Python ile Bilgi İşlem ve Bilimsel Hesaplama
Merhaba python ile bilgi işleme ve bilimsel hesaplama nedir onu anlatıcam.
ilk önce python dilinin özellikleri kullanıcılara rahatlık sunmak ve güçlü ve birden fazla kütüphane ile nerdeyse sınırı olmayan bir yazılım dilidir.
Neden Python ?
1.Öğrenebilirlik ve Kolaylık
Python yapısı ile kullanıcılar için basit öğrenebilirlik sunuyor.Ayrıca yapısı ile itibriyle hızlı bir şekilde yazılan bir kodu anlamayı sunar.
böylece dünyada en çok kullanılan yazılım dilleri arasında 2.sıradadır.
2.Büyük kütüphane desteği
Pythonda projelerinizi destekleyen birden fazla kütüphane vardır. [137.000 Tane].Ve bunları projelerinizde kullanabilirsiniz.
4.Geniş topluluk
Python hakkında birden fazla video ve topluluk var böylece bir sorun aradığınızda kolayca ve hızlıca çözüm bulabilirsiniz.
Bilgi işlemde python
NumPY: Pythonda bilimsel hesaplamarda kullanılan kütüphanedir.Çok boyutlu dizeler üzerinde işlem yapmamıza izin veren bu kütüphane bu yüzden matematiksel işlemlerde kullanılan kütüphaneler arasındadır.
Örnek bir numPy kodu;
Python:
import numpy as np
# 3x3 boyutunda bir NumPy dizisi oluşturma
array = np.array([[1, 2, 3],
[4, 5, 6],
[7, 8, 9]])
# Dizinin boyutunu yazdırma
print("Dizinin Boyutu:", array.shape)
# Dizinin tüm elemanlarını yazdırma
print("Dizi:", array)
# Dizinin transpozunu alıp yazdırma
print("Transpozu:")
print(array.T)
# Dizinin belirli bir bölgesine erişme ve yazdırma
print("Belirli Bölge:")
print(array[1:3, 1:3])
# Dizinin elemanlarını toplama
print("Toplamı:", np.sum(array))
Pandas:Genellikle veri analizi için kullanılan bu kütüphane.İçinde veri okuma,yazma,filitreleme vs. ve işlemlerini kolaylaştırır.Genellikle veri analizi vs. işlemlerinde bu kütüphane kullanılır.
Python:
import pandas as pd
# Veri çerçevesi oluşturma
data = {'Name': ['John', 'Anna', 'Peter', 'Linda'],
'Age': [25, 30, 35, 40],
'City': ['New York', 'Paris', 'London', 'Tokyo']}
df = pd.DataFrame(data)
# Veri çerçevesini ekrana yazdırma
print("Veri Çerçevesi:")print(df)
Dask:Büyük verilerde paralel hesaplama vs. yapar.Bu kütüphanede büyük veriler üzerinde hesaplamalar yapmanızı sağlar.
Ve Pandas gibi API Verir,ancak daha büyük veri kümeleriyle çalışılır.
Python:
import dask.array as da
# 1000x1000 boyutunda rastgele bir dizi oluşturma
array = da.random.random((1000, 1000), chunks=(100, 100))
# Dizinin boyutunu yazdırma
print("Dizinin Boyutu:", array.shape)
# Dizinin toplamını hesaplama ve yazdırma
print("Toplam:", array.sum().compute())Bilimsel hesaplama ve Görselleştirme
SciPY:Bilimsel ve Mühendislik hesaplamaları ve birçok algoritma işlev içeren kütüphanedir.
Python:
from scipy.optimize import minimize
# Hedef fonksiyon tanımı
def objective_function(x):
return x**2 + 5*x + 6
# Başlangıç tahmin değeri
initial_guess = 0
# minimize() fonksiyonunu kullanarak hedef fonksiyonu minimize etme
result = minimize(objective_function, initial_guess)
# Sonuçları yazdırma
print("Minimum nokta:", result.x)
print("Minimum değer:", result.fun)
Matplotlib:Matplotlib grafik oluşturmak için kullanılan kütüphanedir.Çizgi grafikleri vs. oluşturulabilir.
Python:
import matplotlib.pyplot as plt
# Veri oluşturma
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]
# Çizgi grafiği oluşturma
plt.plot(x, y, marker='o', linestyle='-')
# Grafik başlığı ve etiketler ekleme
plt.title('Asal Sayılar')
plt.xlabel('x')
plt.ylabel('y')
# Eksen sınırlarını belirleme
plt.xlim(0, 6)
plt.ylim(0, 12)
# İşaretler ekleme
for i in range(len(x)):
plt.text(x[i], y[i], f'({x[i]}, {y[i]})')
# Reticular çizgileri ekler
plt.grid(True)
# Grafiği gösterme
plt.show()
Seaborn: Matplotlibin üzerine kurulmuştur matematiksel işlemler dışında onları görselleştirmek için oluşturulmuş kütüphanedir.
Python:
import seaborn as sns
import matplotlib.pyplot as plt
# Veri oluşturma
data = sns.load_dataset('iris')
# Scatter plot oluşturma
sns.scatterplot(x='sepal_length', y='sepal_width', data=data, hue='species')
# Grafik başlığı ekleme
plt.title('Sepal Uzunluğu ve Genişliği')
# Eksen etiketleri ekleme
plt.xlabel('Sepal Uzunluğu')
plt.ylabel('Sepal Genişliği')
# Lejantı gösterme
plt.legend(title='Tür')
# Grafiği gösterme
plt.show()Python bilgi işlem ve matematiksel işlemlerde avantajlar ve dezavantajlar
| Avantajlar | Dezavantajlar |
| Kolay Okunabirlik | Performans |
| Geniş Kütüphaneler | Bellek yönetimi |
| Hızlı Prototipleme | Güvenlik sorunları |
Python dışında peki hangi dilleri kullanabiliriz ?
R:İstatiksel hesaplamalarda kullanılabilecek bir dildir.
Julia:Hızlı ve yüksek bir performans bir dildir.
Matlab:Matematiksel hesaplamarda popüler bir dildir.Ve genellikle mühendislik ve bilimsel hesaplamada kullanılır.
C/C++ :Yüksek performanslı ve bellek kontrolü sağlar.
Konumuz bu kadardı okuduğunuz için teşekkür ederim.
@Blueteamforse
