilgili videomuzu inceleyebilirsiniz .

İçinde, ev adreslerini coğrafi olarak kodlamak için Python Pandas ve NumPy veri türlerini kullandık.

Dizi Manipülasyonu

Bu bölümde, NumPy'deki çeşitli dizi şekli işleme tekniklerini öğreneceksiniz. Yeniden şekillendirme, birleştirme, kopyalama, bölme, öğe ekleme/çıkarma, indeksleme ve dilimleme konularını ele alacağız.

Bu teknikler, veri bilimi projelerinizde dizi verileriyle etkili bir şekilde çalışmak için çok önemlidir.

Her bir alt bölüme dalalım.

1. Yeniden Şekillendirme

NumPy'de bir diziyi yeniden şekillendirmek, gerçekleştireceğiniz yaygın bir görevdir. Bir işlevin veya bir algoritmanın gereksinimlerini karşılamak için dizinizin şeklini değiştirmeniz gerekebilir.

Bir diziyi yeniden şekillendirmek için reshape() işlevini kullanın:

arr = np.array([1, 2, 3, 4, 5, 6])
new_arr = arr.reshape(2, 3)

Bu, tek boyutlu dizinizi 2 satır ve 3 sütun içeren iki boyutlu bir diziye dönüştürecektir.

Not: Sağladığınız yeni şeklin, orijinal diziyle aynı boyuta (dizi öğesi sayısı) sahip olduğundan emin olun.

2. Kopyalama

Copy() yöntemini kullanarak bir NumPy dizisindeki öğeleri diğerine kopyalayabilirsiniz . '=' atama işlecini kullanmanın yüzeysel bir kopya oluşturduğuna dikkat etmelisiniz .

#Creating a shallow copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = a
b[0] = 19

print(a) #Output:[19, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

Yeni dizi, yalnızca sistem belleğindeki eski diziye başvurur. Aynı unsurları içerirler ve birbirlerinden bağımsız değildirler.

Derin kopyayı kullanarak, eskisinden bağımsız olarak aynı verileri içeren yeni bir NumPy dizisi oluşturursunuz.

#Creating a deep copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = np.copy(a)
b[0] = 19

print(a) #Output:[9, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

3. Birleştirme

Bazen iki diziyi tek bir dizide birleştirmeniz gerekebilir. NumPy'de, dizileri mevcut bir eksen boyunca birleştirmek için concatenate() işlevini kullanabilirsiniz :

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = np.concatenate((arr1, arr2))

Bu, arr1 ve arr2'yi tek bir dizide birleştirir. Birleştirilen dizilerin, belirtilen eksen dışında aynı şekle sahip olması gerektiğini unutmayın.

4. Bölme

Bölme, birleştirmenin tersidir. Bir diziyi split() işlevini kullanarak daha küçük alt dizilere bölebilirsiniz:

arr = np.array([1, 2, 3, 4, 5, 6])
result = np.split(arr, 3)

Bu, diziyi 3 eşit boyutlu alt diziye böler. Belirttiğiniz bölme sayısının dizinin boyutunu verilen eksen boyunca eşit olarak bölebildiğinden emin olun.

5. Öğe Ekleme/Kaldırma

Bir NumPy dizisine öğe ekleme veya çıkarma, append() ve delete() işlevleri kullanılarak gerçekleştirilebilir . Birincisini dizinin sonuna değerler eklemek için kullanabilirsiniz, ikincisi ise belirli bir dizindeki öğeyi siler.

İşte bir örnek:

arr = np.array([1, 2, 3])

arr = np.append(arr, [4, 5, 6]) # Appends values to the end of the array
arr = np.delete(arr, 0) # Removes the array element on index 0

NumPy dizilerinin sabit bir boyutu olduğunu unutmayın. append() veya delete() kullanılırken, yeni bir dizi oluşturulur ve orijinal dizi değiştirilmez.

6. İndeksleme

NumPy dizilerinde indeksleme işlemlerini, Python listelerinde veya demetlerinde yaptığınız gibi gerçekleştirebilirsiniz. Belirli bir dizideki dizi öğelerine nasıl erişebileceğinizi veya değiştirebileceğinizi görelim.

arr = np.array([1, 2, 3])

#Returns the array element on index 1
element_2 = b[1]

#Change the array element on index 0
arr[0]= 89

7. Dilimleme

NumPy dizilerini Python listelerinde veya kümelerinde yaptığınız gibi verilerin bir bölümünü ayıklamak veya görüntülemek için de dilimleyebilirsiniz . Aşağıda bir örneğe bakalım:

arr1 = np.array([1, 2, 3, 4, 5, 6, 7])
arr2 = np.array([(1, 2, 3, 6, 0), (4, 5, 6, 11, 13)]) 

# To return the first 3 elements of arr1
print(arr1[0:3]) #Output: [1, 2, 3]

# To return the second row in arr2
b = arr2[1, : ].copy() #Output: [4, 5, 6, 11, 13]

Note: Slicing creates a shallow copy that still references the main array. So, any change you make to the sliced data will be applied to the main array and vice versa.

To avoid this, you can use the copy() method to create a deep, independent copy.

Elementary Functions

In this section, you’ll learn about different elementary functions in NumPy, which will ease your data analysis tasks. We’ll cover arithmetic operations, trigonometry, and exponents and logarithms.

1. Arithmetic Operations

NumPy offers various math operations on arrays that make them simple and efficient to work with. array mathematics vector math

Some of the operations are:

• Addition: numpy.add(x1, x2)

• Subtraction: numpy.subtract(x1, x2)

• Multiplication: numpy.multiply(x1, x2)

• Division: numpy.divide(x1, x2)

• Modulus: numpy.mod(x1, x2)

• Power: numpy.power(x1, x2)

• Square root: numpy.sqrt(x)

Note: When using these operations, the two arrays must be the same shape. If not, you’ll run into errors.

There is an exception for certain arrays thanks to a NumPy feature called broadcasting. We’ll cover that in a later section.

You can perform these operations element-wise on the arrays, which makes them highly efficient for large-scale data manipulation.

2. Trigonometry

Trigonometric functions play a significant role in various mathematical and scientific computations. NumPy provides a wide range of trigonometric functions.

Some of the essential functions are:

• Sine: numpy.sin(x)

• Cosine: numpy.cos(x)

• Tangent: numpy.tan(x)

• Arcsine: numpy.arcsin(x)

• Arccosine: numpy.arccos(x)

• Arctangent: numpy.arctan(x)

These functions work seamlessly with arrays, making it easier for you to perform vectorized computations on large datasets.

3. Exponents and Logarithms

Exponents and logarithms are crucial for various numerical operations. NumPy provides an extensive collection of functions for dealing with exponents and logarithms.

Some of the primary functions are:

• Exponential: numpy.exp(x)

• Logarithm(base e): numpy.log(x)

• Logarithm(base 10): numpy.log10(x)

• Logarithm(base 2): numpy.log2(x)

Utilizing these functions, you can quickly perform complex mathematical operations on each element in the array. This makes your data analysis tasks more accessible and efficient.

Array Analysis

In this section, we will discuss various techniques to analyze arrays and array elements in NumPy. Some of the key features we will cover include aggregate functions, statistical functions, searching, and sorting.

1. Aggregate Functions

NumPy provides several aggregate functions that allow you to perform operations on arrays, such as summing all their elements, finding the minimum or maximum value, and more:

• sum: np.sum(your_array) – Calculate the sum of all the elements in the array.

• min: np.min(your_array) – Find the minimum array element.

• max: np.max(your_array) – Find the maximum array element.

• ortalama : np.mean(your_array) – Dizideki değerlerin ortalamasını hesaplar.

• median : np.median(your_array) – Dizideki değerlerin medyanını bulun.

2. İstatistiksel Fonksiyonlar

NumPy ayrıca verileri analiz etmenize yardımcı olacak çeşitli istatistiksel işlevlere sahiptir:

• std: np.std(your_array) – Dizideki değerlerin standart sapmasını hesaplayın.

• var: np.var(your_array) – Dizideki değerlerin varyansını hesaplayın.

• corrcoef : np.corrcoef(your_array) – Dizinin korelasyon katsayısını hesaplar.

3. Arama

NumPy dizilerinde arama, çeşitli yöntemler kullanılarak yapılabilir:

• argmin: np.argmin(your_array) – Minimum dizi öğesinin dizinini bulun.

• argmax: np.argmax(your_array) – Maksimum dizi öğesinin dizinini bulun.

• burada: np.where(koşul) – Verilen koşulu karşılayan dizideki öğelerin dizinlerini döndürür.

4. Sıralama

Aşağıdaki işlevleri kullanarak dizinizdeki öğeleri sıralayabilirsiniz:

• sort : np.sort(your_array) – Dizideki öğeleri artan düzende sıralar.

• argsort: np.argsort(your_array) – Diziyi sıralayacak indeksleri döndürür.

Bu işlevler ve tekniklerle, değerli içgörüleri ortaya çıkarmak ve veri analizi çabalarınızı desteklemek için NumPy dizilerinizi kolayca analiz edebilir ve işleyebilirsiniz.

Gelişmiş işlevler

Bu bölümde, verilerinizle daha verimli çalışmanıza yardımcı olmak için NumPy'deki bazı gelişmiş işlevleri keşfedeceğiz. Yayın ve Doğrusal Cebir fonksiyonlarını ele alacağız.

1. Yayın

Broadcasting, farklı şekil ve boyutlardaki diziler üzerinde işlemler gerçekleştirmenizi sağlayan güçlü bir NumPy özelliğidir. Küçük dizinin boyutlarını daha büyük diziyle eşleşecek şekilde otomatik olarak genişleterek çalışır ve öğe bazında işlemleri gerçekleştirmeyi kolaylaştırır.

İşte bir örnek:

import numpy as np
A = np.array([1, 2, 3])
B = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

C = A + B

Bu örnekte, 1B dizi A, 2B dizi B'nin şekliyle eşleşecek şekilde yayınlanır ve öğe bazında toplamaya izin verir.

Yayınla çalışırken şu kuralları aklınızda bulundurun:

• Dizilerin boyutları uyumlu olmalıdır (aynı boyutta veya bunlardan biri 1'dir).

• Yayın, sondaki boyutlardan uygulanır ve ana boyutlara doğru çalışır.

2. Doğrusal Cebir

NumPy, çok boyutlu dizilerle çalışırken yararlı olabilecek birkaç doğrusal cebir işlevi sağlar. Bu işlevlerden bazıları şunlardır:

• np.dot(A, B): İki dizinin iç çarpımını hesaplar.

• np.linalg.inv(A) : Bir kare matrisin tersini hesaplar.

• np.linalg.eig(A) : Bir kare matrisin özdeğerlerini ve özvektörlerini hesaplar.

• np.linalg.solve(A, B): A'nın katsayı matrisi ve B'nin sabit matris olduğu doğrusal bir denklem sistemini çözer.

Bu işlemleri gerçekleştirmeden önce matrislerinizin uyumlu olup olmadığını her zaman kontrol etmeyi unutmayın .

Giriş ve çıkış

Bu bölümde, dizilerin nasıl kaydedileceğini ve yükleneceğini ve ayrıca NumPy kullanılarak dosyaların nasıl okunup yazılacağını keşfedeceğiz.

1. Dizileri Kaydetme ve Yükleme

Bir diziyi kaydetmek için NumPy'nin np.save() işlevini kullanabilirsiniz . Bu işlev, dosya adını ve diziyi iki ana argümanı olarak alır.

import numpy as np
arr = np.array([1, 2, 3])

np.save('my_array.npy', arr)

Kaydedilen diziyi yüklemek için, dosya adını bağımsız değişken olarak sağlayarak np.load() işlevini kullanın.

loaded_array = np.load('my_array.npy')

print(loaded_array)  
# Output: array([1, 2, 3])

Ayrıca np.save() ve np.load() işlevlerini kullanarak birden çok diziyi kaydedebilir ve yükleyebilirsiniz .

2. Metin Dosyalarını Okuma ve Yazma

NumPy, np.loadtxt() ve np.savetxt() gibi dizilerle metin dosyalarını okumak ve yazmak için işlevler sağlar . Bir txt veya CSV dosyası gibi dosya biçimlerinden veri kaydetmek ve yüklemek için bu işlevleri kullanabilirsiniz.

Bir metin dosyasını bir diziye okumak için np.loadtxt() işlevini kullanın. Dosya adını ana bağımsız değişkeni olarak alır ve sınırlayıcı, dtype ve daha fazlasını belirtmek için isteğe bağlı bağımsız değişkenleri de destekler.

arr_from_txt = np.loadtxt('data.txt', delimiter=',')
print(arr_from_txt)

Verileri bir CSV dosyasından okumak için np.loadtxt() işlevini de kullanabilirsiniz . Ancak sınırlayıcının her zaman virgül " , " olarak ayarlandığından emin olun.

Bir metin dosyasına dizi yazmak için np.savetxt() işlevini kullanın. Bu işlev, dosya adını ve diziyi iki ana bağımsız değişkeni olarak alır, ardından sınırlayıcı ve başlık gibi isteğe bağlı bağımsız değişkenler gelir.

arr_to_txt = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('output_data.txt', arr_to_txt, delimiter=',')

Bu girdi ve çıktı işlevleri, NumPy kullanarak veri işleme ve işleme görevlerinizde diziler ve metin dosyalarıyla verimli bir şekilde çalışmanıza olanak tanır.

Hile Sayfanızı Aşağıdan İndirin

Numpy-Cheat-Sheet İndir

Son düşünceler

Numpy Python kitaplığına başlamak için bilmeniz gereken tek şey bu! Kütüphaneyle çalışırken kullanışlı bir referans olarak Python Numpy hile sayfasını da kullanabilirsiniz.

Daha gelişmiş özellikler için NumPy belgelerine göz atabilirsiniz . Hem yeni hem de deneyimli geliştiriciler için bir araya getirdiğimiz bu eğlenceli Python Hile sayfasına da göz atabilirsiniz .

İyi şanlar!