{"id":200,"date":"2023-08-17T15:05:32","date_gmt":"2023-08-17T12:05:32","guid":{"rendered":"https:\/\/www.facadium.com.tr\/blog\/?p=200"},"modified":"2023-08-31T16:42:32","modified_gmt":"2023-08-31T13:42:32","slug":"cok-boyutlu-numpy-dizileri","status":"publish","type":"post","link":"https:\/\/www.facadium.com.tr\/blog\/cok-boyutlu-numpy-dizileri\/","title":{"rendered":"\u00c7ok Boyutlu Numpy Dizileri"},"content":{"rendered":"\n

Bu yaz\u0131, size \u00c7ok Boyutlu Numpy Dizileri<\/strong> hakk\u0131nda bilgi verecektir.<\/p>\n\n\n\n

\n\n\n\n

NumPy, bilimsel hesaplama ve veri analizi uygulamalar\u0131 i\u00e7in kullan\u0131lan bir Python k\u00fct\u00fcphanesidir. NumPy, y\u00fcksek performansl\u0131 \u00e7ok boyutlu diziler i\u00e7in optimize edilmi\u015f bir\u00e7ok fonksiyona sahiptir. Bu fonksiyonlar sayesinde, \u00e7ok boyutlu verileri kolayca i\u015fleyebilirsiniz.<\/p>\n\n\n\n

NumPy\u2019de \u00e7ok boyutlu diziler, birinci boyut, ikinci boyut, \u00fc\u00e7\u00fcnc\u00fc boyut vb. gibi boyutlara sahip olabilir. NumPy, bir veya daha fazla boyutta s\u0131ralanm\u0131\u015f elemanlar\u0131n olu\u015fturdu\u011fu bir veri yap\u0131s\u0131 olan ndarray (n-boyutlu dizi) s\u0131n\u0131f\u0131n\u0131 kullan\u0131r.<\/p>\n\n\n\n

\u00c7ok boyutlu NumPy dizileri, a\u015fa\u011f\u0131daki \u00f6zelliklere sahiptir:<\/p>\n\n\n\n

Boyut say\u0131s\u0131: NumPy dizileri, bir veya daha fazla boyuta sahip olabilir. \u00d6rne\u011fin, 1B, 2B, 3B, 4B, 5B dizileri gibi.<\/p>\n\n\n\n

Boyut uzunlu\u011fu: NumPy dizileri, her boyutta farkl\u0131 bir uzunlu\u011fa sahip olabilir. \u00d6rne\u011fin, 3×3, 3×4, 2x2x2 gibi.<\/p>\n\n\n\n

Veri tipi: NumPy dizileri, farkl\u0131 veri tiplerini (int, float, bool, string vb.) tutabilir.<\/p>\n\n\n\n

Yay\u0131l\u0131m (Broadcasting): NumPy dizileri, farkl\u0131 \u015fekil ve boyutlarda olsa bile, yay\u0131l\u0131m mekanizmas\u0131 kullan\u0131larak birbiriyle uyumlu hale getirilebilir.<\/p>\n\n\n\n

NumPy\u2019de \u00e7ok boyutlu bir dizi olu\u015fturmak i\u00e7in, np.array() fonksiyonu kullan\u0131labilir. A\u015fa\u011f\u0131daki \u00f6rnek kod par\u00e7as\u0131, 2 boyutlu bir NumPy dizisi olu\u015fturmak i\u00e7in nas\u0131l kullan\u0131laca\u011f\u0131n\u0131 g\u00f6sterir:<\/p>\n\n\n\n

import numpy as np\n\n# 2 boyutlu bir NumPy dizisi olu\u015fturma\nmy_array = np.array([[1, 2, 3], [4, 5, 6]])\n\n# NumPy dizisini ekrana yazd\u0131rma\nprint(my_array)<\/code><\/pre>\n\n\n\n
Yukar\u0131daki \u00f6rnek kod par\u00e7as\u0131nda, numpy k\u00fct\u00fcphanesi np k\u0131saltmas\u0131yla i\u00e7e aktar\u0131l\u0131yor. Daha sonra, np.array() fonksiyonu kullan\u0131larak 2 boyutlu bir NumPy dizisi olu\u015fturuluyor ve my_array adl\u0131 bir de\u011fi\u015fkene atan\u0131yor. Sonras\u0131nda, print() fonksiyonu kullan\u0131larak my_array NumPy dizisi ekrana yazd\u0131r\u0131l\u0131yor.<\/p>\n\n\n\n
Bu \u015fekilde, NumPy\u2019de \u00e7ok boyutlu dizileri olu\u015fturabilir ve verileri kolayca i\u015fleyebilirsiniz. \u00c7ok boyutlu NumPy dizileri, b\u00fcy\u00fck veri setleri \u00fczerinde h\u0131zl\u0131 ve verimli bir \u015fekilde \u00e7al\u0131\u015f\u0131r. Bu nedenle, bilimsel projelerde \u00e7ok tercih edilir.<\/p>\n\n\n\n
NumPy, 2 boyutlu bir veri nesnesi olan \u201cndarray\u201d (NumPy Array) tipindeki verilerin manip\u00fclasyonu i\u00e7in \u00f6zellikle tasarlanm\u0131\u015ft\u0131r. A\u015fa\u011f\u0131daki \u00f6rnek, NumPy kullanarak 2 boyutlu bir ndarray olu\u015fturma i\u015flemini g\u00f6sterir:<\/p>\n\n\n\n
import numpy as np\n\n# 2x3 boyutlu bir ndarray olu\u015fturma\nmy_array = np.array([[1, 2, 3], [4, 5, 6]])\n\nprint(my_array)<\/code><\/pre>\n\n\n\n
Bu kod, \u201cmy_array\u201d adl\u0131 2×3 boyutlu bir ndarray olu\u015fturur ve bu ndarray\u2019yi ekrana yazd\u0131r\u0131r. \u00c7\u0131kt\u0131 \u015f\u00f6yle g\u00f6r\u00fcnecektir:<\/p>\n\n\n\n
array([[1, 2, 3],\n       [4, 5, 6]])<\/code><\/pre>\n\n\n\n
Bu \u00f6rnekte, np.array() y\u00f6ntemi kullan\u0131larak 2 boyutlu bir ndarray olu\u015fturulmu\u015ftur. \u0130lk k\u00f6\u015feli parantez \u00e7ifti, ilk sat\u0131rdaki elemanlar\u0131 belirtirken, ikinci k\u00f6\u015feli parantez \u00e7ifti ikinci sat\u0131rdaki elemanlar\u0131 belirtir. \u0130\u00e7 i\u00e7e ge\u00e7mi\u015f k\u00f6\u015feli parantezler, bir matrisi temsil etmek i\u00e7in kullan\u0131l\u0131r.<\/p>\n\n\n\n
NumPy dizileri, sadece ayn\u0131 t\u00fcrden verileri depolamakla kalmaz, ayn\u0131 zamanda bu verilere matematiksel i\u015flemler uygulama ve hatta birle\u015ftirme ve ay\u0131rma i\u015flemleri yapma gibi bir dizi farkl\u0131 i\u015flem yapmak i\u00e7in de kullan\u0131labilirler.<\/p>\n","protected":false},"excerpt":{"rendered":"
Bu yaz\u0131, size \u00c7ok Boyutlu Numpy Dizileri hakk\u0131nda bilgi verecektir. NumPy, bilimsel hesaplama ve veri analizi uygulamalar\u0131 i\u00e7in kullan\u0131lan bir Python k\u00fct\u00fcphanesidir. NumPy, y\u00fcksek performansl\u0131 \u00e7ok boyutlu […]<\/p>\n","protected":false},"author":3,"featured_media":435,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[39],"tags":[32,31,34,44,8,33,30,9],"class_list":["post-200","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-numpy","tag-data-analysis","tag-data-mining","tag-data-science","tag-numpy","tag-python","tag-veri-bilimi","tag-veri-madenciligi","tag-yazilim"],"_links":{"self":[{"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/posts\/200","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/comments?post=200"}],"version-history":[{"count":2,"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/posts\/200\/revisions"}],"predecessor-version":[{"id":436,"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/posts\/200\/revisions\/436"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/media\/435"}],"wp:attachment":[{"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/media?parent=200"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/categories?post=200"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.facadium.com.tr\/blog\/wp-json\/wp\/v2\/tags?post=200"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}