NumPy Nedir? Detaylı Kurulum Rehberi ve Kapsamlı Kullanım Kılavuzu

Giriş: NumPy Kütüphanesine Genel Bakış

NumPy (Numerical Python), Python programlama dili için geliştirilmiş yüksek performanslı bir bilimsel hesaplama kütüphanesidir. Özellikle büyük boyutlu diziler (arrays) ve matris işlemleri için optimize edilmiştir. Veri bilimi, makine öğrenimi, yapay zeka, mühendislik hesaplamaları ve bilimsel araştırmalarda yaygın olarak kullanılır.

NumPy’ın Öne Çıkan Özellikleri

✔ Çok Boyutlu Dizi (ndarray) Desteği: Listelere göre çok daha hızlı ve verimli.
✔ Vektörel İşlemler: Döngü kullanmadan hızlı matematiksel işlemler.
✔ Lineer Cebir Fonksiyonları: Matris çarpımı, determinant, özdeğer hesaplama.
✔ Rastgele Sayı Üretimi: İstatistiksel simülasyonlar için güçlü araçlar.
✔ Broadcasting: Farklı boyutlu diziler arasında işlem yapabilme.
✔ Diğer Kütüphanelerle Entegrasyon: Pandas, SciPy, Matplotlib, TensorFlow ile uyumlu.

NumPy Kurulum Rehberi

NumPy’ı Windows, macOS ve Linux işletim sistemlerine kurmanın birden fazla yolu vardır. En yaygın yöntemler:

1. pip ile NumPy Kurulumu

pip install numpy

Kurulumu doğrulamak için:

import numpy as np
print(np.__version__)  # Örnek: '1.24.3'

2. Anaconda ile NumPy Kurulumu

conda install numpy

3. Gelişmiş Kurulum Seçenekleri

• MKL (Intel Math Kernel Library) Desteği:

  bash

  Copy

  pip install numpy --upgrade --force-reinstall --no-cache-dir

• Özel Wheel Dosyası ile Kurulum:
  NumPy Resmi PyPI Sayfası

NumPy Temel Kullanımı

1. NumPy Dizisi (ndarray) Oluşturma

import numpy as np

# 1D Dizi
arr1 = np.array([1, 2, 3, 4, 5])

# 2D Dizi (Matris)
arr2 = np.array([[1, 2, 3], [4, 5, 6]])

# Sıfırlardan oluşan dizi
zeros = np.zeros((3, 3))

# Birlerden oluşan dizi
ones = np.ones((2, 4))

# Aralık oluşturma
range_arr = np.arange(0, 10, 2)  # [0, 2, 4, 6, 8]

2. Temel Matematiksel İşlemler

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

# Toplama
result = a + b  # [5, 7, 9]

# Çarpma
result = a * b  # [4, 10, 18]

# Matris Çarpımı
mat_a = np.array([[1, 2], [3, 4]])
mat_b = np.array([[5, 6], [7, 8]])
matmul_result = np.dot(mat_a, mat_b)

3. İndeksleme ve Dilimleme

arr = np.array([10, 20, 30, 40, 50])

# İndeksleme
print(arr[0])  # 10

# Dilimleme
print(arr[1:4])  # [20, 30, 40]

# Koşullu Seçim
mask = arr > 25
print(arr[mask])  # [30, 40, 50]

NumPy ile Lineer Cebir İşlemleri

NumPy, matris işlemleri için numpy.linalg modülünü sunar:

# Determinant Hesaplama
matrix = np.array([[1, 2], [3, 4]])
det = np.linalg.det(matrix)

# Matris Tersi
inv_matrix = np.linalg.inv(matrix)

# Özdeğer ve Özvektörler
eigenvalues, eigenvectors = np.linalg.eig(matrix)

NumPy vs Python Listeleri: Performans Karşılaştırması

Örnek Performans Testi:

import time

# Python Listesi ile Toplama
start = time.time()
result = [x + y for x, y in zip(range(1_000_000), range(1_000_000))]
print(f"Liste Süresi: {time.time() - start:.5f} s")

# NumPy ile Toplama
start = time.time()
result = np.arange(1_000_000) + np.arange(1_000_000)
print(f"NumPy Süresi: {time.time() - start:.5f} s")

Çıktı:

Liste Süresi: 0.12534 s
NumPy Süresi: 0.00215 s

→ NumPy, 50 kat daha hızlı! 🚀

NumPy Kullanım Senaryoları

1. Veri Bilimi ve Analiz

• Pandas ile entegre çalışır.

• Büyük veri setlerinde hızlı işlem yapma.

2. Makine Öğrenimi

• Scikit-Learn ve TensorFlow için temel veri yapısı.

• Özellik matrislerini NumPy dizileriyle oluşturma.

3. Bilimsel Hesaplamalar

• Fizik, kimya, mühendislik simülasyonları.

• İstatistiksel analizler.

Sonuç: NumPy Neden Önemli?

• Yüksek performanslı sayısal hesaplamalar için vazgeçilmez.

• Diğer kütüphanelerin temelini oluşturur (Pandas, TensorFlow, SciPy).

• Python’ı bilimsel hesaplamada R ve MATLAB ile yarışır hale getirir.

Başlamak İçin:

import numpy as np
arr = np.array([1, 2, 3])
print(arr * 2)  # [2, 4, 6]

📚 Ek Kaynaklar:

• NumPy Resmi Dokümantasyonu

• NumPy Öğrenme Yol Haritası

• Kaggle NumPy Eğitimi

NumPy, Python ile bilimsel hesaplama yapmak isteyen herkes için temel bir kütüphanedir. Pratik yaparak kendinizi geliştirebilirsiniz! 🎯