<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Batuhan Bayraktar on Medium]]></title>
        <description><![CDATA[Stories by Batuhan Bayraktar on Medium]]></description>
        <link>https://medium.com/@Batuhan35?source=rss-cba2aaea9cef------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/2*oESR0yEzUM8GwqvNVR0w6g.jpeg</url>
            <title>Stories by Batuhan Bayraktar on Medium</title>
            <link>https://medium.com/@Batuhan35?source=rss-cba2aaea9cef------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 17:46:23 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@Batuhan35/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Elon Musk ve Başarı İlişkisi]]></title>
            <link>https://medium.com/t%C3%BCrkiye/elon-musk-ve-ba%C5%9Far%C4%B1-i%CC%87li%C5%9Fkisi-fd0b0aa9c597?source=rss-cba2aaea9cef------2</link>
            <guid isPermaLink="false">https://medium.com/p/fd0b0aa9c597</guid>
            <category><![CDATA[teknoloji]]></category>
            <category><![CDATA[girişimcilik]]></category>
            <category><![CDATA[türkçe]]></category>
            <category><![CDATA[tesla]]></category>
            <category><![CDATA[elon-musk]]></category>
            <dc:creator><![CDATA[Batuhan Bayraktar]]></dc:creator>
            <pubDate>Thu, 09 Jan 2020 16:49:12 GMT</pubDate>
            <atom:updated>2020-01-09T21:17:21.701Z</atom:updated>
            <content:encoded><![CDATA[<p>Selamlar arkadaşlar bugün sizlerlerle Elon Musk’ın Girişimlerini ve Başarılarını konuşacağız ve önemli dersler çıkaracağız.Çocukluğundan başlayalım.Ailesi ilk başta onu sağır sandı çünkü sürekli dalıp gitmeleri ile seslenildiğinde duymamazlığından şikayetçilerdi.Ama o hayal kuruyordu ve her zaman onun peşinden gidecek cesareti vardı.Öğrenme hevesini saymıyorum bile.6 ayda öğrenilebilen BASIC yazılım dilini 3 gecede çözmüş ve ilk oyununu 500 dolara satmasından anlayabiliriz.Ayrıca Güney Afrikadayken okulun kütüphanesinde ki tüm kitapları okuması ,daha o yaşlardayken bile işinde en iyisi olmayı ve aynı kararlılıkla yılmadığını da biliyoruz.</p><p>Üniversite iken ev partileri düzenler ve giriş için 5 dolar alırdı ve kirayı bunla öderdi.Üniversite ve lisans bitince internet,uzay ve temiz enerji alanlarında gelecek olduğunu fark etti ve Bildiğimiz Elon Musk doğmuş oldu.</p><figure><a href="http://www.turkceyayin.net/"><img alt="" src="https://cdn-images-1.medium.com/max/728/1*WVJ1FMfw1QBe0aNC1mfgnA.png" /></a></figure><h4><strong>Girişimciliğe girişi:</strong></h4><p>Kardeşi Kimbal ile Zip2 projesini başlattı.Başarı elde etti.Sonrasında Paypalı kurdu ve sattı. Online ödeme sistem olan Paypal, 2002 yılında dünyanın en büyük alışveriş platformlarından olan Ebay’e 1.5 milyar dolara satıldı. %11.7 hisseye sahip olan Musk, buradan aldığı payla 3 büyük şirkete girişti çünkü ona göre gelecek “uzay, internet ve temiz enerji”ydi. Kendisi daha sonrasında ”Paypal’dan kazandığım 180 milyon doların 100 milyonunu SpaceX’e, 70 milyonunu Tesla’ya ve 10 milyonunu SolarCity’e yatırdım. Kiramı ödemek için yeniden borç almam gerekiyordu.”diyecekti.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/275/1*gmH9fVk0hfWnNz_dyxGCjA.jpeg" /><figcaption>Elon Musk ve Paypal Girişimi</figcaption></figure><p>İnsanoğlunun neslini koruma ve birkaç sebepten ötürü <a href="https://www.spacex.com/">SpaceX</a>‘i kurmuş ve devletlere yarışamaya başlamıştır.Halen şirket aktiftir. <a href="https://www.tesla.com/">Tesla</a> ve <a href="https://www.solarcity.com/">SolarCity</a> ise temiz enerji açığını kapatmaya çalışmaktadır.Kar amacı gütmeyen ve dost YZ üretmek olan bir şirkettir. Hyperloop Boring Company ise 600 km hıza ulaşan tüneller ile trafik sorununu çözmeyi planlıyor. <a href="https://www.neuralink.com/">NeuraLink </a>sayesinde YZ ile doğal zekayı birleştirmeyi hedefliyor.Sanırsam Matrix serisine doğru gidiyoruz 🙂</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/277/1*bNGoKLAGekoLhC9PK_-4VQ.jpeg" /><figcaption>Elon Musk Tesla Hakkında Basın Açıklaması yaparken</figcaption></figure><p>Ama tüm bunlar bu kadar tozpembe değil. Kendi kurduğu Zip2’nin Ceosu olmak istedi yönetim kurulu üyeleri onaylamadı. <a href="https://www.paypal.com/">Paypal </a>en kötü 10 iş fikrinden biriydi. Kendi şirketinden kovuldu. SpaceX’in roketleri bir kaç defa infilak etti başarısız oldu. Bir kaç defa iflasın eşiğine geldi. Ama yinede başardı.</p><h4><strong>Özet olarak:</strong></h4><p>Acaba aramızdan kaç işi günde 120 saate kadar çalışabilirim diyebilir? Kaç kişi 6 saatlik uykuya ve oldukça katı bir ajandaya sahip olabilir? Aramızdan kim tüm boş zamanlarını sadece öğrenmeye adayabilir.” Eee o zaman nerede benim gençliğim?” diyebilirsiniz ve haklısınız ama hedefiniz varsa ve cidden istiyorsanız, herkes size olan inancını yitirse dahi herşeyden vazgeçin ama kendinizden vazgeçmeyiniz 🙂 . Bize zaman ayırdığınız için teşekkürler.</p><p>Eğer yazımızı sevdiyseniz bir de şu yazımıza bakabilirsiniz Teknoloji alanındaki yazılarımızı takip edebilirsiniz.</p><p>İyi Günler!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fd0b0aa9c597" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye/elon-musk-ve-ba%C5%9Far%C4%B1-i%CC%87li%C5%9Fkisi-fd0b0aa9c597">Elon Musk ve Başarı İlişkisi</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye">Türkçe Yayın</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Neuralink Değişimin Elçisi]]></title>
            <link>https://medium.com/t%C3%BCrkiye/neuralink-de%C4%9Fi%C5%9Fimin-el%C3%A7isi-23e6bf5a7f1c?source=rss-cba2aaea9cef------2</link>
            <guid isPermaLink="false">https://medium.com/p/23e6bf5a7f1c</guid>
            <category><![CDATA[neuralink]]></category>
            <category><![CDATA[elon-musk]]></category>
            <category><![CDATA[teknoloji]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[robotik]]></category>
            <dc:creator><![CDATA[Batuhan Bayraktar]]></dc:creator>
            <pubDate>Sun, 15 Dec 2019 15:33:19 GMT</pubDate>
            <atom:updated>2019-12-15T19:57:26.074Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>Neuralink Dünyayı Değişmeye Zorluyor…</strong></p><p>Neuralink bir Elon Musk şirketidir. 2016’ının Temmuz ayında kurulmasına rağmen ilk başlarda gizli tutulmuş bir şirket kendisi.</p><p>Elon Musk ilk olarak dünyanın önde gelen Nörobilim ve Yapay zeka uzmanlarını işe aldı.Şirket kurulduğundan beri çok konuşulucak bir başarıya imza attı. Yaklaşık 100 kişilik ekip 3 yıl boyunca süren çalışmalarla beyin ile makine birleştirmeyi başardı. Şimdilik sadece maymunlar üzerinde denendi. Maymunlar beyinleriyle bilgisayarlara hükmetmeyi başardı.</p><p>Amaçlarının felçli insanlara başta olmak üzere ‘insanlığa hizmet’ olarak adlandırılıyor. Ve ‘insanüstü bilinci’ hedeflediklerini de vurguluyorlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/269/1*Puilry6N6ViEZ0VIb2YTlw.png" /><figcaption>Neuralink’in Resmi Logosu</figcaption></figure><figure><a href="http://www.turkceyayin.net/"><img alt="" src="https://cdn-images-1.medium.com/max/728/1*WVJ1FMfw1QBe0aNC1mfgnA.png" /></a></figure><h4><strong>Peki Ya Cihazın Özellikleri?</strong></h4><p>Cihazda 3000’in üzerinde elektrot bulunmakta ve her biri 1000 nöronu izleyebiliyor. Nöronlar arası bilgi transferi yapılırken oluşan küçük elektrik akımlarını takip ederek yapıyorlar. Ve beyin aktivitesini izleyebiliyorlar. Elon Musk simbiyotik insanların uzak olmadığını vurguladı.</p><p>Her bir elektrot saç telinden daha ince olmak zorunda. Olası bir travma riskini göze alamazlar değil mi?</p><p>İnsanlar üzerinde deneye başlayabilmek için ABD Gıda ve İlaç Düzenleme Kurulu’nun onayı gerekiyor.Bunun haricinde önlerinde halen teknik ve etik sorunlar bulunmakta.</p><h4><strong>Olası Yararları Neler Olacak?</strong></h4><p><a href="https://neuralink.com/">Neuralink</a> ilk olarak Epilepsi ve depresyona savaş açılacak. Daha sonra Parkinson ve Alzheimer gibi günümüzde kesin tedavisi olmayan hastalıklara çözüm aranacak. Felç ve daha pek çok hastalık tedavi edilip önlenebilecek.Hiç değilse teorik olarak. İnsanları yapay zekadan korumak istediklerini de söylemektedirler.</p><p>Zeka,hafıza,Cinsel yönelim, inançlar gibi özellikler üzerinde oynanabilir. Kısaca ‘Tanrıyı’ oynayabilirler.</p><h4><strong>Peki Ya Olası Kötü Senaryo?</strong></h4><p>Böylesine bir durumu tek bir bakış açısı ile değerlendirmek doğru olmayacaktır. Öncelikle sürekli beyniniz izlenecek bu Nöroloji,Psikoloji gibi alanlarda çığır açabilir. Ama Sizin beyninizdeki tüm veriye de sahip oluyorlar. Yapay zekanın gelişebilmesi için İnsanlık Veriye muhtaç. Ve bu teknoloji ile birden veri patlamasına neden olacak. Bu da yapay zekayı etkileyecek. Buradaki kişi her ne kadar Elon Musk da olsa bu veriyi kullanacaktır. 2016 yılından bu yana Dünyadaki en değerli şey artık petrol değil VERİDİR.</p><p>Elon kullanamasa bile başkası kullanacaktır. Sizin beyninizi kopyalayabilirler. Beyniniz internete bağlı olduğundan hacklenebilirsiniz. Anılarınız silinebilir veya indirilebilir. Hatta sayamayacağımız olaylarla karşı karşıya kalabilirsiniz.</p><p>Problemler sadece bu kadarda değil. İş görüşmesine gidiyorsunuz diyelim.Rakibiniz sizden daha düşük profilli. İşe sizin alınmanız gerekir öyle değil mi?Ama bu teknolojiye sahipse işsiz kalan siz olucaksınızdır. Haksız rekabeti ve insanları ayıran Bir ‘Kast’ sistemi inşa edilebilir. BlackMirror’u yaşayabiliriz. Kısaca ‘Şeytanı’da oynayabilirler.</p><p><strong>Kısaca…</strong></p><p>Oldukça ütopik gelebilir ama imkansız değil. Değişimler hep sancılı olmuştur. Bu sancıların hepsini çekmesek bile bir kısmını çekeceğimiz kesin. Ama iyi yönleri ile insanlık ilerlemeye devam edecektir…</p><p>Bizi Okuduğunuz ve kıymetli zamanınızı ayırdığınız için teşekkürler…</p><p>İyi Günler…</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=23e6bf5a7f1c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye/neuralink-de%C4%9Fi%C5%9Fimin-el%C3%A7isi-23e6bf5a7f1c">Neuralink Değişimin Elçisi</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye">Türkçe Yayın</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Boston Dynamics ve Robotik Teknoloji Sektörünün Geleceği]]></title>
            <link>https://medium.com/t%C3%BCrkiye/boston-dynamics-ve-robotik-teknoloji-sekt%C3%B6r%C3%BCn%C3%BCn-gelece%C4%9Fi-43af5e4f7172?source=rss-cba2aaea9cef------2</link>
            <guid isPermaLink="false">https://medium.com/p/43af5e4f7172</guid>
            <category><![CDATA[türkçe]]></category>
            <category><![CDATA[gelecek]]></category>
            <category><![CDATA[robots]]></category>
            <category><![CDATA[robotik]]></category>
            <category><![CDATA[boston-dynamics]]></category>
            <dc:creator><![CDATA[Batuhan Bayraktar]]></dc:creator>
            <pubDate>Fri, 29 Nov 2019 19:48:19 GMT</pubDate>
            <atom:updated>2019-11-30T20:33:54.250Z</atom:updated>
            <content:encoded><![CDATA[<p>Robotik Teknoloji sektörü ve adından söz ettirmeyi başarmış Boston Dynamics firmasını inceleyeceğiz. Önce Robotik sektörünü kısaca tanıyalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/202/1*Ef2qTFJwN20WdYCcU2QgBQ.jpeg" /></figure><h4>Robotik Teknolojileri Nedir ?</h4><p>Selamlar millet bugün hemen hemen herkesin duyduğu ama bir o kadarda kimsenin çok fikir sahip olmadığı bir konuya değineceğiz. Robotik Teknoloji sektörü ve adından söz ettirmeyi başarmış <a href="https://www.bostondynamics.com/">Boston Dynamics</a> firmasını inceleyeceğiz. Önce Robotik sektörünü kısaca tanıyalım.</p><figure><a href="http://www.turkceyayin.net/"><img alt="" src="https://cdn-images-1.medium.com/max/728/1*WVJ1FMfw1QBe0aNC1mfgnA.png" /></a></figure><p>Robotik Teknolojileri sektörü, Endüstri 4.0’ın beraberinde getirdiği bir teknolojidir.Ve her yıl daha hızlı bir şekilde büyümektedir. Dünya üretim merkezinin ağırlığının gittikçe doğuya kayması sonucunda özellikle Çin’de ciddi sermaye birikimleri oluşmaya başladı. Ve bu sektöre parayı akıtmaya başladılar. Robot teknolojileri alanında son yıllarda özellikle Avrupa ve ABD’de çok dikkat çeken başka bir trend var. Minimal, fonksiyonel, butik robot üreten firmaların sayısı hızla çoğalıyor. Bu firmaların büyük çoğunluğu yalnızca ev hizmetleri gibi alanlara hitap etmeye çalışıyor. Örneğin bir Japon firması terliğe uygun robotik araç tasarlayarak onun hareket etmesini ve sahibinin önüne gelmesini sağladı. Ayrıca Dünyada kullanılan endüstriyel robotların %65’i şu an Avrupa Birliği ülkelerinde çalışıyor. IFR’nin ‘2016 Dünya Robotu Raporu’ araştırmasına göre AB’deki robotların yaklaşık yarısı otomotiv endüstrisinde görev yapıyor. Çin Hükümeti’nin yayınladığı “Made in China 2025” ekonomi planında robot yatırımlara büyük önem vereceğini vurguluyor. Sadece 2015 yılında dünya genelinde 254.000 robot satıldı. Bu rakamın %20’den fazlası olan 68.600 adet Çin’de satıldı. Aynı yıl AB ülkeleri toplamında satış rakamının 50.100 olduğu göz önünde bulundurulursa Çin pazarının ne kadar büyük olduğu anlaşılır. Geleceğin sektörlerinin lokomotifi Asya ülkeleri olacağına ise kesin gözüyle bakılıyor.</p><p>Boston Dynamics ise bunlardan ayrılıyor çünkü işin içine yapay zeka da giriyor. Biraz da onları tanıyalım. Boston Dynamics 1992 yılından bu zamana dinamik robot,yazılımların tasarım ve inşasında uzmanlaşmış bir mühendislik şirketidir. Şirketin 18 yıl önce tasarladığı BigDog isimli robot, halen ilk asker robotu olma özelliğine sahip.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FcNZPRsrwumQ%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DcNZPRsrwumQ&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FcNZPRsrwumQ%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/52d5c2f832ece8bf4b6c25d84937647e/href">https://medium.com/media/52d5c2f832ece8bf4b6c25d84937647e/href</a></iframe><p>Ve karşınızda şirketin ürettiği en hızlı robot ise adından da anlaşılacağı üzere, 28.3 mph hıza sahip Cheetah</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FchPanW0QWhA%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DchPanW0QWhA&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FchPanW0QWhA%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/50a14ccadb8b8b7b8ef500c52b1d963a/href">https://medium.com/media/50a14ccadb8b8b7b8ef500c52b1d963a/href</a></iframe><p>SpotMini adı verilen köpek benzeri robot, bu yıl satışa sunuldu. Ve rahatlıkla kapı açabiliyor gezebiliyor ve köpekmişçesine davranabiliyor.</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FkHBcVlqpvZ8%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DkHBcVlqpvZ8&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FkHBcVlqpvZ8%2Fhqdefault.jpg&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/b9d2bd5154c0acd9ed1606b54ecbf70f/href">https://medium.com/media/b9d2bd5154c0acd9ed1606b54ecbf70f/href</a></iframe><p>Dünyada ki En atletik Robot da bu şirkete aittir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/267/1*xR6AJKuuPNMLy6XX6Xjx5Q.jpeg" /></figure><p>Sektörün durumu az çok bu şekilde arkadaşlar. Peki ”Ben iş olarak değil de sadece amatör olarak ilgilenmek istiyorum diyorsanız ”size birkaç tavsiyemiz var</p><h4><strong>Robotik Ve Yapay Zeka Hakkında Çalışmalarınız Olabilir, Nasıl Mı?</strong></h4><p>Yaşınız küçükse veyahut küçük bir adım atmak istiyorsanız Robotik Kodlama Sertifika Programlarına kaydolabilirsiniz. Bu küçük bir adım da olsa da bir başlangıçtır. Robotik kodlama eğitmeni olarak da bunu özellikle küçük yaştakilere tavsiye etmekteyim. Kodlamaya ve yazılıma ön giriş açısından oldukça faydalı.Sadece yaşı küçük kişilere değil yetişkin insanlarda öğrenebilir ve öğrenmeli.Bunu özel eğitim kurumlarında iş olarak yapabilirler.(Ev3 Robotik kodlama, Arduino ve benzeri şekilde aratabilirsiniz)</p><p>”Bunlar beni tatmin etmez” diyecek kadar meraklı iseniz ne mutlu size :). Yazılım dili öğrenme zamanınız gelmiştir.Bizim tavsiyemiz Python’dır. Şuan bu alanda lider dildir. Elbette başa tercihleriniz mevcut. Orası size kalmıştır. Gerekli alanlarda bilgi sahibi olduktan sonra <a href="https://gym.openai.com/">OpenAI</a> gibi ücretsiz yerlerden yararlanabilir ve işe koyulabilirsiniz. <a href="https://www.kaggle.com/">Kaggle</a> veya <a href="https://github.com/">GitHub</a> gibi yerlerde Dünyaya paylaşabilirsiniz.</p><p>Zaman ayırıp okuduğunuz için teşekkürler.</p><p>print(‘İyi Günler’)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=43af5e4f7172" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrkiye/boston-dynamics-ve-robotik-teknoloji-sekt%C3%B6r%C3%BCn%C3%BCn-gelece%C4%9Fi-43af5e4f7172">Boston Dynamics ve Robotik Teknoloji Sektörünün Geleceği</a> was originally published in <a href="https://medium.com/t%C3%BCrkiye">Türkçe Yayın</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A’dan Z’ye Pandas Tutoriali (Başlangıç ve Orta Seviye)]]></title>
            <link>https://medium.com/deep-learning-turkiye/adan-z-ye-pandas-tutoriali-ba%C5%9Flang%C4%B1%C3%A7-ve-orta-seviye-4edf0094e0d5?source=rss-cba2aaea9cef------2</link>
            <guid isPermaLink="false">https://medium.com/p/4edf0094e0d5</guid>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[türkçe]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data]]></category>
            <category><![CDATA[tutorial]]></category>
            <dc:creator><![CDATA[Batuhan Bayraktar]]></dc:creator>
            <pubDate>Sun, 20 Oct 2019 12:00:03 GMT</pubDate>
            <atom:updated>2020-02-04T15:37:31.106Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/275/1*jjTqfK98Zg9ac0PP3IOdng.jpeg" /></figure><p><strong>Pandas,</strong> Python programlama dili için yüksek performanslı, kullanımı kolay veri yapıları ve veri analiz araçları sağlayan açık kaynaklı bir kütüphanedir. ‘.csv’ ve ‘.txt’ dosyalarını açmak ve içerisinde bulunan verileri okuyarak istenen sonuca kolayca ulaşmak için kullanılmaktadır. Yani Pandas sayesinde bir excel dosyasını açarak içerisinde bulunan bir sütunu veya satırı seçip işlem yapabiliriz. Numpy kütüphanesinde yapılan verilerin şekillendirilmesi işlemi daha detaylı bir biçimde kullanılabilmektedir.</p><p>Pandas ile aklınıza gelebilecek pek çok işlemi başarıyla ve birkaç satır kodla yapabilirsiniz. Örneğin, İlk karadeliğin görüntüsünün verisi pandas ile düzenlenmiştir. Ayrıca Pandas hız konusunda da optimize edilmiştir ve çok hızlı bir şekilde işlem yapabilmektedir. Başlamadan önce Numpy hakkındaki <strong>ş</strong><a href="https://medium.com/@Batuhan35/t%C3%BCrkiyenin-en-kapsaml%C4%B1-numpy-tutoriali-b22e800418ed"><strong>u yazıyı</strong> </a>okumanızı şiddetle tavsiye ederim. Çünkü bu iki konu birbirinden ayrılması imkansız olan konulardır ve bu ders için temel hazırlamasına yardımcı olacaktır.</p><p>Öncelikle ‘Seriler’ konusunu işleyeceğiz. Ardından’ DataFrame oluşturma ve işlevleri’ne değineceğiz. Çeşitli ‘Filtreleme işlemleri’nden sonra ‘DataFramelerin multi index olarak tanımlanması’ konusunu görüp, ‘Bozuk veya Hatalı veri durumunda neler yapabiliriz?’ sorusuna yanıt arayacağız. ‘GroupBy Sorguları’ ile belli bir değere göre sınıflamayı öğreneceğiz ve son olarak ‘Concatenate merge ve join fonksiyonları’ konusuna değindikten sonra yazımızı sonlandıracağız. Aşağıdaki kodla Pandas kütüphanemizi ‘import’ edelim ve Pandas’a ilk adımımızı atalım.</p><pre>import pandas as pd</pre><p>Ve şimdi ‘Pandas Serileri’ne geçmeye hazırız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*xeQPmUmfpbyFMcpDPkiXOw.png" /></figure><p><strong>Pandas Serileri</strong></p><p>Seriler Numpy dizileri baz alınarak oluşturuldukları için onlara çok benzerler. Seri, etiketli verilerden oluşan tek boyutlu bir veri yapısıdır. Etiket değerlerine ise indeks denir. Verinin kendisi sayılar, dizeler veya başka Python objelerinden oluşabilir. Serileri oluşturmak için ise listeler, sıralı diziler ya da sözlükler kullanılabilir. Pandas Serileri aşağıdaki değişkenleri alırlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/664/1*Y_X32L70fwDlQ0yE-8Ua4w.png" /></figure><p>Burada da ‘Bir seri nasıl oluşturulur?’ sorusunun cevabını görüyorsunuz.</p><pre>Input:<br>Label_list = [&#39;I&#39;,&#39;am&#39;,&#39;Learning&#39;,&#39;Data&#39;,&#39;Science&#39;]<br>Data_List = [1,2,3,4,5]<br>Pd_Series1 = pd.Series(Data_List,Label_list)</pre><p>Ama illaki bu yolla ya da bu uzunlukta olmak zorunda değildir, Şu şekilde de olabilir.</p><pre>Input:<br>data = np.array([&#39;a&#39;,&#39;b&#39;,&#39;c&#39;,&#39;d&#39;])<br>Series = pd.Series(data,[100,101,102,103])<br>Output:<br>100    a<br>101    b<br>102    c<br>103    d<br>dtype: object</pre><p>Şimdi 3 tane Seri oluşturalım ve bu seriler üzerinde bir takım işlemler uygulayalım.</p><pre>Input:<br>DataDict = {&#39;Michael_s exam result&#39;: 35, &#39;Olivia_s exam result&#39;: 85}<br>A = pd.Series(DataDict)<br>Output:<br>Michael_s exam result    35<br>Olivia_s exam result     85<br>dtype: int64<br>Input:<br>DataDict2 = {&#39;Michael_s exam result&#39;: 44}<br>B = pd.Series(DataDict2)<br>Output:<br>Michael_s exam result    44<br>dtype: int64<br>Input:<br>DataDict3 = {&#39;Darth_Vader_s exam result&#39; :99}<br>C = pd.Series(DataDict3)<br>Output:<br>Darth_Vader_s exam result    99<br>dtype: int64</pre><p>Görmüş olduğunuz gibi 3 adet seri oluşturduk. Sıra kullanabileceğimiz bazı durumlarda.</p><pre>Input:<br>A + B<br>Output:<br>Michael_s exam result    79.0<br>Olivia_s exam result      NaN<br>dtype: float64</pre><p>Bu durumlardan ilki: iki seri arasında dört işlem ve daha fazlası yapılabilir. Ancak dikkat etmeniz gereken bir husus var: ‘A’ değerinin içinde ‘Michael’ ve ‘Olivia’ kişilerinin sınav sonuçları varken, ‘B’ değerinde sadece ‘Michael’ kişisinin sınav sonucu var. İki değeri işleme soktuğumuzda sadece eşleşen değerler işleme tabii olur. Eşleşmeyen değer olursa (Bu örnekte ‘Olivia’ kişisi), o değer ‘NaN’ olarak görünecektir.</p><p>‘Peki NaN nedir?’ diye soruyorsanız, ‘Not a number’ın kısaltılmış halidir ve bu veri tipinin sayı olmadığını ifade eder.</p><pre>Input:<br>DataDict4 = C.append(A)<br>Output:<br>Darth_Vader_s exam result    99<br>Michael_s exam result        35<br>Olivia_s exam result         85<br>dtype: int64</pre><p>Yukarıda görüldüğü gibi ‘DataDict4’ diye bir değer oluşturup, ‘C’ değerine ‘A’ değerini ekledik ve üç kişinin de sınav sonuçlarını görebildik. Gerçi ‘Darth Vader’ bu kadar yüksek not almışsa muhtemelen ‘Gücün karanlık tarafı’ ile ilgili bir sınavdır. :)</p><pre>Input:<br>A[&#39;Michael_s exam result&#39;]<br>Output:<br>35<br>Input:<br>C[&#39;Darth_Vader_s exam result&#39;]<br>Output:<br>99</pre><p>Yukarıda bulunan kodu hemen açıklayayım. ‘A’ değerinde ‘Michael’ ve ‘Olivia’ kişilerinin sınav sonuçları vardı. Diyelim ki biz ‘Michael’ kişisinin sınav sonucunu öğrenmek istiyoruz. Bu durumda ilk kodu yazmamız gerekir. Aynısı ‘Darth Vader’ karakteri için de geçerlidir. Bu illaki sayısal bir değer olmak zorunda değildir (int veya float). ‘String’ yani kelimelerden oluşan bir veri de olabilirdi.</p><p>‘Series’ konusu aslında bu kadar kısa ve öz şimdi ‘DataFrame’ konusuna geçelim.</p><p><strong>Pandas DataFrame</strong></p><p>DataFrameler, Türkçesiyle ‘Veri Çerçeveleri’ Pandas kütüphanesinde asıl olayın döndüğü kısımdır ve pek çok işlemi bu kısımda yapacağız. Burada sütunlar ‘Column’ ya da ‘Feature’ olarak satırlar ise ‘row’ ya da ‘ indeks’ olarak adlandırılır.</p><p>Öncelikle kendimize bir veri oluşturmalıyız.</p><pre>from numpy.random import randn</pre><pre>Input:<br>df = pd.DataFrame(data = randn(5,5), index = [&#39;A&#39;,&#39;B&#39;,&#39;C&#39;,&#39;D&#39;,&#39;E&#39;], columns = [&#39;Columns1&#39;,&#39;Columns2&#39;,&#39;Columns3&#39;,&#39;Columns4&#39;,&#39;Columns5&#39;])<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/309/1*xqPDyjhToJw-WCuT-Ot9AA.png" /></figure><p>Eğer ‘randn’ fonksiyonunu ilk defa görüyorsanız ‘<a href="https://medium.com/deep-learning-turkiye/t%C3%BCrkiyenin-en-kapsaml%C4%B1-numpy-tutoriali-b22e800418ed">Numpy</a>’ hakkında olan yazıyı okuyabilirsiniz.</p><p>Çalıştığınız veride size gerekli olan sütunları şu yöntemle alabilirsiniz.</p><pre>Input:<br>df[&#39;Columns1&#39;]<br>Output:<br>A   -0.405682<br>B    0.083131<br>C    0.809041<br>D    1.103567<br>E    0.026578<br>Name: Columns1, dtype: float64</pre><p>Üstelik sadece 1 sütun değil aynı yöntemle birden fazla sütunu da alabiliyorsunuz.</p><pre>Input:<br>df[[&#39;Columns1&#39;,&#39;Columns5&#39;]]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/139/1*oFx4gx092tCXfeoQ6UI2Xg.png" /></figure><p>Yeni bir sütun ekleme işlemini ise şöyle yapıyoruz.</p><pre>Input:<br>df[&#39;Columns6&#39;] = pd.Series(randn(5),[&#39;A&#39;,&#39;B&#39;,&#39;C&#39;,&#39;D&#39;,&#39;E&#39;])<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/363/1*WIudmG_hn6ENFnOYRpvvrQ.png" /></figure><p>Bununla da sınırlı değil, istediğiniz sütuna ya da satıra istediğiniz işlemi de uygulayabilirsiniz.</p><pre>Input:<br>df[&#39;Columns7&#39;] = (df[&#39;Columns6&#39;] + df[&#39;Columns4&#39;] - df[&#39;Columns1&#39;] ) / df[&#39;Columns2&#39;] * df[&#39;Columns3&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/433/1*xCs5XNcBGLpzdrBB5gkB1Q.png" /></figure><p>Örneğin, yukarıda ‘Column7’ değerini oluşturup onu çeşitli sütunların işlemler sonucu oluşturduğu bir değere eşitledik ve böyle bir tablo oluştu.</p><p>Peki ‘Column’ ekleriz de çıkaramaz mıyız ?</p><pre>Input:<br>df.drop(&#39;Columns2&#39;, axis = 1, inplace = True)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/368/1*0GoQEKjydjDejvg21PR0UA.png" /></figure><p>‘Axis’ in ne olduğunu merak edenler için kendisinin ‘default’ değeri 0&#39;dır ve ‘0’ satırları ‘1’ sütunlarını simgeler. Buradaki ‘inplace’ parametresi önemlidir, bu işlemin kalıcı olup olmadığını belirler ve ‘True’ dediğimiz zaman kalıcı olarak atama yapar.</p><p>Bir ‘Column’ değerini index başlığı olarak şöyle atayabiliyoruz.</p><pre>df.set_index(&#39;Column ismi&#39;, inplace = True)</pre><p>Aşğıdaki şekilde de ‘index’ ve ‘Column’ların isimlerini öğrenebiliyoruz.</p><pre>Input:<br>df.index.names<br>Output:<br>FrozenList([None])<br>Input:<br>df.column.names<br>Output:<br>FrozenList([None])</pre><p>Şimdi ise ‘loc’ ve ‘iloc’ durumunu işleyelim.</p><pre>Input:<br>df.loc[&#39;C&#39;]<br>Output:<br>Columns1     0.236537<br>Columns3    -1.595101<br>Columns4     3.393466<br>Columns5     2.040532<br>Columns7   -13.011599<br>Name: C, dtype: float64</pre><p>Bu kodu kullandığımızda, bize ‘C’ satırında ki ‘Column’ değerlerini vermektedir.</p><pre>Input:<br>df.loc[&#39;A&#39;]<br>Output:<br>Columns1    0.868092<br>Columns3   -0.155522<br>Columns4   -0.475097<br>Columns5   -0.825116<br>Columns7   -1.175716<br>Name: A, dtype: float64</pre><pre>Input:<br>df.iloc[0]<br>Output:<br>Columns1    0.868092<br>Columns3   -0.155522<br>Columns4   -0.475097<br>Columns5   -0.825116<br>Columns7   -1.175716<br>Name: A, dtype: float64</pre><p>Bu ikisi arasındaki bağlantıyı oturup bir 10 saniye düşünmenizi istiyorum. Şunu farkedeceksiniz ki ikisi de oldukça benzer şeyler.</p><p>‘iloc’ fonksiyonu, satırın indeksine göre ‘Column’ değerlerini çıkartır ve satırların indeksleri bildiğiniz gibi 0&#39;dan başlayarak ilerliyor. ‘A’nın indeksi 0, ve ‘iloc’ fonksiyonuna ‘0’ verilmiş. Bu durumda bu iki fonksiyon aslında aynı şeyi temsil ediyor. ‘loc’ fonksiyonunda isim belirtmeniz gerekirken, ‘iloc’ da indeks belirtmeniz gerekiyor.</p><p>Bazen daha ileri gitmek gerekir, mesela aşağıdaki gibi.</p><pre>Input:<br>df.loc[&#39;A&#39;,&#39;Columns5&#39;]<br>Output:<br>-0.8251161336118147</pre><p>İstenilen veri özel bir veri ya da nokta atışı yapılması gereken bir veri ise bu kullanılır.</p><pre>Input:<br>df.loc[[&#39;A&#39;,&#39;Columns5&#39;] and [&#39;B&#39;,&#39;Columns4&#39;]]<br>Output:<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/343/1*wIugd5qWKzffKneAwVzSNA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*bJ60MHOi3-9UETuGY_iObg.png" /></figure><p>Eğer bu işlemleri ‘<a href="https://www.kaggle.com/">Kaggle</a>’ ortamında yapıyorsanız yukarıdaki gibi bir şey çıkarsa endişelenmeyin. Bu birbhata değildir kodunuz sorunsuz çalışacaktır.</p><p>Anlaşıldığı üzere yukarıdaki ‘or , ‘and’ gibi ifadelerde kullanılabilmektedir.</p><pre>Input:<br>df.loc[[&#39;A&#39;,&#39;D&#39;],[&#39;Columns4&#39;,&#39;Columns2&#39;]]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/135/1*sbsWgURDssbmrAvWk2SDMQ.png" /></figure><p>Yukarıda da görüldüğü gibi birden fazla sütun ve satırı çağırıp bakabiliyoruz. Buradaki konumuz bitti, sırada ‘DataFrame Filtreleme işlemleri’ var.</p><p><strong>DataFrame Filtreleme İşlemleri</strong></p><p>Adından da anlaşıldığı gibi, elimizde bulunan verinin belli aralıklardaki değeri bulmak ya da almak istediğimizde kullanmaktayız. Dilerseniz Verimizi hatırlayalım ve basit işlemlerle başlayalım.</p><pre>Input:<br>df<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*85PCiQMgXlZRS1LSudGRkg.png" /></figure><p>Ve basit işlemlere geçelim.</p><pre>Input:<br>df &gt; 0.2<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*CQSJY_lK-lZ71doFIgwD6Q.png" /></figure><pre>Input:<br>booleanDF = df &gt; 0<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/326/1*Nx28dwif-ZI_oSrTZt8qkg.png" /></figure><p>‘Boolean’ı şöyle açıklayabiliriz. İstenilen değer (burada ‘0’dan büyük olma şartı ile), koşulu sağlıyorsa ‘True’ değilse ‘False’ değerini döndürür.</p><pre>Input:<br>df[booleanDF]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*opFTQ0xEza0-L8X7NaWcSw.png" /></figure><p>Burada ise ‘NaN’ değerleri üstteki Boolean değerindeki ‘False’ değerlerini temsil etmekte.</p><pre>Input:<br>df[df &gt; 0.5]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*pBhEaAjmXwLHR0K-z1tnXQ.png" /></figure><p>Burada ise ‘df’ içinde ‘0.5’ten büyük olanları gösterir. ‘False’ olanlar yine ‘NaN’ olarak gösteriliyor. Bunu daha ileride daha iyi örneklerle açıklayacağız.</p><pre>Input:<br>df[&#39;Columns1&#39;] &gt; 0<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/182/1*oongKhbPp4WAt9EPUQaBGA.png" /></figure><p>Yukarıda ise belli bir ‘Column’ değerinin filtrelemesini görüyorsunuz. Aşağıda ise bunu her ‘Column’ değerine uygulanışını görüyorsunuz. Bazılarında sonuç farklı. Bazılarında 4 satır varken bazılarında 2 satır var, sizce neden olabilir ?</p><pre>Input:<br>df[df[&#39;Columns3&#39;]&gt; 0]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*cU8fgmCGWbelvWirF1zIFw.png" /></figure><pre>Input:<br>df[df[&#39;Columns4&#39;]&gt; 0]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*IAFzC_AYSPZ6G17lkticuA.png" /></figure><pre>Input:<br>df[df[&#39;Columns5&#39;]&gt; 0]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/321/1*_dNTM2r2kzNEix9hYKwY0w.png" /></figure><pre>Input:<br>df[df[&#39;Columns1&#39;]&gt; 0]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*HNkjrXD9U3LaFWbjzp2Vxg.png" /></figure><p>Kısaca özetlemek gerekirse, ‘True’ olan değerler gösterilir. Örneğin, ‘Column4’te 4 satır bulunmakta demek ki 5. satır ‘True’ değerinde.</p><pre>Input:<br>df[(df[&#39;Columns1&#39;]&gt; 0) &amp; (df[&#39;Columns3&#39;]&gt; 0)]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*No4p61qRCUInNzbFvhxQrw.png" /></figure><pre>Input:<br>df[(df[&#39;Columns1&#39;]&gt; 0) | (df[&#39;Columns5&#39;]&gt; 1)]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/329/1*mV19cNjD1gsVJFvuEgsE9Q.png" /></figure><p>Yukarıda çeşitli filtreleme alıştırmalarını görüyorsunuz. Önceden bahsettiğimiz kurallara tabiidirler. ‘&amp;’ işareti ‘and’ anlamında ve ‘|’işareti ‘or’ anlamındadır. Bu işaretler yerine ‘and’ ya da ‘or’ kullanır iseniz hata alırsınız. ‘&amp;’ işareti ‘SHIFT’ ve ‘6’ tuşları ile ‘|’ işareti ise ‘ALT GR’ ve ‘-’ ile yapılmaktadır.</p><pre>Input:<br>df<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*2pGNwIIqzxJUayJbVDPlrQ.png" /></figure><pre>Input:<br>df[&#39;Columns6&#39;] = [&#39;NewValue1&#39;,&#39;NewValue2&#39;,&#39;NewValue3&#39;,&#39;NewValue4&#39;,&#39;NewValue5&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/368/1*v1Cbm98fHCqEEFsIQyuXUg.png" /></figure><p>Verimizi güncellerken 2. fotoğrafta anlaşıldığı üzere verilen değer ‘String’ olsa bile direk atandığıdır.</p><pre>Input:<br>df.set_index(&#39;Columns6&#39; , inplace = True)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/371/1*4ZN9SJ00YYcBGpJAbZedNw.png" /></figure><pre>Input:<br>df.index.names<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/161/1*2hoqOFxVMtI_Ec2PibVjJA.png" /></figure><pre>Input:<br>df.columns.names<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/131/1*gmPfsN3R14Ol8Dag7QYIWg.png" /></figure><p>Yukarıda ilk satırda kalıcı bir şekilde index ismini ‘Column6’ olarak atadık. 2. satırda index başlığını sorguladık. Son kodda ise aynı mantıkla sütun ismini sorguluyor ve biz atamadığımız için ‘None’ çıkıyor.</p><p><strong>DataFramelerin Multi İndex Olarak Tanımlanması</strong></p><p>Multi index, adından da anlaşılacağı gibi index sayısının çok olduğu durumlarda kullanılır ve temel olarak gruplanır.</p><pre>Input:<br>OuterIndex = [&#39;Group1&#39;,&#39;Group1&#39;,&#39;Group1&#39;,&#39;Group2&#39;,&#39;Group2&#39;,&#39;Group2&#39;,&#39;Group3&#39;,&#39;Group3&#39;,&#39;Group3&#39;]<br>InnerIndex = [&#39;Index1&#39;,&#39;Index2&#39;,&#39;Index3&#39;,&#39;Index1&#39;,&#39;Index2&#39;,&#39;Index3&#39;,&#39;Index1&#39;,&#39;Index2&#39;,&#39;Index3&#39;]<br>list(zip(OuterIndex,InnerIndex))<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/171/1*0t-ofJOkW5K924A8wivhGA.png" /></figure><pre>Input:<br>hierarchy = list(zip(OuterIndex,InnerIndex))<br>hierarchy = pd.MultiIndex.from_tuples(hierarchy)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/236/1*OPGic1zuDVlm5a_OOxuWtA.png" /></figure><pre>Input:<br>df = pd.DataFrame(randn(9,3),hierarchy,columns = [&#39;Column1&#39;,&#39;Colum2&#39;,&#39;Column3&#39;])<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/250/1*vIFttsKPsw9ax2lg68pZ1A.png" /></figure><p>1.görselde 2 adet index oluşturup ‘zip’ fonksiyonu ile birleştirdik. Bunu yaparken liste kullandık ama siz ‘Tuple’ ve ‘Dict’ de kullanabilirsiniz. 2. görselde bunu ‘hierarchy’e eşitledik. Sonra ise ‘pd.MultiIndex.from_tuples()’ özelliği ile Multi index’i oluşturduk. En son görselde ise ‘rand()’ fonksiyonu ile rastgele değerler atayıp sütun bilgilerini verdik. Ve görüldüğü üzere ‘Group’ ‘Index’ ‘Column’ değerlerine sahip Multi index DataFrame elde ettik.</p><pre>Input:<br>df[&#39;Column1&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/202/1*bi5X6PYIYKW7Zs-5_kRBkw.png" /></figure><pre>Input:<br>df.loc[&#39;Group1&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/227/1*k6XuqCxgj1Pxy0s-KUBRbA.png" /></figure><pre>Input:<br>df.loc[[&#39;Group1&#39;,&#39;Group2&#39;]]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/285/1*XOQ9yAt6cQKyRxA-dvsEBg.png" /></figure><p>Yukarıda gördüğünüz gibi belli bir kısmı bu şekilde çağırabilirsiniz.</p><pre>Input:<br>df.loc[&#39;Group1&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/1*8PQDJf0yG2iessR5GGB3hw.png" /></figure><pre>Input:<br>df.loc[[&#39;Group1&#39;,&#39;Group2&#39;]]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/265/1*vZPsjxpFVl_kJc-DjsUICg.png" /></figure><pre>Input:<br>df.loc[&#39;Group1&#39;].loc[&#39;Index1&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/193/1*x9m-8snka28JAMPVfDVNRw.png" /></figure><p>‘Group’, ‘Column’ ve ‘Index’ gibi değerleri bu şekilde çağrılabilir ve birden fazla ve farklı türden de çağırma yapabilirsiniz.</p><pre>Input:<br>df.loc[&#39;Group1&#39;].loc[&#39;Index1&#39;][&#39;Column1&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/127/1*vVre96obuNvQoH-gKl2tOA.png" /></figure><p>Nokta atışı veriler için yukarıdakine benzer kodarla işinizi halledebilirsiniz.</p><pre>Input:<br>df.index.names = [&#39;Groups&#39;,&#39;Indexes&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/278/1*lciafvJTa5XKjFFJWZIi3Q.png" /></figure><p>Index isimlerini öğrenme aynı şekilde sütunları da sorgulayabilirsiniz.</p><pre>Input:<br>df.xs(&#39;Group1&#39;) # df.xs(&#39;Group1&#39;) = df.loc[&#39;Group1&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/215/1*zr4ZrFT1cec1rZD1RJ_MUA.png" /></figure><p>‘xs’ fonksiyonuna biraz değinelim. Yukarıda bildiğimiz bir koda eşit olduğunu görüyorsunuz. ‘xs’ fonksiyonu ‘loc’, ‘iloc’ gibi işlevsel fonksiyonları yerine getirebilir ve bize güzel avantajlar da sağlar.</p><pre>Input:<br>df.xs(&#39;Group1&#39;).xs(&#39;Index1&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/203/1*KbJCVgTQ8PTasnmPnzX7Og.png" /></figure><pre>Input:<br>df.xs(&#39;Group1&#39;).xs(&#39;Index1&#39;).xs(&#39;Column1&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/140/1*r4hw9LA-iDlP7J0IZbsbQQ.png" /></figure><p>İlk fotoğrafta önce ‘Group’ sonra ‘Index’ değeri veriliyor. Çünkü ‘xs’ fonksiyonu ‘Group’, ‘Index’ sırasıyla çalışmaktadır. Bu durum 2. fotoğrafı da açıklamaktadır.</p><p>‘Peki her seferinde böyle uğraşacak mıyız? Nerede bunun avantajı?’ diyorsanız aşağıdaki durumlara bakabilirsiniz.</p><pre>Input:<br>df.xs(&#39;Index1&#39;, level = &#39;Indexes&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/229/1*pylT7GYDaR71qZYitEe-Zg.png" /></figure><pre>Input:<br>df.xs(&#39;Index1&#39;, level = &#39;Indexes&#39;)[&#39;Column1&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/194/1*-j7vIpn_lUGLQpj5yEb8Qg.png" /></figure><p><strong>Bozuk Ve Kayıp Verilerle Ugraşabilmek</strong></p><p>Bazen almış olduğumuz veriler tam, düzgün çıkmayabiliyor. Bazen veriler kayıp olup, bizi amacımıza uzaklaştırabiliyor. Bu durumlarda ne yapılması gerektiğini anlatacağız. Ama önce kayıp bir veri oluşturalım.</p><pre>Input:<br>arr = np.array([[10,20,np.nan],[3,np.nan,np.nan],[13,np.nan,4]])<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/157/1*Kx8c4VUKWZ5G56HlLIYgVQ.png" /></figure><p>‘np.nan’ kodu anlaşıldığı üzere veride ‘Not a Number’ oluşturuyor.</p><pre>Input:<br>df = pd.DataFrame(arr, index = [&#39;Index1&#39;,&#39;Index2&#39;,&#39;Index3&#39;],columns = [&#39;Column1&#39;,&#39;Column2&#39;,&#39;Column3&#39;] )<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/195/1*6o15CWQg4UPrTxMHiH9_VQ.png" /></figure><p>Ve bu veri ile bu şekilde bir DataFrame’ye eşitledik.</p><p>Buradan sonra göreceğiniz adımları kesin kullanın demiyorum. Ama incelediğiniz veri, istenilen veya aranan veriye göre adımlar değişebilir. Bazen veride kayıp olan yerlere ortalama, 0 ,1 , standart sapma gibi parametreler konulabiliyor. Bazense direkt siliniyor. Bu tamamen sizin ne yapmak istediğinize kalmıştır.</p><pre>Input:<br>df = pd.DataFrame(arr, index = [&#39;Index1&#39;,&#39;Index2&#39;,&#39;Index3&#39;],columns = [&#39;Column1&#39;,&#39;Column2&#39;,&#39;Column3&#39;] )<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/195/1*6o15CWQg4UPrTxMHiH9_VQ.png" /></figure><pre>Input:<br>df.dropna()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/183/1*5qFrAWCsnfyoScitJve2NQ.png" /></figure><p>Mesela yukarıda ki kod, ‘Index’ satırında en az bir ‘NaN’ var ise siler.</p><pre>Input:<br>df.dropna(axis = 1)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/105/1*cQmwPr4xv-ymVDCQ73-mbQ.png" /></figure><p>‘Axis’ parametresini ‘Column’a göre ayarladığımızda ise içinde hiç ‘NaN’ değeri olmayan ‘Column1’i bize döndürür ve diğerlerini siler. Aynı zamanda ‘inplace’ değerini ‘True’ vermediğiniz müddetçe kalıcı değildir.</p><pre>Input:<br>df.dropna(thresh = 2)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/213/1*xv9sOIYiiCxULaSl9xW78g.png" /></figure><p>Sizce ‘thresh’ parametresi nedir? Hemen söyleyelim. ‘En az iki düzgün veri var ise silme’ anlamına gelmektedir. Elbette ki bu sayıyı siz belirliyorsunuz.</p><pre>Input:<br>df.fillna(value = 0) # &#39;&#39; ile birlikte string değer de yazılabilir.<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/217/1*dItRdyAAa6dWzWJt1hOEnw.png" /></figure><p>Bu kod içine aldığı ‘value’ değerini boş veriye atar. Örnekte, ‘0’ değeri verilmiş ve ‘NaN’ değerlerine atanmış. ‘String’ değer verilebildiği gibi oldukça da işlevseldir.</p><p>Verinin yapısının uygun olduğunu ve bizim aradığımız verinin ortalamadan bağımsız olduğunu varsayalım ve ‘NaN’ değerleri yerine ortalamayı atayalım.</p><pre>Input:<br>df.sum()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/110/1*3kvzEBadORp3Hcf6WeDPIw.png" /></figure><pre>Input:<br>df.sum().sum()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/37/1*YuLD7z4Y8DQFtyeeeUaJ2g.png" /></figure><p>İlk kodun, görüldüğü üzere her ‘Column’ değerinin toplamını, Sonraki kodun ise hepsinin toplamını verdiğini farketmişsinizdir.</p><pre>Input:<br>df.fillna(value = (df.sum().sum())/ 5)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/207/1*Tez74LvL4q_XkgdcII42EA.png" /></figure><p>Bu mantığı ‘value’ değerine atarsak ve 5&#39;e bölersek (ortalama almak için), ‘NaN’ değerleri yerine ‘10’ atayacaktır.</p><p>Aynı mantık ile standart sapma, varyans gibi değerleri de yapabiliriz. Ama bunu daha önceki yazımızda açıklamıştık ve ordaki kodu buraya rahatlıkla uygulayabilirsiniz.</p><p>Bazen daha basit sorgularda oldukça işlevseldir.</p><pre>Input:<br>df.size<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/21/1*5K5mgD--A8iUAzFvPOE8rw.png" /></figure><p>Kaç adet veri olduğunu sorgular.</p><pre>Input:<br>df.isnull()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/199/1*oF7_MtDZiinA9eVtyFHPtA.png" /></figure><p>‘True’ olan değerler ‘NaN’ı temsil etmektedir.</p><pre>Input:<br>df.isnull().sum()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/127/1*My-ODp-NIcp6hnlEgnQTaQ.png" /></figure><p>‘Hangi ‘Column’da kaç adet ‘NaN’ var?’ sorunun cevabı bu koddur.</p><pre>Input:<br>df.isnull().sum().sum()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/28/1*YzWPIpd3RC6KEHNSg2fKGg.png" /></figure><p>Bu kod ise toplam kaç adet ‘NaN’ değeri olduğunu verir.</p><p>Eğer biz toplam kaçar adet veri olduğunu biliyorsak ve yukarıdaki kod ile de kaç adet ‘NaN’ değerini olduğunu da biliyorsak, Her ‘Column’da kaç adet düzgün veri olduğunu da bulabiliriz.</p><pre>Input:<br>df.size - df.isnull().sum()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/101/1*y_RmyST8OyVFOLEK_MRkYw.png" /></figure><p>İşte bu kodda bahsettiğimiz düzgün veri miktarının ‘Column’lara göre dağılımıdır.</p><p><strong>GroupBy Operasyonları</strong></p><p>GroupBy Operasyonları, Sql tablolarındankiyle tamamen aynı. Sql bilmiyor iseniz bile rahat olun. Zor bir konu değil ancak önemli bir konu. İstenilen durumu gruplar gösterir.</p><pre>Input:<br>data = {&#39;Job&#39;: [&#39;Data Mining&#39;,&#39;CEO&#39;,&#39;Lawyer&#39;,&#39;Lawyer&#39;,&#39;Data Mining&#39;,&#39;CEO&#39;],&#39;Labouring&#39;: [&#39;Immanuel&#39;,&#39;Jeff&#39;,&#39;Olivia&#39;,&#39;Maria&#39;,&#39;Walker&#39;,&#39;Obi-Wan&#39;], &#39;Salary&#39;: [4500,30000,6000,5250,5000,35000]}<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/474/1*6wHDbBfSY2nguAHz9tnIkg.png" /></figure><p>Verimizi oluşturduktan sonra, DataFrame’e atıyoruz.</p><pre>Input:<br>df = pd.DataFrame(data)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/200/1*QY729kKaMyIvAYaoM91hyQ.png" /></figure><pre>Input:<br>SalaryGroupBy = df.groupby(&#39;Salary&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/449/1*_WmFXr-7OTVudbnaZdvW4g.png" /></figure><p>Ve ‘Salary’ özelliğine göre gruplamış olduk.</p><pre>Input:<br>SalaryGroupBy.sum()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/170/1*_WvNbKxc9QNN8SkBlPnhfQ.png" /></figure><pre>Input:<br>SalaryGroupBy.min()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/174/1*b5blN6LfqgvXpdfy_Z6EZQ.png" /></figure><pre>Input:<br>SalaryGroupBy.max()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/184/1*_0INvjCje9DlGvAfZb_uIA.png" /></figure><p>Gördüğünüz gibi hangi fonksiyonu kullanırsanız kullanın, tablo halinde yansıtacaktır.</p><pre>Input:<br>df.groupby(&#39;Salary&#39;).sum()# Bu şekilde de işlem kısaltılabilir.<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/182/1*ZKutvzlOHt6YVjlkuunrHA.png" /></figure><p>Son iki fotoğraftaki işlemi yukarıdaki kod tek başına yapmaktadır.</p><pre>Input:<br>df.groupby(&#39;Job&#39;).sum().loc[&#39;CEO&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/156/1*cR2aIX-JyQaxxlxsR3jXkw.png" /></figure><p>‘CEO’ların maaşların toplamı.</p><pre>Input:<br>df.groupby(&#39;Job&#39;).count()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/177/1*B-zN85Dv9eg8IW_fHQ4WeA.png" /></figure><pre>Input:<br>df.groupby(&#39;Job&#39;).min()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/175/1*rB7_MUrPiNYl9otePHaRhQ.png" /></figure><p>Numpy yazısındaki fonksiyonlar burada da kullanılabilmektedir.</p><pre>Input:<br>df.groupby(&#39;Job&#39;).min()[&#39;Salary&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/172/1*U6YT1_RCJz_ziXxIGXusFw.png" /></figure><pre>Input:<br>df.groupby(&#39;Job&#39;).min()[&#39;Salary&#39;][&#39;Lawyer&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/49/1*bfbxbxtzbs9AZAUmrG2syg.png" /></figure><p>İlkinde ‘Salary’e göre gruplayıp en düşük maaşları bastırdık. Sonrakinde ise en düşük maaşlı avukatın, maaşını bastırdık.</p><pre>Input:<br>df.groupby(&#39;Job&#39;).mean()[&#39;Salary&#39;][&#39;CEO&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/44/1*6xIpUJ0nQHlM8S5fG_RTZw.png" /></figure><p>Burada ise, mesleğe göre sıralayıp Ceo’ların ortalama maaşını bulduk. GroupBy Operasyonları, görüldüğü gibi zor bir konu değil. Oldukça kısa ve öz bir konu.</p><p><strong>Concatenate Merge Ve Join Fonksiyonları</strong></p><p>İlk olarak Concatenate ile başlayalım. Temel olarak birleştirme işlemini bu fonksiyon ile yapmaktayız. Aynı listelerdeki ‘zip’ fonksiyonu gibidir.</p><pre>Input:<br>data = {&#39;A&#39;: [&#39;A1&#39;,&#39;A2&#39;,&#39;A3&#39;,&#39;A4&#39;],&#39;B&#39;: [&#39;B1&#39;,&#39;B2&#39;,&#39;B3&#39;,&#39;B4&#39;],&#39;C&#39;:<strong> [&#39;C1&#39;,&#39;C2&#39;,&#39;C3&#39;,&#39;C4&#39;]}<br></strong>data1 = {&#39;A&#39;: [&#39;A5&#39;,&#39;A6&#39;,&#39;A7&#39;,&#39;A8&#39;],&#39;B&#39;: [&#39;B5&#39;,&#39;B6&#39;,&#39;B7&#39;,&#39;B8&#39;],&#39;C&#39;: [&#39;C5&#39;,&#39;C6&#39;,&#39;C7&#39;,&#39;C8&#39;]}<strong><br></strong>df1 = pd.DataFrame(data, index = [1,2,3,4])<br>df2 = pd.DataFrame(data1, index = [5,6,7,8])<br>df1<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/102/1*tz8NLjNoc5WdlXeX1EanIw.png" /></figure><pre>Input:<br>df2<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/107/1*Jc0bbVByxvMHnlWxjpNZnQ.png" /></figure><p>İki tane veri seti oluşturalım. Ve aşağıdaki gibi birleştirelim.</p><pre>Input:<br>pd.concat([df1,df2])<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/108/1*U9nzQW9pobOGMry-FQ-SbQ.png" /></figure><p>Şöyle de birleştirilebilirdi.</p><pre>Input:<br>pd.concat([df1,df2], axis = 1)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/219/1*Ur57aX1fGM0kXJxllxMjfA.png" /></figure><p>Burada olmayan veriler elbetteki ‘NaN’ olarak atanıyor. Bu işlem yalnızca 2 değil daha fazla sayıda olan durumlarda da kullanılabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/743/1*S8C1YbMcM_coeeBV7XfWSg.png" /></figure><p>Join, ile devam edelim. ‘Join’ fonkiyonları adı üstünde birbirlerine katılma işlemleri olarak düşünülebilir. Ve lisedeki ‘kümeler’ konusu olarak da düşünülebilir. Öyleyse iki veri oluşturup bu işlemleri yapmaya başlayalım.</p><pre>Input:<br>data = {&#39;A&#39;: [&#39;A1&#39;,&#39;A2&#39;,&#39;A3&#39;,&#39;A4&#39;],&#39;B&#39;: [&#39;B1&#39;,&#39;B2&#39;,&#39;B3&#39;,&#39;B4&#39;],&#39;C&#39;: [&#39;C1&#39;,&#39;C2&#39;,&#39;C3&#39;,&#39;C4&#39;]}<br>data1 = {&#39;A&#39;: [&#39;A5&#39;,&#39;A6&#39;,&#39;A7&#39;,&#39;A8&#39;],&#39;B&#39;: [&#39;B5&#39;,&#39;B6&#39;,&#39;B7&#39;,&#39;B8&#39;],&#39;C&#39;: [&#39;C5&#39;,&#39;C6&#39;,&#39;C7&#39;,&#39;C8&#39;]}<br>df1 = pd.DataFrame(data, index = [1,2,3,4])<br>df2 = pd.DataFrame(data1, index = [5,6,7,8])<br>df1<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/105/1*e--T1mnW-FuxoLdJ1o8Gyw.png" /></figure><pre>Input:<br>df2 = pd.DataFrame(data2, columns = [&#39;id&#39;, &#39;Feature1&#39;, &#39;Feature2&#39;])<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/157/1*eLyjVwTpnf1Ez-xpHiV8zQ.png" /></figure><p>‘Left Join’ ile başlayalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/238/1*s2hy5VqzWW0fjxfv9bYHgQ.png" /></figure><p>Left Join, Sql’deki ‘Left Join’ ile birebir aynıdır. İşlevi ise yukarıda verilmiştir. Siz burada ‘df1&#39;i table1 olarak, ‘df2’yi table2 olarak düşünmelisiniz.</p><pre>Input:<br>df1.join(df2)<br>Output</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/224/1*e_JA1hbuwNmEDl7xuPqmSQ.png" /></figure><p>Tam tersini yaparsak sizce ne olur ?</p><pre>Input:<br>df2.join.(df1)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/248/1*wmDa-5pIus-rQPydihlVOg.png" /></figure><p>Right Join, ile de aynı mantık yürütülebilir. İşlevi ve kodu aşağıda verilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/261/1*cSuSPLPuKZzzBO3RVUkNcA.png" /></figure><pre>Input:<br>df1.join(df2, how = &#39;right&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/245/1*vdc7jSO5j4QOsE8tV0hhPQ.png" /></figure><p>Sırada ‘inner’ ve ‘outer’ join fonksiyonları var.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/272/1*qV1xHHHx_e449BeEPu4nTA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/278/1*KEvHuu8uV0aLOvrNQlDN_A.png" /></figure><p>‘Full Outer Joın’ yazdığına bakmayın. O Sql’deki ismi, burada sadece ‘outer’ olarak geçiyor ve aşağıda ikisinin de örnekleri var.</p><pre>Input:<br>df1.join(df2, how =&#39;outer&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/245/1*vdc7jSO5j4QOsE8tV0hhPQ.png" /></figure><pre>Input:<br>df1.join(df2, how = &#39;inner&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/260/1*zuQ3N3XgIPBO90cAgmxXaw.png" /></figure><pre>Input:<br>df1.join(df2, sort = &#39;True&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/218/1*A4NTzv5bk8tK8HdlS-w2oQ.png" /></figure><pre>Input:<br>df1.join(df2, sort = &#39;False&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/220/1*n0y766yDE42uP9Zi07hBDA.png" /></figure><pre>Input:<br>frames = [df1,df2]<br>df_keys = pd.concat(frames, keys=[&#39;x&#39;, &#39;y&#39;])</pre><pre>df_keys<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/946/1*efquxr_5H0amKtOiSSx7gw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/257/1*wKo_I8mRV-clzukOqkPGSA.png" /></figure><p>Siyah olan yazı hata değil bir uyarı mesajıdır. Çok dikkate almayınız. Bazen sürümle alakalı uyarı verebiliyor.</p><p>Aşağıda ise ‘Join’in tüm parametreleri yer almakta ve öğrendiklerimize kıyasla daha az kullanılmaktadırlar. İsterseniz araştırabilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/688/1*h8qSYGzJzfTKRzPh0PFOyg.png" /></figure><p>Merge işlemi, join işlemi ile oldukça benzemekle beraber bazı farklı özelliklere sahiptir. Aşağıda daha detaylı anlatacağız.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/555/1*HFwaUAh1tGT1xW7lxUq3LA.png" /></figure><p>Yukarıda Merge işleminin tüm parametrelerini görmektesiniz. Ama pek çoğunu kullanmayacağız.</p><pre>Input:<br>dataset1 = {&#39;A&#39;:[&#39;A1&#39;,&#39;A2&#39;,&#39;A3&#39;], &#39;B&#39;: [&#39;B1&#39;,&#39;B2&#39;,&#39;B3&#39;], &#39;Key&#39;: [&#39;K1&#39;,&#39;K2&#39;,&#39;K3&#39;]}<br>dataset2 = {&#39;X&#39;:[&#39;X1&#39;,&#39;X2&#39;,&#39;X3&#39;,&#39;X4&#39;], &#39;Y&#39;: [&#39;Y1&#39;,&#39;Y2&#39;,&#39;Y3&#39;,&#39;Y4&#39;], &#39;Key&#39;: [&#39;K1&#39;,&#39;K2&#39;,&#39;K3&#39;,&#39;K4&#39;]}<br>df1 = pd.DataFrame(dataset1,index = [1,2,3])<br>df2 = pd.DataFrame(dataset2,index = [1,2,3,4])<br>df1<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/110/1*d_Q128xiAunk8MKbNoD_Gg.png" /></figure><pre>Input:<br>df2<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/116/1*DB-4vX6_a_pRdUa9QdF72A.png" /></figure><p>Verimizi de oluşturduğumuza göre başlayabiliriz.</p><pre>Input:<br>pd.merge(df1,df2, on = &#39;Key&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/167/1*V6XIBp9nWLg-aZZM5hGNog.png" /></figure><p>Ve ilk parametremizle tanıştık bile. ‘On’ parametresine anahtarı yazmanız gerekmektedir. Anahtar sizin verinizde önemli yeri olmalıdır ki gerçek manada ‘anahtar’ olabilsin.</p><pre>Input:<br>pd.merge(df1,df2, on = &#39;Key&#39;, how = &#39;left&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/175/1*BNNOS74nNYjCFZINgkSgnw.png" /></figure><p>‘How’ parametresine zaten Join konusundan alışığız. Orada gördüğünüz ‘inner’, ‘outer’ , ‘right’ değerleri burada da geçerli.</p><pre>Input:<br>pd.merge(df1,df2, on = &#39;Key&#39;, how = &#39;right&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/186/1*mE-bFfXMhjTbfE-d8uHnKA.png" /></figure><pre>Input:<br>pd.merge(df1,df2, on = &#39;Key&#39;, how = &#39;outer&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/186/1*mE-bFfXMhjTbfE-d8uHnKA.png" /></figure><pre>Input:<br>pd.merge(df1,df2, on = &#39;Key&#39;, how = &#39;inner&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/158/1*H0NvalddmSqZ8kFEwBBd8g.png" /></figure><pre>Input:<br>pd.merge(df1,df2, on = &#39;Key&#39;, how = &#39;right&#39;,right_index=True)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/182/1*BcXOA26qua4qs26m-xx2sA.png" /></figure><pre>Input:<br>pd.merge(df1,df2, left_index=True, right_index=True, how=&#39;outer&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/232/1*A1pF-h3RbHtaGKk6ag_Dgw.png" /></figure><pre>Input:<br>pd.merge(df1,df2, left_index=True, right_index=True, how=&#39;inner&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/207/1*S_S-mJkmv_4V57kDdgvRKg.png" /></figure><p>‘left_index’ ve ‘right_index’ parametreleri ise fotoğraflardan anlaşılacak kadar basit. Diğer parametreler hemen hemen kullanılmaz ama isterseniz Pandasın kendi sitesinden araştırabilirsiniz.</p><p><strong>DataFrame Operasyonları Ve Pivot Table</strong></p><p>Burada küçük ama işlevsel fonksiyonları gördükten sonra ‘Pivot Table’ konusunu işleyeceğiz. Önce verimizi oluşturalım ve başlayalım.</p><pre>Input:<br>data = {&#39;Column1&#39;: [1,2,3,4,5,6], &#39;Column2&#39;: [1000,1000,2000,3000,3000,1000],&#39;Column3&#39;: [&#39;Mace Windu&#39;,&#39;Darth Vader&#39;,&#39;Palpatine&#39;,&#39;Kylo Ren&#39;,&#39;Rey&#39;,&#39;Obi-Wan&#39;]}<br>df = pd.DataFrame(data)<br>df<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/226/1*U31O403MWi_l6MtpVfPIIQ.png" /></figure><p>Ve küçük ama işlevsel fonksiyonlarımıza gelelim.</p><pre>Input:<br>df.head()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/211/1*tj_4l5gZfNpQ6_ariAj6AQ.png" /></figure><pre>Input:<br>df.head(n = 2) # df.head(2) = df.head(n = 2)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/194/1*YSN6kGIEQWbyCEZG3FmbJw.png" /></figure><p>‘head()’ ilk 5 değeri göstermekte ama içine aldığı değer kadar da gösterebilir. Örnekte 2 verilmiş. Aynı şekilde ‘tail()’de son 5 değeri gösterir. O da ‘head()’ gibi değer alabilir.</p><pre>Input:<br>df.describe()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/141/1*7rLZXkd5E97dZwaIVajPeQ.png" /></figure><pre>Input:<br>df.info<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/325/1*qPirFlFNwAqYMlIVsD-ceQ.png" /></figure><p>‘describe()’ bazı istatistiksel bilgiler verirken, ‘corr()’ korelasyon bilgisini verir. Ama bu data ile uyumlu olmadığı için aşağıda açıklayacağız. ‘info()’ ise adından da anlaşılacağı gibi temel bilgiler veriyor. Bu fonksiyonlar veriye ilk bakışınız olacağı için kullanmanızı tavsiye ederiz.</p><pre>Input:<br>df[&#39;Column2&#39;].unique()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/157/1*GNtH89CO74pIDv9QpuJ1_g.png" /></figure><pre>Input:<br>df[&#39;Column2&#39;].nunique()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/25/1*eZiPdf0BQhF5gmnocuKq9A.png" /></figure><p>‘unique()’ verilen verinin kaç adet ‘eşşiz’ verisi olduğunu bize verir. Aşağıdaki kod ise kaç adet ‘eşşiz’ değer olduğunu veriyor.</p><pre>Input:<br>df[&#39;Column2&#39;].value_counts()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/217/1*eW69bn9t6oNekFHe_05DEA.png" /></figure><p>‘value_counts()’ ise hangi değerden kaç adet olduğunu veren bir fonksiyon.</p><pre>Input:<br>df[df[&#39;Column1&#39;] &gt;= 2]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/208/1*3ceoLHfo7sBvjNZi6sAeGg.png" /></figure><pre>Input:<br>df[(df[&#39;Column1&#39;] &gt;= 2) &amp; (df[&#39;Column2&#39;] == 300) ]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/201/1*jFuqT8w4vkkBbyc0Zm6VKQ.png" /></figure><p>Anlaşıldığı üzere ‘DataFrame Filtreleme’ işlemlerini de burada kullanabiliyoruz.</p><pre>Input:<br>def square(x): <br>    return x ** 2<br>square(2)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/42/1*uY7kJ9XmLFfVQhDCQw9toA.png" /></figure><p>Burada bir Fonksiyon oluşturup içine aldığı değerin karesini vermesini sağladık.</p><pre>Input:<br>df[&#39;Column2&#39;].apply(square)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/239/1*BSesv-zt8bpDBEW5q-JwHQ.png" /></figure><p>Bu fonksiyonu ‘apply()’ ile verimize attığımızda bize karelerini verdi.</p><p>Bu özel durumu projelerinizde kullanabilirsiniz. Örneğin, aracın motor kısmının verisini inceliyorsunuz ve ekibiniz sizden motora ait bir bulgu istedi. Onlardan gerekli olan matematiksel formülü alıp aynı bu örnekteki gibi kullanıp rahatlıkla işinizi yapabilirsiniz.</p><p>Ama bunun daha kısa bir yolu var.</p><pre>Input:<br>lambda x : x **2<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/218/1*hl_nCG0VxzwEGqTR6STMKA.png" /></figure><pre>Input:<br>df[&#39;Column2&#39;].apply(lambda x : x **2 )<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/244/1*66opyg_gV9PJR88JUvVUWw.png" /></figure><p>‘lambda’ genelde daha kısa olmasından ötürü daha çok tercih edilir .</p><pre># df[&#39;Column2&#39;] = df[&#39;Column2&#39;].apply(square) # Güncelleyebilmek için bunu kullanıyoruz. Ayrıca lambdayıda kullanabirdik.</pre><p>Ama bu işlemleri yapınca veriniz otomatik olarak güncellenmiyor. Sizin güncellemeniz gerekiyor, onu da yukarıdaki gibi yapıyoruz.</p><pre>Input:<br>df[&#39;Column3&#39;]<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/209/1*mou0JAEuGrl_tbP_5KI5Sw.png" /></figure><pre>Input:<br>df[&#39;Column3&#39;].apply(len) # String&#39;in uzunluğunu alma<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/185/1*3eqM_Zmq-gh57jIuwBWhHw.png" /></figure><pre>Input:<br>df.drop(&#39;Column3&#39;, axis = 1 )<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/150/1*0FiTCssIXZ57g68ZyfDayA.png" /></figure><pre>Input:<br>df.index<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/1*9QRrzBMEdW4k_NACZVmAbA.png" /></figure><pre>Input:<br>df.index.names<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/132/1*BiVsG_e-LhmUimx_4PEA_A.png" /></figure><p>Yukarıdaki fonksiyonların bazılarını daha önce işlemiştik. Muhtemelen tek anlatmadığım ‘df.index’ fonksiyonu. O da şöyle ‘0’dan başlamış ‘6’ya kadar ‘1’er ‘1’er ilerlemiş. Altındaki anlamı bu kadar basit. Şimdi ise ‘sort_values()’e geçelim.</p><p>Aşağıda aldığı parametreleri görüyorsunuz. ‘by’ neye göre alınacağını belirtirken, ‘ascending’ sıralamasını neye göre olacağını belirtir. Küçükten büyüğe ya da büyükten küçüğe olarak sıralayabilirsiniz. ‘Axis’ ve ‘İnplace’ parametrelerini zaten biliyorsunuz. ‘kind’ parametresi aşağıda yazan 3 adete göre verinizi düzenleyebilirsiniz. Çok kullanılmaz ama isterseniz araştırabilirsiniz. ‘na_postion’ ise ‘NaN’ değerlerinin pozisyonunu belirtmenizi sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/551/1*M-W5A44xv0RpDGOlcP4GeQ.png" /></figure><pre>Input:<br>df<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/205/1*999rOw6YJktouXf0U6CBhg.png" /></figure><pre>Input:<br>df.sort_values(by=[&#39;Column1&#39;, &#39;Column3&#39;]) # Birden fazla değerde &#39;Sort&#39; edilebilir.<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/223/1*dQ4JZ_NtsfrAN3ONkxm1fw.png" /></figure><p>Bu fonksiyon belli bir değere göre sıralamamızı sağlar. Biz burada ‘Column2’ye göre sıralamasını sağladık. Yukarı da ise ‘Column1’ ve ‘Column3’e sıraladık ki farkı görebilesiniz.</p><pre>Input:<br>df.sort_values(by=[&#39;Column1&#39;, &#39;Column2&#39;])<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/211/1*v89g9JYcWl9nRbNQBeEyOw.png" /></figure><pre>Input:<br>df.sort_values(&#39;Column2&#39;, ascending = True) # Küçükten Büyüğe<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/221/1*3tnGvHZECgGAD3cOWCmAZg.png" /></figure><pre>Input:<br>df.sort_values(&#39;Column2&#39;, ascending = False) # Büyükten küçüğe<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/203/1*B8t1tp5oiKB59WwwRvIHwg.png" /></figure><pre>Input:<br>df.sort_values(&#39;Column1&#39;, kind = &#39;heapsort&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/218/1*5zsoF9EGPXDtbJNYsjhzNg.png" /></figure><pre>Input:<br>df.sort_values(&#39;Column1&#39;, kind = &#39;mergesort&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/222/1*fkkxMdtL-4P2ONmqUHgY6A.png" /></figure><pre>Input:<br>df.sort_values(&#39;Column1&#39;, kind = &#39;quicksort&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/241/1*a825uy3ObyjrS5yvJ_8EUQ.png" /></figure><pre>Input:<br>df.sort_values(&#39;Column1&#39;, na_position = &#39;first&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/227/1*KDJSEnNE12uCEWBfY57esA.png" /></figure><pre>Input:<br>df.sort_values(&#39;Column1&#39;, na_position = &#39;last&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/219/1*Z4Sd9KmMAT6XaCabENld3A.png" /></figure><p>Verimiz bazı parametreler için (kind ve na_position) için pek de uygun değil. Bazıları aynı sonucu verdi. Ama biz nasıl yapıldığını da göstermek istedik. Dediğimiz gibi çok kullanılmaz, isterseniz araştırabilirsiniz.</p><p>Gelelim ‘Pivot Table’ konusuna. Excel biliyorsanız korkacak bir şey yok. Çünkü tamamıyla aynı. Bilmiyorsanız da endişelenmeyin. Çünkü çok basit bir kullanımı var.</p><pre>Input:<br>df = pd.DataFrame({&#39;Month&#39;: [&#39;January&#39;,&#39;February&#39;,&#39;March&#39;,&#39;January&#39;,&#39;February&#39;,&#39;March&#39;,&#39;January&#39;,&#39;February&#39;,&#39;March&#39;],&#39;State&#39;:[&#39;New York&#39;,&#39;New York&#39;,&#39;New York&#39;,&#39;Texas&#39;,&#39;Texas&#39;,&#39;Texas&#39;,&#39;Washington&#39;,&#39;Washington&#39;,&#39;Washington&#39;],<br>&#39;moisture&#39;: [20,25,65,34,56,85,21,56,79]})<br>df<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/212/1*wzzzbg_bI_bA_Nil4dTeig.png" /></figure><p>Başlamadan önce ‘corr()’dan bahsediceğimizi söylemiştik. Burada onu anlatalım(her ne kadar data uygun olmasa da). Önceden bahsettiğimiz gibi korelasyonu anlatmaktadır.</p><pre>Input:<br>df.corr()<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/111/1*wpim3mCwBP31qZjaBXYHDA.png" /></figure><p>3 farklı şehirde, 3 farklı aydaki, 3 yüzdesel nem oranımız var diyelim.</p><pre>Input:<br>df.pivot_table(index = &#39;Month&#39;, columns = &#39;State&#39;, values = &#39;moisture&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/225/1*VftwwxsqXPzVmBFIGvKFIA.png" /></figure><pre>Input:<br>df.pivot_table(index = &#39;State&#39;, columns = &#39;Month&#39;, values = &#39;moisture&#39;)<br>Output:</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/208/1*Wwj7viB4OaY5ID6eRJE1vw.png" /></figure><p>Yukarıdaki gibi pivot table oluşturabilir. İşte bu kadar basit.</p><p><strong>Veri Setini Okuma Yöntemleri</strong></p><p>Bu konu aslında aşağıdaki ile açıklanabilir.</p><pre>dataset = pd.read_csv(&#39;Dosya_Yolu\Data_Name.csv&#39;) # Pc&#39;de IDE&#39;nizde bu şekilde okuyabilirsiniz.</pre><pre>df=pd.read_csv(&quot;../input/Data_Name.csv&quot;) # Kaggle kernel yazmak için( ama güncelleme geldi bazen çalışmıyor)</pre><pre>dataset.to_csv(&#39;Data_Name&#39;) # Datayı tekrardan csv&#39;ye dönüştürebilmek için</pre><pre>excelset = pd.read_excel(&#39;Excels_Name.xlsx&#39;) # Excel Dosyasını okumak için</pre><pre>excelset.to_excel(&#39;excelnewfile.xlsx&#39;) # Excel dosyasına çevirme</pre><pre>New = pd.read_html(&#39; Datasetin urlsi.html&#39;) # İnternette ki bir veriyi okumak için</pre><p>Normal de burada bitirecektim ama son zamanlarda oldukça güncel ve epey tutacağını düşündüğüm bir özelliği paylaşmak istiyorum. İsmi ‘Pandas_Profiling()’.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/615/1*v-S9pODLmo5ovQR7cs6gWQ.png" /></figure><p>Öncelikle datamızı import etmemiz, internet ortamında değilsek (offonline isek) ‘path’ vermemiz gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/665/1*oI5xw91VfMenEBHebi1DlQ.png" /></figure><p>Daha sonra yukarıda ki gibi işlemler yapılır sonra ise…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/571/1*0OUD4Tgvi22EiYK_fYHrVw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/662/1*fuC0x4G59X8txFJrAZ-7mw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/614/1*GqD67gpgotrf6GJlKi8fHg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/669/1*f9ysEoUw-8OfkxhHCDkadA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/492/1*ivzYJO7OA0G8nGTTvVBw8w.png" /></figure><p>Yukarıda görüldüğü gibi pek çok özelliği içinde barındırmaktadır. Ayrıca Daha çok güncel bir konu olduğu için deneyimleyemedim ve bu fotoğrafları yabancı kaynaklardan almak zorunda kaldım.</p><p><strong>Son Söz</strong></p><p>Evet arkadaşlar buraya kadar geldiyseniz ve gerçekten hakkını verdiyseniz kendiniz için ‘İyi seviyede Pandas biliyorum’ diyebilirsiniz. Ama bununla yetinmemeli pek çok farklı kaynağı araştırmalı ve çalışmalısınız. Zamanı geldikçe yazı güncellenecektir. Daha detaylı halini ilerleyen zamanlarda <a href="https://www.kaggle.com/batuhan35">Kaggle sayfamda </a>paylaştım buradan <a href="https://www.kaggle.com/batuhan35/data-science-for-everyone">ulaşabilirsiniz.</a></p><p>Yazımı okuduğunuz ve kıymetli zamanınızı ayırdığınız için müteşekkirim. Sağlıcakla kalın ve öğrenmeyi kesmeyin.</p><p>print(‘İyi Günler !’)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4edf0094e0d5" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/adan-z-ye-pandas-tutoriali-ba%C5%9Flang%C4%B1%C3%A7-ve-orta-seviye-4edf0094e0d5">A’dan Z’ye Pandas Tutoriali (Başlangıç ve Orta Seviye)</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Türkiye’nin En Kapsamlı Numpy Tutoriali]]></title>
            <link>https://medium.com/deep-learning-turkiye/t%C3%BCrkiyenin-en-kapsaml%C4%B1-numpy-tutoriali-b22e800418ed?source=rss-cba2aaea9cef------2</link>
            <guid isPermaLink="false">https://medium.com/p/b22e800418ed</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[numpy-tutorial]]></category>
            <category><![CDATA[numpy]]></category>
            <category><![CDATA[data]]></category>
            <dc:creator><![CDATA[Batuhan Bayraktar]]></dc:creator>
            <pubDate>Sat, 05 Oct 2019 19:32:04 GMT</pubDate>
            <atom:updated>2020-02-04T15:36:11.535Z</atom:updated>
            <content:encoded><![CDATA[<h3>A’dan Z’ye Numpy Tutoriali (Başlangıç ve Orta Seviye)</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/359/1*cFhO2Dfq5HeVvC3unGTkYA.png" /></figure><p>NumPy, Python programlama dili için bir kütüphanedir; büyük, çok boyutlu diziler ve matrisler için destek ekler ve bu dizilerde çalışacak geniş bir üst düzey matematiksel işlev koleksiyonu sunar. Veri bilimi için olmazsa olmazdır.Ayrıca Numpy bilmeden Makine ve Derin öğrenme algoritmalarına geçemezsiniz. Numpy ile çok fazla işlem yapılabilmekte. Biz hemen hemen hepsine değineceğiz. Hazırsanız başlayalım.</p><p>İlk olarak ‘import’ edilmelidir.</p><pre>import numpy as np </pre><p>Kütüphanemizi ‘np’ ismi ile ‘import’ etme işlemini yaptık. Siz böyle yapmak zorunda değilsiniz. Ama literatür de ‘np’ olarak adlandırılır. Bu en basit işlemi yaptıktan sonra Data oluşturacağız ve bu büyülü dünyaya adım atacağız.</p><p><strong>Numpy’e İlk Adım ‘Arrayler’</strong></p><p>Arrayler’i bir çeşit veri depolama olarak görebilirsiniz. Numpy’nin veriyi kullanabilmesi için verileri ‘Array’ haline getirmeliyiz. Array’in ne olduğundan bahsetmedik değil mi ? Arrayler aslında birer matrislerdir. Görebilmek için öncelikle bir veri yaratalım.</p><pre>Data = [[1,2,3],[4,5,6],[7,8,9]]</pre><p>Verimizi de yarattığımıza göre ilk Array’i yaratabiliriz.</p><pre>Input: <br># Datayı Array formuna çevirebilmek için <br>Array = np.array(Data)<br>Array</pre><pre>Output: <br>array([[1, 2, 3],<br>       [4, 5, 6],<br>       [7, 8, 9]])</pre><p>Buradan sonra bizim ne yapmak istediğimiz önemlidir. Diyelim ki ‘0.’ indekste ki veriyi merak ediyoruz. o halde şöyle yapmalıyız.</p><pre>Input:<br># Datayı Array formuna çevirebilmek için <br>Array = np.array(Data)<br>Array</pre><pre>Output:<br>array([1, 2, 3])</pre><p>Matris içinde ki başka bir veriyi öğrenmek istiyoruz ve 2. indeksin 2. verisini öğrenmemiz lazım diyelim o halde şöyle yapacaktık.</p><pre>Input:<br>Array[2,2] # 2. indexteki değerlerin arasından 2. indexi bastır</pre><pre>Output:<br>9</pre><p>Bu yöntemler ile çok rahat bir şekilde istediğiniz veriyi elde edebilirsiniz. Şimdi ise Numpy’nin fonksiyonlarına geçelim.</p><p><strong>Numpy’nin Olmazsa Olmaz Fonksiyonları</strong></p><p>Şimdi ise hepsi birbirinden kullanışlı fonksiyonları tanıtacağım. İlki olan ‘Arange’ fonksiyonu ile başlayalım.</p><p><strong>Arange Fonksiyonu:</strong></p><p>Arange fonksiyonu, verdiğiniz 2 sayı arasını Array’e çevirir.</p><pre>Input:<br>np.arange(0,100)# bu fonk 0 ila 100 değerleri arasını array olarak depolar<br>Output:<br>array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,<br>       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,<br>       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,<br>       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,<br>       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,<br>       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])</pre><p>Bununla kalmıyor, verdiğiniz değer kadar atlayarak da gidebiliyor. Mesela şu örnekte 5&#39;er 5&#39;er atladık.</p><pre>Input:<br>np.arange(0,100,5)# aynısı ama 5 er 5er atlayarak ilerler<br>Output:<br>array([ 0,  5, 10, 15, 20, 25, 30, 35, 40, 45, 50, 55, 60, 65, 70, 75, 80,<br>       85, 90, 95])</pre><p><strong>Zeros, Ones ve Eye Fonksiyonları:</strong></p><p>3 Fonksiyonu birlikte aldık çünkü birbirine oldukça yakınlar.</p><p>Zeros Fonksiyonu, belirttiğiniz miktar kadar 0&#39;lardan oluşan bir Array yaratacaktır.</p><pre>Input:<br>np.zeros(100)# 100 adet 0&#39;dan olusan array bastır<br>Output: <br>array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,<br>       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,<br>       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,<br>       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,<br>       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.,<br>       0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])</pre><p>Ones Fonksiyonu, belirttiğiniz miktar kadar 1&#39;lerden oluşan bir Array oluşturacaktır.</p><pre>Input:<br>np.ones(100)# 100 adet 1 den olusan array bastır<br>Output:<br>array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,<br>       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,<br>       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,<br>       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,<br>       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.,<br>       1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])</pre><p>Bu arrayler farkettiğiniz üzere pek de istediğimiz gibi matris değiller. Ama şeklini değiştirebiliriz bu yöntem ise şöyledir.</p><pre>Input:<br>np.zeros((25,4)) # ones gibi fonksiyonları da bu şekilde yazabilirsiniz<br>Output:<br>array([[0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.],<br>       [0., 0., 0., 0.]])</pre><p>Ve bu bölümün sonra son fonksiyonu olan Eye fonksiyonuna gelelim. Kendisini tarif etmek biraz zor. Ama işlevi oldukça basit.</p><pre>Input:<br>np.eye(10)<br>Output:<br>array([[1., 0., 0., 0., 0., 0., 0., 0., 0., 0.],<br>       [0., 1., 0., 0., 0., 0., 0., 0., 0., 0.],<br>       [0., 0., 1., 0., 0., 0., 0., 0., 0., 0.],<br>       [0., 0., 0., 1., 0., 0., 0., 0., 0., 0.],<br>       [0., 0., 0., 0., 1., 0., 0., 0., 0., 0.],<br>       [0., 0., 0., 0., 0., 1., 0., 0., 0., 0.],<br>       [0., 0., 0., 0., 0., 0., 1., 0., 0., 0.],<br>       [0., 0., 0., 0., 0., 0., 0., 1., 0., 0.],<br>       [0., 0., 0., 0., 0., 0., 0., 0., 1., 0.],<br>       [0., 0., 0., 0., 0., 0., 0., 0., 0., 1.]])</pre><p><strong>Linspace Fonskiyonu:</strong></p><p>Bu fonksiyon, genel olarak 3 değer alır. İlk 2 değer arasında olan sayıları 3. sayıya eşit olarak dağıtır. Anlamamış olabilirsiniz ama aşağıdaki kod parçasıya kolayca anlayabiliceğinizi düşünüyorum.</p><pre>Input:<br>np.linspace(0,100,5)# 0 ve 100 arasını 5 eşit parçaya böl ve göster<br>Output:<br>array([  0.,  25.,  50.,  75., 100.])</pre><p><strong>Random Fonksiyonları:</strong></p><p>Bu bölümde pek çok fonksiyon göreceksiniz. Hepsinin ayrı bir işlevi var. Ve oldukça önemliler. Zira en fazla kullanılan fonksiyonlar arasında yer alıyorlar.</p><pre>Input:<br>np.random.randint(0,100)# 0 ve 100 arasında ranstgele bir sayı üret <br># ve ayrıca şu ikisi birbirine eşittir np.random.randint(0,100) = np.random.randint(100)<br>Output:<br>21</pre><p>Ayrıca tıpkı diğerleri gibi şu özelliğe de sahiptir.</p><pre>Input: <br>np.random.randint(0,100,5)# 0 ve 100 arasında 5 tane rastgele sayı bastır<br>Output:<br>array([45, 30, 60, 94, 39])</pre><p>Şimdi ki fonskiyonumuz ise 0 ile 1 arasında ki random sayıları verecektir.</p><pre>Input: <br>np.random.rand(5)# 0 ve 1 arasında 5 değer bastır<br>Output:<br>array([0.3339768 , 0.82951833, 0.57412653, 0.93605304, 0.9133032 ])</pre><p>Benzer olup ama aynı olmayan bu fonksiyon ise -1 ile 1 arası sayıları bastırır. Gauss distribution metoduyla yapılmaktadır.</p><pre>Input:<br>np.random.randn(5)# -1 ve 1 arasında 5 değeri &#39;gauss distribution&#39; ile bastır<br>Output:<br>array([-2.33988451e+00,  8.84428679e-02,  1.91807265e-03, -8.61364775e-01,-1.26429360e+00])</pre><p>Şimdi Array’e şekil vermeyi göreceğiz. Matris ile işlemlerimizi icra ettiğimiz için bu fonksiyon ayrı bir işlevseldir. Veriye istediğimiz şekli vermemizi sağlamaktadır.</p><pre>Input:<br>Data1 = np.arange(225)<br>Output:<br>array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,<br>        13,  14,  15,  16,  17,  18,  19,  20,  21,  22,  23,  24,  25,<br>        26,  27,  28,  29,  30,  31,  32,  33,  34,  35,  36,  37,  38,<br>        39,  40,  41,  42,  43,  44,  45,  46,  47,  48,  49,  50,  51,<br>        52,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,<br>        65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,<br>        78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,<br>        91,  92,  93,  94,  95,  96,  97,  98,  99, 100, 101, 102, 103,<br>       104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116,<br>       117, 118, 119, 120, 121, 122, 123, 124, 125, 126, 127, 128, 129,<br>       130, 131, 132, 133, 134, 135, 136, 137, 138, 139, 140, 141, 142,<br>       143, 144, 145, 146, 147, 148, 149, 150, 151, 152, 153, 154, 155,<br>       156, 157, 158, 159, 160, 161, 162, 163, 164, 165, 166, 167, 168,<br>       169, 170, 171, 172, 173, 174, 175, 176, 177, 178, 179, 180, 181,<br>       182, 183, 184, 185, 186, 187, 188, 189, 190, 191, 192, 193, 194,<br>       195, 196, 197, 198, 199, 200, 201, 202, 203, 204, 205, 206, 207,<br>       208, 209, 210, 211, 212, 213, 214, 215, 216, 217, 218, 219, 220,<br>       221, 222, 223, 224])</pre><p>Örneğin burada ‘Arange’ fonksiyonu ile 225&#39;e kadar değer bastırmışız. Ama şekilsiz ve istediğimiz gibi değil.</p><pre>Input:<br>Data1.reshape(15,15)<br>#RESHAPE metodu datayı istediğimiz şekli vermemizi sağlar ve matrise çevirir<br>Output:<br>array([[  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,<br>         13,  14],<br>       [ 15,  16,  17,  18,  19,  20,  21,  22,  23,  24,  25,  26,  27,<br>         28,  29],<br>       [ 30,  31,  32,  33,  34,  35,  36,  37,  38,  39,  40,  41,  42,<br>         43,  44],<br>       [ 45,  46,  47,  48,  49,  50,  51,  52,  53,  54,  55,  56,  57,<br>         58,  59],<br>       [ 60,  61,  62,  63,  64,  65,  66,  67,  68,  69,  70,  71,  72,<br>         73,  74],<br>       [ 75,  76,  77,  78,  79,  80,  81,  82,  83,  84,  85,  86,  87,<br>         88,  89],<br>       [ 90,  91,  92,  93,  94,  95,  96,  97,  98,  99, 100, 101, 102,<br>        103, 104],<br>       [105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117,<br>        118, 119],<br>       [120, 121, 122, 123, 124, 125, 126, 127, 128, 129, 130, 131, 132,<br>        133, 134],<br>       [135, 136, 137, 138, 139, 140, 141, 142, 143, 144, 145, 146, 147,<br>        148, 149],<br>       [150, 151, 152, 153, 154, 155, 156, 157, 158, 159, 160, 161, 162,<br>        163, 164],<br>       [165, 166, 167, 168, 169, 170, 171, 172, 173, 174, 175, 176, 177,<br>        178, 179],<br>       [180, 181, 182, 183, 184, 185, 186, 187, 188, 189, 190, 191, 192,<br>        193, 194],<br>       [195, 196, 197, 198, 199, 200, 201, 202, 203, 204, 205, 206, 207,<br>        208, 209],<br>       [210, 211, 212, 213, 214, 215, 216, 217, 218, 219, 220, 221, 222,<br>        223, 224]])</pre><p>Ama bu özel metot ile işlemlerimizi çok daha iyi halledebiliyoruz. Ama dikkat etmemiz gereken bir şey var. 225, 15&#39;in karesidir. İlla ki kare sayılar kullanmak zorunda değilsiniz 20 değer verirsiniz ama (5,4)’lük bir matris de yaratabilirsiniz. Şimdi ise kısa öz ve gerekli işlemler yapacağız. Mesela ‘min()’ adı üstünde en küçük değeri verecektir.</p><pre>Input:<br>Data1.cumsum()# kümülatif olarak toplar<br>Output:<br>array([    0,     1,     3,     6,    10,    15,    21,    28,    36,<br>          45,    55,    66,    78,    91,   105,   120,   136,   153,<br>         171,   190,   210,   231,   253,   276,   300,   325,   351,<br>         378,   406,   435,   465,   496,   528,   561,   595,   630,<br>         666,   703,   741,   780,   820,   861,   903,   946,   990,<br>        1035,  1081,  1128,  1176,  1225,  1275,  1326,  1378,  1431,<br>        1485,  1540,  1596,  1653,  1711,  1770,  1830,  1891,  1953,<br>        2016,  2080,  2145,  2211,  2278,  2346,  2415,  2485,  2556,<br>        2628,  2701,  2775,  2850,  2926,  3003,  3081,  3160,  3240,<br>        3321,  3403,  3486,  3570,  3655,  3741,  3828,  3916,  4005,<br>        4095,  4186,  4278,  4371,  4465,  4560,  4656,  4753,  4851,<br>        4950,  5050,  5151,  5253,  5356,  5460,  5565,  5671,  5778,<br>        5886,  5995,  6105,  6216,  6328,  6441,  6555,  6670,  6786,<br>        6903,  7021,  7140,  7260,  7381,  7503,  7626,  7750,  7875,<br>        8001,  8128,  8256,  8385,  8515,  8646,  8778,  8911,  9045,<br>        9180,  9316,  9453,  9591,  9730,  9870, 10011, 10153, 10296,<br>       10440, 10585, 10731, 10878, 11026, 11175, 11325, 11476, 11628,<br>       11781, 11935, 12090, 12246, 12403, 12561, 12720, 12880, 13041,<br>       13203, 13366, 13530, 13695, 13861, 14028, 14196, 14365, 14535,<br>       14706, 14878, 15051, 15225, 15400, 15576, 15753, 15931, 16110,<br>       16290, 16471, 16653, 16836, 17020, 17205, 17391, 17578, 17766,<br>       17955, 18145, 18336, 18528, 18721, 18915, 19110, 19306, 19503,<br>       19701, 19900, 20100, 20301, 20503, 20706, 20910, 21115, 21321,<br>       21528, 21736, 21945, 22155, 22366, 22578, 22791, 23005, 23220,<br>       23436, 23653, 23871, 24090, 24310, 24531, 24753, 24976, 25200])<br>Input:<br>Data1.min()# en küçük değeri döndürür <br>Output:<br>0<br>Input:<br>Data1.max()# en buyuk değeri döndürür<br>Output:<br>224<br>Input:<br>Data1.sum()# tüm veriyi toplar<br>Output:<br>25200</pre><p>Şimdi ki fonksiyonumuz ise ‘argmax()’. Ondan kısaca bahsetmek gerekirse en büyük değere sahip değerin (bu veride 224), indexini verecektir (ne yazık ki o da 224).</p><pre>Input:<br>Data1.argmax()# bu sizi şaşırtmasın.Bunun anlamı en büyük sayının indexini vericektir<br>Output:<br>224</pre><p>‘argmin()’ de aynı mantık üzerine kurulu sadece en düşük değeri verecektir.</p><pre>Input:<br>Data1.argmin()#en küçük sayının indexini vericektir<br>Output:<br>0</pre><p>Şimdi ki fonksiyonumuz ise Determinant alabilmek için.</p><pre>Input:<br>Data2 = np.array([[1,2],[3,4]])<br>np.linalg.det(Data2)# bu fonksiyon determinantını alır<br>Output:<br>-2.0000000000000004</pre><pre>Input:<br>stddev = np.std(Data1) # Standart sapmayı bulur.<br>Output:<br>34.15650255319866</pre><p>Yukarıda ki işlem standart sapmayı bulmaktadır. Standart sapma, Olasılık kuramı ve istatistik bilim dallarında, bir anakütle, bir örneklem, bir olasılık dağılımı veya bir rassal değişken, veri değerlerinin yayılımının özetlenmesi için kullanılan bir ölçüdür. Ve veri analizinde oldukça kullanılmaktadır.</p><p>Şimdi ise varyansı öğreneceğiz. Olasılık kuramı ve istatistik bilim dallarında varyans bir rassal değişken, bir olasılık dağılımı veya örneklem için istatistiksel yayılımın, mümkün bütün değerlerin beklenen değer veya ortalamadan uzaklıklarının karelerinin ortalaması şeklinde bulunan bir ölçüdür. Temel olarak standart sapmanın karesidir. Ve pek çok değişkene sahip verilerde daha doğru bir ölçütüdür.</p><pre>Input:<br>variance = np.var(Data1)#varyansını bulur<br>Output:<br>1166.6666666666667</pre><p>Şimdi ise Arraylerin indexlenmesini ve birkaç küçük işlem göreceğiz.</p><p><strong>Array Yapılarının İndexlenmesi:</strong></p><p>Array yapıların indexlemek ile Liste indexlemek aynıdır. Biliyorsanız geçebilirsiniz. Şimdi ki göreceklerimiz en başta gördüklerimizin biraz daha işlevsel olanlarıdır. Şimdi ise yeni bir veri yaratıp başlayalım.</p><pre>Input:<br>Data1 = np.arange(0,100)<br>Output:<br>array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,<br>       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,<br>       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,<br>       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,<br>       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,<br>       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])</pre><pre>Input:<br>Data1[:6]# 0 dan 6. indexe kadar bastır ayrıca yanda ki kod ile de eşdeğerdir. Data1[0,6]<br>Output:<br>array([0, 1, 2, 3, 4, 5])</pre><p>Daha karışık olarak şunu da verebiliriz.</p><pre>Input:<br>Data1[::3]# baştan sonra 3 atlaya atlaya ilerle<br>Output:<br>array([ 0,  3,  6,  9, 12, 15, 18, 21, 24, 27, 30, 33, 36, 39, 42, 45, 48,<br>       51, 54, 57, 60, 63, 66, 69, 72, 75, 78, 81, 84, 87, 90, 93, 96, 99])</pre><p>Anlamış olduğunuz üzere ‘:’ işareti o index’e dair her veriyi kapsamaktadır. İlk ‘:’ ‘baştan’ anlamına gelirken, son ‘:’ ‘sona doğru anlamına’ gelmektedir.</p><pre>Input:<br>Data1[:1] = 10 # baştan 2. indexle kadar olanları 10a eşitle<br>Data1 # ve datamıza baktıgımızda ilk 2 indexin 10 a eşitlendiğini görüyoruz<br>Output:<br>array([10,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,<br>       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,<br>       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50,<br>       51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67,<br>       68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84,<br>       85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99])</pre><p>Yukarıda ki işlem ise bazen gerekli olabilen bir işlemdir. Veriyi analiz ederken bazen veriler eksik olabiliyor. Bazen 0 veya 1 atamamız gerekebiliyor. O yüzden önemi büyük bir özelliktir.</p><pre>Input:<br>Data &gt; 40 <br>Output:<br>array([False, False, False, False, False, False, False, False, False,<br>       False, False, False, False, False, False, False, False, False,<br>       False, False, False, False, False, False, False, False, False,<br>       False, False, False, False, False, False, False, False, False,<br>       False, False, False, False, False,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True,<br>        True,  True,  True,  True,  True,  True,  True,  True,  True])</pre><p>Burada gördüğünüz işlemde Data1&#39;de ki veriler eğer 40 değerinden küçük ise ‘False’ değerini, büyükse ‘True’ değerini döndürecektir.</p><p><strong>Numpy Temel Operasyonlar:</strong></p><p>Genel olarak temel matematiksel işlemler ve diğer alanları kapsamaktadır. İlerledikçe anlayacaksınız. Ama önce yeni bir veri yaratalım</p><pre>NewArray = np.array([5,10,15,20,25])<br>NewArray1 = np.array([1,2,3,4,5])</pre><pre>Input:<br>NewArray + NewArray1<br>Output:<br>array([ 6, 12, 18, 24, 30])<br>Input:<br>NewArray - NewArray1<br>Output:<br>array([ 4,  8, 12, 16, 20])<br>Input:<br>NewArray / NewArray1<br>Output:<br>array([5., 5., 5., 5., 5.])<br>Input:<br>NewArray * NewArray1<br>Output:<br>array([  5,  20,  45,  80, 125])<br>Input:<br>NewArray ** NewArray1<br>Output:<br>array([      5,     100,    3375,  160000, 9765625])<br>Input:<br>np.sqrt(NewArray)<br>Output:<br>array([2.23606798, 3.16227766, 3.87298335, 4.47213595, 5.        ])</pre><p>Şekilde görüldüğü gibi 2 veri arasında 4 işlem ve daha fazlası yapılabilmektedir. Hatta bu verilerle istenilen değer, 4 işlem yada daha fazlası yoluyla kazandırılabilir. Çok daha detaylı bilgiyi<a href="https://www.scipy.org/"> buradan</a> araştırabilirsiniz.</p><p><strong>Numpy Transpose Kullanımı:</strong></p><p>Matrisin satırlarını sütun, sütunlarını satır yapma işlemi Numpy ile “ .T” yazmak kadar kolay. Aşağıdaki durum herşeyi açıklayabilicek seviyede.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/678/1*X1-rcdKNklx7Y3jWbXAaYg.png" /></figure><p><strong>Son söz olarak:</strong></p><p>Evet arkadaşlar buraya kadar geldiyseniz ve gerçekten hakkını verdiyseniz kendiniz için ‘İyi seviyede Numpy biliyorum’ diyebilirsiniz. Ama bununla yetinmemeli pek çok farklı kaynağı araştırmalı ve çalışmalısınız. Zamanı geldikçe yazı güncellenecektir. Daha detaylı halini ilerleyen zamanlar da <a href="https://www.kaggle.com/batuhan35">Kaggle sayfamda </a>paylaştım buradan <a href="https://www.kaggle.com/batuhan35/data-science-for-everyone">ulaşabilirsiniz</a>.</p><p>Yazımı okuduğunuz ve kıymetli zamanınızı ayırdığınız için müteşekkirim. Sağlıcakla kalın ve öğrenmeyi kesmeyin.</p><p>print(‘İyi Günler !’)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b22e800418ed" width="1" height="1" alt=""><hr><p><a href="https://medium.com/deep-learning-turkiye/t%C3%BCrkiyenin-en-kapsaml%C4%B1-numpy-tutoriali-b22e800418ed">Türkiye’nin En Kapsamlı Numpy Tutoriali</a> was originally published in <a href="https://medium.com/deep-learning-turkiye">Deep Learning Türkiye</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>