Python Ile Kodlama II Python Bilim Paket

Python Bilim Paketi Numpy, SciPy, Matplotlib, Pandas N.
Derya Varol
PYTHON İLE KODLAMA II

PYTHON BİLİM PAKETİ
NUMPY(NUMERIC/SAYISAL PYTHON)
SCIPY(SCIENTIFIC/BİLİMSEL PYTHON)
MATPLOTLIB (GRAFİK KÜTÜPHANESİ)
PANDAS (VERİ BİLİMİ MODÜLÜ)
Yük.Müh. N.DERYA VAROL
2017-2021
Python Bilim Paketi Numpy, SciPy, Matplotlib, Pandas N.Derya Varol
Hazırlayan: N.Derya Varol
İlk Yayın Tarihi / First Publishing Date: 24-09-2021
Yayın Ortamları / Publishing Environments : researchgate.net
ve/and academia.edu
5846 sayılı Fikir ve Sanat Eserleri Kanunu’na göre

Eserin tüm yayın, tercüme ve iktibas hakları N.Derya Varol’a aittir.
Copyright ©N.Derya Varol , 2021
Contents can not be used without permission of the Author
All rights reserved. No parts of this publication may be

reproduced, stored in retrieval system or transmitted in any form
or by any means, electronic, mechanical, photocopying, recording,
or otherwise, without the written permission of the Author.
Teşekkürler..
Bu kitabın da ortaya çıkmasını sağlayan alanlarası araştırma sürecine
bir bütün olarak bakıp teşekkürlerimi buna göre ediyorum.
Araştırmalarımın ilk kitabı “Türk Hazinesi” nin ortaya çıkmasında çok
büyük etkisi katkısı olan çok sevdiğim ve çok değer verdiğim bir
hanımefendiye çok teşekkür ediyorum.
Alanlararası Araştırma sürecimdeki İTÜ ‘nün saygıdeğer ve değerli
akademisyenlerine de bu süreçdeki bilgiye bulguya bilimsel bakışla,
bulguların bir konferansla gündeme getirilmesine katkıları için teşekkürler.
Yazıtbilimle ilgili iki kitamdaki bulguları bir konferansla anlatma
ortamını sağlayan Bilkent Üniversitesi’ne de teşekkürler.
Kısa ama değerli ve aydınlatıcı cevabı ile yoluma ışık tutan Prof.Dr.
Aslıhan Yener’e
Teorilerimi ve bulgularımı aktardığımda bilimsel bir ilgi ve dikkatle
yorumlayan gerçek bir bilim insanı Prof.Dr.Seyhan Uygur Onbaşıoğlu’na
Arkeolojik bulgularım ve “Araştırma Enstitüsü Projesi” ile ilgili
değerli zamanını ayıran diğer bir gerçek bilim insanı Sayın Prof.Dr. A. Beril
Tuğrul’a teşekkürler..
Bütün araştırma sürecimde bu kitabın da ortaya çıkdığı Enstütü
projesi oluşturma sürecinde Researchgate’deki sorularıma uzman oldukları
alanlardan bilgileri ile ışık tutarak cevap veren ve keşfettiğim İnsanlığın en
eski buluntularını barındıran Paleolitik Dönem İstanbul Arkeolojik
buluntularını onaylayan akademisyen ve profesyonellere başta Dr.Anek R
Sankhyan (B.Sc medical, M.Sc. Anthropology, Ph.D. Paleoantropology)
olmak üzere teşekkürler..
Ve Python, Numpy, Matplotlib, Pandas gibi ortaya çıkışlarına
milyonlarca dolar fon desteği sağlanan bilimsel program paketlerini
opensource açık kaynak bedava olarak bilimin gelişmesine sunan buna
katkısı olanlara da teşekkürler..
Hazırlayan: Yazar, Alanlararası Araştırmacı Yük.Müh.N.Derya Varol
1966’da Ankara’da doğmuştur. İlkokul, ortaokul ve lise eğitimini
İstanbul Kadıköy Bölgesi’nde tamamlamıştır. İstanbul Teknik Üniversitesi
Makina Fakültesi Makine Mühendisliği’nden mezun olmuş, yine İstanbul
Teknik Üniversitesi’nde Makina Mühendisliği’nde yüksek lisans yapmıştır.
Eskişehir Kentsel Gelişim Projesi’nde çalışmış, tekrar İstanbul’a
geldikten sonra ise Türkoloji çalışmalarına başlamıştır. Çalışmalarının ilk
cildini yayınevine verilecek hale getirmiş ve bir iki yayınevindeki
beklemeden sonra kitabın daha fazla beklemeden halka ulaşabilmesi için
kendisi şahıs yayıncı olarak kitabı matbaaya hazır hale getirmiş kapak
tasarımını da yapıp çalışmasının ilk cildi ”Türk Hazinesi Eski Türk
Abecesi’nin Kökeninin Türkçe olduğunun İspatı Uygarlık Tarihi Yeniden
Yazılırken” adlı kitabını (ISBN: 978-605-62333-0-2) Ağustos 2011 ‘de
yayınlamıştır.
Ve ikinci kitabı “Antik Türk Yazısı’ndan Uygarlığa” ‘yı yazmıştır. (283
sayfa)
Ardından Kitapları ile ilgili üniversitelerde konferanslara başlamıştır.
İlk konferans İstanbul Teknik Üniversitesi’nde 10 Kasım 2015 ‘de
gerçekleşmiştir. Ve ikinci konferans Bilkent Üniversitesi’nde yapılmıştır. Bu
ikinci konferansı öncesinde İstanbul’da Paleolitik buluntular ve bir
Paleolitik kültür keşfetmiştir.
En belirgin parçaları İstanbul Arkeoloji Müzesi’ne götürmüş , ama
Müze “bizce tabi, ama eser de olabilir” dediği halde parçaları almamış ve
araştırmanın sorumluluğu onun omuzlarında kalmıştır. Araştırmalarına tek
başlına ve kısıtlı imkanlar ile devam etmiş, Researchgate.net ve
Academia.edu da alandan akademisyenleri ve dünyayı bu arkeolojik keşifle
bilgilendirmek için 14 İngilizce ve 3’ü Türkçe toplm 17 makale
yayınlamıştır. 3ncü kitabı 360 buluntuyu belirlemelerini ve detaylı bilgileri
içeren ”The Discovery of Istanbul Archaeological Culture I : Arrowheads ,
Spearheads, Lithic Tools and Sculptures” ‘ı da tamamlamıştır.
İstanbul için bir gereklilik olan “Teknik Kökenli Bir Yazıtbilim ve
Arkeoloji Araştırma Enstitüsü Kurulması” hazırlığına başlamış ve bu enstitü
projesinin 5 versiyonunu hazırlayıp yayınlamıştır.
İstanbul’da bulunan ilk hominin parçası olan İstanbul’da bulduğu
üzerinde diş içeren fosilleşmiş çene kemiği parçasını da Researchgate’deki
15inci sorusunda dünyadan ilgili alandan uzmanlarla birlikte fosil azı dişi
olduğunu belirletmiştir.
Enstitü projesini hazırladığı süreçte Enstitü’nün ders programlarının

detayı ile ilgilenirken 240 sayfalık çoğu kendi oluşturduğu algoritmaları
içeren bu alanda ilk Türkçe kaynak “Python, VTK ve Paraview ile Bilimsel
Görelleştirme VTK ya Giriş/ Python VTK ve Paraview de 3D Vektör Alanı
Oluşturulması ve Görelleştirilmesi“ kitabını yazıp, şahıs yayıncı olarak
dijital ISBN sini alıp Researchgate ve Academia edu ‘da Eylül 2018’de
yayınlamışdır. ISBN 978-605-62333-3-3
Prepared by: Author and Independent Researcher MSc.Eng. Nazmi Derya
Varol
N.Derya Varol was born in Ankara in 1966. He completed primary,
secondary and high school education in Istanbul Kadıköy Region. He
graduated from Mechanical Engineering Department of Istanbul Technical
University.
He also earned master of science degree in Mechanical Engineering
Field at Istanbul Technical University. He worked at City Development
Project in Eskişehir.
After he returned to Istanbul, He started to his Turkology Works.
He prepared the first volume of his works as it could be given to a
publishing house. But after waiting for a few publishing house, He decided
to publish his own book himself as a self-publisher. And he edited his book
and designed the book cover as it could be given to a printing house. And
then he published his first book ”The Turkic Treasure - The Proof that The
Root of The Ancient Turkic Alphabet is Ancient Turkic Language- While The
Civilization History is being Written Again” (ISBN: 978-605-62333-0-2)
(151 pages) in Turkic Language which is the first volume of his Works, in
August 2011.
And then he wrote his second book “From The Ancient Turkic Alphabet
to Civilization”. (283 pages)
And he started to conferences at Universities. First Conference was at
Technical University of Istanbul on 10th of November,2015. And second
conference was at Bilkent University. Before his second conference, He
discovered some paleolithic artifacts and a paleolithic culture in Istanbul.
He showed most clear parts to Istanbul Archaeology Museum. But
They didn’t take these parts. And the responsibility stayed on his shoulders.
He continued this research by himself. He published seventeen articles
about this archaeological discovery in Researchgate.net and Academia.edu
to inform academicians in archaeology field.
Meanwhile, he completed his third book ”The Discovery of Istanbul
Archaeological Culture I : Arrowheads , Spearheads, Lithic Tools and
Sculptures”.
And he started the preparation of Establishing “A Technical Based
Inscription Science and Archaeology Research Institute”.
He also found a “a fossilized mandible fragment with a molar tooth” in
İstanbul. And he made determined and approved “this fossilized mandible
fragment with a tooth” ,which is the first hominin/hominid fossil fragment
found in İstanbul, as a fossilized hominin/hominid tooth with related
specialists from the world on his 15th question in Researchgate.
During the preparations of Institute Project, he wrote a scientific
book and published it dijitaly “Python, VTK ve ParaView ile Bilimsel
Görselleştirme “(Scientific Visualizationwith Python,VTK and Paraview)
ISBN 978-605-62333-3-3
İÇİNDEKİLER
ÖNSÖZ ............................................................................................................XXVI
GİRİŞ .................................................................................................................... 1
I. NUMPY(NUMERIC PYTHON) SAYISAL PYTHON …………………………….………….. 12

I.1. Numpy Dizileri(Numpy Arrays) numpy.array([ , , , ]) …………………………. 13
Uygulama:Dizi Array tanımı için illa numpy yüklenecek ve np.array() ile
tanımlanacak ......................................................................... 14
Uygulama: 1 Boyutlu Numpy String Dizisi(Array) ................................. 15
Uygulama: 2 Boyutlu Numpy String Dizisi(Array) ................................. 15
Uygulama: np.chararray((3, 3)) ............................................................. 16
Uygulama: String ve sayıyı aynı dizide kullanmak record array
numpy.rec.fromarrays() ................................................. 16
Uygulama:: String ve sayıyı aynı dizide kullanmak structured array ... 17
Uygulama: String ve sayıyı aynı dizide kullanmak structured. …….....17
Uygulama:String ve sayıyı aynı dizide kullanmak object türü Datatype
dtype='O' ............................................................................. 18
Uygulama:String ve sayıyı aynı dizide kullanmak
rfn.merge_arrays((A, B)) .................................................. 19
Uygulama: list tanımı A=[ , , , ] ………………………………………………………….… 20
Uygulama: list ve numpy.array dizisi tanımı numpy.array([ , , , ]) ve
Liste(list) yi 1 boyutlu Dizi(array) Yapmak numpy.array(A) .. 20
Uygulama: liste(list) ve numpy.array dizisi tanımı ………………..………..….. 21
Uygulama: list ve numpy.array dizisi farkı numpy.array() e aritmetik işlem
uygulanabilir ……………………………………………………………………. 22
Uygulama: List array farkı. Array e fonksiyon uygulanabiliyor. List e
uygulanamıyor ………………………………………………………………….. 22
Uygulama: List array farkı ....................................................................... 23
Uygulama: Numpy Dizisi Attributes: Dizinin Boyutu a.ndim, Şekli a.shape
ve Büyüklüğü a.size ………………...........................…............….. 24
Uygulama: Dizinin boyutu x.ndim, x.shape, büyüklüğü x.size ........... 25
Uygulama: Dizinin Şekil özelliği x.shape ........................................... 26
VIII
Uygulama: Dizinin Büyüklüğü d.size ..................................................... 27
Uygulama: list() for ile tek tek elemanlara işlem uygulamak ................... 28
Uygulama:Numpy Dizisi(array) Elemanları karakterlerden de oluşabilir.
numpy.array(["a", "b", "c"]) …………………………………….….... 29
Uygulama: Dizinin Boyu(length) len(a) fonksiyonu ............................... 30
Uygulama: Dizi türü type(a) numpy.ndarray ......................................... 31
Uygulama: Veri Türü/Data type .dtype int32 ...................................... 32
Uygulama: Veri Türü/Data type .dtype float ....................................... 32
Uygulama: dtype ı Veri Türünü belirlemek
numpy.array([ , ], dtype=numpy.int64) ...............................33
Uygulama: dtype ı Veri Türünü belirlemek
numpy.array([ , ], dtype=numpy.float64) ............................ 33
Uygulama: in Dizi/Array içinde mi? Elemanı mı? ................................... 34
Uygulama: np.array tanımlaması ve in ile eleman var mı sorusu ............34
Uygulama: in ile eleman var mı ..............................................................35
Uygulama: in ile eleman var mı .............................................................. 36
Uygulama: Karakter elemanları için in ile eleman var mı ...................... 37
Uygulama: numpy.ones(shape) ...............................................................38
Uygulama : numpy.zeros(shape) ............................................................ 38
Uygulama: numpy.empty(shape) ............................................................39
Uygulama: numpy.empty((6, 6),dtype=int ............................................ 39
Uygulama: numpy.random………..() ....................................................... 40
Uygulama: np.random.randint(low=1, high=100, size=(6,6)) ................. 40
Uygulama: np.random.random_sample((6, 6)) ...................................... 41
Uygulama: np.random.random.randint(1,200, size=(6,6)) .................... 41
Uygulama: np.array().. …………………………………………….…………………………… 42
Uygulama: Dizi İndisleri(Array Indices) =np.indices((3,3)) ..................... 43
Uygulama: Dizi İndisleri(Array Indices) ....................................................44
Uygulama: Dizi İndisleri(Array Indices) .....................................................45
IX
Uygulama: Dizi İndisleri(Array Indices) (Array Indexing) ............................49
Uygulama: Dizi Elemanını Değiştirmek a[0, 0] = ....................................... 50
Uygulama: Dizi Elemanını Değiştirmek np.asarray(A)[2]=2 ...................... 51
Uygulama: Numpy Dizi Dilimleme (Array Slicing) a[2:]............................. 52
Uygulama: Numpy DiziDilimleme .............................................................53
Uygulama: Numpy Dizi Dilimleme ............................................................53
Uygulama: Numpyarray İki Boyutlu Dilimleme (Two-Dimensional Slicing)
x[2:,2:] .................................................................................. 55
Uygulama: Numpyarray İki Boyutlu Dilimleme x[1:,-1,1:-1] ......................56
Uygulama: Numpyarray İki Boyutlu Dilimleme x[1::2,1::2] .......................57
Uygulama: Yeniden şekillendirmek reshape ............................................60
Uygulama: Diziden parça çıkarma np.r_[ ] .............................................. 61
Uygulama: Boolean Arrays ([False, False, True,]) .....................................62
Uygulama Boolean array, | boolean or ................................................... 62
Uygulama: Boolean array, & boolean and ...............................................63
I.2. Numpy arange , linspace, meshgrid Fonksiyonları(functions) ………..…… 64
Uygulama: numpy.arange() ............................................................... 64
Uygulama: numpy.arange() in Python range() den farkı ................... 64
Uygulama: numpy.arange() ............................................................... 65
Uygulama :numpy.linspace() ............................................................. 67
Uygulama: Vektör Alanı koordinatlarını oluşturmada kullanılan iki
yöntem arange ve linspace ile aynı koordinat noktalarını
oluşturmak ............................................................................69
Uygulama: numpy.meshgrid(x, y) ................................................... 71
Uygulama: numpy.meshgrid(x, y) ..................................................... 72
Uygulama: numpy.meshgrid(x, y) ..................................................... 73
I.3. Numpy İle Vektör Tanımlama a=np.array([x, y, z]) ………………….……….. 76

Uygulama: İki Vektörü Toplamak ............................................................ 77
Uygulama: 3 boyutlu vektör np.array([2, 6, 22]) ..................................... 78
Uygulama: Vektörün Transpozesi .T : Sütun Vektörü(Column Vector) …. 79
İki Vektörün Scaler Çarpımı(Scalar Product / Dot Product) np.dot(a,b) ..80
İki Vektörün Vektörel Çarpımı Bilgi Tazeleme.........................................81
Uygulama: İki Vektörün Vektörel Çarpımı np.cross(a,b) ....................... 82
X
I.4. NUMPY İLE MATRİSLER …………………………………………………………………....... 83
Matris Tanımlama = np.matrix( ((1,2), (3, 4)) ) ve = np.mat('[1 2;3 4]')
ile ve np.array([[1, 2], [3, 4]]) ile ……………………………………………………….…84
Uygulama: numpy.mat('[1 2 3;4 5 6;7 8 9]') ile Matris tanımlamak ...... 84
Uygulama: numpy.matrix( ((1, 2, 3), (4, 5, 6), (7, 8, 9)) ) ile Matris
tanımlamak ...........................................................................84
Uygulama:numpy. array ([[1, 2, 3], [4, 5, 6],[7, 8, 9] ]) ile Matris
veya numpy. array (((1, 2, 3), (4, 5, 6),(7, 8, 9) )) ile Matris
tanımlamak: ikisi de aynı ............................................ 85
Uygulama: Matrisin İndis ile elemanı A[i,j] ……………………………………………87
Uygulama: 2 boyutlu array çarpımı 2 boyutlu matris çarpımından farklı 88
Uygulama: mat(((,), (,))) ve matrix('[ ; ]') ile Matris Tanımlama, tüm
elemanları eşit mi? np.all(A == B) ....................................... 89
Uygulama: mat() ve matrix() A matrisi B Matrisi mi? A is B ..................90
Uygulama: Logic Boolean hatırlatma …………………………………………………. 91
Uygulama: Matrislerin Toplanması, Çıkartılması, Çarpımı ..................... 92
numpy.add(matris1,matris2)
numyp.subtract(matris2,matris1) matris1*matris2 ......
Uygulama: İki Matrisin çarpımı Her iki yöntemle
np.matrix( ) ile Tanımlanan Matrix lerin Çarpımı a * b
np.array() ile Tanımlanan Matrix lerin Çarpımı a.dot(b) ile ......... 94
Uygulama:İki Matrisin çarpımı …………………………………………………..………. 96
Matris Tersi (Inverse) inv(a) ………………….…………………………………………. 103
Matris Transpozesi a.transpose() …….…………………………………...……… 107
Uygulama: Matrisin Determinant ı numpy.linalg.det(A) …………………... 111
Uygulama: numpy.eye() Birim(Identity) Matris ................................... 116
Hatırlatma: I Identity/Birim Matris ile bir Matrisin çarpımı aynı matrisdir
Uygulama: numpy.diag(np.array([1,2,3,4,5,6])) .................................. 117
Uygulama: numpy.diag(np.diag(x)) bir matris in diagonali .................. 118
Uygulama: Matris’in Diagonali(Köşegeni) matris.diagonal() ................ 119
Uygulama: Matris’in ……………. (Trace) i. Diagonal(Köşegen) toplamı .
matris.trace() ..................................................................... 120
Uygulama: Maksimum ve minimum değerler
np.max(matris) np.min(matris) ................................... 121
XI
I.5. Numpy ve Tensörler(Tensors) ……………………………………………………………… 127
Tensör Nedir ............................................................................................. 127
Fotoğraf 3 boytlu bir Tensördür .................................................................131
Genel Görecelikte Tensör ......................................................................... 132
Makine Öğrenmesinde (Machine Learning) Tensör ................................. 133
Numpy ve Tenörler …………………………………………………..…. 134
Uygulama: 3D Tensör Oluşturmak .......................................................... 137
Uygulama: Numpy dizisi ile 3x3x3 Tensör Tanımlama ............................ 138
Uygulama: Pratikten Tensör Örneği Fotoğraf 3 Boyutlu bir tensördür Pixel
Arrays np.asarray(gör) ................................................... 139
Uygulama: Görüntünün 3 Boyutlu Tensör olduğunun OpenCV ve Numpy
ile örneği print(cv2.imread('...jpg') .................................... 141
Uygulama: Tensör Toplama .................................................................... 143
Uygulama: Tensör Çıkarma ..................................................................... 144
Uygulama: İki Tensörün Çarpımı (Tensor product )
numpy.tensordot() .............................................................145
numpy.tensordot() ............................................................ 146
Uygulama: İki Tensörün Skaler Çarpımı: Hadamard Product C = A * B .… 150
Uygulama: numpy.linalg.tensorsolve(a, b) ........................................... 152
Uygulama: numpy.linalg.tensorinv(A, ind=2) ......................................... 155
Uygulama:.mat Matlab Data sını Numpy ve Scipy ile okumak ............... 159
Uygulama: Python Dictionary yapısı ...................................................... 164
Uygulama: Dictionary list(Dict.keys()) ........................................................... 164
Uygulama: Helal Çözüp Dictionary’den Diziyi Aldık
Dict=loadmat('D:/../....mat') T=Dict['X'] ............................ 165
I.6. Lineer Cebir(Linear algebra) numpy.linalg ……………………………………..... 167
Uygulama: numpy.linalg matrix multiplication dot( ) .......................... 169
Uygulama: Matris tersi(inverse) linalg.inv() ......................................... 170
Uygulama: Matris Determinantı linalg.det() ........................................ 170
Denklem Takımlarınn Çözümü ............................................................. 171
Uygulama: numpy.linalg.solve(a,b) denklem takımı çözümü .............. 172
Uygulama:numpy.linalg.solve(a,b) denklem takımı çözümü ............... 173
Uygulama:numpy.linalg.solve(a,b) denklem takımı çözümü ............... 173
XII
II. SCIPY (SCIENTIFIC PYTHON) BİLİMSEL PİTON ………………………………....... 174
II.1. Scipy Linear Algebra scipy.linalg ..................................................... 176
Matrislerle işlemler .......................................................................... 176
Uygulama: Matrix inverse linalg.inv( ) ............................................ 176
Denklem Takımlarının Çözümleri ...................................................... 179
linalg.inv(A).dot(b) Matrix Inverse ile Denklem takımı Çözümü
np.linalg.solve(A, b) ile Denklem takımı Çözümü") ................... 180
II.2. Matrisi Çarpanlarına Ayırma( Matrix Factorization/Lower Upper
Factorization/ LU Matrix Decomposition) ………………………………….. 183.
Uygulama: The LU decomposition Scipy.lnalg.lu() function ............. 184
Uygulama: The LU decomposition Scipy.lnalg.lu() function ............. 186
II.3. Scipy.integrate Genel İntegral (General integration) quad ............. 187.
Uygulama: Scipy Genel İntegral Alma integrate.quad() ................. 188
Uygulama: Scipy Genel İntegral Alma integrate.quad()
integrate.quad(lambda x: special.jv( ,x), 0, ) ............... 188
Uygulama: Scipy Türev almak derivative(f, ,dx) .............................. 189
II.4. Scipy Special Fonksiyonları(Functions) ........................................... 190
XIII
III. MATPLOTLIB Bilimsel grafikler, Bilimsel Verileri Çizdirmek ………..……… 194
Pylab ve matplotlib.pyplot arasındaki farkın açıklanması .................... 194
III.1. 2 BOYUTTA FONKSİYON ÇİZİMLERİ plot(x,f(x), color=" ", lw=2) 195
Uygulama: Matplotlib pylab plot(x,6x) …………………………………… 195
Uygulama: Matplotlib pylab plot(x,6*x**2) ……………………………. 196
Uygulama: Matplotlib pylab plot(x,exp(x)) .................................. 197
Uygulama: Matplotlib pylab plot(x,exp(-x)) ................................ 198
Uygulama: Matplotlib pylab plot(x,-exp(x)) ................................. 199
Uygulama: Matplotlib pylab plot(x,-exp(-x)) ................................ 200
Uygulama: Matplotlib pylab plot(x,sin(x), cos(x)) ....................... 201
Uygulama: Pylab Sigmoid Eğrisi 1/(1+ exp(-x)) ..................... 204
Uygulama: Pylab Ters Sigmoid Eğrisi 1/(1+ exp(x)) ............... 205
Uygulama: Matplotlib pylab plot(x,6*x*cos(x)) ............................ 206
Uygulama: Matplotlib pylab plot(x,exp(x)*sin(x)) ........................ 207
Uygulama: Matplotlib pyplot np.sin(x) np.cos(x) .......................... 208
Uygulama: Matplotlib pyplot np.sin(x) np.cos(x) .......................... 209
Uygulama: Matplotlib pyplot numpy.sin(2*np.pi*t) ) .................. 210
Uygulama: Matplotlib pyplot numpy.sin( ) Subplotzero ...............211
Uygulama: Matplotlib pyplot np.sin(x) ......................................... 212
Uygulama: Matplotlib pyplot ax.plot(x, np.sin() Hostsubplot .......213
Uygulama: Matplotlib pyplot plt.plot([1,2,3,4], [1,4,9,16],ro) .......215
Uygulama: Matplotlib pyplot engineering_formatter...................216
Uygulama: Matplotlib pyplot ........................................................ 218
Uygulama: Pyplot Çoklu Eksen takımları ile Grafik Çizimi subplot 219
Uygulama: Pyplot plt.gcf (get cur fig) ve fig.set_size_inches( , ) 221
Uygulama: Pyplot plt.gca() Get current axes ……………….………………222
III.2. Dizi(Array)’den Çizim plt.plot([ x1,x2,x3, x4], [y1,y2 ,y3,y4]) …… 223
Uygulama: Pyplot Dizi Array ıle çizim ………………………………………... 224
Uygulama: Pyplot Dizi Array ıle çizim ………………………………………….226
Uygulama: Pyplot Dizi ile dolar grafiğı pratiğiı ………………………….…227
Uygulama: Matpotlib pyplot
plt.plot([1,2,3,4],[8000,8200,8600,9200]) .............233
XIV
Uygulama: Matplotlib pyplot Eksenlerin adını yazmak ……………… 234
Uygulama: Matplotlib pyplot t plt.plot([1,2,3,4], [1,4,9,16]) …… 235
III.3. Geri Plan RENGİ, Eksen Renkleri ........................................... 236
Uygulama: Sitilleri Kompoze etmek …………….……………………………. 236
Uygulama: GeriPlan rengini Değiştirmek facecolor …………………... 238
Uygulama: GeriPlan rengini Değiştirmek …………………………………… 240
Uygulama: GeriPlan rengini Değiştirmek …………………………………… 242
Uygulama: Renklendirmede cmap=cm.jet colormap kullanımı … 243
Uygulama: Eksen rengini değiştirmek …………………………………….…. 244
Uygulama: Eksen rengini ve eksen dışının rengini değiştirmek
plt.rc_context({'axes.edgecolor': 'figure.facecolor':'yellow}) … 245
Uygulama: Geri plan rengini değiştirmek
plt.gcf().set_facecolor("red") eksenlerin dışı ………………………. 246
Uygulama: Matplotlib Geriplan Sitillerinin listesi ………………………. 247
Uygulama: Geriplan stili matplotlibatplotlib.style.use(sty) ………. 248
Uygulama: plt.style.context('dark_background') ………….............. 250
III.4. linspace( ), meshgrid( ) ile Matplotlib de Çizim ....................... 251
Uygulama: Matplotlib Pyplot numpy.linspace( ) ...........................251
Uygulama: Pylab numpy.linspace ile numpy.meshgrid( ) ……….. 252
Uygulama: Pylab numpy.linspace(, , , endpoint=False) ……………. 253
Uygulama: Pyplot numpy.linspace(, , , endpoint=False) …………… 254
Uygulama: Pyplot numpy.linspace((, , , endpoint=False)...............255
Uygulama : Pylab np.linspace() ………………………………………………… 256
Uygulama: Pylab numpy.linspace( ) ..............................................257
Uygulama: Eksen oranları set_yscale('symlog' linear) …………………258
III.5. 2 Boyutlu Vektörel Akış Çizgileri Çizdirmek .................................. 260
Uygulama: streamplot(x, y, u, v, density=0.6, color='k', ) ………… 260
Uygulama: streamplot(x, y, u, v, density=0.6, color='k', ) …………..262
Uygulama: streamplot(x, y, u, v, density=0.6, color='k', ) …………..264
XV
III.6. 2 Boyutta plt.contour() ve plt.contourf() filled contour
Yol yol(contour) çizgileri ve (filled contours )çizmek ...... .266
Uygulama: pyplot.contour(x,y,a) making Contour Plot ................ 266
Uygulama: plt.contour(x,y,a) Contour Plot ................................... 267
Uygulama: plt.contourf(x,y,a) Dolgulu Filled Contour da cmap
Colormap Kullanımı ................................................... 268
Rernklendırmede kullanılan bazı renk haritaları(color maps)……. 269
Uygulama: plt.contour(x,y,a) plt.pcolor(x,y,ac) plt.colorbar
renkçubuğu, Contour Mesh Plots ................................... 270
III.7. Ok(Arrow) Çizimi ……………………………………………………………………. 271
Uygulama: .arrow(0, 0, 0.6, 0.6 head_width=0.05,
head_length=0.1, fc='k', ec='k') …………………………….. 271
Uygulama: Matplotlib pyplot Arrow ………………………………………….. 273

Uygulama: Matplotlib Arrow pylab ile…………………………………….…. 274
Uygulama : iki ok(arrow) …………………………………………………….……. 275
Uygulama : İki ok renkli ……………………………………………………………. 276
III.8. Ok Alanı Çizimi : Vektör Alanı Çizimi (Visualizing Vector

Fields) : meshgrid ve matplotlib Axes.quiver ………………………… 277
Uygulama: pyplot.quiver(x, y, u, v, R, alpha=.5) ………… 278
Uugulama: Pyplot quiver ………..……………………………………….………280
Uygulama: 2 boyutta quiver ile Akışkanlar Mekaniği kaynak
kuyu denemesi quiver(x, y, u, v) Başardık……………………. 284
Uygulama: 3 Boyutta numpy.meshgrid( ) linspace ve quiver ile
3 Boyutlu Vektör alanı çizdirmek ............................... 291
Uygulama: meshgrid() arange() ile noktaları tanımlıyalım ve
Vektör Alanına u=x v=y w=z diyelim .............................293
Uygulama: Vektör oklarına renk vedik color='r' ……………………. 295
Uygulama: 3D Vektör alanı quiver ile Fluid Mechanics Akışkanlar
Mekaniğindeki Kaynak Kuyu ....................................... 314
Çizime/Grafiğe Sembol ve Renk Dağılımı eklemek :

quiverkey() ve scatter( ) ……………………………………………..….327
XVI
III.9. FONKSİYONDAN 3 BOYUTLU SÜREKLİ YÜZEY ÇİZİMİ
.plot_surface(x, y, f(x,y)) …......................................................... 333
3D Başlangıcı : 3D Eksen Takımını çizmek ……………………….. 334
ax=plt.axes(projection='3d')
Görünüm açısını değiştirmek axis.view_init(a, b) a ve b
Açıları …………………………………………………………………… 337
Uygulama: Matplotlib pyplot .plot_surface(x, y, f(x,y)) ……. 338
Matpoltlib’te Renk Haritaları CM Colormaps renk paleti
Kullanımı from matplotlib import cm cmap=cm. .. 340
Uygulama: Matplotlib pyplot axis.plot_surface() ve
fig.colorbar(, ); ……………………………………………... 342
Uygulama Değişik Bir Fonksiyonla. Güzel Sonuç ………….….. 344
Uygulama: Matplotlib pyplot .plot_surface(x, y, f(x,y)) ….… 348
Uygulama: Pyplot ax.plot_surface( ) …………………….....…….. 354
Uygulama: Pyplot ax.plot_surface() ……………….………………. 356
Uygulama: Matplotlib pyplot axis.plot_surface(X, Y, Z) ve
axis.contour(X, Y, Z) izdüşüm çizimleri ………….. 358
Uygulama: Matplotlib pyplot axis.plot_surface(X, Y, Z) ve
axis.contourf(X, Y, Z) izdüşüm çizimleri …….……. 362
Uygulama: Matplotlib pyplot.plot_surface(x, y, f(x,y))
Uygulama: Pyplot Yüzey ootimizasyonu …………………..….…. 364
Uygulama: pyplot plot_trisurf( ) ile üçgensel bölünmüş 3D
yüzey çizimi EYER ………………………………………………………. 366
Uygulama: pyplot contour3D( ) ile 3D Countee ……………..… 368
Uygulama: Pyplot 3D Görünüm açısını değiştirmek……..…... 370
Uygulama: Pyplot 3D Görünüm açısını değiştirmek ……….…. 372
Görünüm açısını değiştirmek axis.view_init(a, b) A, b açıları 374
Uygulama: Pyplot Sıfırdan Küre Çizimi …………………………….. 376
Uygulama: Ppyplot Sıfırdan Küre Çizimiylab Colormap ……. 378
Uygulama: Pylab Colormap ………………………………….………….. 379
Uygulama: Pylab Colormap cm.jet ……………………..………..… 381
Uygulama: Pylab Colormap cmap=pl.cm.Reds ……………….. 383
XVII
III.10. FONKSİYONLA 3 BOYUTLU TELKAFES(WIREFRAME) ÇİZİMİ
.plot_wireframe(x,y, f(x,y)) ............................................... 386
Uygulama: Matplotlib pyplot .plot_wireframe(X, Y, Z) ile 3D
Wireframe 3D Telkafes Çizimi ........................386
Uygulama: plot_wireframe( ) z ………………………………….. 388
Uygulama: plot_wireframe( ) z np.sqrt(x ** 2 + y ** 2) 391
III.11. Matplotlib Pyplot 3 Boyutlu Fonksiyon Eğrisi Çizimi ................ 392
Uygulama:Pyplot 3D Yay Eğrisi Çizimi .plot(x, y, z) ………………. 392
Uygulama: Pyplot 3 Boyutlu Yay Eğrisi Çizizimi …………………….. 394
Uygulama: Pyplot 3 Boyutlu Yay Eğrisi Çizizimi …………………….. 396
Uygulama: Pyplot 3 boyutlu doğru çizimi ………………………….…. 397
III.12. Bir Pencerede birden fazla Grafik Çizdirmek subplot(m,n,p) 398
Uygulama: Pyplot fig.add_subplot(1, 2, 2, projection='3d') .. 398
III.13. GRAFİKLER(GRAPHS): pie( ), bar( ), 3D Bar bar(x, y, z), hist() …401
Uygulama: .hist( ) ……………………………………………………………..…401
Uygulama:3D Çubuk Grafiği (Bar Graph) .bar(xs, ys, zs=z) …….. 403
Uygulama: plt.bar() plt.table Tablo da ekleniyor ……………….… 405
Uygulama: Basic Gantt chart .broken_barh([(40, 50)], (30, 9),)407
Uygulama: ax1 = plt.subplots() ax1.pie() ………………………….…… 409
Uygulama: .pie( ) Simit Grafiği (Nested Pie Charts) ….………...... 410
Uygulama: .pie( ) .bar( ) Pasta+ Çubuk Grafiği ………………….. 413
Uygulama: Simit Pasta(Pia) Grafiği plt.pie() plt.Circle()
add_artist() ……………………………………………………................ 416
Uygulama: Simit Grafiği(Donut Chart) plt.pie() plt.Circle() …. 417
Uygulama: İkili Simit Grafiği plt.pie() plt.pie() plt.Circle() ……. 418
Uygulama: Yığın Area Plot plt.stackplot( ,,colors=['r','g','k','r']) 420
Uygulama: Area Plot plt.stackplot( , , , , , colors=['r','g','k','r']) 422
Uygulama: Yığın Grafiği(Stack Plot) np.vstack([y1, y2, y3]) .
.stackplot(x, y1, y2, y3, labels=labels) ………………….….…. 424
Uygulama:Yığın Grafiği(Stack Plot) plt.stackplot() ……………...…. 426
Uygulama: Kutu Grafiği (Box plot) ax.boxplot() ……………….….. 428
Uygulama: Kutu Grafiği (Box plot) ax.boxplot() ……………….... 430
Uygulama: Kutu Grafiği plt.boxplot(,, notch ='True', vert = 0) 431
Uygulama: Violin plot ax.violinplot() …………………..….. 433
XVIII
III.14. matshow() Matris Gösterimi ......................................................434
Uygulama: plt.matshow() matplotlib.pyplot.matshow()
Matris gösterimi (Matrix Show) …………………………..435
Uygulama: pyplot.matshow() Matris Gösterimi (Matrix Show) 436
Uygulama: pyplot.matshow() Matris Gösterimi (Matrix Show) 437
III.15. 3D Vogel voxels() 3 boyutlu küp hacim pixeli ..........................438
Uygulama: 3D Vogel ax.voxels() Voxel Hacim pixel’i Gösterimi
Uygulama: 3D Vogel ax.voxels() Voxel Hacim pixel’i Gösterimi
III.16.Dağılım Çizimi (Scatter Plot) .......................................................442

Uygulama: plt.scatter() Machine Learning için Pyplot 2D Dağılım
Grafiği (Scatter Plot) ve İlişkiler(Correlations) ........................442
Uygulama: scatter(xs, ys, zs, marker=m) Pyplot 3 Boyutlu Dağılım
3D Scattering ..................................................................... 444
Uygulama: pyplot.scatter(x, y, s=area, c=colors, alpha=0.5) çizimin
içinde sembol ve renk dağılımı kullanımı .............................. 447
Uygulama: plt.scatter(x, y, s, c="g", alpha=0.5,marker=) çizimin
içinde sembol kullanımı marker= yapraklı yonca ...................449
Uygulama: Kümeleme(Clustering) pyplot.scatter().
scipy.cluster.vq.kmeans ........................................ 451
Uygulama: numpy.polyfit(x, y, 1) Pyplot Doğrusal Bağıntı Çizgisinin
çizilmesi ( to plot a linear regression line on a scatter plot)
plt.plot(x, y, 'o') m, b = np.polyfit(x, y, 1) .............................453
Uygulama: np.polyfiy() Polinom eğrisine uydurma ...................454
Uygulama: numpy.polyfit(x, y, 1) Pyplot linear regression line
b, m = polyfit(x, y, 1) ................................................... 455
Adlandırılmış Renkler(named Colors) ................................................... 456

Hex Renk kodları ................................................................................... 457
XIX
III.17. ANNOTATE ile YAZI VE YAZILI KUTU DİAGRAMI Oluşturmak …...460
Uygulama: Yazı eklemek .annotate() ..........................................461
Uygulama: Yazı eklemek ax.annotate( ) ...................................463
Uygulama: Annotating with Text with Box Advanced Annotation
= dict(boxstyle="round", ax.text() ................................. 466
Uygulama: Annotate iKutu içinde yazı ekkemek........................ 468
Uygulama: Kutu içinde Yazı eklemek, Akış Diagramı (FlowCart) 470
Uygulama: Annotate ile Akış Diagramı(Flow Chart) ..................471
Uygulama: Annotate ile Akış Diagramı(Flow Chart) ...................472
Uygulama: Annotate ile Akış Diagramı(Flow Chart) ...................473
Uygulama: ax.text2D( , , " “) Yazı/Açıklama Kutu..su Kullanımı 474
Matplotlib.pyplot içeeiği …………………………………………………………....…..476

Matplotlib içeriği ………………………………………………………………………..…. 477
XX
IV.PANDAS VERİ BİLİMİ (DATA SCIENCE) Verileri Veri Tablosu/Veri
Çerçevesi(DataFrame) haline getirmek Excel benzeri ………….… 479
Uygulama: Veri Çerçevesi(DataFrame) Oluşturmak ve Sütun Eklemek
df = pandas.DataFrame() df['ad'] = ['Serpil', 'Yasemin'] ........ 480
Uygulama: FrameAdı.assign(SütunAdı = [ , , ]) ile Sütun (Column)
Ekleyerek Yeni Veri Çerçevesi(DataFrame) Oluşturmak .. 481
Uygulama: Pandas DataFrame e Sütun/Column Eklemek
df.assign(C=df['A']**2, D=df.B*2) .............................. 482
Uygulama:Veri tablosu/Veri Çerçevesi(Data frame) oluşturmak
= pandas.DataFrame({'A': range(1, 5), 'B': range(11, 15)}) 483
Uygulama: Pandas CSV dosyasını açmak ve VeriÇerçevesi’ne
(Dataframe’e ) Sütun Eklemek …………………….……………………….. 484
Uygulama: Pandas CSV dosyasını açmak ve tabloda yeni sütun
Oluşturmak df.assign(YeniSutun = ['4', '6', '12', '34', '43']) …………485
Uygulama: Pandas assign() Bu durumda iki tablo var df ve A ……….. 486
Uygulama: Pandas assign() Sütun eklemek ………………………………..... 487
Uygulama: Pandas assign() ile VeriÇerçevesi’ne Sütun eklemek..... 488
Uygulama: Pandas Pandas DataFrame e Sütun/Column Eklemek
df.assign(**{'C': df.A.apply(lambda x: x ** 2), 'D': df.B * 2}) 489
Uygulama: pandas.read_csv(url) Pandas Numpy ile bir web
sitesinden bir CSV yi açıp okumak ………………………….. 490
Uygulama: Internetden bir CSV okuyup Sütun Adları ile Sütun seçmek
Column Selection tips[['…', '...', '...', '…']] ………………….. 491
Uygulama: Pandas Filitreleme
print (tips[tips['time'] == '………..'].head( )) ………..…….492
Uygulama: Pandas VeriÇerçevesi( Dataframe) oluşturma …………. 493
Uygulama : pandas.date_range ve .sort_index(axis=1,
ascending=False)) .sort_values(by='A')) Eksene göre ve
küçükden büyüğe doğru dizmek ………………………….….. 496
Uygulama: Pandas Selection df[0:3] 0 dan 4 e kadar 1nci 2nci 3ncü
Satırlar/kayıtlar …………………………………………………….. 498
Uygulama: Pandas Boolean Indexing df[df.A > 0]) , df[df > 0]) …. 500
Uygulama: Numpy ile Dataframe i oluşturmak ………………………….. 501
XXI
Uygulama: Numpy ile oluşturulan Dataframe i Pandas ile CSV
olarak kaydetmek pandas.DataFrame( )
.to_csv('D:/…../.csv') …………………… 502
Uygulama:CSV Dosyasını Pandas ile açmak
pandas.read_csv('D:/… /..csv') …………………………………. 503
Uygulama: CSV Dosyasını Pandas ile başlıksız açmak
pandas.read_csv('D:/………../….csv') ………………………… 504
Uygulama: columns=['A', 'B', 'C', 'D','E', 'L' ] ile Sütun Adı Tanımı 505
Uygulama: Sütunları adları ile seçip ikinci bir tablo oluşturup
Yazdırmak dv[['Adı','Malzemesi']] …………………………….. 506
Uygulama: Tablodaki Sütun Adları/ column headers dv.columns 507
Uygulama: Tablodaki Sütun adlarını list() ile yazdırmak …………..…. 507
Uygulama: Sütun adlarını list( .columns.values) ile yazdırmak …. 508
Uygulama: Tablodaki Sütun adlarını keys() ile yazdırmak …………… 508
Uygulama: 1 nci satırın/kaydın 6 ncı sütünündaki değeri yazmak.
Matris gibi nitelendiriyor. .iloc[1,6] ………………………. 509
Uygulama: Tablodaki Sütunların Hepsini yeniden Adlandırmak
Rename Columns dv.columns = [' ', ' '] …………………… 510
Uygulama: Tablodaki Sütunlardan seçilenleri yeniden Adlandırmak
rename function dv.rename(columns={'':'', '':''}) 511
Uygulama: Pandas Sıralama Sort df.sort_values(by=['col1']) …... 512
Uygulama: Pandas ike CSV Okumak pandas.read_csv("D:/.csv") 513
Uygulama: BAŞARI Pandas ile Vektör Alanı ALynı CSV Dosyaaını
Oluşturduk df.to_csv('D:/ParaView/CSV/VektorAlani.csv') 514
Uygulama: Pandas DataFrame e satır(lar) ekleme df=df.append() 520
Uygulama: Pandas DataFrame e satır(lar) ekleme df=df.append() 521
Uygulama: Başardık Pandas ile Vektör Alanı CSV Dosyasını
Oluşturduk df.to_csv('D:/CSV/VektorAlani.csv') …… 522
Uygulama: Pandas x y zi sütunlarından numpy.array() oluşturmak 526
Uygulama: Pandas Vector CSV sini Python’da okumak ………………. 527
Uygulama: Pandas Vector csv sinden x sütununu atamak………….. 528
XXII
Uygulama: Pandas kayıttan Nokta/Point dizisi/array ine
dv1=dv.iloc[:, 4:7] 5 6 7 nci sütunlardan tablo
oluşturmak. bu x y z tablosunu array e çevirmek
pointarray = dv1.to_records(index=False) …………….. 529
Uygulama: Pandas ._slice(slice( , )) …………………………………………. 532
Uygulama:Pandas Kayıttan record array e .to_records() ……….… 533
Uygulama:Pandas kayıttan Nokta/Point dizisi/array ine .iloc[:, 4:7]
5 6 7 nci sütunlardan tablo oluşturmak .to_records() ……..… 534
Uygulama: Pandas kayıttan Nokta/Point dizisi/array ine Başarı …535
Uygulama: .db SQLite Veritabanı/DataBase dosyasından Pandas ‘a
pandas ve sqlite3 ile pandas.read_sql_query() ………. 536
Pandas Serileri ............................................................................. 537
Uygulama:: pandas.Series([ , , , , , ]) ………………………………….. 538
Uygulama:: Seriye index tanımlamak ......................................... 539
Uygulama: Aynı indexdeki iki seriyi toplamak ............................... 539
Uygulama: Farklı indexdeki iki seriyi toplamak ............................. 540
Uygulama:: Pandas Değerlerin Listesi ile Seri Oluşturmak ....... .541
Pandas Zaman Serileri (Pandas Time series / Date functionality)542
Uygulama: pandas.to_datetime() ............................................... 543
Uygulama: pd.to_datetime() ....................................................... 544
Uygulama: pd.date_range( , periods= , freq='H' ) ....................... 544
Uygulama: pd.date_range( , periods= , freq='D' ) ....................... 545
Uygulama: pd.date_range('2020-01-01', periods=6, freq='D').
Timezone .tz_localize('UTC') ................................................545
Uygulama: pd.date_range() pd.Series() ................................. 546
Uygulama: pd.date_range() pd.Series() .resample() ............ 546
Uygulama: pd.Timestamp() pd.Timedelta() .......................... 547
Uygulama: pd.date_range() datetime.datetime() .................. 548
XXIII
Excel dosyalarını okuma yazma pd.read_excel()pd.to_excel() 548
Uygulama: pd.read_excel() Excel dosyalarını okuma .................. 549
Uygulama: pandas.read_excel() df['Name'].tolist() ................... 550
Uygulama: pd.read_excel() ......................................................... 550
Uygulama: pandas.read_excel df.to_csv(index=False) ........... 550
Uygulama: df1 = pd.DataFrame() df1.to_excel() ........................ 551
Uygulama: df = pd.DataFrame() df.to_excel() .............................552
Uygulama: df = pd.DataFrame() df.to_json() .............................. 553
Fonksiyon Uygulamak(Appliying functions) ................................. 554
Uygulama: df.apply(np.sqrt) Pandas Dataframe’e Fonksiyon .......554
Uygulama: df.apply(lambda ) ....................................................... 555
Uygulama: df.apply() def ile tanımlanan fonksiyonu uygulamak .. 556
Uygulama: df.apply(lambda x: x *x) ............................................. 557
Uygulama: df.apply() .................................................................... 558
Uygulama: pandas.DataFrame.drop(['B', 'C'], axis=1) ................... 559
V. PANDAS IN MATPLOTLIB İLE KULLANIMI .................................................. 560
Uygulama: Pandas Zaman Serisi Matplotlib ve Seaborn ............. 560
Uygulama: Pandas ile CSV den Okutup Matplotlib İle Grafiğini
Çizdirmek DataFrame.plot() ....................................... 562
Uygulama: Pandas Matplotlib Çizimi kaydetmek .get_figure()
.savefig("D:/……../..png") ........................................... 563
Uygulama: Pandas Matplotlib ile basit plot ................................. 564
Uygulama: Pandas Matplotlib ile plot df.plot() ........................... 565
Uygulama:Pandas Matplotlib ile Çubuk Grafiği
df.plot(kind=”bar”) ............................................... 566
Uygulama:DataFrame.plot.bar() multiple bar plot / Çoklu Çubuk
grafiği çizdirmek df.plot.bar() .....................................568
Uygulama: Üst üste Çubuk(stacked bar) Grafiği
df2.plot.bar(stacked=True) .......................................569
Uygulama: Üst üste Yatay Çubuk(horizontal stacked bar) Grafiği
df2.plot.barh(stacked=True) ......................................570
Uygulama: pd.to_datetime DATE HİSTOGRAM
map(lambda d: d.month).plot(kind='hist') .................571
Uygulama: Pasta(Pie) Grafiği PandasDataFrame.plot.pie() ..........571
XXIV
Terminoloji ..................................................................................................... 576
Kaynaklar …………………………………………………………………………………………………. 581

Değinilen Kaynaklar .................................................................................... 581
Python Programlama Dili ve Uygulamaları Kaynakları ............................... 582
Python BİLİM SCIENCE PAKETİ: Numpy(Numeric Python), SciPy(Scientific
Python),Matplotlib, Pandas ............................................................... 584
Numpy .......................................................................................... 584
Scipy ............................................................................................. 589
Matplotlib ..................................................................................... 590
Pandas ........................................................................................... 596
Seaborn ………………………………………………………………………………………..………… 599
Python GUI Design ..................................................................................... 601
Python DNA ve Biopython DNA ................................................................. 602
Diğer ........................................................................................................... 603
XXV
ÖNSÖZ
5 sene önce İstanbul’da keşfettiğim ve insanlığın en eski eserlerini
barındıran paleolitik kültürün buluntuları üzerinde çalışırken ve ilgili 17
makaleyi yazıp yayınlarken teknik konularda alanda çok büyük boşluk
olduğunu görüp, İstanbul’da kurulmak üzere teknik kökenli bir Yazıt Bilim
ve Arkeolji Araştırma Enstitüsü’nün projesini hazırlamaya başladım. Bu
Enstitü projesini hazırlarken ders programlarının detaylarında Python’a
dalınca ve 7-8 adet defter kitap şeklinde çalışır programlardan, örnek
programlardan ve notlarımdan oluşan dijital not defterleri oluştu. Bu
Python çalışmalarının bir kısmı olan “Python VTK Patraview ile Bilimsel
Görselleştirme” başlıklı kitabı “Türkçe kaynak yok, dijital rafda kalmasın
üniversite öğrencilerine akademisyenlere kaynak olsun” deyip ISBN de alıp
şahıs yayıncı olarak dijital olarak pdf olarak Resersarchgate ve
academia.edu ‘da Eylül 2018’de yayınladım.
VTK konusunda Türkçe kaynak yoktu. İngilizcede de özellikle vektör

alanı görselleştirmesi için kaynak yoktu. Alanı programın içine aktaran
algoritma kısmı ise hiçbir yerde yok. Kendi çözümlememdi. Bu nedenle
kalıcı bilgi olsun Türkçe kaynak olsun bilim ortamında diye yayınladım.
“Python ile Programlama” cildi ve bu “Python ile Bilimsel Programla”

ise İngilizce çok kaynak olduğu acelesi olmadığı için “Python Numpy ile ilgili
her yerde bilgi var, sonra toparlarım öncelikli bir gereksinim değil” dedim
ve bekledi. Evet İngilizce kaynak çok ama böyle düzenli hepsi el altında olan
ansikkooedik tarz bir kitabın değeri başka. Bunları kendim için
hazırlamıştım. Hem tüm komutların düzenli zihnimde kalması için hem de
üzerinden zaman geçtiğinde unutulan detay var ise kolay hatırlamak için.
Şimdi bunu da öğrencilerin faydasına olur diye yayınlıyorum. İTÜ Makina
da bile artık Fortran yerine Python öğretilmeye başlanmış. Bir çok kişiye
faydalı olacağını düşünüyorum.
Artı yapay zekadaki Veri Bilimi(Data Science) ve Makine

Öğrenmesi’nde(Machine Learning) de Numpy’nin Numeric Python’un
Pandas ile birlikte kullanımını görünce bu notların da ara ara toparlamasını
yaptım.
XXVI
İstanbul Arkeolojik keşfimdeki bulguları belirlemelerimi anlattığım
makalelerin 13ncüsünün ardından da, “arada programlama/kodlama
pratikleri yapmanın diğer alanlardaki çalışmalara da pozitif etkisi olduğu
için” arada bu kitabı da tamamlamaya başladım.
Kitabın içindeki modüller Numpy, Scipy, Matplotlib ve Pandas Python

un bilim(Science) paketi. Numpy(Numeric/Sayısal Python)
Matpotlib(grafik çizim kütüphanesi) ile birlikde bugüne kadar
üniversitelerde çok geniş kullanımı olan Matlab’e alternatif. Numpy matris
cebri lineer cebir konularında en az Matlab kadar etkin.
Numpy’nin ardından Veri Bilimi(Data Science) paketi Pandas’ın da belli

özelliklerini netleştirip örnek uygulamalarla anlatalım dedik. Bu numpy ve
pandas’ın birlikde kullanıldığı Veri Biimi(Data Science), Makine
Öğrennesi(Machine Learning) için de bir ön hazırlık olur.
Bilim paketinden bahsedip Matplotlib’i anlatmadan geçmeyelim deyip

Matpolotlib ile grafik çizimlerinden örneklee ekleyip bir Matplotlib bölümü
de eklemeye karar verdim.
Kitabın içindeki konuların hitap ettiği kesim Lise matematiği ile başlar.
Üniversite yüksek matematik ve uygulama alanları ile devam eder.
Örneğin Matris cebri(Matrix Algebra) . matris tanımı, matris tersi
transpozesi..matriks çarpımı, vektör tanımı vb. Matplotlib ile fonksiyonların
görselleştirilmesi özellikle lise öğrencileri için matematikte görselleştirme
ile fonksiyonları görebilmesi ve ilerisinde çeşitli alanların mesleki
uygulamalarında çok faydalı.
Python ve bilim paketi Numpy Scipy Pandas Matplotlib bilim insanı

için olmazsa olmazlar. El altında bulunması gereken bilim araçları .
Yapay zekada(Artificial Intelligence), Veri Biliminde(Data Science) ve

Makine Öğrenmesi’nde(Machine Learning) gibi konularda da Numpy’nin
Numeric Python’un, Veri Analizi(Data Analysis) modülü Pandas ile birlikte
kullanımı olduğunu da belirtelim.
Örneğin 2 Boyutlu Dağılım(2D Scatter) Çizimi Yapay Zeka(Artificial

Intelligence) ın bir alanı bir alt başlığı olan Makine Öğrenmesi (Machine
Learning)’ de bir metod.
XXVII
Yapay zeka ve yapay zekadaki Makine Öğrenmesi(machine Learning)
uygulamaları bu kitabın konusu değil ama Python un Numpy modülünün
matrislerle ve vektörlerle ilgili kısmı üniversitelerde Makine Öğrenmesi
derslerinde öğretilen konular.
Buradaki örnekleri ile anlattığımız Numpy, Matplotlib ve Pandas

fonksiyonlarını öğrenmenin programlamanın kullanıldığı bir çok alanda
faydası olduğunu görüyoruz.
Numpy 3 boyutlu modelleme ve simülasyon paketi Blender ‘ın

içindeki Python’da var. Blender’a Numpy eklemek gerekmiyor. Numpy ile
ilk denemelerimi 11.2017’de Blendar ‘da yapmıştım.
Asıl burada kullandığımız dış Python dediğim bağımsız çalışan
Python’ a ise Numpy ‘yi ayrıca yüklemek gerekiyor.
Python Numpy Pandas modüllerinin yüklemelerininin nasıl
yapılacağı bilgisini de, bilgisayarınızda hiç Python yokmuş gibi düşünerek ,
kitabın başında anlatıyoruz.. Çünkü gençlerden veya konuya yeni
başlayanlardan bu sıfır bilgi durumunda olanlar olabilir. Böylece sıfırdan
buradaki örnekleri çalıştırabilecek durumda olacak bu kitabın okuyucuları.
Kitabın düzenlemesini ve rötuşlarını yaparken Einstein’ın Genel

Görecelik kuramı ile ilgili eski notlarıma da bakayım dedim. Genel
Görecelik’te uzay zaman denklemlerindeki (Einstein Alan Denklemleri
/Einstein Field Equations) tensör kavramı tekrar gündeme Python Numpy
örnekleri ile gelince ve makine öğrenmesinde(machine learning) de tensör
kodlamanın kullanıldığını görünce kitaba tensör tanımını ve uygulamaları
içeren bir bölüm daha ekledim(Bölüm I.5).
Yine düzenleme sırasında, Makine Öğrenmesinde ve bazı finans
progranlarında geçen Scipy fonksiyonu olan Matrisi Çarpanlarına Ayırma
(Matrix Factorization/Lower Upper Factorization/ LU Matrix
Decomposition) scipy.linalg.lu(A) konusunu ekledik(II.2)
XXVIII
Matpoltlib çizim modülünü anlattığımız kısma eklediğimiz dağılım

(scatter) çizimi kısmı, ilişkilendirme(regression), kümeleme
(clustering) gibi konuları ile, Python'a eklenen Seaborn istatiksel grafik
çizimi modülü ve Scikit-learn makina öğrenmesi modülü ile makina
öğrenmesi konusuna doğru devam eder. Yani bu kısım makina
öğrenmesindeki görselleştirmenin başlangıcıdır, girişidir. Bu iki modülü
daha sonra ayrı birer çalışma olarak yayınlayacağız.
Sonradan bir powerpoint sunumunda veya makale kitap çalışmasında

veya web sayfasında kullanmak için Matplotlib’de çizdirdiğiniz her grafiği
çizimi aynı zamanda pyplot.savefig(“C:/ /resim.jpg”) ile jpg olarak da
kaydedebilirsiniz.
Kitabın kullanımı için tavsiyem, 633 sayfalık bir kitapta aradığınıza
ulaşmak için önce İçindekiler’ e bakacaksınız. Konular, başlıklar ve
uygulamaların ne ile ilgili olduğu gayet net. Aradığınız konunun hangi
sayfada bölümde olduğunu gördükten sonra, bu kitabı pdf olarak
hazırladığım için, soldaki menüden bölümün , uygulamanın üzerine çift
tıklayarak o kısma ulaşabilirsiniz.
Veri Görselleştirmesi ve İnfografikler (Data Visualization ve
Infographics)
Python ile Veri Görselleştirmesinde Matploblib’in içindeki Pylab ve
Pyplot’dan başka bağımsız Python modülü olarak Seaborn ve web uygulamaları
için Plotly ve Bokeh vardır. Bu üç veri görselleştirmesi modülünü bu kitapta
incelemeyeceğiz. Sonra başka bir çalışma ile yayınlayabiliriz. Bu çalışmada
Matplotlib‘in Pylab ve Pyplot Veri Görselleştirme, grafik çizimi programlarını
uygulamalar ile inceleyeceğiz.
XXIX
Grafiklerle örnek verdiğimiz Kümeleme(clustering) ve İlişkilendirme

(regression) aynı zamanda makine öğrenmesinin de bir alt alanıdır.
İlk önce hiç kaynağı olmayanı VTK’yı yayınladık. Türkçe hiç kaynak
yok, İngilizcesinde ise yurtdışında birçok üniversitenin birçok bölümünde
okutulmasına rağmen direkt program içinden nasıl vektör
oluşturulacağının algoritması kodları hiçbir İngilizce çalışmada kitapta yok.
Bu yüzden VTK kitabı bir gereksinimdi.
Bu İkinci kitap Bilim Paketinde ise internette birçok kaynak var. Ama
derli düzenli hepsi çalışır programlardan oluşan ve bazıları başka yerlerde
olmayan çözümlemeleri içeren bu kitap da alanda bir ihtiyaç ve gereksinim.
Her şeyden önce de Türkçe. Bu da uzun bir süre bir boşluğu dolduracak.
Bu kitaptaki bilim paketindeki modüller Numpy(Numeric Python),

SciPy(Scientific Python), Matplotlib, Pandas, birçok alanın da kökeni.
Örneğin makine öğrenmesinin ,örneğin Veri Bilimi(Data Science) ın, hatta
robotiğin. Teknikte ve bilimde birçok alan bu modüllere eklenen yeni
modüller(kütüphaneler) ile devam ediyor.
Türkçe bir kaynak olarak, birçok komutun örnekleri ile bir arada
bulunduğu ansiklopedi tarzı bu Python Bilim Paketinin lise öğrencilerinden
üniversite, yüksek lisans, doktora öğrencilerine kadar, hatta profesörlerine
kadar veya meslekte olup da öğrenme gereksinimi olanlara kadar geniş bir
kesime faydalı olması dileği ile.
Yük.Müh.N.Derya Varol
24 Eylül 2021, İstanbul
XXX
GİRİŞ
Açıklamaların çoğunu programın içine açıklama satırlarına yazdım.
Programlardaki # ile başlayan açıklama satırlarını okuyarak neyin ne
olduğu anlaşılabilir. # ile başlayan açıklama satırları altlarındaki kod
satırlarını açıklar.
Bol örnek ile anlatım yaptık. Soğuk fonksiyon açıklamaları ile değil,
örneklerle ve örnekler içindeki açıklama satırları ile anlattık daha çok.
Numpy de Matplotlib de adeta bir okyanus. Mümkün olduğu kadar çok

örnekle bu okyanusların sularında dolaşıyoruz bu kitapta. Düzenli bir
rotayla tabi.
Python ‘un Yüklenmesi

Burada bir zorluk yok. Klasik Windows programı gibi yükleniyor.
Yalnız yüklerken Python’u yükleyeceğiniz dizini klasörü belirleyebilirsiniz.
Yeni bir klasör oluşturabilirsiniz. Pythonun yüklendiği bu klasörün adresini
bir kenara not alın. Sonradan bu adresi program içinden bulmayı da
göreceğiz.
Kitaptaki uygulamaların bir kısmını Python 3.6.3 ile, bir kısmını da

Python 3.7.0 ile yapdık. [5] Şu anki bu kitabın rötuşlarının yapıldığı zaman
Eylül 2021 itibari ile en son sürüm 3.9.7 idi. Alttaki adresden bu kitabı
okuduğunuzdaki Python’un son sürümünü yükleyebilirsiniz. Çünkü sürekli
yeni sürüm güncellemeleri olmakta.
[5] https://www.python.org/downloads/
1
Scipy, Matpoltlib, Pandas Modüllerinin eklentilerinin

Python’a eklenmesi
Öncelikle Pythonun bilgisayara önceden yüklenmiş olması lazım.
Bilgisayarınıza numpy scipy matplotlib ve pandas da önceden eklendi ise

bu kısmı geçebilirsiniz. Ekli değillerse de çok faydalı bir bölüm.Çünkü internetde
bu kadar net gösteren bir bilgi yok. Dağınık ve tam değil internetdeki ilgili
bilgiler.
Hemen yüklemeye geçelim.
Python’un yüklü olduğu dizin

Yardımcı eklentilerin yüklenmesinde Python ‘a eklenmesinde Python’un
bilgisayarda yüklü olduğu dizinin bilinmesi gerekli.
Python ‘un yüklü olduğu dizini bilmeyenler bu şekilde bulabilirler.
Python’u yüklerken dizini not alın demişdik. oldu ya notunuzu
bulamadınız.
Pythona alttaki komutları yazıp çalıştırarak pythonun yüklü olduğu dizini
görebilirsiniz.
import sys
print(sys.path)
2
Yardımcı Eklenti : NumPy Numerik Python Modülünün

Yüklenmesi
Pythonun hemen ardından bilim paketinin bir parçası olan Numerik
Pythonu Numpy yi indiricez, Python’a ekleyeceğiz.
Direkt arama büyüteç simgesine tıklıyıp cmd yazınca

Komut penceresi simgesi geliyor. Üzerine çift tıklanıyor.
Ve komut istemi penceresini açıyoruz
3
Komut İstemine Köşedeki Windows simgesine sağ tıklayıp

gelen menüden de ulaşabiliriz.
4
komut istemi penceresi
CMD Komut Penceresi’ nde
Python\Python36\Scripts\ klasörünün bilgisayarınızda bulunduğu adresi

Yazıp enter lıyoruz. pip uygun sürümü bulup, bilgisayara indirip Python’a
ekliyor.
C:\Programs\Python\Python36\Scripts\pip install numpy
“enter” layınca direkt pip.exe ile, ilgili python kaynağından bilgisayara

uyumlu numpy eklentisi bulunup bilgisayara indirilip(download edilip)
yükleniyor.
Buradaki pip.exe adlı MIT tarafından yazılmış pythonun eklenti yükleme
programını çalıştırmak için.
Bu adresi önceden Word de yazıp kopyalıyıp buraya yapıştırırsanız da
kolaylık olur.
5
Yardımcı Eklenti : Matplotlib Modülünün Yüklenmesi

Matplotlib’in yüklenmesi de Numpy gibi, python a modül olarak ekleniyor.
dan cmd yazıp komut istemi penceresini açıyoruz
CMD de
C:\Programs\Python\Python36\Scripts\pip install matplotlib
Yazıp enterlıyoruz . pip uygun sürümü bulup indirip python ‘a ekliyor.
Yardımcı Eklenti : Scipy Scientific Python Modülünün

Yüklenmesi
Numpy ve Matplotlib’in yüklenmesindeki aynı yöntemi kullanıyoruz.
CMD de
C:\Programs\Python\Python36\Scripts\pip install scipy
Yazıp enterlıyoruz . pip uygun sürümü bulup indirip python ‘a ekliyor
6
Yardımcı Eklenti: Veri Tabanı Tabloları için Pandas Modülü

‘nün yüklenmesi
Pandas ın yüklenmesi Numpy gibi python a modül olarak ekleniyor
CMD de
C:\Programs\Python\Python36\Scripts\pip install pandas
Yazıp enter . pip uygun sürümü bulup indirip python a ekliyor.
Pandas 0.21.0 idi yeni yüklemede 0.23.4
Pip eski versiyon derse pip in güncellenmesi

Python a bazı yeni modülleri pip ile yüklerken pip eski versiyon diye uyarı
verip eklentiyi yükleyemeyebilir. Bu durumu da nasıl çözeceğimizin bilgisini
ekleyelim buraya.
Yine cmd yi açıyoruz
bul a cmd yazıp cmd komut istemi penceresini açıyoruz.

C:\Python\python -m pip install --upgrade pip
Yazıp pip i güncelliyoruz.
Burada bir çizgi eksi veya fazla yazsanız çalışmaz. Bu bilgiler bu yüzden
pratik için değerli. Bulana kadar uğraştığım deneyip uyguladığım satırlar.
Python ve Bilim Paketimiz hazır. Şimdi uygulamalara kod örneklerine

başlayabiliriz.
İlk Numpy Numerik Python örnekleri ile pratiklere başlayacağız.
7
PYTHON ÇALIŞMA ORTAMI: IDLE

Örnekleri Python 3.7 versiyonu ile yapıcaz.
Pythonu yükledikden sonra köşedeki simgeden Windows programlardan
Çalıştırabilirsiniz.
Veya daha kolay ulaşmak için simgesini görev çubuğuna sabitleyebilirsiniz.
8
Python IDLE Integrated Development and Learning

Environment
IDLE Python’un birleşik Geliştirme ve Öğrenme Ortamı’dır. Python IDLE
python kodunu çalıştıracağınız bir txt editörüdür.
PYTHON SHELL
Python’un Editör Penceresi

Bu ilk pencerenin file menüsünden File—New File ile ikinci pencereyi Run
menüsünün olduğu pencereyi Editor Window ‘u açmalıyız.
Yazdığımız programı çalıştırdığımız Run Menu sadece bu Editor window da

görünüyor.
9
Bu yeni pencerede
İlk Python kodunu yazalım
print ("Bu kitaptaki ilk Python kodu çalışmaya hazır")

print ("Bilimsel kodlamaya başlıyoruz")
program satırlarını yazıyoruz adlandırıp save ediyoruz
Run ile de çalışıyor. Shell penceresine print in içindekini yazdı.

Bu sadece programın çalışma mantığına giriş için bir örnek.Bu kitapta çok daha
fazlasını yapacağız.
10
Pythonu ilk çalıştırdığımızda Shell penceresinin değil de direkt programı

yazdığımız Editor penceresini açmak istiyorsak ayarlardan bunu yapabiliriz.
Options—Configure IDLE den – General tab ına tıklıyıp
Open Edit Window u seçip ok i tıklıyoruz.
Pratiklere hazırız.
11
I. PYTHON NUMPY / NUMERIC PYTHON

/SAYISAL PİTON.
NumPy "Numeric Python" ya da "Numerical Python" un kısaltmasıdır.
Türkçede Sayısal Python diyebiliriz. Matematiksel ve özellikle çok boyutlu
diziler ve matrislerle ilgili sayısal birçok fonksiyona sahiptir.
Python Numpy, Scipy and Matplotlib ile birlikte bu alanda önceden

kullanılan Matlab yerine kullanılabilir. Üniversitelerde de giderek Matlab yerine
bu bilim paketine geçilmektedir.
NUMPY , 3 Boyutlu tasarım ve Animasyon programı BLENDER’da da var ve

çok Faydalı
12
I.1. NUMPY DİZİLERİ(NUMPY ARRAYS)

Liste(List): Python’dadır. Elemanları olan sıralı bir listedir. Sıralı demekle ilk
eleman ikinci eleman üçüncü eleman gibi. Elemanlar sayı da olabilir. Ad, soyad
gibi karakterlerden oluşan elemanlar de olabilir.
Dizi( Array): Dizi ise Numpy’dedir. import numpy den sonra kullanılabilir.
Dizi de sıralı elemanlardan oluşur. Matematiksel işlem uygulanabilir.
Örneklerde göreceğiz.
Liste(list) farklı tür elemanlardan oluşabilir. Örneğin aynı listenin içinde

sayı ve ad bulunabilir.(List elements can be different data types)
Dizi(array) ise sadece aynı tür elemanlardan oluşur. Örneğin sadece
sayılardan.(Array only consists of elements belonging to the same data type)
Numpy Dizileri numpy.array np.array

import numpy as np dendiğinde bu np.array
2nci import yöntemi

numpy import *
13
UYGULAMA: Dizi Array tanımı için illa numpy

yüklenecek ve np.array() ile tanımlanacak
# Dizi Array tanımı için illa numpy yüklenecek ve np.array() ile

tanımlanacak
# Dizi=np.array([[1, 2, 3], [4, 5, 6]])
# Numpy'deki gibi yazsak da bu listedir ve 1 boyutludur. ndim komutu
bunda çalışmaz.
Liste=([[1, 2, 3], [4, 5, 6]])
print(type(Liste))
print(Liste)
14
UYGULAMA: 1 Boyutlu Numpy String Dizisi(Array)

import numpy as np
D=np.array(["kitap","kalem"])
print(D)
print("type(D)")
print(type(D))
print("np.ndim(D)D Dizisinin(Tensörünün) Derecesi(Rank'ı)")
print(np.ndim(D))
UYGULAMA: 2 Boyutlu Numpy String Dizisi(Array)

import numpy as np
D=np.array([["kitap","kalem"],["kağıt","bilgisayar"]])
print(D)
print("type(D)")
print(type(D))
print("np.ndim(D)D Dizisinin(Tensörünün) Derecesi(Rank'ı)")
print(np.ndim(D))
15
UYGULAMA: np.chararray((3, 3))

import numpy as np
charar = np.chararray((3, 3))

charar[:] = 'a'
print(charar)
Bu halde sadece kelimenin ilk harfini alıyor. Bir eleman kelimeden

oluşmuyor.
class numpy.chararray(shape, itemsize=1, unicode=False, buffer=None,
offset=0, strides=None, order=None)
import numpy as np
charar = np.chararray((3, 3),itemsize=3)

charar[:] = 'Ben'
print(charar)
itemsize=3 diyince 3 harfli Ben’i yazdı
import numpy as np
charar = np.chararray((3, 3),itemsize=6)
charar[:] = 'Kitap'
print(charar)
karakter sayısı itemsize dan az olabiliyor. Örneğin kitap 5 harfli
16
UYGULAMA: String ve sayıyı aynı dizide

kullanmak record array numpy.rec.fromarrays()
import numpy
a = numpy.array(['a', 'b', 'c', 'd', 'e'])

b = numpy.arange(5)
records = numpy.rec.fromarrays((a, b), names=('keys', 'data'))

print(records)
print(records['keys'])
print(records['data'])
chararray(['a', 'b', 'c', 'd', 'e'], dtype='|S1')
UYGULAMA: String ve sayıyı aynı dizide

kullanmak structured array
with a standard array by specifying the datatype of the array. This is
known as a "structured array":
import numpy
arr = numpy.array([('a', 0), ('b', 1)], dtype=([('keys', '|S1'), ('data', 'i8')]))

print(arr)
17
UYGULAMA: String ve sayıyı aynı dizide kullanmak

object türü Datatype dtype='O'
import numpy as np
z = np.zeros((2,2), dtype='U2')
obj = np.ones((2,1), dtype='O')
a=np.hstack([obj, z])
print(a)
print("type(a)")
print(type(a))
Numpy dizleri her zaman homejendir. Fakat tüm python

nesneleri(objects) nesneleri object veri türü altında toplanabilir.
data-type = ‘object’
Ve integer, string, list, dict gibi farklı python nesnelerini veri türüne
python nesnesi diyerek bir arada toplamak mümkündür.
dtype = object
import numpy as np
a=np.array([10,20, [10,20],{"x":1, "y":2}], dtype = object )

print(a)
print("type(a)")
print(type(a))
18
UYGULAMA: String ve sayıyı aynı dizide kullanmak

rfn.merge_arrays((A, B))
numpy.lib.recfunctions.merge_arrays fonksiyonu farklı veri türlerindeki
numpy dizilerini ya structured dizi ya da record dizi şeklinde birleştirmek için
kullanılır.
import numpy as np
from numpy.lib import recfunctions as rfn
A = np.array([1, 2, 3])
B = np.array(['a', 'b', 'c'])
b = rfn.merge_arrays((A, B))
print(b)
print("type(b)")
print(type(b))
19
UYGULAMA: list tanımı A=[ , , , ]

import numpy as np
A=[20.1, 20.8, 21.9, 22.5, 22.7, 22.3, 21.8, 21.2, 20.9, 20.1]
UYGULAMA: list ve numpy.array dizisi tanımı

numpy.array([ , , , ]) ve liste(list) yi 1 boyutlu Numpy
dizisi(array) yapmak numpy.array(A)
import numpy as np
ddegerleri = [22.1, 20.9, 21.9, 22.5, 22.7, 22.3, 21.8, 21.2, 22.9, 22.1]
print(type(ddegerleri))
print(ddegerleri)
# np.array() ile listeyi dizi yapıyoruz.

D = np.array(ddegerleri)
print(type(D))
print(D)
ddegerleri bir liste(list)

np.array(ddegerleri) ile ise ndarray oluyor. Dizi oluyor.
ndarray demek n boyutlu(dimentional) dizi( array) demek.
20
UYGULAMA: list ve numpy.array dizisi tanımı

a ve b ile list tanımladık, d ile ise numpy.array dizisi tanımladık.
import numpy as np
# a ve b list dir.
a=[1,2,3,4,5,6]
b=([1,2,3,4,5,6])
# d ise dizi(array) dir
d=np.array([1,2,3,4,5,6])
print(type(a))
print(type(b))
print(type(d))
print(a)
print(b)
print(d)
21
UYGULAMA: list ve numpy.array dizisi farkı

numpy.array() e aritmetik işlem uygulanabilir
import numpy as np
a=[1,2,3,4,5,6]
b=np.array([1,2,3,4,5,6])
c=2*a
d=2*b
print(type(a))
print(type(b))
print(type(c))
print(type(d))
print(a)
print(b)
print(c)
print(d)
numpy.array i dizisini 2 ile çarpabilirsiniz yani aritmetik işlem uygulayabilirsiniz,

list e uygulayamazsınız.
22
UYGULAMA: List Array farkı. Array ‘e fonksiyon

uygulanabiliyor. List ‘e uygulanamıyor
import numpy as np
dizi = np.array([6, 8, 10, 12, 14])
a=dizi/2.0
print(a)
Direkt list i 3 e bölmek istersek hata veriyor

liste = [6, 8, 10, 12, 14]
a=liste/2.0
print(a)
23
UYGULAMA: list numpy.array() farkı
24
UYGULAMA: Numpy Dizisi Attributes: Dizinin Boyutu

ndim (the number of dimensions) , Şekli shape (the
size of each dimension) ve Büyüklüğü size (the total
size of the array)
import numpy as np
x1 = np.random.randint(10, size=6) # Bir Boyutlu Dizi

x2 = np.random.randint(10, size=(3, 4)) # İki Boyutlu Dizi
x3 = np.random.randint(10, size=(3, 4, 5)) # Üç Boyutlu Dizi
print(x3)
print("x3 ndim: ", x3.ndim)
print("x3 shape:", x3.shape)
print("x3 size: ", x3.size)
3 boyutlu dizi veya matris
25
UYGULAMA: dizinin boyutu ndim, shape, büyüklüğü

size
import numpy as np
x=np.array([1, 2, 3])
print(x)
print("x ndim: ", x.ndim)
print("x shape:", x.shape)
print("x size: ", x.size)
y=np.array([[1, 2, 3],[2, 3, 4],[5, 6, 7]])

print(y)
print("y ndim: ", y.ndim)
print("y shape:", y.shape)
print("y size: ", y.size)
26
Uygulama: Dizinin Şekil Özelliği( Shape property)
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]], float)
print(a.shape)
bu 2 ye 3 anlamındaki tanıma tuple deniyor. Dizinin boyutlarını

gösteriyor.
Tuple: çok öğeli,değişkenler grubu
UYGULAMA: Dizinin(array) Büyüklüğü .size
import numpy as np
d = np.array([1, 2, 3, 4, 8, 3, 1, 2, 10])
print("Dizinin büyüklüğü(size):")
print(d.size)
27
UYGULAMA: list( ) tanımı ve for ile tek tek elemanlara

işlem uygulamak.
A=[20.1, 20.8, 21.9, 22.5, 22.7, 22.3, 21.8, 21.2, 20.9, 20.1]
B = [ x*9/5 + 32 for x in A]
List Python’un içindeki fonksiyon,

Numpy modülü yüklenmeden de çalışıyor.
Ama numpy.array numpy modülünün fonksiyonu ve numpy yüklenince
çalışlıyor.
List Köşeli parantez(square brackets) içindeki virgülle ayrılmış değerler

(comma-separated values (items))
Listedeki değerler aynı tür olmak zorunda değil.
28
UYGULAMA: Numpy Dizisi(array) Elemanları

karakterlerden de oluşabilir.
import numpy as np
Dizi = np.array(["a", "b", "c"])
print(Dizi)
Karakterden oluşan dizinin elemanlarını “ “ tırnak içinde göstermeliyiz.

Sadece a dese idik, tırnak kullanmasa idik, a yı değişken olarak kabul eder,
tanımlanmadığı için de hata verirdi, çalışmazdı.
29
UYGULAMA: Dizinin İlk ekseninin boyu(length of the

first axis) len(a) fonksiyonu (function)
import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]], float)
print(a)
print("Dizinin Boyutu(Length):")
print(len(a))
print(a.shape)
Burada dizinin boyu yani satır sayısı 2 sütun sayısı ise 3
30
UYGULAMA: Tür type() numpy.ndarray

import numpy as np
D=np.array([1, 2, 3])
print(D)
print(type(D))
np.array([1, 2, 3.0])
array([ 1., 2., 3.])
Minimum boyutlar 2:
np.array([1, 2, 3], ndmin=2)
array([[1, 2, 3]])
Veri Türü(Type) : kompleks Sayı

np.array([1, 2, 3], dtype=complex)
array([ 1.+0.j, 2.+0.j, 3.+0.j])
31
UYGULAMA: Veri Türü(Data type) .dtype int32

import numpy as np
b = np.array([1,2,3,4,5,6])
print(b.dtype)
yani integer tamsayı
UYGULAMA: Veri Türü(Data type) .dtype float64

import numpy as np
b = np.array([1., 2., 3.,4.,5.,6.])
print(b.dtype)
UYGULAMA: Veri Türü(Data type) .dtype

Her numpy dizisi aynı tür elemanlardan oluşur.
import numpy as np
x = np.array([1, 2])
# Veri Türü (datatype)
print(x.dtype)
32
Uygulama: Veri Türü(Data type) .dtype

import numpy as np
x = np.array([1.0, 2.0])
# Veri Türü (datatype)
print(x.dtype)
Uygulama: Veri Türü(Data type) dtype ı belirlemek

numpy.array([ , ], dtype=numpy.int64)
import numpy as np
x = np.array([1, 2], dtype=np.int64) # Veri Türünü( datatype) belirlemek
print(x.dtype)
Uygulama: Veri Türü(Data type) dtype ı belirlemek

numpy.array([ , ], dtype=numpy.float64)
import numpy as np
x = np.array([[1,2],[3,4]], dtype=np.float64)
print(x.dtype)
33
UYGULAMA: in Dizi/Array içinde mi? Elemanı mı?

import numpy as np
a = np.array([[1, 2, 3], [4, 5, 6]], float)
print(2 in a)
print(0 in a)
“İn” değerlerin dizinin içinden olup olmadığını belirlemek için kullanılır.
UYGULAMA: np.array tanımlaması ve in ile eleman var

mı sorusu
A dizisini bu şekilde tanımladım
a=np.array([1, 2, 6, 9, 12, 19, 22, 36, 43])
matris tanımından farkı köşeli parantezler.. matris tanımında iç parantezler de
yuvarlak (curved)
8 in a dedim
False dedi yani dizide 8 yok
6 in a dedim
True dedi yani dizide 6 var.
Aslında yapay zeka mantığının bir birimi bu true false
34
UYGULAMA: in A’nın Elemanı mı? A’da var mı?

import numpy as np
A=np.array([1, 2, 6, 9, 12, 19, 22, 36, 43])
print(8 in A)
#Program içinde print yazılmazsa bu false sonucu dışarı çıkmıyor yazılmıyor
import numpy as np
a=np.array([1, 2, 6, 9, 12, 19, 22, 36, 43])
print(36 in a)
35
UYGULAMA: in içinde mi? Elemanı mı?

import numpy as np
a=np.array([1, 2, 6, 9, 12, 19, 22, 36, 43])
print ((2 in a) and (36 in a))
import numpy as np
a=np.array([1, 2, 6, 9, 12, 19, 22, 36, 43])
b= ((2 in a) and (36 in a))
print(b)
UYGULAMA: in içinde mi? Elemanı mı?

import numpy as np
a=np.array([1, 2, 6, 9, 12, 19, 22, 36, 43])
b= ((2 in a) and (36 in a))
print(b)
if b==True:
print(" 2 ve 36 aynı gruptadır")
36
UYGULAMA: Karakter Dizisi için in içinde mi?

Elemanı mı?
Yukardaki örneği elemanları karakterlerden oluşan dizi için yapıyoruz.
import numpy as np
D=np.array(["Derya", "Özlem", "Sermin"])
b= (("Derya" in D) and ("Özlem" in D))
print(D)
print(b)
if b==True:
print(" Derya ve Özlem aynı gruptadır")
37
UYGULAMA: np.ones(shape)
import numpy as np
A=np.ones((6,6))
print(A)
np.ones(shape) 1 değerleri ile bir dizi oluşturur.
UYGULAMA: np.zeros(shape)
import numpy as np
B=np.zeros((3,3))
print(B)
0 değerleri ile bir dizi oluşturur. Veri türü( dtype) float64 ‘dür.
38
Uygulama: np.empty(shape)
import numpy as np
# Random values
c = np.empty((2, 2))
print(c)
numpy.empty(shape, dtype = float, order = ‘C’)
UYGULAMA: numpy.empty((6, 6),dtype=int)

rastgele(random) rakamlardan dizi oluşturmak
import numpy as np
# Random values
l = np.empty((6, 6),dtype=int)
print(l)
39
UYGULAMA: numpy.random.normal(size=6)
import numpy as np
A=np.random.normal(size=6)
B=np.random.uniform(size=6)
C=np.random.randint(low=1, high=100, size=6)
print(A)
print(B)
print(C)
UYGULAMA: np.random.randint(low=1, high=100,

size=(6,6))
import numpy as np
A=np.random.randint(low=1, high=100, size=(6,6))
print(A)
Randint integer yani tmsayılardan gelişigüzel(rakamlar) verir
40
UYGULAMA: numpy.random.randint(1,200, size=(6,6))

import numpy as np
A=np.random.randint(1,200, size=(6,6))
print(A)
UYGULAMA: numpy.random.random_sample((6, 6))

import numpy as np
A=np.random.random_sample((6, 6))
print(A)
41
UYGULAMA: np.array()
Birden büyük boyutlardaki diziler.
import numpy as np
a=np.array([[1, 2], [3, 4], [5, 6]])
print(a)
42
UYGULAMA: Alt sınıftan Dizi oluşturmak

Burada matristen dizi oluşturuyor.
import numpy as np
a=np.array(np.mat('1 2; 3 4'))
print(a)
UYGULAMA: DİZİ İNDEKSLERİ ARRAY INDICES

indices()
import numpy as np
a=np.indices((3,3))
print(a)
array([[[0, 0, 0], [1, 1, 1], [2, 2, 2]], [[0, 1, 2], [0, 1, 2], [0, 1, 2]]])
43
UYGULAMA: numpy.indices(( , )) fonksiyonu

İndexleri gösteriyor elemanları değil.
Parameters: dimensions : sequence of ints
The shape of the grid.
import numpy as np
grid = np.indices((2, 3))

print(grid.shape)
print(grid[0]) # row indices
print(grid[1]) # column indices
44
UYGULAMA: numpy.indices((3,3))
import numpy as np
a=np.indices((3,3))
print(a)
UYGULAMA: numpy.indices((6,6))
import numpy as np
a=np.indices((6,6))
print(a)
45
UYGULAMA: numpy.indices((2,2,2))
3 boyutlu dizi
Satırların indisleri
Sütunların indislerini ve
Tube ların/derinliğin/3ncü boyutun indislerini yazıyor
import numpy as np
a=np.indices((2,2,2))
print(a)
import numpy as np dendiğinde bu np.array
46
Uygulama: İndisler(indices) Bir dizi içinde

indeks(index )olarak kullanılabilir.
import numpy as np
x = np.arange(20).reshape(5, 4)
print(x)
row, col = np.indices((2, 3))
print(x[row, col])
Uygulama: İndisler(indices) Bir dizi içinde

indeks(index )olarak kullanılabilir.
import numpy as np
x = np.arange(20).reshape(5, 4)
print(x)
row, col = np.indices((2, 4))
print(x[row, col])
Örneğin x = np.arange(72).reshape(9, 8) olabilir. 8x9=72

47
UYGULAMA : Dizi İndeksi(Array index)
import numpy as np
a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
print(a)
print(a[0, 1])
48
Uygulama: Dizi İndeksleme

u[-1] dizinin son elemanı demek
import numpy as np
u= np.array([[11, 12], [13, 14], [15, 16]])
a=u[-1]
print(a)
print(u[0,0])
Birinci satırdaki tüm elemanları (all items in the first row) görmek için, ikinci
boyut indexi (second dimension index empty) boş bırakılıyor.
print(u[0,])
49
UYGULAMA: ARRAY DİZİ ELEMANINI DEĞİŞTİRMEK

a[0, 0] = (TO MODIFY AN ARRAY)
import numpy as np
a = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12]])
print(a)
# a[0, 0] 0 ncı satır 0 ını sütün elemanı demek
a[0, 0] = 66
print("Birinci elemanı [0,0] indisli elemanı değiştirdikten sonra")
print(a)
50
UYGULAMA: Bir Diziyi numpy.asarray(A)[2]=2 ile

düzenlemek(elemanını değiştirmek)
NUMPY ASARRAY() NUMPY ARRAY() FARKI
Array ile bir işlem yaparken kopyası alınıyor orjinali duruyor.
Asarray ile işlem yapıldığında orijinal değişiyor***
import numpy
A = numpy.matrix(numpy.ones((3,3)))
print(A)
numpy.array(A)[2]=2
print(A)
#use numpy.asarray to modify A.
numpy.asarray(A)[2]=2
print(A)
Array bu durumda işlem yapmıyor ki array in kopyaladığı matris nerede?

Cevabı:
Array() Dizi çalışmaz, çünkü A’nın kopyasını değiştiriyorsun.
Asarray() Dizi çalışır, çünkü A ‘nın kendisini değiştiriyorsun.
51
UYGULAMA: Numpy Dizi Dilimlele(Array Slicing)

Dilimleme parametreleri iki nokta üst üste(colon) ile ayrılır.
[başlangıç:bitiş:adım]
b = a[2:7:2] gibi
import numpy as np
a = np.arange(10)
print(a)
print (a[2:])
print(a[2:7:2] )
İki tane dilimleme yaptık.

2 den sonuna kadar (ilk elemana 0ncı eleman diyor, hatırlayalım. Yani 3ncü
elemandan sonuna kadar demek)
ve 2 den 7 ye kadar 2 şer artarak(yani 3ncü elemandan 7 ye kadar 2 şer artarak)
52
Uygulama: Numpy Dizi Dilimleme(Array Slicing)

import numpy as np
a = np.arange(12)
print(a)
print(a[0])
print (a[2:6])
Uygulama: Numpy Array Slicing

import numpy as np
a = np.array([[1,2,3],[3,4,5],[4,5,6]])
# slice items starting from index
print ('Şimdi diziyi index a[1:] den dilimleyeceğiz')
print (a[1:])
53
Numpy Dizi Dilimleme (Array Slicing)

Makina öğrenmesinde (Machine Learning) de
dilimleme(slicing) ve yeniden şekillendirme(reshape) kullanılan bir
yöntem.
İki Boyutlu Dilimleme(Two-Dimensional Slicing)

(Matrix konusu)
-1 En son kolon hariç demek burada
X = [:, :-1]
X 2 boyutlu Dizi(array)
54
UYGULAMA: 2 Boyutlu Diziyi Dilimleme(Slicing of a

NumPy 2D array)
Bir n x n (n>m) matrisden dilimleyerek bir mxm alt matris çıkarmak.
from numpy import *

x = range(16)
x = reshape(x,(4,4))
print (x)
# 1nci Dilimleme
a=x[0:2,0:2]
print("1nci Dilimleme:")
print(a)
# 2nci Dilimleme
b=x[2:,2:]
print("2nci Dilimleme:")
print(b)
x[0:2,0:2] virgülün sağındaki 0:2 0 ıncı sütun ve 1nci sütunu al demek(2 yok)
Virgülün solundaki 0:2 0 ıncı satırı ve 1 nci satırı al demek
ÇÖZDÜK ANLADIK 0 dan 2 ye kadar demek.
Temek dioimleme(basic slicing):
x[1::2, 1::2]
55
Uygulama: 2 Boyutlu Dilimleme Numpyarray (Two-

Dimensional Slicing) x[1:-1,1:-1]
from numpy import *
x = range(16)
c= x[1:-1,1:-1]
print(x)
print(c)
x[1:-1,1:-1] Bu numpyarray iki boyutlu

dilimlemedir (Two-Dimensional Slicing)
x[1:-1,1:-1] Virgülün sağ tarafı 1 indisli(2nci) sütundan başla son sütuna kadar
al -1 yani son sütun yok
x[1:-1,1:-1] Virgülün sol tarafı 1 indisli satırdan başla -1 son satıra kadar. 1
son satır yok
demek
56
Uygulama: 2 Boyutlu Dilimleme Two-Dimensional

Slicing x[1::2, 1::2] bu aradaki sütunu almadan geçiyor.
from numpy import *
x = range(16)
print(x)
# Dilimleme(Slicing)
z=x[1::2, 1::2]
print(z)
57
ndarrays : N-dimentional arrays demek
UYGULAMA: numpy.asarray( ) python listesinden (list

) numpy dizisi (array) yapmak
import numpy as np
list = [1, 2, 3]
c = np.asarray(list)
58
Listeyi(list) Dizi’ye (array) çevirme:
a = [1, 2]
np.asarray(a)
array([1, 2])
a = np.array([1, 2])
np.asarray(a) is a
True
dtype ı değiştirirsen kopyası olmaz.
a = np.array([1, 2], dtype=np.float32)

np.asarray(a, dtype=np.float32) is a
True
np.asarray(a, dtype=np.float64) is a
False
59
import numpy as np
# şekli shape (3, 4) olan 2nci dereceden bir matris rank=2

a = np.array([[6,6,3,2], [9,6,7,3], [2,10,4,11]])
Uygulama: reshape
from numpy import *
x = range(36)
print(x)
v=x[1::2, 1::2]
print(v)
1 sütun atlayarak yazmış

Ve 1 satır atlayarak yazmış
60
UYGULAMA: np.r_ Diziden parça çıkarıyor
import numpy as np
V = np.array([1,2,3,4,5,6 ])
Y = np.array([7,8,9,10,11,12])
A=np.r_[V[0:2],Y[0],V[3],Y[1:3],V[4:],Y[4:]]
print(A)
Sonuç:
array([ 1, 2, 7, 4, 8, 9, 5, 6, 11, 12])
ilkinden 0ıncı ve 1nci elemanları aldı

ikinciden 0ıncı elemanı aldı
ilkinden 4ncü elemanı(5nci sıradaki,çünkü sıfırdan başlıyor numaralamaya..ilk
elemana 0 diyor)
61
UYGULAMA: Boolean Arrays ([False, False, True,]) a Bir

Bir koşul için Boolean dizisi oluşturabiliriz.
import numpy as np
x= np.array([[6, 0, 3, 3], [7, 9, 3, 5], [2, 4, 1, 6]])
print(x)
x2=(x < 6)
print(x2)
UYGULAMA: Boolean array, | boolean or

import numpy as np
A = np.array([1, 0, 1, 0, 1, 0], dtype=bool)

B = np.array([1, 1, 1, 0, 1, 1], dtype=bool)
E=A | B
print(E)
array([ True, True, True, False, True, True], dtype=bool)
62
UYGULAMA: Boolean Dizisi , Boolean ve (and) &

Bir dizi üzerinde Boolean ifade (expression) uygulandığında , or veya and
değil, | veya & kullanılmalı.
import numpy as np
x = np.arange(10)
L=(x > 4) & (x < 8)
print(L)
array([False, False, False, False, False, True, True, True, False, False],
dtype=bool)
63
I.2. Numpy arange , linspace, meshgrid

Fonksiyonları(functions)
numpy.arange([start, ]stop, [step, ]dtype=None)
UYGULAMA: arange()
import numpy as np
A=np.arange(0, 6, 1)
0 dan başla 6 ya kadar 1 aralıkları ile nokta oluştur. 6 dahil değil. demek
UYGULAMA: numpy.arange() in Python range() den

farkı
import numpy as np
A=np.arange(0, 6, 1)
b=range(0,6)
print(A)
print(b)
64
UYGULAMA: arange( )
import numpy as np
a=np.arange(10)
print(a)
import yazmadan np.arrange denirse hata veriyor

import numpy denirse de hata veriyor
bu halde ise çalışıyor
UYGULAMA: arange()
import numpy as np
np.arange(3)
65
np.arange(3.0)
array([ 0., 1., 2.])
np.arange(3,7)
array([3, 4, 5, 6])
np.arange(3,7,2)
array([3, 5])
np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np.arange(2, 10, dtype=np.float)

array([ 2., 3., 4., 5., 6., 7., 8., 9.])
np.arange(2, 3, 0.1)
array([ 2. , 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9])
66
UYGULAMA: linspace() linspace( ,endpoint=False)

import numpy as np
# array([ 2. , 2.25, 2.5 , 2.75, 3. ])

a=np.linspace(2.0, 3.0, num=5)
print(a)
# (array([ 2. , 2.25, 2.5 , 2.75, 3. ]), 0.25)

b=np.linspace(2.0, 3.0, num=5, retstep=True)
print(b)
# array([ 2. , 2.2, 2.4, 2.6, 2.8])

D=np.linspace(2.0, 3.0, num=5, endpoint=False)
print(D)
67
UYGULAMA: numpy.linspace( ) NUMPY LINSPACE

import math
import numpy as np
N = 50 # nokta sayısı
x_ilk, x_son = -2.0, 2.0 # x doğrultusundaki sınırlar
y_ilk, y_son = -1.0, 1.0 # y doğrultusundki sınırlar
# x koordinatları ile 1 boyutlu dizi oluşturur
x = np.linspace(x_ilk, x_son, N)
# y koordinatları ile 1 boyutlu dizi oluşturur
y = np.linspace(y_ilk, y_son, N)
print('x = ', x)
print('y = ', y)
68
UYGULAMA: Vektör Alanı koordinatlarını oluşturmada

kullanılan iki yöntem arange ve linspace ile aynı
koordinat noktalarını oluşturmak
import numpy as np
a=np.linspace(1,6,6)
b=np.arange(1,7,1)
print(type(a))
print(a)
print(type(b))
print(b)
arange() ile vektörlerin çizileceği noktaları oluştururken örneğin

np.arange(0, 7, 1) denirse “0 dan başla 7 ye kadar 1 er aralıkla nokta oluştur, 7
dahil değil” , demek. Üçüncü rakam 1 aralık genişliği
Vektör alanı koordinatlarının oluşturulmasında kullanılan iki yöntemi alt
alta yazdım bu kısa kodda. linspace() ve arange() her ikisi ile de aynı noktaları
oluşturdum.. Bilgi eksik kalmasın. soldaki python kod penceresi, sağdaki print
lerin içeriklerinin yazıldığı python shell penceresi
Üçüncü rakam arange() de aralık genişliği, linspace() de aralık sayısı
69
numpy.meshgrid VEKTÖREL ALAN Tanımlamakta

kullanılıyor
X, Y = np.meshgrid(x, y) # generates a mesh grid

BU SATIR DA ÇALIŞDI,HATA VERMEDİ
Meshgrid Python Makine Öğrenmezinde de (Machine

Learning) kullanılıtor.
70
UYGULAMA: numpy.meshgrid(x, y)
import numpy as np
nx, ny = (3, 2)
x = np.linspace(0, 1, nx)
print ("x =", x)
y = np.linspace(0, 1, ny)
print ("y =", y)
xv, yv = np.meshgrid(x, y)
print ("xv_1 =", xv)
print ("yv_1 =",yv)
71
import numpy as np
nx, ny = (3, 2)
x = np.linspace(0, 1, nx)
print ("x =", x)
y = np.linspace(0, 1, ny)
print ("y =", y)
xv, yv = np.meshgrid(x, y)
print ("yv_1 =",yv)
xv, yv = np.meshgrid(x, y, sparse=True) # aralıklı diziler oluşturur
print ("yv_2 =", yv)
72
import numpy
x = numpy.array([1, 2, 3])
y = numpy.array([10, 20, 30])
XX, YY = numpy.meshgrid(x, y)
ZZ = XX + YY
print(ZZ)
array([[11, 12, 13],

[21, 22, 23],
[31, 32, 33]])
73
Numpy Mesh grid functions: meshgrid mgrid ogrid

ndgrid
UYGULAMA: Numpy.mgrid[1:11:2, -12:-3:3]
Meshgrid fonksiyonu koordinat dizileri( coordinate arrays)
oluşturmakta faydalı. ( to vectorize function evaluations over a grid.)
mgrid ‘in çıktısı mesgrid’in transpozesidir. (transpose of meshgrid)
x2, y2 = np.mgrid[1:11:2, -12:-3:3]

print(x2) # 5x3 array
print(y2) # 5x3 array
np.all(x1 == x2.T)
np.all(y2 == y2.T)
74
UYGULAMA: ogrid[1:11:2, -12:-3:3]
import numpy as np
a, b = np.ogrid[1:11:2, -12:-3:3]
print(a) # 5x1 array
array([[1],
[3],
[5],
[7],
[9]])
>>> b # 1x3 array
array([[-12, -9, -6]])

and the 5x1 array a is broadcasted with the 1x3 array b to form two 5x3 arrays
>>> x2, y2 = np.broadcast_arrays(a, b)

>>> x2 # 5x3 array
array([[1, 1, 1],
[3, 3, 3],
[5, 5, 5],
[7, 7, 7],
[9, 9, 9]])
>>> y2 # 5x3 array
array([[-12, -9, -6],
[-12, -9, -6],
[-12, -9, -6],
[-12, -9, -6],
[-12, -9, -6]])
75
I.3. NUMPY İLE VEKTÖR TANIMLAMA

a=np.array([x, y, z])
Vektör Toplaması ve Çıkartması (Vector Addition and
Subtraction)
Vektörlerin Toplanması(Vector Addition) nın grafik gösterimi.
a ve b b vektörünü paralel olarak a ‘nın ucuna taşıyoruz. Ve a ‘nın

başlangıç noktasından b ‘nin uç noktasına çizilen vektör iki vektörün toplamı
oluyor.
Bir cisme etkiyen iki kuvvet olsun. Bunların toplamı birinci kuvveti
paralel olarak ikincinin bitim noktasına taşımak ile belirlenip çizilir.
(parallelogram of forces.)
76
UYGULAMA: İKİ BOYUTLU İKİ VEKTÖRÜ TOPLAMAK

import numpy as np
a = np.array([3,2])
b = np.array([5,1])
c=a+b
print(c)
77
3 BOYUTLU VEKTÖR TANIMI
a= np.array([3,2,6]) da 3 boyutlu vektörü tanımlamalı
UYGULAMA: 3 boyutlu vektör np.array([2, 6, 22])

Satır Vektörü (Row Vector/ row matrix) 1 × n matrisidir. Burada 1x3 matrisi.
import numpy as np
GirişVektörü = np.array([2, 6, 22])
print("Giriş Vektörü")
print(GirişVektörü)
print("Giriş Vektörü'nün şekili(shape)")
print(GirişVektörü.shape)
78
UYGULAMA: Vektörün Transpozesi .T : Kolon

Vektörü/Column Vector
1 kolondan oluşan kolon vektörü(column vector) 3 satır 1 sütun olarak 2
boyutlu dizi olarak tanımlanıyor. n x 1 kolon vektörü burada 3 x1
import numpy as np
GirişVektörü = np.array([2, 6, 22])
# Vektörün transpozesi: Kolon Vektörü/Column Vector
GirişVektörüT = np.array(GirişVektörü, ndmin=2).T
print("Giriş Vektörü")
print(GirişVektörü)
print("Griş Vektörünün Şekli")
print(GirişVektörü.shape)
print("Griş Vektörünün Transpozesi")
print(GirişVektörüT)
print("Griş Vektörünün Transpozesinin Şekli")
print(GirişVektörüT.shape)
Satır Vektörünün transposesi ( T) bir sürun vektörüdür( column vector)

Aılgortmada iki boyutlu bir dizi olan dütun vektörüne transpoze ettik.
Vectörler dik(vertically) veya yatay (horizontally) olarak yazılabilir. (Vector
Algebra)
79
İKİ VEKTÖRÜN SCALER ÇARPIMI: Scalar Product / Dot

Product
Matematikte skaler çarpım (the dot product) bir cebir operasyonudur. that
eşit büyüklükteki iki koordinat vektörünü alır ve sonuç olarak bir sayı verir. .
"scalar product"
iki vektör arasındaki açının kosinisü(the cosine of the angle between two
vectors) ile hesaplanır.
UYGULAMA:
import numpy as np
x = np.array([1,2,3])
y = np.array([6,9,10])
a=np.dot(x,y)
print(a)
80
İKİ VEKTÖRÜN VEKTÖREL ÇARPIMI :VECTOR

PRODUCT/ Cross Product
3 boyutlu uzayda iki vektörün çarpımında (The cross product or vector
product) sonuç çarpılan iki vektöre dik bir vektördür. (a vector which is
perpendicular to the vectors being multiplied and normal to the plane
containing them.)
Eğer vektörler paralel ise çarpımın sonucu sıfırdır.(If the vectors are parallel
then their cross product is zero.)
x = np.array([0,0,1])
y = np.array([0,1,0])
np.cross(x,y)
array([-1, 0, 0])
>>> np.cross(y,x)
array([1, 0, 0])
81
UYGULAMA: İKİ VEKTÖRÜN VEKTÖREL ÇARPIMI

import numpy as np
a=np.array([1, 2, 6])
b=np.array([2, 2, 6])
c=np.cross(a,b)
print(c)
Aralarındaki açı azdır. Sinüs karşı bölü hipotenüs

O yüzden vektörel çarpımlarının değeri çok büyük değildir.
HATIRLATMA: İKİ VEKTÖRÜN VEKTÖREL ÇARPIM

YÖNTEMİ
a=x1 i+ y1 j+ z1 k
b=x2 i + y2 j+ z2 k
a*b= (y1*z2-y2*z1) İ - (x1*z2-x2*z1) j +(x1*y2-x2*y2) k
82
I.4. NUMPY İLE MATRİSLER

Numpy(Numeric Python) Sayısal Piton ile Matris Programlama
Matrisler 3 boyutlu(veya daha fazla boyutlu) uzayda sistemlerin fiziksel

özelliğini yapısını tanımlar.
Örneğin Sonlu Elemanlar yöntemindeki(Finite Element Method) Ke
stiffnes matrisi bir cismin nokta nokta özelliklerini tanımlar o noktadaki
malzemesinin özellikleri E elastiklik modülü, poison ratio vb malzemenin fiziksel
özelliklleri ile.
F(kuvvet) = Ke * X (yer değiştirme)
Sonlu elemandaki bu Matris yöntemi makine uçak vb tasarımlarda
mukavemet hesabında, ısı hesaplarında ve uçakların tasarımın için gerekli olan
hesapların yapıldığı akışkanlar mekaniğinde(fluid mechanics) kullanılır.
Matrisler mhendislik ve bilim hesapları için en gerekli konulardan biridir.
3 boyutlu tasarım programlarında 3 boyutlu bir uzayda bir cismi taşımak
döndümek büyütmek küçültmek gibi işlemler(transformations) de matrislerle
yapılır. Matrislerle yapılan bu işlemler robot hareketlerini belirlemede de
kullanılır.
Sonlu Eleman Yönteminde matris kullanımına en basiti tek boyutlu bir
yay elemanı ile örnek vermek istersek:
Eleman Katılık Matrisi Yerdeğiştirmeler Kuvvetler
(Element Stiffness Matrix)
U : Noktasal yerdeğiştirmeler (Nodal displacements )

f : Noktasal kuvvetler ( Nodal forces)
Buradan tüm sistemi tanımlayan (Overall (Global)) Katılık Mattisi(Stiffnes
Matrix)’ ne gidilir ve bu matrisin çözümü ile bilinmeyenler bulunur.
Mukavemet/dayanım, akışkanlar mekaniği/aerodinamik, ısı vb tüm
mühendislik konlarının sayısal bilgisayar programlamaı ile hesabında Sonl
elemanla yöntemşi dolaysı ile matrisler kullanılmaktadır.
83
Matris Tanımlama = np.matrix( ((1,2), (3, 4)) ) ve =

np.mat('[1 2;3 4]') ile ve np.array([[1, 2], [3, 4]]) ile
UYGULAMA: numpy.mat('[1 2 3;4 5 6;7 8 9]') ile Matrix

tanımlamak
import numpy as np
A= np.mat('[1 2 3;4 5 6;7 8 9]')
print(A)
UYGULAMA: numpy.matrix( ((1, 2, 3), (4, 5, 6), (7, 8, 9))

) ile Matrix tanımlamak
import numpy as np
A= np.matrix( ((1, 2, 3), (4, 5, 6), (7, 8, 9)) )
print(A)
84
UYGULAMA: numpy. array ([[1, 2, 3], [4, 5, 6],[7, 8, 9] ])

veya numpy. array (((1, 2, 3), (4, 5, 6),(7, 8, 9) )) ile
Matrix tanımlamak : ikisi de aynı
import numpy as np
from numpy import linalg
A=np.array([[1, 2, 3], [4, 5, 6],[7, 8, 9] ])

print("A Matrisi")
print(A)
print("A.shape")
print(A.shape)
print("A Matrisinin Rank ı Derecesi")
print(np.linalg.matrix_rank(A))
import numpy as np
A=np.array (((1, 2, 3), (4, 5, 6),(7, 8, 9) ))
print(A)
ikisi de aynı
85
array( ) ile 2 şekilde Matrix tanımı : ikisi de aynı

np.array( ((2,3), (3, 6)) )
np.array([[2, 3], [3, 6]]) bunda köşeli parantezler var
86
UYGULAMA: Matrisin İndis ile elemanı A[i,j]

import numpy as np
A= np.matrix( ((1, 2, 3), (4, 5, 6), (7, 8, 9)) )
print(A)
L=A[1,2]
print(L)
Açıklama: indis 0 dan başladığı için A[1,2] 2nci satır 3ncü sütundaki eleman
demek
Örneğin aynı mariksde A[2,2] ile gösterilen eleman 3ncü satırın 3ncü elemanı
yani 9
UYGULAMA: indis ile eleman 2 boyutlu np.array ‘de de

aynı A[i,j]
import numpy as np
A=np.array([[1, 2, 3], [4, 5, 6],[7, 8, 9] ])
print(A)
L=A[2,2]
print(L)
Açıklama: A[2,2] Python 0 ‘dan saymaya başladığı için 3ncü satır 3ncü sütundaki
eleman demek. Yani bu matrisde 9 sayısı.
A[2,1] deseydik 3ncü satır 2nci sütundaki eleman olacakdı . yani bu matrisde 8
sayısı.
87
UYGULAMA: 2 boyutlu array çarpımı 2 boyutlu matris

çarpımından farklı sonuç veriyor. Array’de Matris
çarpımında dot() kullanılıyor
import numpy as np
x = np.array( ((2,3), (3, 5)) )
y = np.array( ((1,2), (5, -1)) )
print(x * y)
x = np.matrix( ((2,3), (3, 5)) )
y = np.matrix( ((1,2), (5, -1)) )
print(x * y)
88
UYGULAMA: mat() ve matrix() ile Matris Tanımlama,

tüm elemanları eşit mi? np.all(A == B)
Numpy de iki matris tanımlama yöntemi var. mat() ve matrix()
import numpy as np
A= np.matrix( ((1,2), (3, 4)) )
B= np.mat('[1 2;3 4]')
print(np.all(A == B))
np.all(A == B) ile bu iki matrix eşit mi diye sordum.
İki yöntem ile aynı matrix üretiliyor
True
89
UYGULAMA : A is B A matrisi B Matrisi mi?

import numpy as np
A= np.matrix( ((1,2), (3, 4)) )
B= np.mat('[1 2;3 4]')
print("A Matrisi")
print(A)
print("B Matrisi")
print(B)
print("A B mi?")
print(A is B)
False ,yani yanlış, çünkü içeriği aynı ama A başka bir matrix B başka bir
matrix.
“Bir cisimden kopyaladın ama orjinali başka bir cisim kopyası başka bir
cisim.” gibi
Tam mantık, tam yapay zeka.
90
UYGULAMA: Logic Boolean hatırlatma

“Doğru doğru mu?” nun sonucu doğru mu? İkinci satırın anlamı
“and” “or” mantıksal (logical) operatörler
“not” mantıksal (logical) operatörü
“is” , “in” , and , or , not , True, False bunlar hep Yapay Zerka’nın
“Artificial Intelligence” ın yapı taşları.
91
UYGULAMA: Matrislerin Toplanması, Çıkartılması,

Çarpımı (Adding, Subtracting and Multiplying
Matrices)
import numpy as np
#Matrislerin oluşturulması
matris1 = np.array([[1,2,3],[4,5,6],[7,8,9]])
matris2 = np.array([[7,8,9],[10,11,12],[13,14,15]])
print("1nci Matris")
print(matris1)
print("2nci Matris")
print(matris2)
#İki Matrisin Toplaması(Add the 2 Matrices)

print("1nci ve 2nci Matrislerin Toplamı")
print(np.add(matris1,matris2))
#Çıkartma(Subtraction) 2 den 1 i çıkartıyoruz. İlk yazılandan 2nci yazılanı

print("1nci Matristen 2nci Matrisin Çıkarılması")
print(np.subtract(matris2,matris1))
#Çarpım (Multiplication) (Element wise, not Dot Product)

print("1nci Matris ile 2nci Matrisin Çarpımı")
print(matris1*matris2)
92
93
UYGULAMA: İKİ MATRİSİN ÇARPIMI Her iki yöntemle

İki matrisi çarpabilmen için birincinin sütun sayısının
ikincinin satır sayısına eşit olması gerekir.
Küçük bir hatırlatma 
import numpy as np
# Matris çarpımı 1nci yöntem. Matris tanımı ile
a = np.matrix( ((2,3), (3, 5)) )
b = np.matrix( ((1,2), (5, -1)) )
print(a * b)
# Matris çarpımı 2nci yöntem. Array ve dot() fonksiyonu ile

a = np.array( ((2,3), (3, 5)) )
b = np.array( ((1,2), (5, -1)) )
print(np.dot(a,b))
Her iki yöntem ile de aynı sonucu buluyoruz. Sadece birinin türü dizi(array)
diğeri matris(matrix).
94
İki matrisin çarpımında 1ncinin sütun sayısı ikincinin satır sayısına
eşit olmalı. Atta birinci matris (3x4) sütun sayısı 4, ikincisi (4x1) satır
sayısı 4. 4= 4 Çarpıma uygun.
1nci matrisin birinci satırı alınıp ikinci matrisin(burada vektör) birinci sütunu
ile çarpılıyor. Ve sonuç matrisin ilk elemanı elde ediliyor.
95
UYGULAMA: İKİ MATRİSİN ÇARPIMI

import numpy as np
a = np.matrix( ((2,3), (3, 6)) )
b = np.matrix( ((1,2), (6, 3)) )
d=a * b
print(d)
Python Shell window dan

Print(a) değince sadece içeriğini,
a deyince martix ve içeriğini yazıyor.
Çarpımda birincinin ilk satırını alıyor

İkincinin ilk sütunu ile çarpıyor.. hatırlatma.
96
UYGULAMA: np.array() ile Tanımlanan Matrix lerin

Çarpımı np.dot(a,b) ile
import numpy as np
a = np.array( ((2,3), (3, 6)) )
b = np.array( ((1,2), (6, 3)) )
d=np.dot(a,b)
print(d)
UYGULAMA: np.array() ile Tanımlanan 2 Boyutlu

Dizi(array) Matrislerinin Çarpımı a.dot(b) ile
A ve b iki boyutlu dizi ise , numpy.dot(a, b) matris çarpımıdır(matrix
multiplication)
import numpy as np
a = np.array( ((2,3), (3, 6)) )
b = np.array( ((1,2), (6, 3)) )
d=a.dot(b)
print(d)
97
UYGULAMA: matrix() ile tanımlanmış 2 boyutlu İKİ

MATRİSİN ÇARPIMI
import numpy as np
a = np.matrix( ((1, 2, 6), (3, 6, 6), (2, 6, 3)) )
b = np.matrix( ((1, 3, 6), (6, 1, 2), (6, 3, 2)) )
d=a * b
print(d)
UYGULAMA: array() ile tanımlanmış 2 boyutlu İKİ

MATRİSİN a.dot(b) yöntemi ile ÇARPIMI
import numpy as np
a = np.array( ((1, 2, 6), (3, 6, 6), (2, 6, 3)) )
b = np.array( ((1, 3, 6), (6, 1, 2), (6, 3, 2)) )
d=a.dot(b)
print(d)
tamamdır ikisi de aynı
98
UYGULAMA: Matris Çarpımı numpy.dot(d,v))

import numpy as np
d = np.array([1, 6, 3, 4, 6, 3, 1, 2, 10])
v = np.array([1, 2, 3, 4, 8, 3, 1, 2, 10])
np.dot(d, v)
UYGULAMA: Matris Çarpımı numpy.dot(a,b)

import numpy as np
a = [[1, 0], [0, 1]]
b = [[4, 1], [2, 2]]
np.dot(a, b)
99
UYGULAMA: a*b b*a ya eşit değil

import numpy as np
a = np.matrix( ((2,3), (3, 6)) )
b = np.matrix( ((1,2), (6, 3)) )
d=a * b
e=b * a
print(d)
print(e)
np.all(d == e)
100
UYGULAMA: Matrisi Matrise Bölme (Matrix Division)

from numpy import array
matris1 = array([[1, 2, 3], [4, 5, 6], [7, 8, 9] ])

print(matris1)
matris2 = array([[1, 2, 3], [4, 5, 6], [7, 8, 9] ])
print(matris2)
matris3 = matris1 / matris2
print(matris3)
101
Matris Çarpımı( Matrix Product)
İki matrisin çarpımı sol matrisin kolon sayısı ile ikinci matrisin satır(row)
sayısı eşitse yapılabilir.
İki dizinin(array) matris çarpımı (multiplication) için dot product kullanılır.
import numpy as np
x = np.array( ((2,3), (3, 5)) )
y = np.matrix( ((1,2), (5, -1)) )
np.dot(x,y)
matrix([[17, 1],
[28, 1]])
Alternatif olarak , matris nesnelerine çevirip "*" operatorü kullanabiliriz.

np.mat(x) * np.mat(y)
matrix([[17, 1],
[28, 1]])
102
Bir Matrisin Tersi (Matrix inverse)

2x2 bir matrisde
|A| A Matrisinin Determinantı
3x3 boyutlu bir matrisde
Bir Matrisin o Matrisin Tersi ile çarpımı 1 dir.
Python numpy de bir matrisin tersini numpy.linalg.inv()
103
UYGULAMA: MATRİSİN TERSİ (MATRIX INVERSE)

numpy.linalg.inv(a)[source]
import numpy as np
from numpy.linalg import inv
a = np.array([[1., 2.], [3., 4.]])
print(a)
ainv = inv(a)
print(ainv)
bu programı blender içinden de çalıştırabiliriz.
104
UYGULAMA: PYTHON IDLE DE SADECE DEĞİŞKENİ

YAZINCA ÇIKIŞTA YAZDIRMA OLMUYOR
PRİNT KULLANINCA OLUYOR. ÖNCEKİ ÖRNEĞİ PRINT İLE YAZINCA
import numpy as np
a = np.array([[1., 2.], [3., 4.]])
print(a)
ainv = inv(a)
print(ainv)
105
UYGULAMA: MATRİS TERSİ
import numpy as np
a = np.array([[[1., 2.], [3., 4.]], [[1, 3], [6, 6]]])
print(a)
print(inv(a))
Aynı programı Blender’da da çalıştırabiliriz:
106
UYGULAMA: MATRIS TRANSPOZESİ

import numpy as np
a = np.array([[1, 2], [3, 4], [5, 6]])
print(a)
atr= a.transpose()
print(atr)
Aynı programı Blender’da da çalıştırabiliriz:
107
UYGULAMA: MATRİS TRANSPOZE Sİ

import numpy as np
a = np.array([[1, 2], [3, 4]])
a
atr= a.transpose()
atr
Matris çarpımı VAR

a=np.matrix() b=np.matrix() a*b ile
108
UYGULAMA: iki matrix veya 2D array in in tüm

elemanları aynı mı? np.all(x1 == x3)
faydalı bir fonksiyon
dna dizisinde bile kullanılabilir.veya başka bir yerde..
import numpy as np
A=np.array([[1, 1, 1],
[3, 3, 3],
[5, 5, 5],
[7, 7, 7],
[9, 9, 9]])
B=np.array([[1, 1, 1],
[3, 3, 3],
[5, 5, 5],
[7, 7, 7],
[9, 9, 9]])
np.all(A == B)
Python Shell penceresinde np.all(A == B) yazınca True yazıyor.

Run penceresinden print(np.all(A == B)) ile yazınca da True sonucunu veriyor.
109
UYGULAMA: np.array_equal( , ) bu da 2nci yöntem “iki

matrix eşit mi” sorusu için
import numpy as np
A=np.array([[1, 1, 1],
[3, 3, 3],
[5, 5, 5],
[7, 7, 7],
[9, 9, 9]])
B=np.array([[1, 1, 1],
[3, 3, 3],
[5, 5, 5],
[7, 7, 7],
[9, 9, 9]])
np.all(A == B)
np.array_equal(A,B)
110
Bir Matrisin Determinantı
A Matrisi olsun.
Bu A matrisinin Determinantı = 3x6-8x4=-14 dür.
Bu sefer Matrisimiz böyle 3x3 olsun.

Bu 3x3 matrisin determinantı aşağıdaki gibidir.
det(A)
Matrisin determinantı det(A), det A, veya | A | ile gösterilir.
111
UYGULAMA: Matrix in Determinant ı np.linalg.det(A)

import numpy as np
A=np.array (((1, 2, 3), (4, 5, 6),(7, 8, 1) ))
A=np.linalg.det(A)
print(A)
linalg yi import ile yüklemeden çalışdı
UYGULAMA: Matrix in Determinantı

import numpy as np
A=np.array (((1, 2, 3), (4, 5, 6),(7, 8, 9) ))
D=np.linalg.det(A)
print(A)
print(D)
112
UYGULAMA:Matrix in Determinantı
Düzenli ve nxn olan matrikslerin determinant ı sıfır mı. Deneyelim.
import numpy as np
A=np.array (((1, 2, 3, 4), (5, 6, 7, 8),(9, 10, 11, 12),(13, 14, 15, 16) ))
D=np.linalg.det(A)
print(A)
print(D)
EVET SIFIR. İLGİNÇ.. FİZİKİ BİR ANLAM ÇIKABİLİR HATTA KEŞİF
Belirlemem: 19-07-2018 N.Derya Varol

Determinat fiziki sistemin neyini belirliyorsa
determinant sıfır ise sistemde düzen var
determinantın tanımladığı fiziksel formül değer.
Doğrusal artımda bu var. 2 4 6 8 diye gitseydi yine sıfır mı olacakdı bu da

doğrusal artım.
A matrix with a determinant of zero
113
UYGULAMA: Düzenli yani DOĞRUSAL ARTIMLI ve n x n

olan MATRİSDE DETERMİNANT SIFIR
DENEYELİM DEDİM DENEDİM SIFIR ÇIKDI
import numpy as np
A=np.array (((2, 4, 6, 8), (10, 12, 14, 16),(18, 20, 22, 24),(26, 28, 30, 32) ))
D=np.linalg.det(A)
print(A)
print(D)
114
Determinantın Fiziksel anlamı

Her n×n matris bir doğrusal transformasyon ( linear transformation)
tanımlar.
Örneğin bu 2×2 matris
3/2 faktörü ile Dik olarak germe (stretching vertically)

2/3 faktörü ile Yatay olarak sıkıştırma (squeezing horizontally) ve
Saat yönünün tersinde 90 derece döndürme (rotating counterclockwise by 90°)
‘nin kompozisyonu olan bir doğrusal transformasyon( linear transformation)
tanımlar.
Determinantı 1’ dir. Gerilir, sıkıştırılır, döndürülür ama determinant 1
olduğu için sonuç şekil ilk şekil ile aynı toplam alana sahip olacaktır.
Determinant ‘ın 2 Boyuttaki Fiziksel Anlamı
İki boyutta bir nxm matrisin determinantı (a1,a2) ve (b1,b2)

vektörlerinin collinear olup olmadığının göstergesidir. Eğer determinant sıfırsa
iki vektör collinear dır.
saat yönünün tersinde 90 derece döndüren bir matrisdir.
115
UYGULAMA: = np.eye() Identity Matrix

import numpy as np
e= np.eye(6)
print(e) # An identity matrix
Hatırlatma: I Identity/Birim Matris ile bir Matris in

çarpımı yine aynı matrisdir
1 ile çarpım gibi
A.I=I.A=A
Identity: özdeşlik,birim
UYGULAMA: np.eye(6, k=1)

import numpy as np
e = np.eye(6, k=1)
print(e)
116
UYGULAMA: np.eye(6, k=-1)

import numpy as np
e = np.eye(6, k=-1)
print(e)
UYGULAMA: np.diag(np.array([1,2,3,4,5,6]))
import numpy as np
d = np.diag(np.array([1,2,3,4,5,6]))
print(d)
diag : diagonal 2-D array from a 1-D array specified by the user.
117
UYGULAMA: reshape()
import numpy as np
x = np.arange(36).reshape((6,6))
print(x)
UYGULAMA: np.diag(np.diag(x)) bir matris in diagonal

ı
import numpy as np
x = np.arange(36).reshape((6,6))
y=np.diag(np.diag(x))
print(y)
118
UYGULAMA: Matris’in Diagonalı(Köşegeni)

matris.diagonal()
Bir matrisin köşegenini yani diagonal elemanlarını göstermek için kullanılır.
(the Diagonal of a Matrix) (the diagonal elements of a matrix)
import numpy as np
matris = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12], [13,14,15,16]])

print(matris)
#Print the Principal diagonal
print(matris.diagonal())
#Print the diagonal one above the Principal diagonal
print(matris.diagonal(offset=1))
#Print the diagonal one below Principal diagonal
print(matris.diagonal(offset=-1))
119
UYGULAMA: Matris’in ……………. (Trace) i.

Diagonal(Köşegen) toplamı matris.trace()
Matrisin Köşegenindeki ( Principal Diagonal) elemanların toplamı
import numpy as np
matris = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12], [13,14,15,16]])

print(matris)
#Print the Principal diagonal
print(matris.diagonal())
#Print the Trace
print(matris.trace())
Diyagonaldeki elemanlar 1 6 11 ve 16 bunların toplamı da 34
1+6+11+16= 34
120
UYGULAMA: maksimim ve minimum değerlerin

bulunması
Numpy’nin max ve min fonksiyonları
import numpy as np
matris = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12], [13,14,15,16]])

print(matris)
#En büyük değerdeki( max) eleman

print(np.max(matris))
#En küçük değerdeki ( min) element
print(np.min(matris))
#Herbir sütundaki en büyük değerdeki(max) elemanlar

print(np.max(matris,axis=0))
#Herbir satırdaki en büyük değerdeki(max) elemanlar
print(np.max(matris,axis=1))
121
UYGULAMA: Ortalama Derğer(Average), Variance and

Standard Sapma(deviation)
Dizinin istatistikile ilkgili bazı değerlerini bulmak
import numpy as np
matris = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12], [13,14,15,16]])

print(matris)
#Ortalama Değer(Mean)(Aerage)
print(np.mean(matris))
#Standard Sapma (Deviation)
print(np.std(matris))
#Variance
print(np.var(matris))
Deviation:sapma
Mean: ortalama
Average: ortalama
Variance :değişim,sapma
Variance
122
UYGULAMA:Dizileri Yeniden Şekillendirmek

(Reshaping Arrays)
Elemanları değiştirmeden Satır ve Sütun sayılarını değiştirmek
import numpy as np
matris = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12], [13,14,15,16]])

print(matris)
#Yeniden Şekillendirme
print(matris.reshape(16,1))
print(matris.reshape(1,-1))
#Sadece tek değer belirtilirse 1 boyutlu dizi üretilir.
print(matris.reshape(16))
# Flatten metodu da matrisi 1 boyutlu diziye dönüştürür.
print(matris.flatten())
123
UYGULAMA: Matrisin Determinantı ve Matrisin

Derecesi (Rank)
Rank için tercümede Boyut uygun veya Derece.
2 boyutlu dizi dediğimiz. Veya 2 boyutlu matris dediğimiz. Rank 2.
import numpy as np
matris = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12], [13,14,15,16]])

print(matris)
#Calculate the Determinant
print(np.linalg.det(matris))
#Calculate the Rank
print(np.linalg.matrix_rank(matris))
124
UYGULAMA: Eigenvalues ve Eigenvectors leri bulmak

Eigenvectors Makine Öğrenmesi Kütüphanelerinde ( Machine Learning
libraries) kullanılır. Bir matris ile temsil edilen bir doğrusal transformasyonda
(linear transformation) eigenvectors bu transformasyon uygulandığında
sadece büyüklük oranını( scale) değiştiren yönü (direction).değiştirmeyen
vektörlerdir.
Av=Kv
A kare matrisdir(square matrix),
K eigenvalues ‘u içerir
v eigenvectors ‘ü içerir.
import numpy as np
matris = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12], [13,14,15,16]])

print(matris)
# Matrisin Eigenvalues ve Eigenvectors lerini hesaplar.

eigenvalues ,eigenvectors=np.linalg.eig(matris)
print(eigenvalues)
print(eigenvectors)
125
UYGULAMA: Dot Products ı Hesaplamak

import numpy as np
#vector1 in oluşturulması
vector1 = np.array([ 1,2,3 ])
# vector2 nin oluşturulması
vector2 = np.array([ 4,5,6 ])
# Dot Product ‘ın Hesaplanması
print(np.dot(vector1,vector2))
#Alternatively Dot Product ‘ın Hesaplanması için @ da kullanılabilir.
print(vector1 @ vector2)
Matris-Matris Çarpımı( Multiplication) (Dot Product)
126
I.5. Numpy ve TENSÖRLER(Tensors)

Tensör Nedir
Skaler Vektör Matris Tensör
Tensör N-boyutlu bir vektördür, Tensör N-boyutlu verisetlerini (

datasets) temsil etmek (represent) için kullanılabilir.
3D Tensör veya daha büyük boyutta tensör
3 veya 3’ten fazla boyutlu matrise tensör diyoruz. N ≥ 3 boyut
Tensör= Cokboyutlu Dizi (Multidimensional Array)
Vektör Matris Tensör
127
2 boyutlu Derece(Rank)=2 Satır, Sütun ( Row, Column) örnek: 3x6
3 boyutlu Derece(Rank)=3 Satır,Sütun,…….. (Row, Column,Tube) örnek:3x6x2
3NCÜ DERECEDEN TENSÖR (3rd Order Tensor)
128
Örneğin Einstein’ın Genel Görecelik teorisindeki Rieman Eğrilik Tensörü(

Rieman curvature Tensor) 4 indisli bir tensördür (a four-index tensor) yani
derecesi/ rank=4 dür.
4ncü dereceden Tensör (A tensor of rank 4)
129
3ncü dereceden Tensör (A tensor of rank 3)
3 indisli tensör (a tensor with 3 indices)
Bu 3 indisle etiketlenmiş düzenli bir sayı setidir.

3 boyutta bir super matris olarak görselleştirilebilir
130
Fotoğraf 3 boyutlu bir Tensördür

3D (3 boyutlu) Tensör= Zaman Serileri(Time series) ,
RGB Renkli Görüntüler (RGB color images)
4D (4 boyutlu)Tensör= Görüntüler(Images) (jpeg)
5D( 5 boyutlu) Tensör= Videolar(Videos)
RGB Görüntüleri çoğunlukla 3 boyutlu dizilerdir. (3

dimensional arrays).
Dizinin şekli(shape) Yükseklik(height) x Genişlik(width) x 3 dür.
200 piksel genişliğinde 100 piksel yüksekliğinde bir görüntüyü
tanımlayan bir Dizi (an array to represent a 200 pixel wide by 100 pixel
high image)
RGBA (Red Green Blue Alpha)
RGBA renk değerleri RGB ‘nin uzantısıdır. A değeri (alpha channel)
şeffaflık(opacity) ekkenmiştir.
Alfa değişkeni 0.0 tam saydamdan (fully transparent) ‘dan 1.0 ‘e hiç
saydam olmayan alttaki tabakayı hiç göstermeyen değere kadar değişir.
Yükseklik(height) x Genişlik(width) x 4
OpenCV ‘deki örnekte Görüntü Tensörü’nün şekli(shape)
( a, b, 3) idi
a: tensörün satır sayısı, yani resmin pixel olarak yüksekliğidir.
b: tensörün sütun sayısı, yani resmin pixel olarak genişliğidir.
3 R G B renkleridir.
Burada ise Görüntü Tensörü’nün şekli(shape)
(a, b, 4)
4 R G B renkleri ve Alpha denen şeffaflık değeri .Burada fazladan
Alpha var.
Bu bölümdeki 4üncü ve 5nci uygulamalarda örneklerini gösterdik.
131
Genel Görecelikte Tensör

Riemann tensörü , Riemann-Christoffel curvature tensörü ya
da Riemann curvature tensor Genel Görecelik’te (Genaral Relativity)
4 indisli (four-index tensor) önemli bir tensördür.
yani derecesi/ rank=4 A tensor of rank 4
4 -tensor genellikle tensor indis notasyonunda yazılır.
Genel Görecelikteki diğer önemli tensörlerden biri. Ricci

curvature tensorü’ dür.
Einstein’ın alan eşitlikleri (The Einstein field equations)
iki tensörün Farkı 1 tensöre eşit
132
Makine Öğrenmesinde (Machine Learning) Tensör

Makina öğrenmesinde Veri(Data) tensör yani çok boyutlu dizi olarak
işlenir, karşılaştırma sınıflandırma yapılır.
Örneğin Python modüllerinden Tensorflow ve PyTorch Makine
öğrenmesindeki Tensör işlemlerinin gerçekleştirilmesi içindir.
133
Numpy ve TENSÖRLER (Tensors)

NumPy büyük çok boyutlu diziler ve matrisler (large
multidimensional arrays and matrices ) için matematik fonksiyonlar
koleksiyonu olan bir Python modülüdür.
0 Boyutlu dizi bir sayıdır
1 Boyutlu dizi vektördür
2 boyutlu dizi ise Matrisdir.
3 boyutlu dizi Tensördür.
4 ve üzeri boyuttaki diziler de Tensördür..
Yüksek boyutlu bir yapıyı görselleştirmek zordur.
Bir tensör çoğunlukla genelleştirilmiş bir matris olarak düşünülür.
Matris için 2nci dereceden tensör (rank-2 tensor) (second-order
tensor) diyebiliriz.
Tensörün boyutu(dimension) derece(rank) olarak adlandırılır.
Tensör bir yapının(structure) içindeki matematiksel bir özelliktir. Ve
diğer matematiksel özelliklerle etkileşim halindedir.
Tensörler fizikte ve fiziksel matematik önemli bir konudur. Çünkü

mekanik(gerilim,elastisite, akışkanlar mekaniği) , elektrodinamik
(elektromanyetik tensör, Maxwell tensör), Genel Görecelik (eğrisellik
(curvature) tensörü, gerilim enerji tensörü) gibi alanlardaki fiziksel
problemleri denklem haline getirmekte ve çözmekte önemli bir yer tutar.
Tensor alanları(fields) kısaca tensör olarak adlandırılır.
134
Bir tensör çok boyytlu bir dizi ile temsil edikebilir.. Bir vektör ise tek
boyutlu bir dizi ile temsil edilebilir.
Tensörün sembolik adı ve dizideki pozisyonu veren indisler.

altharf(subscripts) ve üstharf(superscripts) ile gösterilir.
İ ve j 1 den n ‘e kadar devam eden indislerdir.
Makinalar veri(data) olmadan öğrernemez. Veri de çoğunlukla çok
boyutludur. Bunu fotoğraf örneğinde göreceğiz.
Tensörler Makine Öğrenmesi’nde çok boyutlu verilerin kodlan-
malarında önemli rol oynar.
135
Örneğin bir resim 3 alan işle temsil edilir. Bunlar genişlik(width),

yükseklik(height) ve derinlikdir(rgb renkleri) (depth (color)).
Bir resim bir fotoğraf 3 boyutlu bir tensor olarak kodlanır.
Bir fotoğraf, RGB görüntüleri(images) 3 boyutlu dizi(array) ,
yani 3 boyutlu tensor olarak depolanır.
(3 dimensional arrays of 8-bit unsigned integers)
Dizinin Şekli(Shape)
Yükseklik(height) x Genişilk(width) x 3.
Örneğin, 200 pixel genişliğinde 100 pixel yüksekliğinde bir görüntü 3
boyutlu bir dizi ile temsil edilir.
Genişlik(width) = 200
Yükseklik(height )= 100
Dizi(array) = np.zeros([Genişlik, Yükseklik, 3], dtype=np.uint8)
Bununla birlikte binlerce fotoğratan oluşan fotoğraf setleri de
konumuz olabilir. Bu durumda 4 boyutlu tensör karşımıza çıkar.
Makine Öğrrnnesi algoritmalarının çoğu vektörlere ve mattislere
dayanır. Derin Öğrenme(deep learning) ve neural networkslerin çoğu
tensörlere dayanır.
Python’da tensörler. vektörler ve mattisler gbi N-boyutlu dizi (N-

dimensional array (ndarray)) ile temsil edilir.
Tensörler. mattisler ve vektörler gibi lineer cebirde(linear algebra)
veri yapısı türüdür. Tensörler ile aritmetik operasyon hesaplamaları
yapabilirsiniz.
136
Uygulama: 3 Boyutlu (3D) Tensor Oluşturmak
import numpy as np
x = np.array([[[1, 4, 7],
[2, 5, 8],
[3, 6, 9]],
[[10, 40, 70],
[20, 50, 80],
[30, 60, 90]],
[[100, 400, 700],
[200, 500, 800],
[300, 600, 900]]])
print(x)
print('Bu Tensörün derecesi( rank): %d' %(x.ndim))
Rank=3 olan, yani derecesi 3 olan matriste matrisin derinliği var,

3ncü boyutu var. Bu matrise tensör deniyor. 3D Tensor (3
Dimensional) yani Türkçesi ile 3 boyutlu tensör.
Tensör boyutları N ≥ 3 yani 3 ve 3 den fazla olan Dizidir.
137
Uygulama: Numpy dizisi ile 3x3x3 Tensör Tanımlama

NumPy ndarray i ile 3x3x3 Tensor tanımlama
import numpy as np
T = np.array([
T = array([
[[1,2,3], [4,5,6], [7,8,9]],
[[11,12,13], [14,15,16], [17,18,19]],
[[21,22,23], [24,25,26], [27,28,29]],
])
print(T)
print("Tensörün Şekli(Shape)")
print(T.shape)
138
UYGULAMA: Pratikten Tensör Örneği Fotoğraf 3

Boyutlu bir tensördür Pixel Arrays np.asarray(gör)
Burada pratik örnek için Pillow Python image library modülünü de
kullanacağız. Pillow ile ilgili detay bilgi daha sonra Pilow kitapçığında
yayınlanacak.
from PIL import Image

import numpy as np
import matplotlib.pyplot as plt
#gör Görüntü
gör = Image.open('D:/Bilim/deneme.png')
#gördiz Görüntü Dizisi
gördiz = np.asarray(gör)
print("shape")
print(gördiz.shape)
print("np.ndim(A) Görüntü Dizisinin Tensörünün Derecesi(Rank'ı)")
print(np.ndim(gördiz))
print(gördiz)
plt.imshow(gördiz)
plt.show()
139
3 Boyutlu Veri Dizisi( 3-dimensional array of the data) bir görüntüyü
image) tanımlıyor. İlk iki boyut resimdeki bir pikselin yeri koordinatını belirler.
3ncü boyut derinlik ise o noktanın o pikselin RGB-A renk ve saydamlık
değerleridir. (the pixel values in RGB-A (Red Green Blue Alpha)).
OpenCV deki örnekte Görüntü tensörü nün şekli(shape)
(a, b, 3) idi
3 R G B renklerinin sayısı
a : satır sayısı, yani rrsmin pixel yüksekliği
b : sütun sayısı, yani rrsmin pixel genişşiği
Burada ise Görüntü Tensörü’nün şekli(shape)

(a, b , 4)
4 R G B renkleri ve Alpha denen parlaklık değeri. Burada fazladan
Alpha var.
RGBA renk değerleri RGB renk değelerinin rengin matlığını
şeffaflığını belirleyen alpha kanalının ekkenmiş bir uzantısıdır.
plt.imshow(gördiz) ile görüntü dizisini tensörünü görüntülüyoruz.
140
UYGULAMA: Görüntünün 3 Boyutlu Tensör olduğunun

OpenCV ve Numpy ile örneği print(cv2.imread('...jpg')
import numpy as np
import cv2
gör = cv2.imread('D:/Bilim/opencvface.jpg')
print("shape")
print(gör.shape)
print("np.ndim(A) Görüntü Dizisinin Tensörünün Derecesi(Rank'ı)")
print(np.ndim(gör))
print(gör)
cv2.imshow('Goruntu',gör)
3 Boyutlu (rank=3) Gör Dizisi/Tensörü.. Direkt print ile yazdırdık.
141
142
Uygulama: Tensör Toplama (addition)
# tensor toplama
import numpy as np
A = np.array([
[[1,2,3], [4,5,6], [7,8,9]],
[[11,12,13], [14,15,16], [17,18,19]],
[[21,22,23], [24,25,26], [27,28,29]],
])
B = np.array([
[[1,2,3], [4,5,6], [7,8,9]],
[[11,12,13], [14,15,16], [17,18,19]],
[[21,22,23], [24,25,26], [27,28,29]],
])
C=A+B
print(C)
143
Uygulama: Tensör Çıkarma(subtraction)
# tensor çıkarma
import numpy as np
A = np.array([
[[1,2,3], [4,5,6], [7,8,9]],
[[11,12,13], [14,15,16], [17,18,19]],
[[21,22,23], [24,25,26], [27,28,29]],
])
B = np.array([
[[1,2,3], [4,5,6], [7,8,9]],
[[11,12,13], [14,15,16], [17,18,19]],
[[21,22,23], [24,25,26], [27,28,29]],
])
C=A-B
print(C)
144

numpy.tensordot()
# tensor product
from numpy import tensordot
A = array([1,2])
B = array([3,4])
C = tensordot(A, B, axes=0)
print(C)
145

numpy.tensordot()
import numpy as np
a = np.arange(60.).reshape(3,4,5)
b = np.arange(24.).reshape(4,3,2)
c = np.tensordot(a,b, axes=([1,0],[0,1]))
print(c.shape)
print(c)
# Aynı sonucu başka bir yöntemle buluyoruz.

d = np.zeros((5,2))
for i in range(5):
for j in range(2):
for k in range(3):
for n in range(4):
d[i,j] += a[k,n,i] * b[n,k,j]
print(c == d)
146
UYGULAMA: Tensör Çarpımı (tensor dot product)

np.tensordot(A,B)
Hatırlatma: np.dot(A,B) matris çarpımıdır. (matrix multiplication)

import numpy as np
# Bu ikinci import linalg.matrix_rank(A) ın ikinci yükleme şeklini
göstermek için
# import numpy.linalg as npl
A = np.arange(60.).reshape(3,4,5)
print("A Tensörü")
print(A)
print("A.shape")
print(A.shape)
print("A Tensörünün Rank ı Derecesi")
# Her iki usulde de A Tensörünün Rank ının Derecesinin Belirlenmesi
print(npl.matrix_rank(A))
B = np.arange(24.).reshape(4,3,2)
print("B Tensörü")
print(B)
print("B.shape")
print(B.shape)
print("B Tensörünün Rank ı Derecesi")
# B Tensörünün Rank ının Derecesinin Belirlenmesi

print(np.linalg.matrix_rank(B))
C = np.tensordot(A,B, axes=([1,0],[0,1]))
147
print("C Tensörü")
print(C)
print("C.shape")
print(C.shape)
print("C Tensörünün Rank ı Derecesi")
# C Tensörünün Rank ının Derecesinin Belirlenmesi
print(np.linalg.matrix_rank(C))
148
149
Uygulama: İki Tensörün Skaler Çarpımı: Tensor

Hadamard Product C = A * B
Bu klasik matrix (tensör)çarpımından yani dot product ‘tan farklı.
tensor multiplication dan farklı. İki matisin veya tensörün toplamı gibi. Her
eleman bulunduğu yerdeki eleman ile çarpılıyor.
( each is the -wise of the scalars in the.

“o” operatorü Hadamard product işlemini gösterir.
# Tensör Hadamard product

import numpy as np
A = np.array([
[[1,2,3], [4,5,6], [7,8,9]],
[[11,12,13], [14,15,16], [17,18,19]],
[[21,22,23], [24,25,26], [27,28,29]],
])
print(A)
print("np.ndim(A) A Tensörünün Derecesi(Rank'ı)")
print(np.ndim(A))
print("A.shape")
print(A.shape)
B = np.array([
[[1,2,3], [4,5,6], [7,8,9]],
[[11,12,13], [14,15,16], [17,18,19]],
[[21,22,23], [24,25,26], [27,28,29]],
])
print("B Tensörü")
print(B)
print("np.ndim(B) B Tensörünün Derecesi(Rank'ı)")
print(np.ndim(B))
print("B.shape")
print(B.shape)
150
C=A*B
print("C Tensörü")
print(C)
print("np.ndim(C) C Tensörünün Derecesi(Rank'ı)")
print(np.ndim(C))
print("C.shape")
print(C.shape)
151
UYGULAMA: numpy.linalg.tensorsolve(a, b)
Tensor denkleminin çözümü a x = b
import numpy as np
A = np.eye(2*3*4)
print(A)
print("A.shape")
print(A.shape)
print(np.ndim(A))
A.shape = (2*3, 4, 2, 3, 4)
print(A)
print("A.shape")
print(A.shape)
print(np.ndim(A))
B = np.random.randn(2*3, 4)
print(B)
print("B.shape")
print(B.shape)
print("np.ndim(B) B Tensörünün Derecesi(Rank'ı)")
print(np.ndim(B))
x = np.linalg.tensorsolve(A, B)
print("x Tensörü")
print(x)
print("x.shape")
print(x.shape)
print("np.ndim(x) x Tensörünün Derecesi(Rank'ı)")
print(np.ndim(x))
print(np.allclose(np.tensordot(A, x, axes=3), B))
152
153
Bu birimden alt alta
48 adet var
154
UYGULAMA: numpy.linalg.tensorinv(A, ind=2)

N boyutlu dizinin(N-dimensional array) tersi (inverse)
import numpy as np
A = np.eye(4*6)
print(A)
print(A.shape)
# A.shape (24, 24) iken değiştiriyoruz (4, 6, 8, 3) yapıyoruz altta

A.shape = (4, 6, 8, 3)
print(A)
Ainv = np.linalg.tensorinv(A, ind=2)

print("Ainv (A Tensörünün Invers ‘ü) Tensörü")
print(Ainv)
print(Ainv.shape)
inversünün shape i de (8, 3, 4, 6)
155
A nın shape ini (4, 6, 8, 3) yaptıktan sonra
156
Böyle 24 birim var alt

alta
157
Çözüldü: numpy.rank() eski versiyonlarda kullanılıyormuş yenilerde

yerine Numpy.ndim() geçmiş.
module 'numpy' has no attribute 'rank' diyor çalışmıyordu.
Numpy.ndim() (eski numpy.rank() Dizinin boyutu ( the number of

dimensions of an array)
158
UYGULAMA: .mat Matlab Data sını Numpy ve Scipy ile

okumak
Dicrionary olarak okuyor.
import scipy.io
import numpy as np
T = scipy.io.loadmat('D:/Bilim/brod.mat')
print(T)
print("type(T)")
print(type(T))
#Dict i Array e dönüştürmek

data = list(T.items())
Dizi = np.array(data)
print(Dizi)
print("np.ndim(Dizi )Dizi Tensörünün Derecesi(Rank'ı)")
print(np.ndim(Dizi))
print("Dizi .shape")
print(Dizi.shape)
159
160
Numpy’de Dict i Tensor ‘e çevirmek lazım

you must specify 'dtype=object' when creating the ndarray dedi ama yine
de dönüştürdü
161
162
Sözlükler(Dictionaries)
NumPy dizileri ( arrays) vektörleri, matrisleri ve tensörleri temsil eden
sayısal değerleri dfepolamak için kullanılır ve büyük veri setlerini(data set)
depolayabilirler.
Sözlükler(Dictionaries) listeler(lists) gibidir. Fakat elemanlarına
listelerdekinden farklı yöntemlerle ulaşılır. Listedeki veya dizideki bir
elemana onun sıradaki yerini göstren sayı ile ulasşılır.
Sözlüklerin(dictionaries) elemanlarına ise anahtarlarla ( “keys”) ulaşılır.
Anahtarlar (strings) veya tamsayılardır ((arbitrary) integers).
163
UYGULAMA: Python Dictionary yapısı

Düzensiz (Unordered) items. Her item KEY/VALUE çiftine sahiptir.
dict = {'Ad': 'Selin', 'Yas': 27, 'Sınıf': 'İkinci'}

print ("dict['Ad']: ", dict['Ad'])
print ("dict['Yas']: ", dict['Yas'])
print ("dict['Sınıf']: ", dict['Sınıf'])
print(dict)
UYGULAMA: Dictionary list(Dict.keys())

from scipy.io import loadmat
Dict=loadmat('D:/Bilim/brod.mat')
print(list(Dict.keys()))
loadmat bir dictionary verir. 'x'. anahtarlı(key) bir dizi.

print(list(data.keys())) keys/variable adlarını görmek için kullanılır.
print(_['x'] ) bu yazmadı içinden bu X key i ile bu diziyi alacağız
ve yazdıracağız.
164
UYGULAMA:HELAL ÇÖZÜP Dictionary’den DİZİYİ

ALDIK Dict=loadmat('D:/../....mat') T=Dict['X']
from scipy.io import loadmat
import numpy as np
Dict=loadmat('D:/Bilim/brod.mat')
print(list(Dict.keys()))
# Dict Dictionary sinin içinden X dizisini aldık.
T=Dict['X']
print("Dictionary içinden aldığımız 2 Boyutlu Dizi")
print(T)
print("type(T)")
print(type(T))
print("np.ndim(T) Tensörünün Derecesi(Rank'ı)")
print(np.ndim(T))
print("T.shape")
print(T.shape)
165
Bu sonradan tensor işlemleri yapmak için de kullanılıyor. Matlab veri

dosyası .mat ile gelen Data’yı alıp Tensor olarak işlemek için. Makina
Öğrenmesi’nde de geçerli. Sonradan Tensorflow a da aktarılır bu veri.
166
I.6. LİNEER CEBİR(LINEAR ALGEBRA)

numpy.linalg
Matris ve Vectör Ürünleri(products)
dot(a, b[, out]) İki dizinin çarpımı (Dot product)
Eşitliklerin Çözümü(Solving equations) ve Matrislerin Tersinin

alınması(inverting matrices)
linalg.solve(a, b) Lineer Matris Eşitliğini Çözer ( linear matrix equation, or
system of linear scalar equations)
linalg.tensorsolve(a, b[, axes]) Tensör Eşitliğini Çözer a x = b for x.
UYGULAMA: numpy.linalg ile Matris Tanımlama

import numpy as np
import numpy as np
A = np.array([[[1, 4, 7],
[2, 5, 8],
[3, 6, 9]],
[[10, 40, 70],
[20, 50, 80],
[30, 60, 90]],
[[100, 400, 700],
[200, 500, 800],
[300, 600, 900]]])
print("A Matrisi")
print(A)
print('This tensor is of rank %d' %(A.ndim))
print("A.ndim")
print(A.ndim)
print("A.shape")
print(A.shape)
167
print("A Matrisinin Rank ı Derecesi")
burada da rank ı 3 yazmadı

[2 2 2] yazdı ?
rank 3 ü A.ndim ile yazdı ***
numpy.ndarray.ndim() fonksiyonu dizinin boyut değerini verir.
Boyut= np.ndim(A)
168
UYGULAMA: numpy.linalg matrix multiplication dot( )

Matrisi çarpımını eleman eleman yapmak yerine matrix multiplication
dot() kullanılır.
import numpy as np
a = np.array([[-1.0, 2.0, 2.0], [2.0, 2.0, -1.0], [2.0, -1.0, 2.0]])
b = np.array([1.0, 2.0, 3.0])
mc1= np.dot(a,a)
mc2= np.dot(b, a)
print("a matrisi:")
print(a)
print("b matrisi:")
print(b)
print(" a * a =")
print(np.dot(a,a))
print("b*a=")
print(np.dot(b, a))
169
UYGULAMA: Matrix Inverse linalg.inv(a)

import numpy as np
a = np.array([[-1.0, 2.0, 2.0], [2.0, 2.0, -1.0], [2.0, -1.0, 2.0]])

inv=linalg.inv(a)
print(inv)
UYGULAMA : Matrix in Determinant ı linalg.det( )

import numpy as np
a = np.array([[-1.0, 2.0, 2.0], [2.0, 2.0, -1.0], [2.0, -1.0, 2.0]])

D= linalg.det(a)
print(D)
170
Denklem Takımlarının Çözümü(Solving linear system)

Lineer Denklemlerin çözümü scipy komutu linalg.solve iledir. Bu komut
bir giriş matrisi (input matrix) ve bir sağ el tarafı vektörü (right-hand-side
vector) giriş olarak alır ve çözüm vektörü (solution vector) hesaplanır.
Finite element çözümünde kullanılabilir.
Yukarıda çözüm vektörü matris inverse ‘i ile bulundu. Ama However, it is

linalg.solve konutunu daha hızlıdır. Her ikisi de aynı sonucu verir.
171
UYGULAMA : numpy.linalg.solve
Aşağıdaki denklem sistemini çözelim.
3 * x + y = 9 ve
x+2*y=8
import numpy as np
a = np.array([[3,1], [1,2]])
b = np.array([9,8])
xy = np.linalg.solve(a, b)
print(xy)
array([ 2., 3.])
Çözümün doğruuğunu kontrol edelim:
np.allclose(np.dot(a, xy), b) python Shell penceresinden yazınca True

diyor
run penceresinden yazınca True yazmıyor.
172
UYGULAMA: numpy.linalg.solve
Matriks i numpy.array le değil numpy.matrix ile tanımladım
x + 3*y+ 5*z =10

2*x + 5*y+ z =8
2*x + 3*y+ 8*z =3
import numpy as np
a= np.matrix( ((1,3,5), (2,5,1), (2,3,8)) )
b = np.array([10, 8, 3])
c = np.linalg.solve(a,b)
print(c)
UYGULAMA: from numpy import linalg yükleme

satırını yazmadan da çalışdı
import numpy as np
a= np.matrix( ((1,3,5), (2,5,1), (2,3,8)) )
b = np.array([10, 8, 3])
c = np.linalg.solve(a,b)
print(c)
İlerki kısımlarda Scipy.linalg kısmındaki array ile tanımlayıp çözen

np.linalg.solve(A, b) ile aynı değerleri buluyor. Ama bu satır matrix
oradaki sütun matrix.
**************************************
173
II. SCIPY(SCIENTIFIC
PYTHON) BİLİMSEL PİTON
Scipy temel Fonksiyonlar:
Lineer Cebir(Linear Algebra) scipy.linalg
Özel fonksiyonlar scipy.special
İntegral scipy.integrate
Optimizasyon scipy.optimize
Interpolasyon (scipy.interpolate)
Fourier Dönüşümleri (Transforms) (scipy.fftpack)
Sinyal İşleme (scipy.signal)
Aralıklı(Sparse) Eigenvalue Problemleri ARPACK
Sıkıştırılmış Aralıklı Grafik Programları (scipy.sparse.csgraph)
Uzaysal(Spatial) veri yapıları ve algoritmaları (scipy.spatial)
İstatistik (scipy.stats)
Çok boyutlu görüntü işleme (image processing) (scipy.ndimage)
Dosya IO (scipy.io)
import scipy as sp
SciPy Numpy üzerine inşaat edilmiştir. Bilimsel ve mühendislik

uygulamaları için birçok faydalı fonksiyon içerir
174
Modüller
scipy.constants Matematiksel ve Fiziksel sabitler(constants)
scipy.special Matematiksel Fizik için Özel Fonksiyonlar. airy, elliptic,
bessel, gamma, beta, hypergeometric, parabolic cylinder, mathieu, spheroidal
wave, struve, and kelvin fonksiyonları
scipy.integrate sayısal iltegrasyon: trapezoidal, Simpson's, Romberg, ve diğer
metodlar. sıradan differansiyel denklemlerin integrasyonu.
scipy.optimize
scipy.linalg linear cebir algoritmaları
Methodlar: inverse, determinant, doğrusal denklem takımlarının
çözümü. eigenvalue/eigenvector decomposition, singular value
decomposition, LU decomposition, Cholesky decomposition, QR
decomposition, Schur decomposition
scipy.sparse büyük, sparse matrisler için.

scipy.interpolate 1 veya 2 boyutlu veri setleri için doğrusal ve spline
interpolasyon
scipy.fftpack Fourier transform routines and processing.
scipy.signal simnyal işleme rutinleri( routines), convolution, correlation, finite
fourier transforms, B-spline smoothing, filtering, vb.
scipy.stats istatiksel fonksiyonlar ile ilgili geniş bir kütüphane.
Data setleri üzerinde operasyonlar
175
II.1. Scipy LINEAR ALGEBRA scipy.linalg

scipy.linalg tüm numpy.linalg fonksiyonlarını içerir. Artı
numpy.linalg da olmayan bazı ileri fonksiyonları da kapsar.
Uygulama: inverse linalg.inv( )

import numpy as np
from scipy import linalg
A = np.array([[1,2],[3,4]])
print(A)
B= linalg.inv(A)
print(B)
Bu A.I ya eşit ikisi de Matrix transpoze si
176
UYGULAMA Matrix Transpoze si .T

import numpy as np
b = np.array([[5,6]]) #2D array
print(b)
print(b.T)
177
UYGULAMA :Array ile tanımlanan Matrix lerin Çarpımı dot ile

If both a and b are 2-D arrays, it is matrix multiplication
numpy.dot(a, b)
import numpy as np
A = np.array([[1,2],[3,4]])
b = np.array([[5,6]]) #2D array
print(A)
print(b)
print(" A*b #not matrix multiplication!")
print(A*b) #not matrix multiplication!
print(" A.dot(b.T) #matrix multiplication")
print(A.dot(b.T)) #matrix multiplication
178
UYGULAMA: Denklem takımlarının Çözümü iki ayrı yöntemle

çözüm. aynı sonuç
import numpy as np
A = np.array([[1,3,5],[2,5,1],[2,3,8]])
print(A)
b = np.array([[10], [8], [3]])
print(b)
print("linalg.inv(A).dot(b) Matrix Inverse ile Denklem takımı Çözümü")
print(linalg.inv(A).dot(b)) # slow
print("np.linalg.solve(A, b) ile Denklem takımı Çözümü")
print(np.linalg.solve(A, b)) # fast
179
UYGULAMA: Denklem takımlarının Çözümü

import numpy as np
A = np.array([[1, 2], [3, 4]])
print(A)
b = np.array([[5], [6]])
print(b)
print("linalg.inv(A).dot(b) ile Denklem takımı Çözümü")
print(linalg.inv(A).dot(b)) # slow
print("np.linalg.solve(A, b) ile Denklem takımı Çözümü")
print(np.linalg.solve(A, b)) # fast
180
Shell penceresinde önceden tanımlanmış vektörün adını

yazıp nokta koyunca hemen bir liste çıkıyor. bununla
kullanılabilecek komutların listesi
diye devam eden bir komut listesi
181
Uygulama
import numpy as np
A = np.mat('[1 2;3 4]')
Uygulama A.I Inverse ve A.T Transpoze
182
II.2. Matrisi Çarpanlarına Ayırma( Matrix

Factorization/Lower Upper Factorization/ LU Matrix
Decomposition) scipy.linalg.lu(A)
Matrix decomposition : Matrisi çarpanlarına ayırma ( matrix
factorization)
factoring (çarpanlarına ayırma)
LU Matrix Decomposition
LU yeniden kompozisyonu (LU Decomposition) kare bir matrisin L ve
üçgenn matrislerinin çarpımı şeklinde çarpanlarına ayrılmasıdır.
A=L.U
Ya da noktasız gösterimle
A = LU
A kare matrisdir (square matrix) bunu L ve U şeklinde iki matris ile

çarpanlarına ayırıyoruz. L alt üçgen matris (lower triangle matrix) ve U üst
üçgen matrisdir (the upper triangle matrix). Çarpanlar (The factors) L ve U
üçgen matrislerdir.
183
Uygulama: The LU decomposition Scipy.lnalg .lu()

function
3×3 kare matris tanımlıyor. LU decomposition hesaplanıyor. Ve original
matris bileşenlerinden yeniden oluşturuluyor.

from scipy.linalg import lu
# 3×3 kare matris tanımlıyor
A = array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(A)
# LU decomposition : Matrisi Çarpanlarına Ayırma
P, L, U = lu(A)
print(P)
print(L)
print(U)
# reconstruct
B = P.dot(L).dot(U)
print(B)
184
………………….
185
Uygulama: LU decomposition scipy.linalg.lu(A)

L, U ve Permütasyon (permutation) matrisi P
import pprint
import scipy
import scipy.linalg # SciPy Linear Algebra Library
A = scipy.array([ [7, 3, -1, 2], [3, 8, 1, -4], [-1, 1, 4, -1], [2, -4, -1, 6] ])
P, L, U = scipy.linalg.lu(A)
print ("A:")
pprint.pprint(A)
print ("P:")
pprint.pprint(P)
print ("L:")
pprint.pprint(L)
print ("U:")
pprint.pprint(U)
186
II.3. SCIPY İNTEGRAL SCIPY.INTEGRATE
UYGULAMA: Scipy Genel İntegral Alma

integrate.quad()
dx: x ekseni boyunca artım(slice)
from scipy import integrate
x2 = lambda x: x**2
# x2 integrali alınacak fonksiyon ve [0,6] integral aralığı( interval)
I=integrate.quad(x2, 0, 6)
print(I)
Hatırlatma: nin İntegrali dür. Analitik sonuç tam 72 dir.
187
UYGULAMA: Scipy İntegral Alma integrate.quad()

import scipy.integrate as integrate
import scipy.special as special
# jv(2.5, x) Bessel fonksiyonu ve [0,4.5] integral aralığı( interval)

result = integrate.quad(lambda x: special.jv(2.5,x), 0, 4.5)
print(result)
General integration (quad) integrate.quad(lambda x:

special.jv(2.5,x), 0, 4.5)
quad fonksiyono tek feğişkenli fonksiyonların iki nokta araaında integralini
almak için kullanılır. Noktalar sonsuz limiti gösteten sonsuz şekline de olabilir.
±∞ (± inf).
188
UYGULAMA: Scipy Türev almak derivative(f, ,dx)

from scipy.misc import derivative
def f(x):
return x**3 + x**2
D=derivative(f, 1.0, dx=1e-6)
print(D)
analitik sonucu 5 (3x**2 + 2x)
189
II.3. SCIPY ÖZEL FONKSİYONLAR

Scipy okyanusunun fonksiyonlarına bu kitapta girmiyoruz. Sadece
fonksiyon gruplarının başlıklarını vererek geçiyoruz. Sırf bu kısımdan 2-3 ciltlik
bir kitap çıkar.
Özel Fonksiyonlar (scipy.special)

Airy Fonksiyonları
Elliptic Fonksiyonlar ve İntegraller
Bessel Fonksiyonları
Zeros of Bessel Fonksiyonları
Faster versions of common Bessel Fonksiyonları
Integrals of Bessel Fonksiyonları
Derivatives of Bessel Fonksiyonları
Spherical Bessel Fonksiyonları
Riccati-Bessel Fonksiyonları
Struve Fonksiyonları
Raw Statistical Fonksiyonları
Information TheoryFonksiyonları
Gamma and Related Fonksiyonları
Error Function and Fresnel Integrals
Legendre Fonksiyonları
Ellipsoidal Harmonics
Orthogonal polynomials
Hypergeometric Fonksiyonları
Parabolic Cylinder Fonksiyonları
Mathieu ve Related Fonksiyonları
Spheroidal Wave Fonksiyonları
Kelvin Fonksiyonları
Combinatorics
Lambert W and Related Fonksiyonları
Other Special Fonksiyonları
190
Scipy Özel Fonksiyonlar scipy.special

Matematiksel Fiziğin(mathematical physics) Özel Fonksiyonları : Airy,
elliptic, bessel, gamma, beta, hypergeometric, parabolic cylinder, mathieu,
spheroidal wave, struve, and kelvin functions.
BESSEL FONKSİYONLARI
Silindirik koordinatlarda tanımlanan bir potansiyel fonksiyonunun
çözümü bessel fonksiyonlarıdır.
Bessel Fonksiyonları klasik elektromanyetik teoride silindirik şekilli
geometrilerin potansiyellerini , yine silindirik koordinatlarda ısı denkleminin
çözümünü içeren fonksiyonlardır. Silindirik koordinatlardaki alan probleminin
çözümünde kullanılırlar. Bessel diferansiyel denklemi
191
UYGULAMA: Scipy special BESSEL ve Matplotlib

import numpy as np
from scipy import special
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
def drumhead_height(n, k, distance, angle, t):

kth_zero = special.jn_zeros(n, k)[-1]
return np.cos(t) * np.cos(n*angle) * special.jn(n, distance*kth_zero)
theta = np.r_[0:2*np.pi:50j]
radius = np.r_[0:1:50j]
x = np.array([r * np.cos(theta) for r in radius])
y = np.array([r * np.sin(theta) for r in radius])
z = np.array([drumhead_height(1, 1, r, theta, 0.5) for r in radius])
fig = plt.figure()
ax = Axes3D(fig)
ax.plot_surface(x, y, z, rstride=1, cstride=1, cmap=cm.jet)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()
192
*****************************************
193
III. PYTHON MATPLOTLIB ile

Grafik Çizimleri
Pylab ve matplotlib.pyplot arasındaki farkın
açıklanması
Matplotlib de 2 çizim modülü vardır Pylab ve Pyplot. Her ikisinin
başta programa çağrılması da farklıdır.
from pylab import *
plot(x,f(x), ) veya

import numpy as np
plt.plot(x,f(x), )
Pylab da matplotlib.pyplot da matplotlib içindeki birer modül.

Pyplot interaktif1 çizime uygun değil. Pylab ise interaktif
hesaplamalara ve çizime (interactive calculations and plotting)
uygun.
Pylab matlab ‘e daha fazla benzer.

Pylab numpy yi içeriyor import numpy demeden numpy komutu
kullanılıyor. Örneğin linspace kullanıldı. Direkt exp kullanıldı.
194
III.1. MATPLOTLIB DE plot(x,f(x), color=" ", lw=2)

ile 2 BOYUTTA FONKSİYON EĞRİSİ ÇİZİMLERİ
UYGULAMA: Pylab 6*x

from pylab import *
x = linspace(0, 6*pi, 60)
plot(x,6*x, color="brown", lw=2)
plt.show()
195
UYGULAMA: Pylab 6*x**2

from pylab import *
plot(x,6*x**2, color="brown", lw=2)
plt.show()
196
UYGULAMA: Pylab exp()

from pylab import *
plot(x,exp(0.2*x), color="pink", lw=2)
plt.show()
197
UYGULAMA: Pylab exp(-)

from pylab import *
plot(x, exp(-0.2*x), color="0.7", lw=2)
plt.show()
198
UYGULAMA: Pylab -exp( )

from pylab import *
plot(x,-exp(0.2*x), color="0.7", lw=2)
plt.show()
199
UYGULAMA: Pylab -exp(-)

from pylab import *
plot(x,-exp(-0.2*x), color="0.7", lw=2)
plt.show()
200
UYGULAMA: Pylab sin(x) cos(x) sin(x)

from pylab import *
x = linspace(-6, 6, 60)
plot(x, sin(x),'r-')
plot(x, cos(x), )
plot(x, -sin(x), 'g--')
show()
201
UYGULAMA: Pylab SIN() COS()
from pylab import *

x = linspace(0, 5*pi, 100) # 0 dan 5 pi ye kadar 100 e böl aralığı demek
plot(x, sin(x), "r", x, cos(x), "b")
plt.show()
202
UYGULAMA: Pylab sin(x) cos(x)

from pylab import *
# Alttaki linspace() 0 dan 6 pi ye kadar 60 a böl aralığı demek

# sin(x) g green yeşil ile ilk eğri, cos(x) y yellow sarı ile 2nci eğri
plot(x, sin(x), "g*-", x, cos(x), "y*--")
plt.show()
SİNÜSÜ YEŞİL yapdım g green ile.

COSİNÜSÜ DE yellow y ile
Noktaları yeşil sinüs de de * ,cosinüs de * ile gösterdim
Eğride nokta aralarını yeşil sinüs de – la sürekli çizgi olarak, eflatun
cosinüsde – la kesikli çizgi olarak gösterdim.
Detaylar da bu kadar net plot komutunda
203
UYGULAMA: Pylab Sigmoid Eğrisi, Lojistik Fonksiyonu

from pylab import *
x = linspace(-6, 6, 120)
plot(x,(1/(1+exp(-x))), color="red", lw=2)
plt.show()
import matplotlib.pylab as plt diye de atanabiliyor
Not: exp() fonksiyonu
import math
math.exp(-x) ile de kullanılıyor.
204
UYGULAMA: Pylab Ters Sigmoid Eğrisi 1/(1+ exp())

from pylab import *
x = linspace(-6, 6, 120)
plot(x,(1/(1+exp(x))), color="red", lw=2)
plt.show()
205
UYGULAMA: Pylab 6*x*cos(x)

from pylab import *
x = linspace(0, 6*pi, 60) # 0 dan 6*pi ye kadar 60 a bölünmüş aralıklarla demek
plot(x,6*x*cos(x), color="r", lw=2)
plt.show()
206
UYGULAMA: Pylab EXP() SIN()

from pylab import *
#Asıl sönümlenen eğrinin çizimi
plot(x, exp(-0.2*x)*sin(2*x), color="0")
# 2 tane sınır eğrisinin çizimi
plot(x, exp(-0.2*x), x, -exp(-0.2*x), color="0.7", lw=2)
plt.show()
207
UYGULAMA:Matplotlib Pyplot SIN() COS()

import numpy as np
x = np.linspace(0, 20, 1000)
y1 = np.sin(x)
y2 = np.cos(x)
# Plot the sin and cos functions
plt.plot(x , y1, "-g", label="sine")
plt.plot(x , y2, "-b", label="cos")
plt.show()
208
UYGULAMA: MATPLOLIB pyplot SIN() COS()

import numpy as np
x = np.linspace(0,6,100)
y = np.sin(x)
z = np.cos(x)

plt.plot(x,y,'r--',linewidth=3)
plt.plot(x,z,'k:',linewidth=2)
plt.legend(['y','z'])
plt.xlabel('x')
plt.ylabel('values')
plt.xlim([0, 3])
plt.ylim([-1.5, 1.5])
plt.savefig('myFigure.png')
plt.savefig('myFigure.eps')
plt.show()
209
UYGULAMA: MATPLOTLIB pyplot SIN()

import numpy as np
t = np.arange(0.0, 2.0, 0.01)

#SİNÜS FONKSİYONU ÇİZİYOR
s = 1 + np.sin(2*np.pi*t)
plt.plot(t, s)
plt.xlabel('Zaman (s)')
plt.ylabel('Voltaj (mV)')
plt.title('Voltajın Sinüs Fonksiyonu Çizimi')
plt.grid(True)
plt.savefig("test.png")
plt.show()
210
UYGULAMA: MATPLOTLIB pyplot SIN() Subplotzero

Subplotzero’ da eksenlee 0,0 noktasından geçiyor.Bu belirtilmediğinde,
normalde eksenler çizimin alt limitleinden başlıyor.
from mpl_toolkits.axisartist.axislines import SubplotZero

import numpy as np
if 1:
fig = plt.figure(1)
ax = SubplotZero(fig, 111)
fig.add_subplot(ax)
for direction in ["xzero", "yzero"]:

ax.axis[direction].set_axisline_style("-|>")
ax.axis[direction].set_visible(True)
for direction in ["left", "right", "bottom", "top"]:

ax.axis[direction].set_visible(False)
x = np.linspace(-0.5, 1., 100)

ax.plot(x, np.sin(x*np.pi)) #SİNÜS FONKSİYONU ÇİZİYOR
plt.show()
211
grid yerine axisartist yazınca çalışıyor
212
UYGULAMA: MATPLOTLIB pyplot SIN() Hostsubplot

Hostsubplot fazladan eksen(axis) için. Bu örnekte üst ve sağ
taraftaki eksenleei ekkiyor.

from mpl_toolkits.axes_grid1 import host_subplot
import mpl_toolkits.axisartist as AA
import numpy as np
ax = host_subplot(111, axes_class=AA.Axes)
xx = np.arange(0, 2*np.pi, 0.01)
ax.plot(xx, np.sin(xx)) #SİNÜS FONKSİYONU ÇİZİYOR
# ax2 üst "top" ve sağ eksenlerden(axis) sorumludur

ax2=ax.twin()
ax2.set_xticks([0., .5*np.pi, np.pi, 1.5*np.pi, 2*np.pi])
ax2.set_xticklabels(["$0$", r"$\frac{1}{2}\pi$",
r"$\pi$", r"$\frac{3}{2}\pi$", r"$2\pi$"])
ax2.axis["right"].major_ticklabels.set_visible(False)
ax2.axis["top"].major_ticklabels.set_visible(True)
plt.draw()
plt.show()
213
214
UYGULAMA: MATPLOTLIB pyplot plt.plot([1,2,3,4],

[1,4,9,16],ro)
Aynı girişe ro eklenince
Sadece noktaları çiziyor birleştirmiyor

plt.plot([1,2,3,4], [1,4,9,16], 'ro')
plt.axis([0, 6, 0, 20])
plt.show()
215
UYGULAMA: MATPLOTLIB pyplot

engineering_formatter
EngFormatter mühendisler ve bilim adamları için faydalı bir eksen gösterim
şekli. Örneğin EngFormatter(unit='Hz') dediğimizde eksen birimi hz hertz
oluyor.

import numpy as np
from matplotlib.ticker import EngFormatter
prng = np.random.RandomState(123)
fig, ax = plt.subplots()
ax.set_xscale('log')
formatter = EngFormatter(unit='Hz')
ax.xaxis.set_major_formatter(formatter)
xs = np.logspace(1, 9, 100)
ys = (0.8 + 0.4 * prng.uniform(size=100)) * np.log10(xs)**2
ax.plot(xs, ys)
plt.show()
216
217
UYGULAMA:MATPLOTLIB PYPLOT
import numpy as np
# t 200ms aralıklarla (intervals) zamanı belirtiyor

t = np.arange(0., 6., 0.2)
# kırmızı kesik çizgiler(dashes), eflatun(magenda) kareler ve yeşil
üçgenler
# tek plot komutu içinde 3 ayrı eğri tanımlanıyor.
plt.plot(t, t, 'r--', t, t**2, 'ms', t, t**3, 'g^')
plt.show()
t yi, t kare(t**2) yi ve t küp(t**3) ü çiziyor.3 eğri çiziyor yani.
218
UYGULAMA: ÇOKLU EKSEN TAKIMLARI İLE GRAFİK

ÇİZİMİ Subplot()
Çoklu Çizimlerle(multiple figures) ve eksenlerle(axes) çalışmak.
Sy 400’‘de subplot’un açıklearning9 amasını verdik.
import numpy as np
def f(t):
return np.exp(-t) * np.cos(2*np.pi*t)
t1 = np.arange(0.0, 6.0, 0.1)

t2 = np.arange(0.0, 6.0, 0.02)
plt.figure(1)
# 211 2 satır 1 sütuna böl pçizim penceresini.bu 1 de demek
plt.subplot(211)
plt.plot(t1, f(t1), 'bo', t2, f(t2), 'k')
# 212 2 satır 1 sütuna böl çizim penceresini. Bu 2 de demek

plt.subplot(212)
plt.plot(t2, np.cos(2*np.pi*t2), 'r--')
plt.show()
Çizim penceresini subplot(212) nin ilk 2 rakamına göre 2 sstır 1

sütuna bölüyoruz. 3ncü rakam ise çizimim hangi kısımda
olacağını belirliyor. 1 ise üstte 2 ise altta.
219
220
UYGULAMA: Pyplot plt.gcf (get current figure) ve

fig.set_size_inches( , )
fig.set_size_inches() ile görüntünün boyutlarını değiştirmek

import numpy as np
from numpy import random
y = random.rand(19)
plt.scatter(x,y)
# Şekli yeniden Düzenlemek

fig = plt.gcf()
fig.set_size_inches(12,2)
plt.show()
221
UYGULAMA: Pyplot plt.gca() Get current axes

to change the limits on the y-axis
import numpy as np
y = random.rand(19)
plt.scatter(x,y)
# oluşturulan eksenlerin limitlerini değiştirmek (retrieve the axis)

axis = plt.gca()
axis.set_ylim(-6,6)
plt.show()
222
III.2. DİZİ(ARRAY) DEN ÇİZİM plt.plot([

x1,x2,x3, x4], [y1 ,y2 ,y3 ,y4 ])
UYGULAMA: MATPLOTLIB ARRAY İLE pypolt(x,y)
import numpy as np
y=[ 6, 9, 12, 16, 24, 22, 20, 16, 24, 28, 32, 46, 51]
x=range(len(y))
plt.plot(x,y)
plt.show()
en basitinden bir çizim

x o için y 6 x 1 için y 9 olarak algılayıp çiziyor.
223
UYGULAMA: MATPLOTLIB ARRAY İLE

plt.plot([1,2,3,4])
plt.xlabel('x yatay ekseni')
plt.ylabel('some numbers')
plt.show()
224
UYGULAMA: Pyplot Dizi(Array) ile Nokta nokta çizim

plt.plot([1,2,3,4], [1,4,9,16], 'ro')
plt.axis([0, 6, 0, 20])
plt.show()
'ro' deyince nokta nokta gösteriyor. Bir sonraki uygulamada aynısını 'ro' suz
çizgi şeklinde yapacağız.
225
UYGULAMA: MATPLOTLIB Pyplot Dizi(Array) ile Çizim

plt.plot([1, 2, 3, 4], [1, 4, 9, 16])
plt.xlabel('X YATAY EKSENİ')
plt.ylabel('Y DİKEY EKSENİ')
plt.show()
226
UYGULAMA PRATİĞİ: Python Dolar Grafiği Programı

import numpy as np
y=[ 6.623, 6.756, 6.768, 6.769, 6.83, 6.9]

x=[ 8.30, 9, 9.30, 9.43, 10.10, 10.20]
plt.plot(x,y)
# x ekseni o dan 24 e kadar(saatler), y ekseni 0 dan 10 a kadar demek

plt.axis([0, 24, 0, 10])
plt.xlabel('x gün saat yatay ekseni')
plt.ylabel('Dolar/TL')
plt.show()
OLDU HELAL
227
Fiyat eksenini 8 e indirelim. Saat kısmını da sabah 8 den başlatıp akşam 20 de

bitirelim. Daha belirgin olsun. Değişimi artışı daha net belirgin görebilmek için
import numpy as np
y=[ 6.623, 6.756, 6.768, 6.769, 6.83, 6.9]

x=[ 8.30, 9, 9.30, 9.43, 10.10, 10.20]
plt.plot(x,y)
# x ekseni 8 dan 20 ye kadar(saatler), y ekseni 0 dan 8 e kadar demek

plt.axis([8, 20, 0, 8])
plt.show()
228
Doları 6 dan da başlatabiliriz.
import numpy as np
y=[ 6.623, 6.756, 6.768, 6.769, 6.83, 6.9]

x=[ 8.30, 9, 9.30, 9.43, 10.10, 10.20]
plt.plot(x,y)

plt.axis([8, 20, 6, 8])
plt.show()
Şimdi daha iyi oldu. Sabah yarım saat-1 saat içinde bu programı yazdık. Helal
229
Fiyat ekseninin üst sınırını (doları) 8’e indirelim. Saat kısmını da sabah 8
den başlatıp akşam 20‘de bitirelim. Daha belirgin olsun. Değişimi artışı daha net
belirgin görebilmek için.
import numpy as np
y=[ 6.623, 6.756, 6.768, 6.769, 6.83, 6.9]

x=[ 8.30, 9, 9.30, 9.43, 10.10, 10.20]
plt.plot(x,y)
plt.axis([8, 20, 6, 8])
plt.show()
Şimdi daha iyi oldu. Sabah yarım saat-1 saat içinde bu programı yazdık. Helal
Bana.
230
20 Mayıs sabahı olan tam gerçek değerler ile

import numpy as np
y=[ 6.623, 6.756, 6.768, 6.769, 6.772, 6.762, 6.766, 6.767]

x=[ 8.30, 9.06, 9.30, 9.43,9.56, 10.10, 10.22,10.24]
plt.plot(x,y)

plt.axis([8, 20, 6, 8])
plt.xlabel('Günün Sabah saatleri x yatay ekseni')
plt.show()
231
Dolar fiyat aralığını, y eksenini 6.5-7.5 arası yaptıktan sonra:

Daha berlirgin oldu.
import numpy as np
y=[ 6.623, 6.756, 6.768, 6.769, 6.772, 6.762, 6.766, 6.767]

x=[ 8.30, 9.06, 9.30, 9.43,9.56, 10.10, 10.22,10.24]
plt.plot(x,y)
# x ekseni o dan 24 e kadar(saatler), y ekseni 6.5 den 7.5 e kadar demek

plt.axis([8, 20, 6.5, 7.5])
plt.xlabel('Günün Sabah saatleri x yatay ekseni')
plt.show()
232
Uygulama: MATPLOTLIB pyplot

plt.plot([1,2,3,4],[8000,8200,8600,9200])
plt.plot([1,2,3,4], [8000,8200,8600,9200])
plt.axis([0, 6, 7000, 10000])
plt.ylabel('BTC /Dolar')
plt.show()
233
UYGULAMA: MATPLOTLIB pyplot Eksenlerin adını

yazmak/LABELING AXES ve başlığı yazmak
import numpy as np
y=[ 6, 9, 12, 16, 24, 22, 20, 16, 24, 28, 32, 46, 51]
x=range(len(y))
plt.xlabel("yatay x ekseni")
plt.ylabel("dikey y ekseni")
plt.title("DENEME ÇİZİMİ")
plt.plot(x,y)
plt.show()
234
UYGULAMA: MATPLOTLIB pyplot plt.plot([1,2,3,4],

[1,4,9,16])

plt.plot([1,2,3,4], [1,4,9,16])
plt.axis([0, 6, 0, 20])
plt.show()
235
III.3. GERİ PLAN RENGİ, EKSEN RENKLERİ

UYGULAMA: Matplotlib Sitilleri Kompoze etmek
import numpy as np
import matplotlib as mpl
x =np.linspace(0,20,19)
y=2*x
plt.plot(x, y, marker='*', color='r', linestyle='none')

# X ekseni limitleri -0.5 den 20 ye kadar demek
plt.xlim(0, 20)
# Y ekseni limitleri-2 den 50 ye kadar demek
plt.ylim([-2, 50])
# Başlık
plt.title('Deneme Eğrisi')
# Eksen Başlıkları(Etiketleri)
plt.xlabel("Yatay Koordinatlar")
plt.ylabel('Yükseklikler')
plt.show()
236
Aynı örnekte plt.plot(x, y, marker='*', color='r', linestyle='none') dan

marker='* ve linestyle='none' ı silince
plt.plot(x, y, ', color='r' ) iken bu sefer düz çizgi olarak gösterdi
import numpy as np
y=2*x
plt.plot(x, y, color='r')
# X ekseni limitleri -0.5 den 20 ye kadar demek
plt.xlim(0, 20)
plt.ylim([-2, 50])
plt.show()
237
UYGULAMA:GeriPlan rengini Değiştirmek

facecolor
import numpy as np
y=2*x
# bu eksenlerin içinin geri plan rengini değiştiriyor

# plottan önce konulmalı bu satırlar yoksa tüm ekran pembe oluyor.
# Çizim görünmüyor
plt.axes(facecolor="pink")
plt.plot(x, y, color='r')
# X ekseni limitleri -0.5 den 20 ye kadar demekplt.xlim(0, 20)
plt.ylim([-2, 50])
plt.show()
238
Bununla da oluyor.
# plottan önce konulmalı bu satırlar yoksa yine beyaz görünüyor geriplan
plt.rcParams['axes.facecolor']='pink'
plt.rcParams['savefig.facecolor']='pink'
239
UYGULAMA: Matplotlib’de Geri plan rengini değiştirmek

plt.axes(facecolor="orange") Eksenlerin içi
# bu eksenlerin içinin geri plan rengini değiştiriyor

plt.axes(facecolor="orange")
plt.axis([0, 6, 0, 20])
plt.plot([1,2,3,4], [1,4,9,16])
plt.show()
plt.axes(facecolor="orange") bu satır plt.axis den de plt.plot danda

önce olmalı
plt.plot tan sonra olursa heryer kavuniçi oluyor ve çizim gözükmüyor
plt.axis den sonra olursa da axis deki eksen sınırları değil çizimin sınırları
görülüyor
240
Bu kenarların eksenlerin dışının rengini değiştiriyor

fig = plt.figure()
fig.set_facecolor('b')
Bu tüm geriplan rengini7eksenlerin yüzrengini (face color of axes)

değiştiriyor
ax.set_facecolor('b')
bu eksenlerin içinin geri plan rengini değiştiriyor

ax = plt.axes()
ax.set_facecolor("orange")
ya da
ax.set(facecolor = "orange")
plt.show()
241
UYGULAMA: Matplotlib geriplan rengini değiştirmek

facecolor='#FFFFCC'
from matplotlib.widgets import Cursor
import numpy as np
np.random.seed(19680801)
fig = plt.figure(figsize=(8, 6))

ax = fig.add_subplot(111, facecolor='#FFFFCC')
x, y = 4*(np.random.rand(2, 100) - .5)

ax.plot(x, y, 'o')
ax.set_xlim(-2, 2)
ax.set_ylim(-2, 2)
cursor = Cursor(ax, useblit=True, color='red', linewidth=2)
plt.show()
242
UYGULAMA: Matplotlib cmap=cm.jet colormap

kullanımı
Torch da Düşündüm, çözdüm denedim oldu. Buraya da aktardım.
plt.imshow( , cmap=cm.jet) den

import numpy as np
# 2 Boyutlu Dizi (köşegende doğrussl arran değerlee)

dizi = np.diag(range(22))
plt.matshow(dizi, cmap=cm.Reds)
plt.show()
243
UYGULAMA: Matplotlib Eksen rengini değiştirmek

matplotlib.rc('axes',edgecolor='r')
import matplotlib
from matplotlib import pyplot as plt
matplotlib.rc('axes',edgecolor='r')
plt.plot([0, 1], [0, 1])
plt.savefig('D:/Bilim/deneme.png')
plt.show()
244
UYGULAMA: Matplotlib Eksen rengini ve eksen dışının

rengini değiştirmek plt.rc_context({'axes.edgecolor':
'figure.facecolor':'yellow})

with plt.rc_context({'axes.edgecolor':'orange', 'xtick.color':'red',
'ytick.color':'green', 'figure.facecolor':'yellow'}):
fig, (ax1, ax2) = plt.subplots(1,2)
ax1.plot(range(10))
ax2.plot(range(10))
ax.plot(range(10))
plt.show()
245
UYGULAMA: Matplotlib’de Geri plan rengini

değiştirmek plt.gcf().set_facecolor("red") eksenlerin dışı
import numpy as np
# 2 Boyutlu Dizi (köşegende doğrussl olarak artan değerler)

# bu kenarların eksenlerin dışının rengini değiştiriyor
plt.gcf().set_facecolor("red")
plt.show()
246
UYGULAMA: Matplotlib Geriplan Sitillerinin listesi

print(plt.style.available))
['Solarize_Light2', '_classic_test_patch', 'bmh', 'classic',

'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn',
'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark', 'seaborn-dark-
palette', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-
notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-
talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'tableau-
colorblind10']
247
UYGULAMA: Matplotlib geriplan stili

matplotlib.style.use(sty)
import numpy as np
th = np.linspace(0, 2*np.pi, 128)
def demo(sty):
mpl.style.use(sty)
fig, ax = plt.subplots(figsize=(3, 3))
ax.set_title('style: {!r}'.format(sty), color='C0')
ax.plot(th, np.cos(th), 'C1', label='C1')
ax.plot(th, np.sin(th), 'C2', label='C2')
ax.legend()
demo('default')
# sty ye yani mpl.style.use(sty) a seaborn sitili yollanıyor
demo('seaborn')
plt.show()
248
demo('seaborn-dark')
demo('dark_background')
249
UYGULAMA: Matplotlib
plt.style.context('dark_background'):
import numpy as np
with plt.style.context('dark_background'):
plt.plot(np.sin(np.linspace(0, 2 * np.pi)), 'r-o')
plt.show()
250
III.4. Linspace ve meshgrid ile Matplotlib

de Çizim
UYGULAMA: MATPLOTLIB np.linspace(x1 ,x2,n)
import numpy as np
x = np.linspace(0, 3, 20)
y = np.linspace(0, 9, 20)
plt.plot(x, y)
plt.plot(x, y, 'o')
plt.show()
251
UYGULAMA: Matplotlib pylab numpy.linspace( )

import numpy as np
import pylab as plt
#0 6 arasında 30 nokta üret
# numpy.linspace() ‘in Grafik Tanıtımı
# Başlangıç = 0
# Bitiş = 6
x1 = np.linspace(0, 6, 30, endpoint = True)
y1 = np.zeros(30)
plt.plot(x1, y1, 'o')

plt.xlim(-0.2, 6.2)
plt.show()
252
UYGULAMA: Matplotlib pylab numpy.linspace ile

numpy.meshgrid( )
import numpy as np
import pylab as plt
# 0 dan 6 ya kadar aralığı 6 ya bölüp noktalar oluştur demek

xd = np.linspace(0,6,6)
yd = np.linspace(0,6,6)
x, y = np.meshgrid(xd, yd)
plt.plot(x, y, marker='*', color='r', linestyle='none')

plt.show()
Aynı x ve y koordinatları bu şekilde de oluşturulabilir

xd = np.array([0, 1, 2, 3, 4, 5, 6]);
yd = np.array([0, 1, 2, 3, 4, 5, 6]);
253
UYGULAMA: Matplotlib pyplot Numpy.linspace(, , ,

endpoint=False)
import numpy as np
N=8
y = np.zeros(N)
x1 = np.linspace(0, 10, N, endpoint=True)
x2 = np.linspace(0, 10, N, endpoint=False)
plt.plot(x1, y, 'o')
plt.plot(x2, y + 0.5, 'o')
plt.ylim([-0.5, 1])
plt.show()
254
UYGULAMA: Matplotlib pyplot Numpy.linspace(, , ,

endpoint=False)
import numpy as np
y = np.zeros(10)
a=np.linspace(0, 10, 10)
print(a)
b=np.linspace(0, 10, 10, endpoint=True)
print(b)
D=np.linspace(0, 10, 10, endpoint=False)
print(D)
plt.plot(a, y, 'o')
plt.plot(b, y + 0.5, 'o')
plt.plot(D, y + 1, 'o')
plt.ylim([-0.5, 1.5])
plt.show()
255
UYGULAMA: MATPLOTLIP np.linspace()

import numpy as np
import matplotlib.pylab as plt
#x ekseninde (0,1) aralığında lnspace ile x noktaları tanımlıyor
plt.plot(x, x**2)
plt.show()
256
UYGULAMA: MATPLOTLIP np.linspace()

Aynı uygulama aralığı değiştirdim: 0-10 aralığı/interval
import numpy as np
import matplotlib.pylab as plt
#x ekseninde (0,10) aralığında lnspace ile x noktaları tanımlıyor

plt.plot(x, x**2)
plt.show()
257
UYGULAMA: MATPLOTLIB Eksen Oranları

set_yscale('symlog' linear
import numpy as np
from matplotlib.ticker import NullFormatter
np.random.seed(1)
y = np.random.normal(loc=0.5, scale=0.4, size=1000)
y = y[(y > 0) & (y < 1)]
y.sort()
x = np.arange(len(y))
# Çeşitli eksen oranları ile çizim

fig, axs = plt.subplots(2, 2, sharex=True)
fig.subplots_adjust(left=0.08, right=0.98, wspace=0.3)
# Doğrusal(lineer)
ax = axs[0, 0]
ax.plot(x, y)
ax.set_yscale('linear')
ax.set_title('linear')
ax.grid(True)
# logaritma
ax = axs[0, 1]
ax.plot(x, y)
ax.set_yscale('log')
ax.set_title('log')
ax.grid(True)
# Simetrij logaritma symmetric log

ax = axs[1, 1]
ax.plot(x, y - y.mean())
ax.set_yscale('symlog', linthreshy=0.02)
ax.set_title('symlog')
258
ax.grid(True)
# logit
ax = axs[1, 0]
ax.plot(x, y)
ax.set_yscale('logit')
ax.set_title('logit')
ax.grid(True)
ax.yaxis.set_minor_formatter(NullFormatter())
plt.show()
259
III.5. mathplotlib.pyplot.streamplot
Vektörel akışın akışçizgilerini (streamlines of a vector flow) çizer.
UYGULAMA: MATPLOT STREAM Değişen Renk
import numpy as np
Y, X = np.mgrid[-2:2:100j, -2:2:100j]
U = -2 - X**2 + Y
V = 1 + X - Y**2
# hız = np.sqrt(U*U + V*V)
# Akış çizgisi(streamline) boyunca Değişen Renk

fig0, ax0 = plt.subplots()
strm = ax0.streamplot(X, Y, U, V, color=U, linewidth=2,
cmap=plt.cm.autumn)
ax0.set_title('Değişen Renk')
# Değişen Renk kullandığımız için RenkÇubuğu(colorbar) ekliyoruz.
fig0.colorbar(strm.lines)
plt.show()
260
261
UYGULAMA: MATPLOT STREAMPLOT

import numpy as np
Y, X = np.mgrid[-2:2:100j, -2:2:100j]
U = -2 - X**2 + Y
V = 1 + X - Y**2
# hız = np.sqrt(U*U + V*V)
# Akış çizgisi(streamline) boyunca Değişen Yoğunluk

ax0.streamplot(X, Y, U, V,density=[0.5, 1])
ax0.set_title('Değişen Yoğunluk')
plt.show()
262
263
UYGULAMA: MATPLOT STREAMPLOT

import numpy as np
Y, X = np.mgrid[-3:3:100j, -3:3:100j]
U = -1 - X**2 + Y
V = 1 + X - Y**2
speed = np.sqrt(U*U + V*V)
# Çizim alanını 1 satır 2 kolon olarak belirtip 2 çizim için yer tanımlıyoruz
# Böyle alttaki gibi de 2 kolon tanımlayabilirdik
# gs = gridspec.GridSpec(nrows=1, ncols=2)
# ax1 = fig.add_subplot(gs[0, 0])
fig1, (ax1, ax2) = plt.subplots(ncols=2)

ax1.streamplot(X, Y, U, V, density=[0.5, 1],color='g' )
lw = 5*speed / speed.max()
ax2.streamplot(X, Y, U, V, density=0.6, color='r', linewidth=lw)
plt.show()
264
265
III.6. plt.contour() ve plt.contourf()

Kontür(contour) çizgileri ve dolgu
kontürler (filled contours) Çizimi
UYGULAMA: pyplot.contour(x,y,a) making contour plot
from numpy import *
x = linspace(0,10,51)
y = linspace(0,8,41)
(X,Y) = meshgrid(x,y)
a = exp(-((X-2.5)**2 + (Y-4)**2)/4) - exp(-((X-7.5)**2 + (Y-4)**2)/4)
c = plt.contour(x,y, ) a
l = plt.clabel(c)
lx = plt.xlabel("x")
ly = plt.ylabel("y")
plt.show()
266
UYGULAMA: = plt.contour(x,y,a) CONTOUR PLOT
from numpy import *

a = exp(-((X-4)**2 + (Y-4)**2)/6) - exp(-((X-6)**2 + (Y-4)**2)/6)
# g green yani yeşil renkte çiziyor
c = plt.contour(x,y,a,linspace(-1,1,11),colors='g',linewidths=4,
linestyles='dotted')
plt.show()
Sırala
ma
değerl
eri
(tuple
or list)
okont
ur
seviyelerini göstermek için kullanılabilir.
267
UYGULAMA: plt.contourf(x,y,a) CONTOUR DA cmap

COLORMAP KULLANIMI
from numpy import *
a = exp(-((X-4)**2 + (Y-4)**2)/6) - exp(-((X-6)**2 + (Y-4)**2)/6)
c = plt.contourf(x,y,a,linspace(-1,1,11), cmap='spring')
# colorbar a renk çubuğuna orientation='vertical' yani dik dedik
b = plt.colorbar(c, orientation='vertical')
ax = plt.axis([0,10,0,8])
plt.show()
cmap='spring' cmap colormap kullandık.
268
Colormap renkharitası belirtilmezse jet i kullanır.

Bazı renkharitaları(colormaps):
269
UYGULAMA: plt.contour(x,y,a) plt.pcolor(x,y,ac)

plt.colorbar COUNTER MESH PLOTS
from numpy import *

a = exp(-((X-4)**2 + (Y-4)**2)/6) - exp(-((X-6)**2 + (Y-4)**2)/6)
ar = 0.6*(a[:-1,:-1] + a[:-1,1:] + a[1:,:-1] + a[1:,1:])
c = plt.pcolor(x,y,ar)
# colorbar a renk çubuğuna orientation='horizontal' yani yatay dedik
d = plt.colorbar(c,orientation='horizontal')
q = plt.winter()
e = plt.contour(x,y,a,linspace(-1,1,11),colors='k')
ly = plt.xlabel("y")
plt.show()
270
III.7. Matplotlib Ok(Arrow) Çizimi
UYGULAMA: MATPLOTLIB pyplot ARROW

from matplotlib.pyplot import *
from numpy import *
x = arange(10)
y=x
plot(x, y)
# Oku oluşturmak
arr = Arrow(2, 2, 1, 1, edgecolor='white')
# Altçizim (Subplot)
ax = gca()
# Oku eklemek
ax.add_patch(arr)
# Okun rengini g green yeşil yapmak

arr.set_facecolor('g')
plt.show()
271
272
UYGULAMA: Matplotlib pyplot ARROW

ax = plt.axes()
ax.arrow(0, 0, 0.6, 0.6 head_width=0.05, head_length=0.1, fc='k', ec='k')
plt.show()
273
UYGULAMA: ARROW pylab ile

import pylab as P
P.subplot(111)
# P.arrow( x, y, dx, dy, **kwargs )
P.arrow( 0.2, 0.2, 0.0, 0.6, fc="k", ec="k",
head_width=0.06, head_length=0.1 )
P.show()
274
UYGULAMA: ARROW İKİ ARROW pylab

import pylab as P
P.subplot(111)
P.arrow( 0.2, 0.2, 0.0, 0.6, fc="k", ec="k",
head_width=0.06, head_length=0.1)
P.arrow( 0.6, 0.2, 0.0, 0.6, fc="k", ec="k",
P.show()
275
UYGULAMA: MATPLOTLIB ARROW RENKLİ İKİ ARROW

pylab ile
import pylab as P
P.subplot(111)
P.arrow( 0.2, 0.2, 0.0, 0.6, fc="k", ec="k",
P.arrow( 0.6, 0.2, 0.0, 0.6, fc="tab:orange", ec="tab:orange",
P.show()
276
III.8. Ok alanı, Vektör Alanlarının

Görselleştirilmesi(Visualizing Vector Fields)
: meshgrid ve matplotlib Axes.quiver
Axes.quiver(*args, data=None, **kw)
2 Boyutlu Ok Alanı Çizer
quiver(U, V, **kw)
quiver(U, V, C, **kw)
quiver(X, Y, U, V, **kw)
quiver(X, Y, U, V, C, **kw)
Parametreler
X : x koordinatı
Y : y koordinatı
U : x bileşeni
V : y bileşeni
C :color Rengi
277
UYGULAMA: MATPLOLIB pyplot QUIVER

import numpy as np
n=8
X, Y = np.mgrid[0:n, 0:n]
T = np.arctan2(Y - n / 2., X - n/2.)
R = 10 + np.sqrt((Y - n / 2.0) ** 2 + (X - n / 2.0) ** 2)
U, V = R * np.cos(T), R * np.sin(T)
plt.axes([0.025, 0.025, 0.95, 0.95])

plt.quiver(X, Y, U, V, R, alpha=.5)
plt.quiver(X, Y, U, V, edgecolor='k', facecolor='None', linewidth=.5)
plt.xlim(-1, n)
plt.xticks(())
plt.ylim(-1, n)
plt.yticks(())
plt.show()
278
279
UYGULAMA: MATPLOTLIB QUIVER

import numpy as np
X = np.arange(-10, 10, 1)
Y = np.arange(-10, 10, 1)
U, V = np.meshgrid(X, Y)
q = ax.quiver(X, Y, U, V)
ax.quiverkey(q, X=0.3, Y=1.1, U=10,
label='Quiver key, length = 10', labelpos='E')
plt.show()
280
UYGULAMA:MATPLOTLIB QUIVER
import numpy as np
from numpy import ma
X, Y = np.meshgrid(np.arange(0, 2 * np.pi, .2), np.arange(0, 2 * np.pi,

.2))
U = np.cos(X)
V = np.sin(Y)
plt.figure()
plt.title('Çizim Genişliği ile orantılı Oklar')
Q = plt.quiver(X, Y, U, V, units='width')
qk = plt.quiverkey(Q, 0.9, 0.9, 2, r'$2 \frac{m}{s}$', labelpos='E',
coordinates='figure')
plt.figure()
plt.title("pivot='mid'; her üçüncü ok ; Birimler='inches'")
Q = plt.quiver(X[::3, ::3], Y[::3, ::3], U[::3, ::3], V[::3, ::3],
pivot='mid', units='inches')
plt.scatter(X[::3, ::3], Y[::3, ::3], color='r', s=5)
plt.show()
2 ayrı grafik çiziyor
281
282
UYGULAMA: MATPLOTLIB QUIVER VECTOR PLOTS

from numpy import *
u = 5*X
v = 5*Y
q = plt.quiver(X,Y,u,v,angles='xy',scale=1000,color='r')
p = plt.quiverkey(q,1,16.5,50,"50 m/s",coordinates='data',color='r')
xl = plt.xlabel("x (km)")
yl = plt.ylabel("y (km)")
plt.show()
283
UYGULAMA: 2 boyutta quiver ile Akışkanlar Mekaniği

kaynak kuyu denemesi
import numpy as np
import math
x, y = np.meshgrid(np.linspace(0, 6,12, endpoint = True),

np.linspace(0, 6, 12, endpoint = True) )
strength_source = 6 # kaynağın gğcü

x_source, y_source = 2.0, 2.0 # kaynağın konumu
# Hız alanının hessolannası

u= strength_source/(2*math.pi) * (x-x_source)/((x-x_source)**2 + (y-
y_source)**2)
v= strength_source/(2*math.pi) * (y-y_source)/((x-x_source)**2 + (y-
y_source)**2)
plt.axes([0, 0, 1, 1])
plt.quiver(x, y, u, v, alpha=.6)
plt.show()
284
OLDU BAŞARI
285
quiver deki alpha=1 oklar koyu
quiver deki alpha=0.6 oklar biraz silik
286
quiver deki alpha=0.1 oklar silik alpha azalınca silikleşiyor
plt.axes([0, 0, 1, 1]) idi

plt.axes([0.1, 0, 1, 1]) de x ‘e 0.1 diyince eksen cetveli gözüktü
287
BAŞARI ALKIŞ
import numpy as np
import math

strength_source = 6 # kaynağın gücü
x_source, y_source = 2.0, 2.0 # kaynağın konumu
# Hız alanının hesaplanması
y_source)**2)
y_source)**2)
plt.axes([0.1, 0.1, 1, 1])

plt.quiver(x, y, u, v, alpha=1)
plt.show()
plt.axes([0.1, 0.1, 1, 1]) de y ‘ye de 0.1 diyince diğer eksen cetveli de gözüktü
288
BAŞARDIK MÜKEMMELE YAKLAŞDIK '2 Boyutta

Akışkanlar Mekaniği Hız Vektör Alanı' Kaynak
Axis tanımını çıkardım eksen cetvellerini x y sınızlarından yazıyor zaten
title( ) ile de başlık ekledim
import numpy as np
import math
# Vektörlerin çizileceği noktaların koordinatlarının tanımı

# Kaynak/source tanımı
strength_source = 6 # source strength
x_source, y_source = 2.0, 2.0 # location of the source
# Hız Vektör Alanı tanımı

y_source)**2)
y_source)**2)
# Çizim
plt.title('2 Boyutta Akışkanlar Mekaniği Hız Vektör Alanı')
plt.quiver(x, y, u, v, units='width')
plt.show()
289
290
UYGULAMA : Matplotlib pyplot 3 Boyutlu Vektör Alanı

Görselleştirmesi Meshgrid ve quiver ile
As of matplotlib 1.4.x, quiver can now plot in 3d.
from mpl_toolkits.mplot3d import axes3d

import numpy as np
fig = plt.figure()
ax = fig.gca(projection='3d')
x, y, z = np.meshgrid(np.arange(-0.8, 1, 0.2),
np.arange(-0.8, 1, 0.2),
np.arange(-0.8, 1, 0.8))
# Vektör Alanı Tanımı

u = np.sin(np.pi * x) * np.cos(np.pi * y) * np.cos(np.pi * z)
v = -np.cos(np.pi * x) * np.sin(np.pi * y) * np.cos(np.pi * z)
w = (np.sqrt(2.0 / 3.0) * np.cos(np.pi * x) * np.cos(np.pi * y) *
np.sin(np.pi * z))
ax.quiver(x, y, z, u, v, w, length=0.1)
plt.show()
OLDU ÇOK GÜZEL
291
3D meshgrid in x , y, z koordinatlarındaki nokta aralıkları/noktaları

np.linspace
np.linspace
np.linspace ile de tanımlanabilirdi.
burada np.arrange ile tanımlanmış
292
UYGULAMA : Matplotlib pyplot Meshgrid ve quiver ile

3 Boyutlu Vektör Alanı Görselleştirmesi
Vektör alanı fonksiyonlarını biraz sadeleştirdim
Meshgrid ‘in arrange ‘lerle tanımlanan sınırlarını değiştirdim ve z aralığını

import numpy as np
fig = plt.figure()
x, y, z = np.meshgrid(np.arange(0, 2, 0.2),
np.arange(0, 2, 0.2),
np.arange(0, 2, 0.6))

u = 2 * x * np.cos(np.pi * y) * np.cos(np.pi * z)
v = 3 * x * np.sin(np.pi * y) * np.cos(np.pi * z)
w = x**2 * np.sin(np.pi * z)
ax.quiver(x, y, z, u, v, w, length=0.1)
plt.show()
hem 3 boyutlu bir yüzey çizilse

hem de bu yüzeyin üzerinde bir vektör alanı tanımlansa
293
294
UYGULAMA: Matplotlib pyplot Vektör Alanını

sadeleşdirdim ve Renk verdim
import numpy as np
fig = plt.figure()
np.arange(0, 2, 0.2),
np.arange(0, 2, 0.6))

u=2*x*y
v = 2 * x**2
w = x**2 * np.sin(np.pi * z)
ax.quiver(x, y, z, u, v, w, color='r', length=0.1)
plt.show()
edgecolor='k'
295
296
UYGULAMA: Matplotlib pyplot 3 Boyutta

numpy.meshgrid( )
import numpy as np
fig = plt.figure()
np.arange(0, 2, 0.2),
np.arange(0, 2, 0.2))
u=1
v=1
w=1

plt.show()
297
………………….
Noktalarla gösrtermeyi denedim 3 boyutlu meshgrid i

Bu alttaki plot u 3 boyutta çizemedi 3 boyutta noktaları bu komutla çizemedi
plt.plot(x, y, z, marker='.', color='k', linestyle='none')

…………………….
Birim vektörlerle gösterdim.
……………………………………….
surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.coolwarm,

linewidth=0, antialiased=False) ile olabilir.
298
# Vektör Alanı Tanımı biraz daha sade

u=2*x*y
v = 2 * x**2
w = x**2
299

numpy.meshgrid( ) linspace ile
import numpy as np
fig = plt.figure()
x, y, z = np.meshgrid(np.linspace(0, 6, 30, endpoint = True),

np.linspace(0, 6, 30, endpoint = True),
np.linspace(0, 6, 30, endpoint = True))
u=1
v=1
w=1
# 3 boyutta tanımlanan noktadaki vektör oklarını görüntülüyor

plt.show()
300
(OLDU HELAL BANA SABAHIN 4.30 UNDA KALKIP BİRSÜRÜ 3D UYGULAMA VE

NOT DÜZENLEME YAPIP SABAH 6.30 DA DA BUNU YAPDIM) Bu notu çalışma
sıraaında kendim için almıştım, ama nasıl bi ryoğunlaşma çalışma ile başarı
geliyor gençlere örnek olabikeceği için silmedim)
301
linspace de 30 idi 12 aralığa bölünce

302
UYGULAMA: Matplotlib pyplot Vektör Alanı Tanımı

sabit sayı ekledim
import numpy as np
fig = plt.figure()
np.arange(0, 2, 0.2),
np.arange(0, 2, 0.6))

u = 0.6 + 2 * x * y
v = 0.6 + 2 * x**2
w = 0.6 + x**2

plt.show()
303
304
UYGULAMA: Matplotlib pyplot Z aralığı da eşit 0.2

yapdım
import numpy as np
fig = plt.figure()
# arange(0, 2, 0.2) ilk eleman 0 noktası, 0.2 er artımlarla 2 ye kadar noktalar

oluştur demek
# ilk eleman 0 olduğu için 2 de nokta tanımı yok
np.arange(0, 2, 0.2),
np.arange(0, 2, 0.2))

u = 0.6 + 2 * x * y
v = 0.6 + 2 * x**2
w = 0.6 + x**2

plt.show()
305
Not:
np.arange(0, 2, 0.2) ) ilk eleman 0 noktası, 0.2 er artımlarla 2 ye kadar noktalar
oluştur demek
# ilk eleman 0 olduğu için 2 de nokta tanımı yok
306
Açıklama
Alttaki İlk örnekte u,v,w vektör alanını sabit sayılar ile tanımladık. x y z
içeren fonksiyonlar kullanmadık.İkinci örnekte x y x içeren basit fonksiyonlar
kullandık.
numpy.mesgrid() ile vektör alanının noktalarının koordinatlarını
oluştururken bir ekseni eşit aralıklara bölen Python un np.linspace() ini ikinci
örnekte de np.arange() kullandık. Böylece aynı işi yapan iki python metodunu
da göstermiş olduk.
Python matplotlib de Vektör Alanının okları quiver ile çiziliyor. Aynı
komut Matlab da quiver3 şeklinde.
307

numpy.meshgrid( ) linspace ve quiver ile 3 Boyutlu
Vektör alanı çizdirmek
import numpy as np
# 3 Boyutlu eksen takımının çizilmesi

fig = plt.figure()
eksenler = fig.gca(projection='3d')
# 3 Boyutta Grid noktaları oluşturmak, 3D vektör alanının vektörleri bu

noktalarda çizilecek
# linspace(0,6,12) demek 0 dan başla 6 ya kadar 12 ye böl demek
x, y, z = np.meshgrid(np.linspace(0, 6,12, endpoint = True),

u=1
v=1
w=1
# 3 boyutta tanımlanan noktadaki vektör oklarını görüntülemek

eksenler.quiver(x, y, z, u, v, w, color='r', length=0.1)
plt.show()
308
Programı Python IDLE de yazıp çalıştırdıktan sonra
u,v,w vektör alanı çeşitli fonksiyonlar ile birçok vektör alanı uygulamasında
kullanılabilir.
Bu vektör alanı tanımlamalarında np.sin( ) np.cos( ), np.sqrt( ) kullanılabiliyor.
309
UYGULAMA: arange() ile noktaları tanımlıyalım ve

Vektör alanına u=x v=y w=z diyelim

import numpy as np

fig = plt.figure()

# arange(0, 7, 1) ilk eleman 0 noktası, 1 er artımlarla 7 eleman oluştur demek
# ilk eleman 0 olduğu için 7nci eleman 6 noktası
x, y, z = np.meshgrid(np.arange(0, 7, 1),
np.arange(0, 7, 1),
np.arange(0, 7, 1))

u=x
v=y
w=z

plt.show()
310
Programı Python IDLE de yazıp çalıştırdıktan sonra
311
Aynı uygulamada Quiver ok tanımında length=0.1 iken
312
Matlab’da 3D Vektör Alanı Görselleştirmesi

quiver3 fonksiyonu 2D için ise quiver
Bu Matlab de
Program satırları benziyor ama farklı
[x, y, z] = meshgrid([-1 0 1]);

u = x + cos(4*x) + 3;
v = sin(4*x) - sin(2*y);
w = -z;
quiver3(x, y, z, u, v, w);
axis([-1.5 1.5 -1.5 1.5 -1.5 1.5]);
view(-30, 60);
313
UYGULAMA: 3D Vektör alanı quiver ile Fluid

Mechanics Akışkanlar Mekaniğindeki Kaynak Kuyu
İlginç bir uygulama deneyelim Akışkanlar mekaniğindeki streamplot a
uygulanan u v w hız vektör alanını buraya uygulayalım. Başardık.
KAYNAK TANIMI
strength_source yani Kaynağın Gücü pozitif ise örneğin +9 kaynak,
negatif ise kuyu -9
Kaynak + kuyu yu birlikte aynı grafikde göstermek istersek de

Kaynağın u v sini ayrı fonksiyonlarla oluşturuyoruz u1 v1
Kuyunun u ve v sini ayrı fonksiyonlarla oluşturuyoruz u2 v2
Sonra u=u1 + u2 v=v1+v2 olarak toplayıp
Akış çizdiriyorsak Streamplot da
streamplot(x, y, z, u, v, w, )
ok alanı çizdiriyorsak da
eksenler.quiver(x, y, z, u, v, w, color='r', length=0.1) de
bu toplam u v leri yazıyoruz.
Bu kadar net.
314
import math
strength_source = 6.0 # kaynağın gücü

x_source, y_source = -1.0, 0.0 # kaynağın kon6mu
# Hız vektör alanının hesaplaması

u= strength_source/(2*math.pi) * (X-x_source)/((X-x_source)**2 + (Y-
y_source)**2)
v= strength_source/(2*math.pi) * (Y-y_source)/((X-x_source)**2 + (Y-
y_source)**2)
315
Deneyelim:
import numpy as np
import math

fig = plt.figure()


strength_source = 6.0 # Kaynağın Gücü
x_source, y_source = -1.0, 0.0 # Kaynağın Yeri
# Mesh Grid üzerinde Hız Alanı nın hesaplanması

y_source)**2)
y_source)**2)
w=0

plt.show()
316
w 0 diyerek 2 boyuttaki fonksiyonu 3 boyuta taşıdık.

Silindirik çıkacak sonuç şimdilik
OLDU
Aralığı arttıralım 12 den 24 e çıkaralım ki akış tam gözüksün

Veya okların boyutunu büyütelim

aralığı arttırdık daha fazla ok olacak
317
İşte mühendislik bu, detayları şekillendirmek
318
Bir de aralık aynı 12 de iken ok büyüklüğünü attırmayı deneyelim.

Çünkü bu halde de küçük oklar tam gözükmüyor. Oldu ama tam gözükmüyor
küçük oldukları için
Source kaynağın şiddetini arttırınca oklar büyüyor
strength_source = 16.0 6 idi 16 yaptık
quiver length=0.2 yaptık 0.1 idi
319
Görünüm açısını değiştirelim 90 derece ile tam tepeden

bakalım:
axis.view_init(90, 0)
eksenler. view_init(90, 0) satırını ekledim kod a

import numpy as np
import math

fig = plt.figure()


x_source, y_source = -1.0, 0.0 # Kaynağın yeri
# compute the velocity field on the mesh grid

y_source)**2)
y_source)**2)
w=0
320

# Görünüm açısına 90 derece diyip tam yukardan bakdık şekile
eksenler. view_init(90, 0)
plt.show()
321
Source kaynak koordinatları düşünülmeli

Kaynağın koordinatları Linspace e yazılan rakamlarla tanımlanan meshgrid
koordinatlarına uygun olmalı
Tanımlanan koordinatların dışında kalmamalı
x_source, y_source = -1.0, 0.0 dı

x_source, y_source = 2.0, 2.0 yaptık
quiver length 0.1 iken
322
323
Görünüm açısını da değiştirelim biraz daha yan ve aşağıdan

açıyla bakalım
import numpy as np
import math

fig = plt.figure()


x_source, y_source = 2.0, 2.0 # Kaynağın Yeri
# mesh grid üzerindeki hız alanının hesaplanması

y_source)**2)
y_source)**2)
w=0

eksenler. view_init(45, 0)
plt.show()
324
mause çizimin üstünde basılı tutulup hareket ettirilerek görünüm açısı

değiştirilebiliyor! İlginç bir özellik
325
326
ÇİZİME SEMBOL EKLEMEK: quiverkey()
pypolt.quiverkey()çizimin kenarına sembol eklemek
quiverkey(Q, X, Y, U, label, **kw)
X, Y: konum
U: uzunluk
label: yazı, etiket
327
UYGULAMA: pyplot.quiverkey() çizime sembol

eklemek
import numpy as np
from numpy import ma
X, Y = np.meshgrid(np.arange(0, 2 * np.pi, .2), np.arange(0, 2 * np.pi, .2))

U = np.cos(X)
V = np.sin(Y)
plt.figure()
plt.title('Okların büyüklüğü genişliğe göredir')
Q = plt.quiver(X, Y, U, V, units='width')
plt.show()
328
Quiverkey in olduğu satırı çıkardığımızda aynen çiziyor

Sadece sağ üst köşedeki quiverkey ile tanımlanan bir iki harfi çizmiyor.
Bu quiverkey çizimin bir kenarına birşeyler yazmaya yarıyor.

329
UYGULAMA quiverkey( ) koordinatları

import numpy as np
X = np.arange(-10, 10, 1)
Y = np.arange(-10, 10, 1)
U, V = np.meshgrid(X, Y)
q = ax.quiver(X, Y, U, V)
plt.show()
330
Quiverkey de X i arttırdım 0.6 yapdım. Yazı sağa gitti.

quiverkey( ) deki koordinat sistemi
331
ax.quiverkey(q, X=0.3, Y=1.0, U=10, ) y=1.0 tam çizimin üst sınırı çizgisi
ax.quiverkey(q, X=0.3, Y=-0.1, ) y=-0.1 çizimin altı
332
III.9. FONKSİYONLA 3 Boyutlu Sürekli YÜZEY

ÇİZİMİ plot_surface(x, y, f(x,y))
.plot_surface(x, y, z) z= f(x,y) z x ve y ‘nin fonksiyonu,
3D yüzey fonksiyonu
.plot_surface(x, y, f(x,y))
Mathplot .plot_surface
Surface plots
Axes3D.plot_surface(X, Y, Z, *args, **kwargs)
3 boyutlu Yüzey Çizimi oluşturur.
Değişken Tanımı
X, Y, Z 2 Boyutlu Dizi ler halinde Veri Değerleri (2D arrays)
rstride Dizi satır adımı( row stride) (adım büyüklüğü), defaults to 10
cstride Dizi Sütun adımı( column stride) (adım büyüklüğü), defaults to 10
color Yüzey yolları(patches) için Renk
cmap Yüzey yolları(patches) için Renk Haritası(colormap)
facecolors Bireysel yollar için yüz renkleri
norm Harita değerlerini renklere Normalileştirme hali
vmin Haritadaki minimum değer
vmax Haritadaki maksimum değer
shade Yüz renklerinin gölgeli olup olmayacağı
Other Poly3DCollection da geçen değişkenler
333
3D BAŞLANGICI : 3 Boyutlu Eksen Takımını çizmek

ax=plt.axes(projection='3d')
Programın başındaki bu satırları sadece yazıp çalıştırırsanız, asıl 3 boyutlu
fonksiyon çiziminin veya vektörel alanının çizileceği 3 Boyutlu eksen takımı
çiziliyor.
İlk 3 satır python a gerekli kodülleri yüklüyor. 1nci satırdaki axes3d 3
boyutta vektör çizebilmemizi sağlıyor.
Kırmızı ile ve büyük olarak yazdığım (projection='3d') ise 3 boyutlu eksen
takımını çiziyor.
Bu çizilen eksenlerin görüntülenebilmesi için programın sonundaki
plt.show() satırını da yazmamız lazım.
Şimdi önce sırf bu kısmı çalıştıralım ve eksen takımını görelim:

import numpy as np

fig = plt.figure()
plt.show()
Python ‘un kod yazılıp çalıştırıldığı IDLE(Integrated Development and

Learning Environment) penceresinde programı/kodu yazıp
Run menüsünden Run modüle ile çalıştırıyoruz.
334
Vektör alanı henüz tanımlanmamış 3 boyutlu eksen takımımız gözüktü.

Şimdi 3 Boyutta vektör alanı çizdiren örneklerimize geçelim.
335
UYGULAMA: 3D BAŞLANGICI : 3 Boyutlu eksen takımını

çizmek ax=plt.axes(projection='3d')
from mpl_toolkits import mplot3d
import numpy as np
fig = plt.figure()
ax = plt.axes(projection='3d')
plt.show()
336
Görünüm açısını kod ile değiştirmek

axis.view_init(a, b) a ve b açıları
Yatay düzlemle yapdığı açı a, yukardan bakış açısı / the elevation angle
yatay düzlemde x ekseninden yana olan açı da b , yandan bakış açısı / azimuthal
angle
Görünüm açısını mause ile sol tuşa basılı çizilmiş

halde değiştirmek..
337
UYGULAMA: Matplotlib pyplot PLOT_SURFACE

import numpy
from matplotlib import pyplot
from mpl_toolkits.mplot3d.axes3d import Axes3D
fig = pyplot.figure(figsize=(12, 9))

axis = fig.add_axes([0.1, 0.1, 0.8, 0.8], projection='3d')
x = numpy.linspace(0.0, 1.0)
y = numpy.linspace(0.0, 1.0)
X, Y = numpy.meshgrid(x, y)
# x, y are vectors
# X, Y are 2d arrays
Zyüzeyi = numpy.sin(numpy.pi*X*Y)**2 * numpy.cos(2.0*numpy.pi*Y)**2
# Zyüzeyi ile TANIMLANAN Fonksiyon ÇİZİLECEK

axis.plot_surface(X, Y, Zyüzeyi)
# Eksenlerin etiketlerini(labels) belirliyoruz X Y ve Z olarak.

axis.set_xlabel(r'$X$')
axis.set_ylabel(r'$Y$')
axis.set_zlabel(r'$Z$')
pyplot.show()
338
339
Matplotlib’de RENK HARİTALARI CM(COLORMAPS)

cmap=cm.
from matplotlib import cm ile yükleniyor
cmap=plt.cm.jet ile tanımlanıyor
340
341
UYGULAMA: Matplotlib pyplot axis.plot_surface() ve

colorbar (orijinal deneme fonksiyonu ile)
colormap Matplotlib’in cm modülü’nü import ediyor dahil ediyor
stride değişkenleri grid ‘in görünümün değiştiriyor
import numpy

# x, y vektördür
# X, Y iki boyutlu dizilerdir.
Zyüzeyi = numpy.sin(numpy.pi*X*Y)**2 * numpy.cos(2.0*numpy.pi*Y)**2
p = axis.plot_surface(X, Y, Zyüzeyi, rstride=1, cstride=2, cmap =

cm.coolwarm)
axis.set_xlabel(r'$X$')
axis.set_ylabel(r'$Y$')
axis.set_zlabel(r'$Z$')
fig.colorbar(p, shrink=0.5);
pyplot.show()
342
343
UYGULAMA: Değişik Bir fonksiyonla GÜZEL SONUÇ

import numpy

# x, y are vectors
yüzey = numpy.sin(numpy.pi*X*Y)**2 * numpy.sin(2.0*numpy.pi*Y**2)
p = axis.plot_surface(X, Y, yüzey, rstride=1, cstride=2, cmap = cm.coolwarm)

axis.set_xlabel(r'$x$')
axis.set_ylabel(r'$y$')
axis.set_zlabel(r'$\phi$')
pyplot.show()
344
yüzey2 = numpy.sin(numpy.pi*X*Y)**6 * numpy.sin(2.0*numpy.pi*Y**2)
uzaysalyüzey3 = numpy.sin(numpy.pi*X*Y)**6 *
numpy.sin(2.0*numpy.pi*Y**6)
345
“uzaysalyüzey3” olarak adlandırdım bu 3D 3 boyutlu yüzeyi
Uzaysalyüzey6 = numpy.sin(numpy.pi*X*Y**2)**6 *
numpy.sin(2.0*numpy.pi*Y**6)
346
Colorbar shring=1 yaptım 0.5 idi

fig.colorbar(p, shrink=1);
347
UYGULAMA: Matplotlib pyplot axis.plot_surface()

import numpy

x = numpy.linspace(-1.0, 1.0)
y = numpy.linspace(-1.0, 1.0)
# x, y are vectors
fiyüzeyi = numpy.sqrt(1-(X**2)+((Y**2)/4))
p = axis.plot_surface(X, Y, fiyüzeyi, rstride=1, cstride=2, cmap = cm.coolwarm)

pyplot.show()
348
fiyüzeyi = numpy.sqrt(1-(X**2)+(Y**2))
349
UYGULAMA: Matplotlib pyplot ELLIPSOID YÜZEYİ

axis.plot_surface()
BURDAN Z yi çekdim
z=numpy.sqrt(1-((x**2)+(y**2))) a=b=c=1 durumunda küre olur
import numpy

axis = fig.add_axes([0.1, 0.1,0.8 ,0.8], projection='3d')
# x, y are vectors
fiyüzeyi = numpy.sqrt(2-((X**2)+(Y**2)))
p = axis.plot_surface(X, Y, fiyüzeyi, rstride=1, cstride=2, cmap = cm.coolwarm)

axis.set_zlabel(r'$z$')
pyplot.show()
350
351
UYGULAMA: Matplotlib pyplot plot_surface()

from matplotlib.ticker import LinearLocator, FormatStrFormatter
import numpy as np
fig = plt.figure()
X = np.arange(-5, 5, 0.25)
Y = np.arange(-5, 5, 0.25)
X, Y = np.meshgrid(X, Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)
# PLOT SURFACE İN İÇİNDEKİ 3NCÜ DEĞER ÖNCEDEN TANIMLANAN ÇİZİLECEK
FONKSİYON, Altta Z ile gösterilen.
surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=cm.jet,
linewidth=0, antialiased=False)
ax.set_zlim(-1.01, 1.01)
ax.zaxis.set_major_locator(LinearLocator(10))
ax.zaxis.set_major_formatter(FormatStrFormatter('%.02f'))
fig.colorbar(surf, shrink=0.5, aspect=5)
plt.show()
352
353
UYGULAMA: Matplotlib pyplot MATPLOT

PLOT_SURFACE
import numpy as np
fig = plt.figure()
ax = fig.add_subplot(111, projection='3d')
u = np.linspace(0, 2 * np.pi, 100)

v = np.linspace(0, np.pi, 100)
x = 10 * np.outer(np.cos(u), np.sin(v))
y = 10 * np.outer(np.sin(u), np.sin(v))
z = 10 * np.outer(np.ones(np.size(u)), np.cos(v))
# altta color da g dedik green yeşil red kırmızı. b blue, y yellow, m magenda
ax.plot_surface(x, y, z, rstride=4, cstride=4, color='g')
plt.show()
354
355
UYGULAMA: Matplotlib pyplot MATPLOT

PLOT_SURFACE
from matplotlib.ticker import LinearLocator
import numpy as np
fig = plt.figure()
X = np.arange(-5, 5, 0.25)
xlen = len(X)
Y = np.arange(-5, 5, 0.25)
ylen = len(Y)
R = np.sqrt(X**2 + Y**2)
Z = np.sin(R)
# İki renkli olmasını burada belirliyor. y yellow sarı, r de red kırmızı

colortuple = ('y', 'r')
colors = np.empty(X.shape, dtype=str)
for y in range(ylen):
for x in range(xlen):
colors[x, y] = colortuple[(x + y) % len(colortuple)]
surf = ax.plot_surface(X, Y, Z, rstride=1, cstride=1, facecolors=colors,

ax.set_zlim3d(-1, 1)
ax.w_zaxis.set_major_locator(LinearLocator(6))
plt.show()
356
357
UYGULAMA: Matplotlib pyplot PLOT_SURFACE ve

contour ile izdüşümlerin çizilmesi
Önce izdüşümsüz test şeklini çizilim.
3 İzdüşümü çizen Contour ile yazılan 3 satır burada yok.

fig = plt.figure()
X, Y, Z = axes3d.get_test_data(0.02)
ax.plot_surface(X, Y, Z, rstride=8, cstride=8, alpha=0.3)
# Burada X Y Z eksen etiketleri ve eksen başlangıç bitiş sayıları belirleniyor

ax.set_xlabel('X')
ax.set_xlim(-60, 60)
ax.set_ylabel('Y')
ax.set_ylim(-60, 60)
ax.set_zlabel('Z')
ax.set_zlim(-100, 100)
plt.show()
358
359
UYGULAMA:Şimdi contour ile izdüşümü çizen satırları

ekleyip izdüşümleri çizelim.
fig = plt.figure()
# İzdüşümler contour ile çiziliyor

cset = ax.contour(X, Y, Z, zdir='z', offset=-100, cmap=cm.coolwarm)
cset = ax.contour(X, Y, Z, zdir='x', offset=-60, cmap=cm.coolwarm)
cset = ax.contour(X, Y, Z, zdir='y', offset=60, cmap=cm.coolwarm)
# Burada X Y Z eksen etiketleri ve eksen başlangıç bitiş sayıları belirleniyor

ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()
360
361
UYGULAMA: Matplotlib pyplot PLOT_SURFACE ve

contourf
fig = plt.figure()
#Öncekinde izdüşümler contour ile çizilmişti burada contourf ile çizidi

cset = ax.contourf(X, Y, Z, zdir='z', offset=-100, cmap=cm.coolwarm)
cset = ax.contourf(X, Y, Z, zdir='x', offset=-60, cmap=cm.coolwarm)
cset = ax.contourf(X, Y, Z, zdir='y', offset=60, cmap=cm.coolwarm)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()
362
363
UYGULAMA: Matplotlib pyplot plot_surface

import numpy as np
# Fonksiyonun tanımı
def altıkambur(x):
return ((4 - 2.1*x[0]**2 + x[0]**4 / 3.) * x[0]**2 + x[0] * x[1]
+ (-4 + 4*x[1]**2) * x[1] **2)
# Grid oluşturmak
x = np.linspace(-2, 2)
y = np.linspace(-1, 1)
xg, yg = np.meshgrid(x, y)
fig = plt.figure()
surf = ax.plot_surface(xg, yg, altıkambur([xg, yg]), rstride=1, cstride=1,
cmap=plt.cm.jet, linewidth=0, antialiased=False)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('f(x, y)')
ax.set_title('6 kamburlu Devesırtı Fonksiyonu')
plt.show()
364
365
UYGULAMA: Matplotlib pyplot plot_trisurf( ) ile

üçgensel bölünmüş 3D yüzey çizimi EYER
Üçgenleme(Triangulation) : Yüzeyi üçgenlere bölünmüş olarak gösteriyor.

import numpy as np
s_açılar = 36 # Açı sayısı

s_yarıçaplar = 10 # Yarıçap sayısı
# Çap dizisi
# r=0 çapını içermez, iki kere işlenen nokta oluşumunu önlemek için
yarıçaplar = np.linspace(0.125, 1.0, s_yarıçaplar)
# Açı dizisi
açılar = np.linspace(0, 2*np.pi, s_açılar, endpoint=False)
# Tüm açıların her çap için tekrarlanması(repeat)

açılar = np.repeat(açılar[..., np.newaxis], s_yarıçaplar, axis=1)
# polar (yarıçaplar, angles)koordinatları kartezyen(cartesian) (x, y)

koordinatlarına dönüştürür
# (0, 0) burada ekleniyor. (x, y) düzleminde ki kere işlenen nokta yok.
x = np.append(0, (yarıçaplar*np.cos(açılar)).flatten())
y = np.append(0, (yarıçaplar*np.sin(açılar)).flatten())
# Yüzeyin çizimi
z = np.sin(-x*y)
fig = plt.figure()
366
# cmap colarmap renk haritasında ocean ‘ı kullandık

ax.plot_trisurf(x, y, z, cmap=cm.ocean, linewidth=0.2)
plt.show()
367
UYGULAMA : Matplotlib pyplot contour3D( ) ile 3D

COUNTER
import numpy as np
# cm color map in import edilmesi
def f(x, y):

return np.sin(np.sqrt(x ** 2 + y ** 2))
x = np.linspace(-6, 6, 30)
y = np.linspace(-6, 6, 30)
X, Y = np.meshgrid(x, y)
Z = f(X, Y)
fig = plt.figure()
# cm.jet renk paletinin kullanılabilmesi için başta cm (colar map)‘in import
# edilmesi lazım
ax.contour3D(X, Y, Z, 50, cmap=cm.jet)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
plt.show()
368
369
UYGULAMA: Matplotlib pyplot 3D GÖRÜNÜM AÇISINI

DEĞİŞTİRMEK
import numpy as np
def f(x, y):

return np.sin(np.sqrt(x ** 2 + y ** 2))
Z = f(X, Y)
fig = plt.figure()
# cm.jet renk paletinin kullanılabilmesi için başta cm ‘in import edilmesi
# lazım
ax.contour3D(X, Y, Z, 50, cmap=cm.jet)
ax.set_xlabel('x')
ax.set_ylabel('y')
ax.set_zlabel('z')
#Bu alttaki satır ile ax.view_init() ile görünüm açısını değiştirdik.

ax.view_init(60, 35)
plt.show()
azimut: İstikamet açısı
370
ax.view_init(60, 35) ile görünüm açısını değiştirmek
371
UYGULAMA: Matplotlib pyplot GÖRÜNÜM AÇISINI

DEĞİŞTİRMEK
BU MÜTHİŞ BİRŞEY (tkinter da yazılıp menüye bu seçenek eklenebilir)
FONKSİYONUN GRAFİĞİNE FARKLI BİR AÇIDAN BAKIŞ
import numpy

# x, y are vectors

axis.view_init(60, 35)
pyplot.show()
372
axis.view_init(60, 35) EKLEDİM BÖYLE OLDU

(ax. view_init(60, 35) da ise çalışmadı, ad uyumlu olacak)
BÖYLE İDİ
373
Görünüm açısını değiştirmek axis.view_init(a, b) a

ve b açıları
Yatay düzlemle yapdığı açı a, yukardan bakış açısı / the elevation angle
yatay düzlemde x ekseninden yana olan açı da b , yandan bakış açısı /

azimuthal angle
axis.view_init(a, b) a=60 b=0 axis.view_init(60, 0)
374
45,0 axis.view_init(45, 0)
45,90 axis.view_init(45, 90)
375
UYGULAMA: Matplotlib pyplot Sıfırdan Küre Çizimi

from matplotlib.ticker import LinearLocator, FormatStrFormatter
import numpy as np
# Eşit rakam (9,9) yazınca çok daha düzgün ,orantılı çiziyor

# Kutupsal(polar) koordinatlarda r yarıçapı , teta açısı, fi açısı ile

N = 20
# pi kadar yani 180 derece yarım çember döndürüyor
theta = np.linspace(0, np.pi, N)
# 2 pi kadar yani 360 derece çember döndürüyor
phi = np.linspace(0, 2*np.pi, 2*N)
th, ph = np.meshgrid(theta,phi)
# R = ones(size(th))
# R(theta,phi) yüzeyi olmalı
x = 3*np.sin(th) *np.cos(ph)
y = 3*np.sin(th) *np.sin(ph)
z = 3*np.cos(th)
surf = axis.plot_surface(x, y, z, rstride=1, cstride=1, cmap=cm.coolwarm,
plt.show()
376
377
UYGULAMA: Matplotlib.pyplot Colormap

cmap=plt.cm.hot
import numpy as np
fig = plt.figure()
ax = Axes3D(fig)
X = np.arange(-4, 4, 0.25)
Y = np.arange(-4, 4, 0.25)
R = np.sqrt(X ** 2 + Y ** 2)
Z = np.sin(R)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=plt.cm.hot)
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=plt.cm.hot)
ax.set_zlim(-2, 2)
plt.show()
378
UYGULAMA: Matplotlib Pylab Colormap

cmap=pl.cm.hot
import numpy as np
import pylab as pl
import math as mt
fig = pl.figure()
ax = Axes3D(fig)
X = np.arange(-2*mt.pi, 2*mt.pi, 0.25)

Y = np.arange(-2*mt.pi, 2*mt.pi, 0.25)
R = np.sqrt(X ** 2 + Y ** 2)
Z = np.exp(-0.25 * R) * np.cos(2 * R)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=pl.cm.hot)

ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=pl.cm.hot)
ax.set_zlim(-2, 2)
pl.show()
iki ayrı şekil çiziyor

aynı cmap ı colormap i cmap=pl.cm.hot her iki şekile de uyguluyor
burada fig = pl.figure() olarak tanımlandığı için

cmap=pl.cm.hot
379
ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=pl.cm.hot)

satırını silince
380
UYGULAMA : Matplotlib Pylab Colormap cm.jet i

uygulayalım
import numpy as np
import pylab as pl
import math as mt
fig = pl.figure()
ax = Axes3D(fig)

R = np.sqrt(X ** 2 + Y ** 2)
Z = np.exp(-0.25 * R) * np.cos(R)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=pl.cm.jet)

ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=pl.cm.jet)
ax.set_zlim(-2, 2)
pl.show()
381
382
UYGULAMA: Matplotlib Pylab Colormap

cmap=pl.cm.Reds
import numpy as np
import pylab as pl
import math as mt
fig = pl.figure()
ax = Axes3D(fig)

R = np.sqrt(X ** 2 + Y ** 2)
Z = np.cos(R)
ax.plot_surface(X, Y, Z, rstride=1, cstride=1, cmap=pl.cm.Reds)

ax.contourf(X, Y, Z, zdir='z', offset=-2, cmap=pl.cm.Reds)
ax.set_zlim(-2, 2)
pl.show()
383
384
R = np.sqrt(X ** 2 + Y ** 2)
Z = 0.5*np.cos(R)
385
III.10. Fonksiyonla 3 Boyutlu

TELKAFES(Wireframe) YÜZEY ÇİZİMİ
plot_wireframe( )
UYGULAMA: Matplotlib pyplot plot_wireframe( ) ile 3D
WIREFRAME 3D TELKAFES ÇİZİMİ
fig = plt.figure()
# Telkafes( wireframe) Çizimi

ax.plot_wireframe(X, Y, Z, rstride=10, cstride=10, color='red')
plt.show()
386
ax.plot_wireframe(X, Y, Z, rstride=2, cstride=2, color='red') yapınca
387
UYGULAMA: plot_wireframe( ) z fonksiyonu cosinüs

import numpy as np
def f(x, y):

return np.cos(np.sqrt(x ** 2 + y ** 2))
Z = f(X, Y)
fig = plt.figure()
ax.plot_wireframe(X, Y, Z, color='red')
ax.set_title('Telkafes(wireframe)');
plt.show()
388
389
UYGULAMA: plot_wireframe( ) z fonksiyonu np.sqrt(x

** 2 + y ** 2)
import numpy as np
def f(x, y):

return np.sqrt(x ** 2 + y ** 2)
Z = f(X, Y)
fig = plt.figure()
ax.plot_wireframe(X, Y, Z, color='red')
ax.set_title('Telkafes(wireframe)');
plt.show()
390
391
III.11. MATPLOTLIB PYPLOT 3D EĞRİ

ÇİZİMİ
UYGULAMA:MATPLOTLIB PYPLOT 3D EĞRİ ÇİZİMİ
.plot(x, y, z)
import numpy as np
mpl.rcParams['legend.fontsize'] = 10
fig = plt.figure()
theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)
r = z**2 + 1
x = r * np.sin(theta)
y = r * np.cos(theta)
ax.plot(x, y, z, label='Parametrik Eğri', color='red')
ax.legend()
plt.show()
392
393
UYGULAMA: Pyplot 3 Boyutlu YAY EĞRİSİ ÇİZİMİ

import numpy as np
fig = plt.figure()
theta = np.linspace(-4 * np.pi, 4 * np.pi, 100)
z = np.linspace(-2, 2, 100)
# r ye sabit sayı atayınca 3 boyutlu yay çizimi oldu

r=6
x = r * np.sin(theta)
y = r * np.cos(theta)
ax.plot(x, y, z, label='Parametril Eğri', color='red')
ax.legend()
plt.show()
394
395
UYGULAMA: Pyplot 3 Boyutlu Yay Eğrisi Çizimi

import numpy

t = numpy.linspace(0.0, 10.0, 500)
x = numpy.cos(2.0*numpy.pi*t)
y = numpy.sin(2.0*numpy.pi*t)
z = 0.1*t
axis.plot(x, y, z, color='red')
axis.set_zlabel(r'$z$')
plt.show()
396
UYGULAMA: 3 boyutlu doğru çizimi denemesi

import numpy as np
fig = plt.figure()
z = np.linspace(0, 6, 100)
x=z
y=z
ax.plot(x, y, z, label='3 Boyutlu Doğru', color='red' )
ax.legend()
plt.show()
397
III.12. Bir Pencerede iki Grafik Çizdirmek

UYGULAMA : BİR PENCEREDE İKİ GRAFİK
Alt Çizimler( subplots)

from mpl_toolkits.mplot3d.axes3d import Axes3D, get_test_data
import numpy as np
# set up a figure twice as wide as it is tall

fig = plt.figure(figsize=plt.figaspect(0.5))
#############################
# Birinci Alt Çizim(Subplot)
# Birinci çizimin eksenlerinin oluşturulması
ax = fig.add_subplot(1, 2, 1, projection='3d')
# 3 Boyutlu Yüzey Çizimi Solda görünecek

x = np.linspace(0.0, 1.0)
y = np.linspace(0.0, 1.0)
# x, y are vectors
yüzey = np.sin(np.pi*X*Y)**2 * np.sin(2.0*np.pi*Y**2)

surf = ax.plot_surface(X, Y, yüzey, rstride=1, cstride=1,
cmap=cm.coolwarm, linewidth=0, antialiased=False)
ax.set_xlabel(r'$x$')
ax.set_ylabel(r'$y$')
ax.set_zlabel(r'$\phi$')
ax.set_zlim(-1.01, 1.01)
fig.colorbar(surf, shrink=0.5, aspect=10)
398
#################################
# İkinci Alt Çizim(Subplot) 3 Boyutlu Telkafes Çizimi. Sağda Görünecek
# İkinci çizimin eksenlerinin oluşturulması
ax = fig.add_subplot(1, 2, 2, projection='3d')
# Telkafes çizimi
X, Y, Z = get_test_data(0.05)
ax.plot_wireframe(X, Y, Z, rstride=2, cstride=2, color='red')
plt.show()
ÇALIŞTI
399
subplot(m,n,p) Birden fazla çizimi aynı pencerede

göstermek:
birden fazla çizimi figürü aynı pencerede göstermek için
Pencereyi m x n grid e bölüyor.
subplot(m,n,p) veya subplot(mnp) çeklinde
“Şunu şöyle anlatsanıza” (bu çözümleme anındaki notumdu. Silmedim. Çünkü

böyle net anlastılmıyor.
ilk rakam satır sayısı
ikinci rakam sütun sayısı
en sağdaki rakam, 3ncü rakam da grafiğin çerçevede nereye yerleştirileceğini
belirliyor.
Örneğin pencere 1 satır 2 sütun a bölünmüş olsun

subplot(1,2,1) veya subplot(1,2,2) olabilir
3ncü rakam pencere bölümünün numarasını belirtiyor
Pencerelerin Numaralanışı:
1 ise solda 2 ise sağda

subplot(121) SOLDA
subplot(122) SAĞDA
örneğin pencere 1 satır 3 sütuna bölünmüş olsun

Pencerelerin Numaralanışı:
subplot(1,3,1) çizim sola yerleştirilecek demek

subplot(1,3,2) çizim ortaya yerleştirilecek demek
subplot(1,3,3) çizim sağa yerleştirilecek demek
400
III.13. PASTA(PIE) ,ÇUBUK( BAR, 3D BAR),

HİSTOGRAM hist( ) GRAFİKLERİ
(GRAPHS)
Histogram sürekli değişkenlerin sıklık dağılımını(frequency distribution)
gösterir. The histogram sayısal datayı temsil eder Oysa Çubuk Grafiği(the bar
graph) sınıflandırıcı veriyi( categorical data) temsil eder. Histogram bir tür
Diagram’ dır. Dikdörtgen çubuklar grafikte birbirine bitişiktir. Histogram sürekli
veriyi( contious data) temsil eder. Çubuklar arsında boşluk yoktur. i.
UYGULAMA: Histogram Grafiği, 2 Türlü

import numpy as np
np.random.seed(0)
mu = 200
sigma = 25
x = np.random.normal(mu, sigma, size=100)
fig, (ax0, ax1) = plt.subplots(ncols=2, figsize=(8, 4))
ax0.hist(x, 20, normed=1, histtype='stepfilled', facecolor='g', alpha=0.75)

ax0.set_title('stepfilled')
# aralıklı çubuklardan oluşan ssğdaki 2nci histogramı oluşturur.

bins = [100, 150, 180, 195, 205, 220, 250, 300]
ax1.hist(x, bins, normed=1, histtype='bar', rwidth=0.8)
ax1.set_title('unequal bins')
fig.tight_layout()
plt.show()
401
402
UYGULAMA: 3 Boyutlu ÇUBUK GRAFİĞİ (3D BAR

GRAPH) . bar()
import numpy as np
fig = plt.figure()
# ['y', 'b', 'g', 'r'] renkler yellow,blue,green,red sarı,mavi,yeşil,kırmızı
for c, z in zip(['y', 'b', 'g', 'r'], [30, 20, 10, 0]):
xs = np.arange(10)
ys = np.random.rand(10)
# Tek bir renk veya dizi kullanılabilir.

# Her setin İlk çubuğu( bar ) cyan renginde . cs[0] = 'c' ile
cs = [c] * len(xs)
cs[0] = 'c'
ax.bar(xs, ys, zs=z, zdir='y', color=cs, alpha=0.8)
ax.set_xlabel('X')
ax.set_ylabel('Y')
ax.set_zlabel('Z')
plt.show()
403
404
UYGULAMA: PYPLOT plt.bar() plt.table

import numpy as np
data = [[ 66386, 174296, 75131, 577908, 32015],

[ 58230, 381139, 78045, 99308, 160454],
[ 89135, 80552, 152558, 497981, 603535],
[ 78415, 81858, 150656, 193263, 69638],
[139361, 331509, 343164, 781380, 52269]]
columns = ('Don', 'Rüzgar', 'Sel', 'Deprem','Dolu')

rows = ['%d Yıl' % x for x in (100, 50, 20, 10, 5)]
values = np.arange(0, 2500, 500)

value_increment = 1000
# Renkkre için pastel gölgeler oluşturmak

colors = plt.cm.BuPu(np.linspace(0, 0.5, len(rows)))
n_rows = len(data)
index = np.arange(len(columns)) + 0.3

bar_width = 0.4
# yığın çubuk grafikleri için (stacked bar chart.) kaydırmalar

y_offset = np.zeros(len(columns))
# Çubukları ve yazı etiketlerini oluşturmak

cell_text = []
for row in range(n_rows):
plt.bar(index, data[row], bar_width, bottom=y_offset, color=colors[row])
y_offset = y_offset + data[row]
cell_text.append(['%1.1f' % (x / 1000.0) for x in y_offset])
405
# Son değeri en üstte göstermek için renkleri ve etiketleri ters çevirmek

colors = colors[::-1]
cell_text.reverse()
# Grafiğe Eksenlerin altına Tablo eklemek

the_table = plt.table(cellText=cell_text,
rowLabels=rows,
rowColours=colors,
colLabels=columns,
loc='bottom')
# Alttaki Tablonun çerçevesinin boyutlarını belirlemek

plt.subplots_adjust(left=0.2, bottom=0.2)
plt.ylabel("Kayıp ${0}'s".format(value_increment))
plt.yticks(values * value_increment, ['%d' % val for val in values])
plt.xticks([])
plt.title('Felaketlerden Dolayı Kayıplar')
plt.show()
406
UYGULAMA: Matplotlib Gantt chart

.broken_barh([(40, 50)], (30, 9), )
# "gnt" Figürünü tanımlamak

fig, gnt = plt.subplots()
# Y ve X Eksen Limitlerini belirlemek

gnt.set_ylim(0, 60)
gnt.set_xlim(0, 180)
# Y ve X Eksen Etiketlerini belirlemek

gnt.set_xlabel('Proje Günleri')
gnt.set_ylabel('Yapılacak İşler')
# Y Eksenine işaretlerin konulması (Setting ticks on y-axis)

gnt.set_yticks([15, 25, 35, 45])
# Y eksenindeki işaretletin Etiketlenmesi (Labelling tickes of y-axis)
gnt.set_yticklabels(['1nci İş', '2nci İş', '3ncü İş', '4ncü İş'])
gnt.grid(True)
gnt.broken_barh([(90, 30), (150, 10)], (40, 9),facecolors ='tab:blue')

gnt.broken_barh([(40, 50)], (30, 9), facecolors =('tab:orange'))
#(10, 50) 10 dan başlıyor 50 uzunlukta demek

gnt.broken_barh([(10, 50), (100, 20), (130, 40)], (20, 9),facecolors =('tab:red'))
#(10, 160) 10 dan başlıyor 160 uzunlukta demek

gnt.broken_barh([(10, 160)], (10, 9),facecolors =('tab:green'))
plt.show()
plt.savefig("gantt1.png")
407
408
UYGULAMA: Matplotlib Pasta Grafiği(Pie chart)

* Dilim etiketleri
* 100deleri otomatik etiketlemek
* Bir dilimi "explode" ile dışarı kaydırnak
* Gölge düşürmek
* Ayarlanan başlangıç açısı
# Dilimler(slices) saat dönüşünün tersi yönündedir(counter-clockwise).

labels = 'DENİZ', 'KUŞLAR', 'ÇİÇEKLER AĞAÇLAR,' , 'GÖKYÜZÜ', 'GÜZELLİKLER'
sizes = [25, 10, 20, 25, 20]
# Sadece ikinci dilimi merkezden dışarı doğru gösterir ("explode" i.e. 'Hogs')
explode = (0, 0.1, 0, 0,0)

# Startangle başlangıç açısı normalde(default) 0 dır.Burada 90
ax1.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',
shadow=True, startangle=90)
# Eşit Görüntü Oranı( aspect ratio) ,pasta daire olarak çizilmesi içindeki
# Ama bu yazılmasa da yine daire olarak çiziyor
ax1.axis('equal')
plt.show()
409
410
UYGULAMA: Simit Grafiği (Nested Pie Charts)

import numpy as np
size = 0.3
değerler = np.array([[60., 32.], [37., 40.], [29., 10.]])
cmap = plt.get_cmap("tab20c")
dışrenkler = cmap(np.arange(3)*4)
içrenkler = cmap(np.array([1, 2, 5, 6, 9, 10]))
ax.pie(değerler.sum(axis=1), radius=1, colors=dışrenkler,

wedgeprops=dict(width=size, edgecolor='w'))
ax.pie(değerler.flatten(), radius=1-size, colors=içrenkler,

wedgeprops=dict(width=size, edgecolor='w'))
ax.set(aspect="equal", title='`ax.pie` ile Pasta Grafiği')

plt.show()
411
412
UYGULAMA: Pasta+ Çubuk Grafiği

from matplotlib.patches import ConnectionPatch
import numpy as np
import math
# style choice
plt.style.use('fivethirtyeight')
# make figure and assign axis objects

fig = plt.figure(figsize=(15,7.5))
ax1 = fig.add_subplot(121)
ax2 = fig.add_subplot(122)
# Pasta Grafiği Değerleri

ratios = [.16, .66, .18]
labels = ['Onaylayan', 'Onaylamayan', 'Kararsız']
explode=[0.1,0,0]
# rotate so that first wedge is split by the x-axis
angle = -180*ratios[0]
ax1.pie(ratios, autopct='%1.1f%%', startangle=angle,
labels=labels,explode=explode )
# Çubuk Grafiği Değerleri

xpos = 0
bottom = 0
ratios = [.23, .64, .07, .06]
width = .2
colors = [[.1,.3,.5], [.1,.3,.3], [.1,.3,.7], [.1,.3,.9] ]
413
for j in range(len(ratios)):
height = ratios[j]
ax2.bar(xpos, height, width, bottom=bottom, color=colors[j])
ypos = bottom + ax2.patches[j].get_height()/2
bottom += height
ax2.text(xpos,ypos, "%d%%" % (ax2.patches[j].get_height()*100),
ha='center')
plt.title('Onaylayanların Yaşı')
plt.legend(('50-65', '65 Üstü', '35-49', '35 Altı'))
plt.axis('off')
plt.xlim(-2.5*width, 2.5*width)
# ConnectionPatch kullanımı iki çizim araaında çizgikee çizmek için

# ilk grup için kenar ucu (wedge) verisinin alınması
theta1, theta2 = ax1.patches[0].theta1, ax1.patches[0].theta2
center, r = ax1.patches[0].center, ax1.patches[0].r
bar_height = sum([item.get_height() for item in ax2.patches])
x = r*np.cos(math.pi/180*theta2)+center[0]
y = np.sin(math.pi/180*theta2)+center[1]
con = ConnectionPatch(xyA=(-width/2,bar_height), xyB=(x,y),
coordsA="data", coordsB="data", axesA=ax2, axesB=ax1)
con.set_color([0,0,0])
con.set_linewidth(4)
ax2.add_artist(con)
x = r*np.cos(math.pi/180*theta1)+center[0]
y = np.sin(math.pi/180*theta1)+center[1]
con = ConnectionPatch(xyA=(-width/2,0), xyB=(x,y), coordsA="data",
coordsB="data", axesA=ax2, axesB=ax1)
414
con.set_color([0,0,0])
ax2.add_artist(con)
con.set_linewidth(4)
plt.show()
415
UYGULAMA: Simit Pasta(Pia) Grafiği

# Çizdirilecek Veriler
etiketler = ['Python', 'R', 'Ruby', 'Java']
sayılar = [504, 337, 415, 280]
cins_etiketler = ['Erkek', 'Kadın', 'Erkek',' Kadın', 'Erkek', 'Kadın', 'Erkek',
'Kadın']
cins_sayılar = [315,189,125,212,270,145,190,90]
renkler = ['#ff6666', '#ffcc99', '#99ff99', '#66b3ff']
cins_renkler= ['#c2c2f0','#ffb3e6', '#c2c2f0','#ffb3e6', '#c2c2f0','#ffb3e6',
'#c2c2f0','#ffb3e6']
plt.pie(sayılar, labels=etiketler, colors=renkler , startangle=90,frame=True)
# labeldistance=0.7 demezsek içteki erkek kadın yazısın dış çemberin üzerine
yazıyor
plt.pie(cins_sayılar, labels=cins_etiketler, colors=cins_renkler, radius=0.75,
startangle=90, labeldistance=0.7)
centre_circle = plt.Circle((0,0),0.5,color='black', fc='white',linewidth=0)
fig = plt.gcf()
fig.gca().add_artist(centre_circle)
plt.axis('equal')
plt.tight_layout()
plt.show()
416
UYGULAMA: Simit Grafiği(Donut Chart)

labels = 'Elma', 'Muz', 'Kiraz', 'Kayısı', 'Armut', 'Şeftali', 'Üzüm'

sizes = [32, 20, 15, 10, 10, 8, 5]
daire = plt.Circle((0, 0), 0.7, color='white')
d = plt.pie(sizes, labels=labels, autopct='%1.1f%%',

plt.axis('equal')
plt.gca().add_artist(daire)
plt.show()
417
UYGULAMA: Simit Grafiği

Etiketler = ['Sebze', 'Meyva']

Boyutlar = [300, 200]
Etiketler_sebzemeyve= ['Patates', 'Domates', 'Soğan','Biber', 'Şeftali',
'Kayısı', 'Kiraz', 'Kavun']
Boyutlar_sebzemeyve = [100,70, 70, 60, 70, 60, 50, 20]
renkler = ['#FFB600', '#09A0DA']
renkler_sebzemeyve = ['#FFCE53', '#FFDA7E', '#FFE9B2','#FFFFCE',
'#30B7EA', '#56C7F2','#7FD6F7', '#B3E7FB']
bigger = plt.pie(Boyutlar, labels=Etiketler, colors=renkler,

startangle=90, frame=True)
smaller = plt.pie(Boyutlar_sebzemeyve, labels=Etiketler_sebzemeyve,
colors=renkler_sebzemeyve, radius=0.7,
centre_circle = plt.Circle((0, 0), 0.4, color='white', linewidth=0)
fig = plt.gcf()
fig.gca().add_artist(centre_circle)
plt.axis('equal')
plt.tight_layout()
plt.show()
418
419
UYGULAMA: Area Plot plt.stackplot( , , , , ,

colors=['r','g','k','r'])
günler = [6,10,22,23,29]
haftalar = [4,2,3,7,6]
okuma=[4,5,7,6,6]
yürüyüş = [6,5,7,9,10]
yazma=[3,4,6,7,8]
yemek = [6,6,7,8,8]
plt.plot([],[],color='y', label='Okuma', linewidth=6)

plt.plot([],[],color='g', label='Yürüyüş', linewidth=6)
plt.plot([],[],color='b', label='cricket', linewidth=6)
plt.plot([],[],color='r', label='tennis', linewidth=6)
plt.stackplot(günler,okuma,yürüyüş,yazma,yemek, colors=['y','g','b','r'])
plt.xlabel('x')
plt.ylabel('y')
plt.title('Yığın(Stack)Grafiği')
plt.legend()
plt.show()
420
421
UYGULAMA: Area plot plt.stackplot( , , , , ,

colors=['r','g','k','r'])
günler = [1,2,3,4,5]
uyku =[7,8,6,11,7]
yemek = [2,3,4,3,2]
iş =[7,8,7,2,2]
yürüyüş = [8,5,7,8,13]
plt.plot([],[],color='g', label='Uyku', linewidth=5)

plt.plot([],[],color='c', label='Yemek', linewidth=5)
plt.plot([],[],color='r', label='İş', linewidth=5)
plt.plot([],[],color='b', label='Yürüyüş', linewidth=5)
plt.stackplot(günler,uyku,yemek,iş,yürüyüş, colors=['g','c','r','b'])
plt.xlabel('x')
plt.ylabel('y')
plt.title('Yığın(Stack) Çizimi')
plt.legend()
plt.show()
422
423
UYGULAMA: Yığın Grafiği(Stack Plot)

import numpy as np
x = [1, 2, 3, 4, 5]
y1 = [1, 1, 2, 3, 5]
y2 = [0, 4, 2, 6, 8]
y3 = [1, 3, 5, 7, 9]
y = np.vstack([y1, y2, y3])
labels = ["Fibonacci ", "Evens", "Odds"]
ax.stackplot(x, y1, y2, y3, labels=labels)
ax.legend(loc='upper left')
plt.show()
#Aynısını farklı bir yöntemle çiziyor

ax.stackplot(x, y)
plt.show()
424
425
UYGULAMA: YIĞIN GRAFİĞİ

import numpy as np
aylar = ['Ocak', 'Şubat', 'Mart', 'Nisan', 'Mayıs']

Arkeoloji = [300,200,100,200,100]
Python = [20,60,100,90,30]
YazıtBilim = [100,200,100,100,100]
Enstitü = [100,150,300,200,300]
plt.plot([],[],color='green', label='ARKEOLOJİ', linewidth=5)

plt.plot([],[],color='blue', label='PYTHON', linewidth=5)
plt.plot([],[],color='pink', label='YAZIT BİLİM', linewidth=5)
plt.plot([],[],color='yellow', label='ARAŞTIRMA ENSTİTÜSÜ', linewidth=5)
plt.stackplot(aylar, Arkeoloji, Python,YazıtBilim, Enstitü,
colors=['green','yellow','pink','blue','red'])
plt.xlabel('x')
plt.ylabel('y')
plt.yticks(np.arange(0, 1000, step=100))
plt.title('ÇALIŞMALAR')
plt.legend()
plt.show()
426
427
UYGULAMA: Kutu Grafiği (Box plot) ax.boxplot()

Bir sayısal dizideki veri dağılımını görmek için istatikçilerin
kullandığı bir grafik türü.
Medyan(ortanca) aritmetik ortalama değil. Seri sıralandığında
ortadaki eleman medyan. 11 elemanlı ise 6. Veri eleman sayısı çift ise iki
medyan var.Örneğin 12 eleman var ise medyan 6. ve 7.
A box plot(whisker plot) bir veri setinin minimumunu, ilk
quartile ‘ı, median’ını, üçüncü quartile ‘ı ve maksimumunu gösterir. .
In a box plot da ill quartile dan üçüncü quartile a kafar kutu(box)
çizikiyor. Dij bir çizgi kutunun oryadına medianı gösteem2k için çizilir.
Whisker ler her bir quartile ‘dan minimum ve maksimuma çizilir.

import numpy as np
np.random.seed(10)
collectn_1 = np.random.normal(100, 10, 200)
## Tek bir listede toplama

data_to_plot = [collectn_1, collectn_2, collectn_3, collectn_4]
fig = plt.figure()
ax = fig.add_axes([0,0,1,1])
bp = ax.boxplot(data_to_plot)
plt.show()
428
429
UYGULAMA: Kutu Grafiği (Box plot) np.array() ile

import numpy as np
# Verisetinin(Dataset) oluşturulması
data = np.array([1,6,12,9,23,16,10,12])
fig = plt.figure(figsize =(10, 8))
plt.boxplot(data)
# Çizimi Göster komutu

plt.show()
430
UYGULAMA: Kutu Grafiği (Box plot) plt.boxplot(data,,

notch ='True', vert = 0)
import numpy as np
# Creating dataset
data = np.array([1,6,12,9,23,16,9,12])
fig = plt.figure(figsize =(10, 7))

# vert = 0 deyince yatay çiziyor, notch ='True' deyince de ortası çentikli çiziyor
plt.boxplot(data,patch_artist = True, notch ='True', vert = 0)
plt.title("Özel Şekil Verilmiş Kutu Çizimi( box plot)")

plt.show()
431
UYGULAMA: Matplotlib Violin plot ax.violinplot()
Violin çizimi kutu çizimine( box plot) benzer. Verinin

olaaılık(probability) yoğunluğunu da gösterir. Violin grafiği değişken
dağılımını kıyaslamak için de kullanılır.Violin grafiği kutu grafiğine göre
daha fazla bilgiyi gösteeir.Violin grafiği verinin tüm dağılımını gösterir.
import numpy as np
np.random.seed(10)
## combine these different collections into a list

data_to_plot = [collectn_1, collectn_2, collectn_3, collectn_4]
# Create a figure instance

fig = plt.figure()
# Create an axes instance

ax = fig.add_axes([0,0,1,1])
# Violin çiziminin oluşturulması

bp = ax.violinplot(data_to_plot)
plt.show()
432
433
III.14. matshow() Matris Gösterimi

matplotlib.pyplot.matshow() fonksiyonu bir diziyi çizim penceresinde
bir mattis olarak göstermek için kullanılır..
Üst sol köşe merkezdir. Satırlar (dizinin ilk boyutu) yatay formda
gösterilir.
434
UYGULAMA: plt.matshow(dizi)
import numpy as np
# 2 Boyutlu Dizi (köşegende doğrussl arran değerlee)

plt.show()
Geriplan rengi değiştirilebilir.
435
UYGULAMA: matshow()
import numpy as np
alphabets = ['A', 'B', 'C', 'D']

random_array = np.random.random((4, 4))
figure = plt.figure()
axes = figure.add_subplot(111)
caxes = axes.matshow(random_array, interpolation ='nearest')

figure.colorbar(caxes)
axes.set_xticklabels(['']+alphabets)
axes.set_yticklabels(['']+alphabets)
plt.show()
Scikit learn de de çalıştı bu komut.
436
UYGULAMA: pylab plt.matshow()

from matplotlib.pylab import *
# random matris görüntülüyor

# colormap cm.gray veya cm.Blues cm.Greens de mümkün
matshow(rand(64, 64), fignum=100, cmap=cm.Reds)
show()
437
III.15. 3D Vogel voxels() 3 boyutlu küp

hacim pixeli
UYGULAMA: Matplotlib 3D Vogel ax.voxels()
Voxel bir pikselin 3 boyutlu bir küp birim şeklinde tanımlanması.
Hacim elemanının veya hacim pikselinin kısaltması.

import numpy as np
# prepare some coordinates

x, y, z = np.indices((8, 8, 8))
# Küpçükler(cuboids) çizer. Ve aralarını birleştirir

cube1 = (x < 3) & (y < 3) & (z < 3)
cube2 = (x >= 5) & (y >= 5) & (z >= 5)
link = abs(x - y) + abs(y - z) + abs(z - x) <= 2
# Nesneleri bir boolean dizisinde birleştirmek.

voxels = cube1 | cube2 | link
# Her bir nesnenin rengini belirlemek

colors = np.empty(voxels.shape, dtype=object)
colors[link] = 'red'
colors[cube1] = 'blue'
colors[cube2] = 'green'
fig = plt.figure()
ax.voxels(voxels, facecolors=colors, edgecolor='k')
plt.show()
438
Python cilt 1 sy37 boolean’a bu operatörün örneği açıklaması
439
UYGULAMA: Marplotlib 3D Voxel

import numpy as np
# koordinatların hazırlanması
x, y, z = np.indices((10, 10, 10))
# Şeffaf cuboidler ve mat cuboidlee çizee

transparent_cubes = (x < 10) & (y < 10) & (z < 10)
opaque_cubes_1 = ( x < 4) & (y == 0 ) & (z == 3)
opaque_cubes_2 = ( x == 5) & (y == 5 ) & (z == 5)
# Nesneleri bir boolean dizisinde birleştirir

voxels1 = transparent_cubes
voxels2 = opaque_cubes_1 | opaque_cubes_2
# nesnelerin rengini belirlemek

colors1 = np.empty(voxels1.shape, dtype=object)
colors1[transparent_cubes] = 'pink'
colors2 = np.empty(voxels2.shape, dtype=object)

colors2[opaque_cubes_1] = 'red'
colors2[opaque_cubes_2] = 'green'
# and plot everything

fig = plt.figure()
ax.voxels(voxels1, facecolors=colors1, edgecolor='none', alpha=0.4)
ax.voxels(voxels2, facecolors=colors2, edgecolor='none')
plt.show()
440
441
III.16. DAĞILIM ÇİZİMİ(SCATTER PLOT)

UYGULAMA: plt.scatter() Machine Learning için bir 2D
Scatter Plot örneği
import numpy as np
# Dağılım Grafiği (Scatterplot) and İlişkiler(Correlations)

# Veri(Data)
x=np.random.randn(100)
y1= x*5 +9
y2= -5*x
y3=np.random.randn(100)
# Çizim(Plot)
plt.rcParams.update({'figure.figsize':(10,8), 'figure.dpi':100})
plt.scatter(x, y1, label=f'y1 Correlation =
{np.round(np.corrcoef(x,y1)[0,1], 2)}')
plt.title('Dağılım Grafiği(Scatterplot) ve İlişkiler(Correlations)')

plt.legend()
plt.show()
442
443
UYGULAMA: .scatter() 3D Dağılım Scattering

import numpy as np
# Fixing random state for reproducibility

def randrange(n, vmin, vmax):

return (vmax - vmin)*np.random.rand(n) + vmin
fig = plt.figure()
n = 100
# For each set of style and range settings, plot n random points in the
box
# defined by x in [23, 32], y in [0, 100], z in [zlow, zhigh].
for m, zlow, zhigh in [('o', -50, -25), ('^', -30, -5)]:
xs = randrange(n, 23, 32)
ys = randrange(n, 0, 100)
zs = randrange(n, zlow, zhigh)
ax.scatter(xs, ys, zs, marker=m)
ax.set_xlabel('X Ekseni')
ax.set_ylabel('Y Ekseni')
ax.set_zlabel('Z Ekseni')
plt.show()
444
445
pyplot.scatter()çizimin içinde sembol ve renk dağılımı

kullanımı
sembol(marker) büyükküğü ve rengi
pyplot.scatter(x, y, s=None, c=None, marker=None, cmap=None,

norm=None, vmin=None, vmax=None, alpha=None, linewidths=None,
verts=None, edgecolors=None, hold=None, data=None, **kwargs)
x, y : array_like, shape (n, ) Verinin koordinatları
c: color, Renk
belirrilmekilse ‘b’ yani black siyah
marker kullanılacak sembol örnek: marker= r'$\clubsuit$

cmap : Colormap Renk Haritası
446
UYGULAMA pyplot.scatter( ) çizimin içinde şekil ve

renk dağılımı kullanımı
import numpy as np
# Gelişgüzel sayılar
N = 60
x = np.random.rand(N)
y = np.random.rand(N)
colors = np.random.rand(N)
area = (30 * np.random.rand(N))**2
plt.scatter(x, y, s=area, c=colors, alpha=0.5)

plt.show()
447
448
UYGULAMA: pyplot.scatter() çizimin içinde

sembol(marker) ve renk dağılımı kullanımı
import numpy as np
import matplotlib
# Gelişigüzel sayılar
x = np.arange(0.0, 60.0, 2.0)

y = x ** 1.3 + np.random.rand(*x.shape) * 30.0
s = np.random.rand(*x.shape) * 800 + 500
plt.scatter(x, y, s, c="g", alpha=0.5, marker=r'$\clubsuit$',

label="Şans")
plt.xlabel("Eserler Makaleler Kitaplar")
plt.ylabel("Altın")
plt.legend(loc=2)
plt.show()
marker=r'$\clubsuit$' 3 yapraklı yonca
449
450
UYGULAMA: Kümeleme(Clustering) pyplot.scatter()

scipy.cluster.vq.kmeans
import numpy as np
from scipy.cluster.vq import vq, kmeans, whiten
features = array([[ 1.9,2.3],

[ 1.5,2.5],
[ 0.8,0.6],
[ 0.4,1.8],
[ 0.1,0.1],
[ 0.2,1.8],
[ 2.0,0.5],
[ 0.3,1.5],
[ 1.0,1.0]])
whitened = whiten(features)
book = np.array((whitened[0],whitened[2]))
print(kmeans(whitened,book))
random.seed((1000,2000))
codes = 3
print(kmeans(whitened,codes))
# a ve b kümelenmelerinde(cluster) 50 verinoktası üretir

pts = 50
a = np.random.multivariate_normal([0, 0], [[4, 1], [1, 4]], size=pts)
b = np.random.multivariate_normal([30, 10],
[[10, 2], [2, 1]],
size=pts)
features = np.concatenate((a, b))
# Netleştirilmiş veri
whitened = whiten(features)
451
# Veeide 2 kümelenmeyi(cluster) bulmak

codebook, distortion = kmeans(whitened, 2)
# Netleştirilmiş veriyi ve kırmızı kümelenne(cluster) merkezlerini çizmek
plt.scatter(whitened[:, 0], whitened[:, 1])
plt.scatter(codebook[:, 0], codebook[:, 1], c='r')
plt.show()
import numpy as np ekleyince çalıştı
452
UYGULAMA: plot a linear regression line on a scatter

plot plt.plot(x, y, 'o') m, b = np.polyfit(x, y, 1)
import numpy as np
#Verinin Oluşturulması
x = np.array([1, 3, 5, 6, 7])
y = np.array([ 6, 3, 9, 8, 5 ])
#Dağılım çizimi(scatter plot)

plt.plot(x, y, 'o')
#m = eğim(slope), b=(kesişme(intercept)
m, b = np.polyfit(x, y, 1)
plt.plot(x, m*x + b)
plt.show()
453
UYGULAMA : pyplot np.polyfit() Polinom eğrisi’ne (

polynomial) Uydurma
import numpy as np
np.random.seed(18)
y = np.cos(x) + 0.3*np.random.rand(20)
p = np.poly1d(np.polyfit(x, y, 3))
t = np.linspace(0, 1, 200)
plt.plot(x, y, 'o', t, p(t), '-')
plt.show()
454
UYGULAMA:plot a linear regression line on a scatter

plot in Python b, m = polyfit(x, y, 1)
import numpy as np
from numpy.polynomial.polynomial import polyfit
# Örnek Veri(data)
x = np.arange(10)
y = 5 * x + 10
# polyfit ile fit

b, m = polyfit(x, y, 1)
plt.plot(x, y, '.')
plt.plot(x, b + m * x, '-')
plt.show()
455
Adlandırılmış Renkler(Named Colors)
456
Hex Renk Kodları
457
458
459
III.17. ax.annotate() YAZI VE YAZILI

KUTU DİAGRAM OLUŞTURMAK ve
ax.text2d()
Kutu Türleri
circle Daire
darrarrow iki yönlü ok
larrow left arrow sola ok
rarrow right arrow sağa ok
round yuvarlatılmış köşeli dikdörrgen
round4
roundtooth
sawtooth
square dikdörrgen
Örnek: dict(boxstyle="round" )
460
UYGULAMA: Yazı Eklemek .annotate( )

import numpy as np
fig = plt.figure()
ax = fig.add_subplot(111)
t = np.arange(0.0, 5.0, 0.01)

s = np.cos(2*np.pi*t)
line, = ax.plot(t, s, lw=2)
# Yazıyı yazan kısım. Bu kısım olmasa sadece eğri çizer.

# Ok ucunun koordinatı xy=(2, 1) x=2 y=1
# Yazının başladığı noktanın koordinatı xytext=(3, 1.5) x=3 y=1.5
ax.annotate('Yerel Maksimum', xy=(2, 1), xytext=(3, 1.5),
arrowprops=dict(facecolor='red', shrink=0.05),
)
# y ekseninin limitleri
ax.set_ylim(-2,2)
plt.show()
Bu yazıyı yazan kısım Matplotlib ile çizdiğimiz eğrilere eklenebilir.
461
Yazıyı yazan kısım olmasa bu şekilde görünecekti
462
UYGULAMA: Yazı Eklemek .annotate( )

from matplotlib.patches import Ellipse
import numpy as np
fig = plt.figure(1, figsize=(8, 5))

ax = fig.add_subplot(111, autoscale_on=False, xlim=(-1, 5), ylim=(-4, 3))
t = np.arange(0.0, 5.0, 0.01)

ax.annotate('Düz',
xy=(0, 1), xycoords='data',
xytext=(-50, 30), textcoords='offset points',
arrowprops=dict(arrowstyle="->"))
ax.annotate('Yay3,\YarıÇap 0.2',
xy=(0.5, -1), xycoords='data',
xytext=(-80, -60), textcoords='offset points',
arrowprops=dict(arrowstyle="->",
connectionstyle="arc3,rad=.2"))
plt.show()
463
464
UYGULAMA: Yazı eklemek annotate()

import numpy as np

t = np.arange(0.0, 5.0, 0.01)

ax.annotate('angle3,\nangle -90',
connectionstyle="angle3,angleA=0,angleB=-90"))
plt.show()
465
UYGULAMA: Kutulu Yazı eklemek .annotate()

import numpy as np

t = np.arange(0.0, 5.0, 0.01)

ax.annotate('angle,\nround',
xy=(3., 1), xycoords='data',
xytext=(-60, 30), textcoords='offset points',
bbox=dict(boxstyle="round", fc="0.8"),
connectionstyle="angle,angleA=0,angleB=90,rad=10"))
ax.annotate('angle,\nround4',
size=20,
bbox=dict(boxstyle="round4,pad=.5", fc="0.8"),
connectionstyle="angle,angleA=0,angleB=-
90,rad=10"))
plt.show()
466
467
UYGULAMA: Kutu içinde Yazı eklemek (Annotate)

import numpy.random
fig = plt.figure(1, figsize=(5,5))

fig.clf()
ax = fig.add_subplot(111)
ax.set_aspect(1)
x1 = -1 + numpy.random.randn(100)
y1 = -1 + numpy.random.randn(100)
x2 = 1. + numpy.random.randn(100)
y2 = 1. + numpy.random.randn(100)
ax.scatter(x1, y1, color="r")

ax.scatter(x2, y2, color="g")
bbox_props = dict(boxstyle="round", fc="w", ec="0.5", alpha=0.9)

ax.text(-2, -2, " A Örneği", ha="center", va="center", size=20,
bbox=bbox_props)
ax.text(2, 2, "B Örneği", ha="center", va="center", size=20,
bbox=bbox_props)
bbox_props = dict(boxstyle="rarrow", fc=(0.8,0.9,0.9), ec="b", lw=2)

t = ax.text(0, 0, "Yönelim", ha="center", va="center", rotation=45,
size=15,
bbox=bbox_props)
bb = t.get_bbox_patch()
bb.set_boxstyle("rarrow", pad=0.6)
468
ax.set_xlim(-4, 4)
ax.set_ylim(-4, 4)
plt.draw()
plt.show()
bu programda annotate fonksiyonu yok
469
UYGULAMA: ANNOTATE İLE FLOW CHART

plt.figure(figsize=(3,2))
ax=plt.subplot(111)
an1 = ax.annotate("Test 1", xy=(0.5, 0.5), xycoords="data",
va="center", ha="center",
bbox=dict(boxstyle="round", fc="w"))
an2 = ax.annotate("Test 2", xy=(1, 0.5), xycoords=an1,
xytext=(30,0), textcoords="offset points",
va="center", ha="left",
bbox=dict(boxstyle="round", fc="w"),
plt.show()
470

ax=plt.axes([0.1, 0.1, 0.6, 0.7])
an1 = ax.annotate("DENEME 1", xy=(0.5, 0.2), xycoords="data",
# xytext=(0.5,1.1) y=1.1 idi 1 olan çerçevenin üstü idi dışta yazıyordu düzelttim
an2 = ax.annotate("DENEME 2", xy=(0.5, 0.6), xycoords=an1,
xytext=(0.5,0.9), textcoords=(an1, "axes fraction"),
va="bottom", ha="center",
bbox=dict(boxstyle="round", fc="w"),
plt.show()
471

ax=plt.axes([0.1, 0.1, 0.6, 0.7])
an1 = ax.annotate("DENEME 1", xy=(0.5, 0.2), xycoords="data",
an2 = ax.annotate("DENEME 2", xy=(0.5, 0.6), xycoords=an1,

xytext=(0.5,0.6), textcoords=(an1, "axes fraction"),
va="bottom", ha="center",
bbox=dict(boxstyle="circle", fc="w"),
plt.show()
472
UYGULAMA: ANNOTATE
plt.figure(1, figsize=(6,6))
ax = plt.subplot(111)
ax.text(0.6, 0.6, "DENEME", size=30, va="center", ha="center",
bbox=dict(boxstyle=custom_box_style, alpha=0.2))
plt.show()
KUTU İÇİNDEKİ YAZIYI..FİGSIZE I YAZI KOORNİNATINI 0.6 0.6 yaptık
473
UYGULAMA : ax.text2D( , , " “) 3 Boyutlu Çizimde

Yazı/Açıklama Kutusu Kullanımı
import numpy

# x ve y vektördür
# X, Y iki boyutlu dizidir

# cmap=pyplot.cm.hot da seçilebilir
axis.set_zlim(-2, 2)
# Bu alttaki kalın harfli satırlar ekrana yazı kutusu içinde yazı yazdıran
# satırlardır. İlk axtext2D() de ilk satır ikincisinde ikinci satır yazılıyor.
# Size yazı büyüklüğü 'large' da olabilirdi
ax.text2D(0.05, .93, "3 Boyutlu Çizimde \n",
horizontalalignment='left',
verticalalignment='top',
size='xx-large',
bbox=dict(facecolor='white', alpha=1.0),
transform=pyplot.gca().transAxes)
474
ax.text2D(0.05, .87, "Yazı Kutusu Kullanımı",

horizontalalignment='left',
verticalalignment='top',
size='xx-large',
transform=pyplot.gca().transAxes)
plt.show()
Renk değişimini renk tonlaması cmap=plt.cm.hot ile yapılıyor
475
MATPLOTLIB.PYPLOT İÇERİĞİ
ÇOK ÇİZİM ÇEŞİDİ VAR ÇOK ZENGİN.
>>> import matplotlib.pyplot
>>> a=dir(matplotlib.pyplot)
>>> print(a)
['Annotation', 'Arrow', 'Artist', 'AutoLocator', 'Axes', 'Button', 'Circle', 'Figure',
'FigureCanvasBase', 'FixedFormatter', 'FixedLocator', 'FormatStrFormatter',
'Formatter', 'FuncFormatter', 'GridSpec', 'IndexLocator', 'Line2D',
'LinearLocator', 'Locator', 'LogFormatter', 'LogFormatterExponent',
'LogFormatterMathtext', 'LogLocator', 'MaxNLocator', 'MultipleLocator',
'Normalize', 'NullFormatter', 'NullLocator', 'PolarAxes', 'Polygon', 'Rectangle',
'ScalarFormatter', 'Slider', 'Subplot', 'SubplotTool', 'Text', 'TickHelper', 'Widget',
'_INSTALL_FIG_OBSERVER', '_IP_REGISTERED', '__builtins__', '__cached__',
'__doc__', '__file__', '__loader__', '__name__', '__package__', '__spec__',
'_auto_draw_if_interactive', '_autogen_docstring', '_backend_mod',
'_backend_selection', '_hold_msg', '_imread', '_imsave', '_interactive_bk',
'_pylab_helpers', '_setp', '_setup_pyplot_info_docstrings', '_show',
'_string_to_bool', 'absolute_import', 'acorr', 'angle_spectrum', 'annotate',
'arrow', 'autoscale', 'autumn', 'axes', 'axhline', 'axhspan', 'axis', 'axvline',
'axvspan', 'bar', 'barbs', 'barh', 'bone', 'box', 'boxplot', 'broken_barh', 'cla',
'clabel', 'clf', 'clim', 'close', 'cm', 'cohere', 'colorbar', 'colormaps', 'colors',
'connect', 'contour', 'contourf', 'cool', 'copper', 'csd', 'cycler', 'dedent',
'delaxes', 'deprecated', 'disconnect', 'division', 'docstring', 'draw', 'draw_all',
'draw_if_interactive', 'errorbar', 'eventplot', 'figaspect', 'figimage', 'figlegend',
'fignum_exists', 'figtext', 'figure', 'fill', 'fill_between', 'fill_betweenx', 'findobj',
'flag', 'gca', 'gcf', 'gci', 'get', 'get_backend', 'get_cmap',
'get_current_fig_manager', 'get_figlabels', 'get_fignums',
'get_plot_commands', 'get_scale_docs', 'get_scale_names', 'getp', 'ginput',
'gray', 'grid', 'hexbin', 'hist', 'hist2d', 'hlines', 'hold', 'hot', 'hsv', 'imread',
'imsave', 'imshow', 'inferno', 'install_repl_displayhook', 'interactive', 'ioff', 'ion',
476
'is_numlike', 'ishold', 'isinteractive', 'jet', 'legend', 'locator_params', 'loglog',
'magma', 'magnitude_spectrum', 'margins', 'matplotlib', 'matshow',

'minorticks_off', 'minorticks_on', 'mlab', 'new_figure_manager', 'nipy_spectral',
'np', 'over', 'pause', 'pcolor', 'pcolormesh', 'phase_spectrum', 'pie', 'pink',
'plasma', 'plot', 'plot_date', 'plotfile', 'plotting', 'polar', 'print_function',
'prism', 'psd', 'pylab_setup', 'quiver', 'quiverkey', 'rc', 'rcParams',
'rcParamsDefault', 'rc_context', 'rcdefaults', 'register_cmap', 'rgrids', 'savefig',
'sca', 'scatter', 'sci', 'semilogx', 'semilogy', 'set_cmap', 'setp', 'show',
'silent_list', 'six', 'specgram', 'spectral', 'spring', 'spy', 'stackplot', 'stem', 'step',
'streamplot', 'style', 'subplot', 'subplot2grid', 'subplot_tool', 'subplots',
'subplots_adjust', 'summer', 'suptitle', 'switch_backend', 'sys', 'table', 'text',
'thetagrids', 'tick_params', 'ticklabel_format', 'tight_layout', 'title', 'tricontour',
'tricontourf', 'tripcolor', 'triplot', 'twinx', 'twiny', 'types', 'unicode_literals',
'uninstall_repl_displayhook', 'violinplot', 'viridis', 'vlines', 'waitforbuttonpress',
'warnings', 'winter', 'xcorr', 'xkcd', 'xlabel', 'xlim', 'xscale', 'xticks', 'ylabel', 'ylim',
'yscale', 'yticks']
>>>
477
MATHPLOTLIB İÇERİĞİ
>>> a=dir(matplotlib)
>>> print(a)
['MutableMapping', 'RcParams', 'URL_REGEX', 'Verbose',
'_DATA_DOC_APPENDIX', '__bibtex__', '__builtins__', '__cached__', '__doc__',
'__file__', '__loader__', '__name__', '__package__', '__path__', '__spec__',
'__version__', '__version__numpy__', '_all_deprecated', '_backports',
'_color_data', '_create_tmp_config_dir', '_decode_filesystem_path',
'_deprecated_ignore_map', '_deprecated_map', '_deprecated_set',
'_error_details_fmt', '_get_cachedir', '_get_config_or_cache_dir',
'_get_configdir', '_get_data_path', '_get_data_path_cached', '_get_home',
'_get_xdg_cache_dir', '_get_xdg_config_dir', '_init_tests', '_is_writable_dir',
'_obsolete_set', '_open_file_or_url', '_preprocess_data', '_python27',
'_python34', '_rc_params_in_file', '_replacer', '_url_lines', '_use_error_msg',
'_version', 'absolute_import', 'cbook', 'checkdep_dvipng',
'checkdep_ghostscript', 'checkdep_inkscape', 'checkdep_pdftops',
'checkdep_ps_distiller', 'checkdep_tex', 'checkdep_usetex', 'checkdep_xmllint',
'colors', 'compare_versions', 'compat', 'contextlib', 'cycler', 'dateutil', 'dedent',
'defaultParams', 'default_test_modules', 'distutils', 'division',
'fontconfig_pattern', 'functools', 'get_backend', 'get_cachedir', 'get_configdir',
'get_data_path', 'get_home', 'get_label', 'get_py2exe_datafiles', 'inspect',
'interactive', 'io', 'is_interactive', 'is_url', 'itertools', 'locale', 'matplotlib_fname',
'mplDeprecation', 'numpy', 'os', 'print_function', 'pyparsing', 'rc', 'rcParams',
'rcParamsDefault', 'rcParamsOrig', 'rc_context', 'rc_file', 'rc_file_defaults',
'rc_params', 'rc_params_from_file', 'rcdefaults', 'rcsetup', 're', 'reload',
'sanitize_sequence', 'six', 'subprocess', 'sys', 'tempfile', 'test',
'tk_window_focus', 'unicode_literals', 'urlopen', 'use', 'validate_backend',
'verbose', 'warnings']
***************************************
478
IV. PYTHON PANDAS VERİ BİLİMİ

Pyyhon Veei analiz Kütüphanesi (Python Data Analysis
Library)
Pandas Veri Çerçevesini( Data Frame) i Veri tabanı( Database)
olarak kullanılıyor.
Kolay kullanılır Veri yapıları( data structures) ve veri analizi

araçlarına (data analysis tools) sahiptir.
Tabular Data: Tablo(table) çizelge şeklinde olan Veri

Python’a Panda yı yüklemek
Cmd ‘yi açıp
C:\Users\.........\AppData\Local\Programs\Python\Python36\Scripts\pip
install pandas
İle direkt download edip yükleniyor.
TABLO HALİNDE VERİLERİ BELLİ BİR DÜZENDE YAZDIRMA

Excel tablosu görünümlü Veri tabanı
EXCEL İN AÇDIĞI DOSYA PAYLAŞIM FORMATI OLAN
PYTHON DOSYAYA YAZMA KONUSUNDA ÖNCEDEN ÇALIŞDIĞIM BİLDİĞİM
CSV UZANTILI DOSYALARA DA YAZMAK OKUMAK BU MODÜLÜN KONUSU
Pandas Numpy, Scipy and Matplotlab ile çalışabilen bir Pyyhon

modülüdür. Pandas kelimesi "Python and data analysis" ve "panel data" dan
türetilmiş.
479
UYGULAMA: DİREKT VERİ ÇİZELGESİ(DATAFRAME)

OLUŞTURMAK df = pd.DataFrame() df['ad'] = ['Serpil',
'Yasemin', 'Müjgan'] ve Sütun Eklemek
import pandas as pd
# Boş bir Veritablosu/VeriÇerçevesi(dataframe) oluşturmak
df = pd.DataFrame()
#Veri Tablosunda Kayıt içeren sütun(column) Oluşturmak

df['Ad'] = ['Serpil', 'Yasemin', 'Müjgan']
# Veri Çerçevesini (dataframe) görmek için ekrana yazdırmak
print(df)
df['Yaş'] = [32, 22, 48]

# VeriTablosunu görmek/ View dataframe
print(df)
480
UYGULAMA: assign() ile yeni kolon eklemek

import pandas as pd
# Boş bir veriçerçevesi(dataframe) oluşturmak
Df = pd.DataFrame()
# Sütun(column) oluşturmak
Df['Ad'] = ['Özlem', 'Selin', 'Melisa']
print(Df)
# 'yaş' adında yeni bir kolon atayıp
Df= Df.assign(yaş = [28, 26, 34])
print(Df)
481
UYGULAMA: = FrameAdı.assign(SütunAdı = [ , , ]) ile

SÜTUN (Column) Ekleyerek Yeni Veri Çerçevesi
(DataFrame) Oluşturmak
import pandas as pd
# Boş bir dataframe oluşturmak
Df = pd.DataFrame()
# Sütun(column) oluşturmak
Df['Ad'] = ['Özlem', 'Selin', 'Melisa']
print(Df)
# 'yaş' adında yeni bir kolon atayıp yeni bir DataFrame oluşturmak
# Bu atamayı yaparken önveden oluşturulan Df değişmiyor. Df olduğu gibi
# kalıyor. Eklemeden sonra print(Df) desek yine ilk Df i yazar.
# Bu yüzden yeni oluşan bu DataFrame ‘e yeni bir ad verip yazdırıyoruz.
Da= Df.assign(yaş = [28, 26, 34])
print(Da)
Yeni oluşan datadframe ad vermessek, bu eklenen yaş sütununu yazmaz.İlk

dataframe değişmiyor. Yine ilk datadrame ‘i yazar. Bu işin püf noktası. Önemli
bir püf noktası ve mantığı.
482
UYGULAMA:DİREKT PANDAS ‘DAN VERİ ÇERÇEVESİ(

DATAFRAME) OLUŞTURMAK
import pandas as pd
df = pd.DataFrame({'A': range(1, 5), 'B': range(11, 15)})
print(df)
483
UYGULAMA: PANDA CSV dosyasını açmak ve VERİ

ÇERÇEVESİNE(DATAFRAME E)SÜTUN COLUMN
EKLEMEK
import pandas as pd
import numpy as np
# CSV dosyasını açmak
df= pd.read_csv('D:/programlama/ornek.csv')
# Sütun ekkemek, Python listesi.

A=df.assign(YeniSutun = df.age*2)
print(A)
TABLODA GÖSTERMİYORDU
YENİ OLUŞAN TABLOYU BİR A DEĞERİNE ATADIK YAZDI
484
UYGULAMA: PANDAS CSV dosyasını açmak ve tabloda

df.assign(YeniSutun = ['4', '6', '12', '34', '43']) yeni
sütun oluşturmak
import pandas as pd
import numpy as np
#CSV dosyasını açmak
# Yeni bir Sütun ekkemek, Python listesi

DE= df.assign(YeniSutun = ['40', '60', '46', '29', '43'])
print(DE)
BU DA YAZMIYORDU YENİ SÜTUNU

DE DEĞİŞKENİNE ATADIK YAZDI
485
UYGULAMA: assign() Bu durumda iki tablo var df ve A

İLKİ AYNI KALIYOR. SÜTUN KOLON EKLENEN İKİNCİ DATAFRAME
İKİSİNİ ALT ALTA YAZDIRALIM:
import pandas as pd
import numpy as np

# add a new column, the Python list.

print(DE)
print(df)
486
UYGULAMA: assign() Sütun eklemek

import pandas as pd
import numpy as np
# Python lisesi ile Yeni sütun eklemeyip yeni bir dataframe oluşturduk
df=DE
print(DE)
print(df)
İki DATAFRAME oluşuyor.

İLKİNE OLUŞAN ikinci DE yi atadık
ŞİMDİ İKİ DATAFRAME DE AYNI
487
UYGULAMA: assign() ile DATAFRAME E SÜTUN

EKLEMEK
import pandas as pd
# A ve B iki sütunlu/column Dataframe oluşturuluyor
print(df)
# C ve D iki sütun/column daha ekleniyor DataFrame e
df = df.assign(C=df['A']**2, D=df.B*2)
print(df)
2 Sütun Ekledik
C KOLONU A NIN KARESİ, D KOLONU B*2
BİR DE MATEMATİKSEL İŞLEM UYGULAYARAK YENİ KOLON
OLUŞTURMA ÖRNEĞİ..HEM ÇÖZÜM HEM DE ÖTESİ
488
UYGULAMA: assign() ile DATAFRAME E SÜTUN

EKLEMEK
BÖYLE DE AYNI SÜTUN EKLEMESİ YAPILABİLİYOR
import pandas as pd
# A ve B iki sütunlu/column Dataframe oluşturuluyor
print(df)
# C ve D iki sütun/column daha ekleniyor DataFrame e
# “df DataFrame inin A sütununa Lambda ile tanımlanan
# “fonksiyonu uygulayarak C adlı yeni bir sütun oluştur” demek
df = df.assign(**{'C': df.A.apply(lambda x: x ** 2), 'D': df.B * 2})
print(df)
489
UYGULAMA: pd.read_csv(url) PANDAS NUMPY ÇOK

İLGİNÇ BİR WEB SİTESİNDEN BİR CSV Yİ AÇIP OKUDU
İNTERNETDEN BİR CSV DOSYASI ALIP OKUYABİLMESİ VE ÜZERİNDE İŞLEM
YAPABİLMESİ ÇOK İLGİNÇ BU 2000-3000 KİŞİNİN KAYDI DA OLABİLİR. 200-3000
KŞİŞİNİN MAAŞ LİSTESİ VEYA BANKA HESAP KAYDI OLABİLİR.
import pandas as pd
import numpy as np
url = 'https://raw.github.com/pandas-
dev/pandas/master/pandas/tests/data/tips.csv'
tips = pd.read_csv(url)
print(tips.head())
490
UYGULAMA: Internetten bir CSV okuyup Sütun Adları

ile Sütun seçmek COLUMN SELECTION
import pandas as pd
import numpy as np
print (tips[['total_bill', 'tip', 'smoker', 'time']].head(5))
Sütun Seçimi DataFrame de Sütun Adları Listesi i İle yapılır.

DataFrame ‘i sütun adları listesi olmadan çağırırsanız tüm sütunları
gösterir.
491
UYGULAMA: PANDAS FİLİTRELEME print

(tips[tips['time'] == '………..'].head( ))
import pandas as pd
import numpy as np
print (tips[tips['time'] == 'Dinner'].head(5))
“TİPS İN time sütununda Dinner olanları yaz” dedik.
Hepsinin TİME kısmı DİNNER olduğu için hepsini yazdı..
492
UYGULAMA: PANDAS DATA FRAME OLUŞTURMA
import pandas as pd
import numpy as np
frame = pd.DataFrame({'col1': ['A', 'B', np.NaN, 'C', 'D'], 'col2': ['F',

np.NaN, 'G', 'H', 'I']})
print(frame)
493
UYGULAMA: Creating a DataFrame by passing a numpy

array, with a datetime index and labeled columns:
import pandas as pd
import numpy as np
dates = pd.date_range('20130101', periods=6)

print(dates)
df = pd.DataFrame(np.random.randn(6,4), index=dates,
columns=list('ABCD'))
print(df)
494
UYGULAMA: Viewing Data: See the top & bottom rows

of the frame
import pandas as pd
import numpy as np

print(dates)
print(df.head())
print(df.tail(3))
head üstten 5 satırı yazıyor

tail alttan 3 satırı yazıyor
495
UYGULAMA : pandas.date_range ve .sort_index(axis=1,

ascending=False)) .sort_values(by='B')) eksene göre
ve küçükden büyüğe doğru dizmek
Eksenlere ve Değere göre sıralama
import pandas as pd
import numpy as np
columns=list('ABCDEF'))
print(df.sort_index(axis=0, ascending=False))
print(df.sort_index(axis=1, ascending=False))
print(df.sort_values(by='A'))
496
üçüncü de A sütünuna göre diziyor. A sı en küçükden büyüğe doğru
497
UYGULAMA: PANDAS SELECTION df[0:3] 0 dan 4 e

kadar 1nci 2nci 3ncü satırlar
Tek bir sütun seçmek.
satırı dilimleyen [] ile seçme
import pandas as pd
import numpy as np
df = pd.DataFrame(np.random.randn(6,4), index=dates, columns=list('ABCD'))

print(df['A'])
print(df[0:3])
print(df['20130102':'20130104'])
ilkinde A sütununu yazdı

ikincide 0 dan 4 e kadar yani 1nci 2nci 3ncü satırları yazdı
üçte tarihler arasındaki kayıtları satırları yazdı
498
UYGULAMA: PANDAS Seçim (Selection)
import pandas as pd
import numpy as np
print(df.loc[dates[0]])
print(df.loc[:,['A','B']])
print(df.loc['20130102':'20130104',['A','B']])
499
UYGULAMA: PANDAS BOOLEAN INDEXING df[df.A > 0])

, df[df > 0])
Using a single column’s values to select dat
import pandas as pd
import numpy as np
print(df[df.A > 0])
print(df[df > 0])
İLKİ A SÜTUNUNDAKİ DEĞERİ 0 DAN BÜYÜK OLAN

KAYITLAR/SATIRLAR
İKİNCİSİ TÜM TABLODA 0 DAN BÜYÜK OLAN DEĞERLER
BU SİTEDE ÇOK DAFA FAZLA NET VE UYGULANDIĞINDA ÇALIŞAN ÖRNEK VAR.

ŞİMDİLİK BU KADAR.
500
UYGULAMA: NUMPY İLE PANDAS DATAFRAME İ

OLUŞTURMAK
import pandas as pd
import numpy as np
#dataframe ‘in oluşturulması
raw_data = {'first_name': ['Nil', 'Molly', 'Tina', 'Arinna', 'Amy'],
'last_name': ['Miller', 'Jacobson', ".", 'Milner', 'Cooze'],
'age': [42, 52, 36, 24, 73],
'preTestScore': [4, 24, 31, ".", "."],
'postTestScore': ["25,000", "94,000", 57, 62, 70]}
df = pd.DataFrame(raw_data, columns = ['first_name', 'last_name',
'age', 'Score1', 'Score2'])
print(df)
501
UYGULAMA: NUMPY İLE OLUŞTURULAN DATAFRAME İ

PANDA İLE CSV OLARAK KAYDETMEK
import pandas as pd
import numpy as np
# VeriÇerçevesi’nin oluşturulması
raw_data = {'first_name': ['Nil', 'Molly', 'Tina', 'Arinna', 'Amy'],
'last_name': ['Miller', 'Jacobson', ".", 'Milner', 'Cooze'],
'age': [43, 52, 36, 24, 73],
'preTestScore': [4, 24, 31, ".", "."],
'postTestScore': ["25,000", "94,000", 57, 62, 70]}
df = pd.DataFrame(raw_data, columns = ['first_name', 'last_name', 'age',
'Score1', 'Score2'])
print(df)
# VeeiÇerçevesimi csv olarak kaydetmek
df.to_csv('D:/programlama/ornek.csv')
OLDU BU KADAR DA BASİTMİŞ

ornek.csv dosyasını oluşturup kaydettim
Excel ile açtığımda csv dosyasının görünümü
502
UYGULAMA: CSV DOSYASINI PANDA İLE AÇMAK

import pandas as pd
import numpy as np
dv= pd.read_csv('D:/Database/IstanbulPaleoArtifacs.csv')
print(dv)
OLDU AÇDIM
Çok alan/sütun olduğu için ilk sütunu ve son sütunu yazdı..
Uzun Dizilerde de bazen böyle yapıyor.
503
UYGULAMA: ! CSV DOSYASINI PANDA İLE BAŞLIKSIZ

AÇMAK
import pandas as pd
# csv yi başlıksız yükkemek
dv = pd.read_csv('D:/Database/IstanbulPaleoArtifacs.csv',
header=None)
print(dv)
Niye en üstte 0 ve 15 yazıyor
504
UYGULAMA: pd.date_range ve columns=['A', 'B', 'C',

'D','E', 'L' ] ile Sütun Adı/Başlığı tanımlama
import pandas as pd
import numpy as np
dates = pd.date_range('1/1/2018', periods=6)
df = pd.DataFrame(np.random.randn(6, 6), index=dates, columns=['A', 'B', 'C',
'D','E', 'L' ])
print(df)
505
Uygulama: Sütunları adları ile seçip ikinci bir tablo

oluşturup yazdırmak
import pandas as pd
import numpy as np
dv1 = dv[['Adı','Malzemesi']]
print(dv1)
506
Uygulama: Tablodaki Alan/Sütun Adları/ column

headers
import pandas as pd
import numpy as np
print(dv.columns)
Uygulama: Tablodaki Sütun adlarını list() ile

yazdırmak
import pandas as pd
import numpy as np
print(list(dv))
507
Uygulama: Tablodaki Sütun adlarını list(

.columns.values) ile yazdırmak
import pandas as pd
import numpy as np
print(list(dv.columns.values))
Uygulama: Tablodaki Sütun adlarını keys ile

yazdırmak
import pandas as pd
import numpy as np
print(dv.keys())
508
Uygulama: 1 nci satırın/kaydın 6 ncı sütünündaki

değeri yazmak. Matris gibi nitelendiriyor.
import pandas as pd
import numpy as np
dv1=dv.iloc[1,6]
print(dv1)
509
UYGULAMA: TABLODAKİ SÜTUNLARIN Hepsini

YENİDEN ADLANDIRMAK RENAME COLUMNS .columns
import pandas as pd
import numpy as np
dv.columns = ['AD','MALZEME','UZUNLUK','GENİŞLİK','KOD','SAYDAMLIK',
'FOSİL','TÜR','ALTTÜR','ELEMENT','RENK','FOTO1',
'FOTO2','FOTO3','FOTO4','3DMODEL']
print(dv)
print(dv [['AD','MALZEME']])
OLDU. Tüm sütunlar yeniden adlandırılmalı. Örneğin 16 sütun varken 12 tane

yeni ad yazılırsa hata veriyor.
510
UYGULAMA: Sütunları Yeniden Adlandırmak rename()

import pandas as pd
import numpy as np
dv.rename(columns={'Adı':'AD1', 'Malzemesi':'MALZEME1'}, inplace=True)
print(dv)
print(dv[['AD1','MALZEME1']])
OLDU Sadece 2 sütunun adını değiştirdim. Rename ilke istenen sütün adları
değiştirilebiliyor.hepsini yeniden yazmak gereklki değil
511
UYGULAMA: Sıraya Dizmek df.sort_values(by=['col1'])

import pandas as pd
import numpy as np
df = pd.DataFrame({'col1' : ['A', 'A', 'C', np.nan, 'D', 'D'],'col2' : [2, 1,0, 9, 8,
6],'col3': [0, 9, 1, 6, 2, 3]})
print(df)
d1=df.sort_values(by=['col1'])
print(d1)
# Çoklu sütunlar ile sıraya dizmek(sort)
d2= df.sort_values(by=['col1', 'col2'])
print(d2)
d3=df.sort_values(by=['col3'])
print(d3)
512
UYGULAMA: PANDA İLE CSV DOSYASI OKUMAK

pandas.read_csv("D:/……/.csv")
MS WORD DE VİRGÜLLÜ YAZIP DÜZ METİN YANİ TXT OLARAK OLUŞTURUP
KAYDETTİM
Excel’de Veri/Data menüsünden Metinden seçeneği ile açıp VİRGÜLLÜ CSV

olarak kaydettim.
import pandas as pd
dv1=pd.read_csv("D:/Programlama/CSV DENEMEM.csv")
print(dv1)
OLDU AÇDI
513
UYGULAMA: BAŞARI Pandas ile İLK VEKTÖR ALANI CSV

DOSYASINI OLUŞTURDUK
import pandas as pd
import numpy as np
#VeriÇerçevesi oluşturmak
raw_data = {'X': [0, 1, 1, 0, 0, 1, 1, 0],
'Y': [1, 1, 0, 0, 1, 1, 0, 0],
'Z': [0, 0, 0, 0, 1, 1, 1, 1],
'Vx': [0, 1, 1, 0, 0, 1, 1, 0],
'Vy': [0, 1, 1, 0, 0, 1, 1, 0],
'Vz': [0, 1, 1, 0, 0, 1, 1, 0]}
df = pd.DataFrame(raw_data, columns = ['X', 'Y', 'Z', 'Vx', 'Vy', 'Vz'])
print(df)
# Veri Çerçevesini(Dataframe) istenilen dizine CSV olarak kayfetmek
df.to_csv('D:/ParaView/CSV/VektorAlani.csv')
AFERİN BİZE ÇALIŞTI
514
VektorAlani.csv dosyası da oluştu
515
Helal Oluşturduğum bu csv dosyasını ParaView de açtık
516
Noktaları Table to Points filtresi uygulayarak görüntüleyelim

Table to points filtresini filters—Alphabetical dan uyguladım
Ve x y z sütünlarını properties den atadım belirledim
517
Noktalar gözükdü
Arrow filtresi atayıp hem noktaları daha belirginleştirelim hem de Vektör alanı
oluşsun
518
Color da solid yerine Vx değerine göre renklendirme uyguladım
Renk scalasını da yine soldan 3ncü simgeyi tıklayıp
Blueto red rainbow u seçdim
Axis ekseni işaretliyip görünür yapdım.ve axis i edit edip sadece 3 düzlemle axis
i gösterdim. İlk kendi oluşturduğum vektör alanı tanımlayan csv için iyi bir adım
HELAL 12.08.2018
519
UYGULAMA: Pandas Data Frame e satır(lar) eklemek:

import pandas as pd
df = pd.DataFrame(columns=['A'])
for i in range(5):
df = df.append({'A': i}, ignore_index=True)
print(df)
çalışdı
520
UYGULAMA: Pandas Data Frame e satır(lar) ekleme

Veya böyle Satır ekleme. Tek kademede tek bir programda yazmak istersem
df3 ekleyince oluyor
import pandas as pd
df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB'))

df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB'))
df=df.append(df2)
print(df)
521
UYGULAMA: DENEME2:BAŞARDIIIIKKK Python ile

Vektör Alanı içeren CSV dosyası oluşturmak
Deneme1 de Panda da 6 sütunlu Data Frame oluşturulup
Bu 3 lü çevrimde her çevrimde 1 satır eklenebilir dedim ve Deneme2 de
başardım
import numpy as np
import pandas as pd
from argparse import ArgumentParser
from math import exp, sqrt, sin, cos, atan2, pi
df = pd.DataFrame(columns = ['x', 'y', 'z', 'Vx', 'Vy', 'Vz'])
if __name__ == '__main__':
min_val = -1.0
max_val = 1.0
default_points = 10
arg_parser = ArgumentParser(description='produce a 3D vector field')
arg_parser.add_argument('-x', type=int, default=default_points,
help='number of x points')
arg_parser.add_argument('-y', type=int, default=default_points,
help='number of y points')
arg_parser.add_argument('-z', type=int, default=default_points,
help='number of z points')
options = arg_parser.parse_args()
fmt_str = '{x:.4f},{y:.4f},{z:.4f},{Vx:.8f},{Vy:.8f},{Vz:.8f}'
print ('x,y,z,Vx,Vy,Vz')
for z in np.linspace(0.0, max_val, num=options.z, endpoint=True):
for x in np.linspace(min_val, max_val, num=options.x, endpoint=True):
for y in np.linspace(min_val, max_val, num=options.y, endpoint=True):
d = sqrt(x**2 + y**2 + z**2)
v = (1.0 - exp(-d))*exp(-d)
522
theta = atan2(y, x)
Vx = v*sin(-theta)
Vy = v*cos(theta)
Vz = 0.1*exp(-3.0*z)
#Çok uğraştıran ama başardığım kısım
#çevrimde tabloya frame e satır eklemek satır eklemek
df2 = pd.DataFrame({'x': [x], 'y': [y], 'z': [z], 'Vx': [Vx], 'Vy':
[Vy], 'Vz': [Vz] })
df=df.append(df2)
# NveeiÇeeçevesini CSV olarak kaydetmek

df.to_csv('D:/ParaView/CSV/VektorAlani60.csv')
# tabloya frame kaydetti mi görmek için

print(df)
ilk etapta bu kısım hata vermedi boş bir CSV vektör dosyası oluştu.
523
VEE BAŞARDIK
VEKTÖR İÇEREN CSV DOSYASI OLUŞTU 13-08-2018
524
BUNU BEN OLUŞTURDUM

BU ŞEKİLDE HİÇBİR SİTEDE YOK.MANTIKLA ÇÖZDÜM VE ÇALIŞDI
df2 = pd.DataFrame({'x': [x], 'y': [y], 'z': [z], 'Vx': [Vx], 'Vy': [Vy], 'Vz': [Vz] })
df=df.append(df2)
df2 = pd.DataFrame(data.items())
df = df.append(df2)
df = pd.DataFrame(np_array)
Programın Çıktısı CSV olmayan hali
525
Uygulama: Pandas x y z yi sütunlarından

numpy.array() oluşturmak. bu benim istediğim değil
import pandas as pd
import vtk
import numpy as np

dv= pd.read_csv('D:/ParaView/CSV/VektorAlani66sade2.csv')
# Sadece x y z koordinat sütunlarından dv1 tablosunu oluşturmak

#dv1=dv.iloc[:, 4:7]
#dv1 in 1nci satırı nokta/point array inin birinci elamanı

x= dv['x']
y= dv['y']
z= dv['z']
pointarray=np.array([[x, y, z]])
print(pointarray)
buradan çıkan sonuç bu, bu benim istediğim değil
print(x[0])
0
print(z[4])
3
526
Uygulama: Pandas Vector CSV sini Python’da okumak

import pandas as pd
import vtk
import numpy as np

print(dv)
Dosyayı Açdım
527
Uygulama: Pandas Vector csv sinden x sütununu

atamak. sütun adı ile sütun seçimi
import pandas as pd
import vtk
import numpy as np

print(dv)
# x y z sütunlarından noktaları tanımlamak

dx= dv['x']
print(dx)
oldu tek bir x koordinat sütununu dx değişkenine atadım ve yazdırdım
528
Uygulama: .iloc[:, 4:7] 5, 6 ve 7 nci sütunlardan bir

Tablo oluşturmak
Ben index falan diye bakıyordum 0 lardan oluşan bir sütun daha var pandas da
oluştutduğum CSV de
Yani toplam 7 sütun olarak görüyor pandas
İloc metodu ile 4 ve 7nci sütunlardaki x y x koordinat sütunlarını aldım
import pandas as pd
import vtk
import numpy as np

dv1=dv.iloc[:, 4:7]
print(dv1)
dv1 koordinat tablosu oldu
529
Uygulama: 1,2,3,4 ve 2,3,4 üncü sütunları yazdırmak

.iloc[:, 0:4] .iloc[:, 1:4]
import pandas as pd
import numpy as np
# 1nci ,2nci ,3ncü ve 4ncü sütunları seçip yeni tablo oluşturup yazdırmak
dv1=dv.iloc[:, 0:4]
print(dv1)
# 2nci ,3ncü ve 4ncü sütunları seçip yeni tablo oluşturup yazdırmak
dv1=dv.iloc[:, 1:4]
print(dv1)
530
Uygulama: Pandas .loc .iloc[[ ]] tablodan /frame den

index ler ile sütunlar almak
import pandas as pd
import vtk
import numpy as np

print(dv[2:3])
operators, .iloc to explicity support only integer indexing, and .loc to

explicity support only label indexing
print(dv.loc[[2]])
print(dv.iloc[[2]])
print(dv)
531
Uygulama: Pandas ._slice(slice( , ))

dv._slice(slice(0, 2))
dv._slice(slice(0, 2), 0) ilk 2 satırı yazdı
dv._slice(slice(0, 2), 1) ilk iki sütunu yazdı
532
UYGULAMA:Pandas Kayıttan record array e

.to_records(index=False)
import pandas as pd
import vtk
import numpy as np

recordarray = dv.to_records(index=False)
print (recordarray)
DataFrame.to_records(index=True, convert_datetime64=None)[source]
DataFrame i nuöpy dizisine( NumPy record array) çevirir
df.to_records()
533
UYGULAMA:Pandas kayıttan Nokta/Point dizisi/array

ine .iloc[:, 4:7] 5 6 7 nci sütunlardan tablo
oluşturmak .to_records(index=False)
import pandas as pd
import vtk
import numpy as np

#x y z Koordinatlarının olduğu 5 6 7 nci sütunlardan tablo oluşturmak

dv1=dv.iloc[:, 4:7]
# bu x y z tablosunu array e çevirmek

pointarray = dv1.to_records(index=False)
print (pointarray)
OLDU Noktalardan oluşan dizi
534
UYGULAMA: Pandas kayıttan Nokta/Point dizisi/array

ine BAŞARDIM
import pandas as pd
import vtk
import numpy as np

#x y z Koordinatlarının olduğu 5 6 7 nci sütunlardan tablo oluşturmak
dv1=dv.iloc[:, 4:7]
# bu x y z tablosunu array e çevirmek

pointarray = dv1.to_records(index=False)
for p in pointarray:
print(p)
Sabahın 06.10 unda Çözdüğüm ve “Helal bana..Şükür Allaha”

dediğim bir kod 16-08-2018
535
UYGULAMA: .DB sqlite Veritabanı/DataBase

dosyasından PANDAS a pandas.read_sql_query()
Çalışdı
Sqlite Veritabanı modülünü ı bir başka çalışmada ayrıca anlatıcaz, ama bu
örnekte bir db dosyasını pandas da kullanabilmeyi göreceğiz.
import pandas as pd
import sqlite3
conn = sqlite3.connect("D:/Database/databasedeneme1.db")
df = pd.read_sql_query("select * from artifacts limit 6", conn)
print(df)
OLDU BAŞARI
Önceden oluşturduğum ve sonradan sqlite browser ile kayıt eklediğim sql
veri tabanı dosyası databasedeneme1.db deki artifacts tablosunu/table açıp
print ile kayıtları yazdırdım.
536
Pandas SERİLERİ /Pandas Series

Serler bir boyutlu etiketli dizi-benzeri nesnelerdir. (array-like object). I
integers, floats, strings, Python objects türü verileei barındırabilir.
537
UYGULAMA: pd.Series([ , , , , , ])
import pandas as pd
S = pd.Series([1, 66, 28, 72, 6, 9, 12, 99])
print(S)
S serisinin indeksi ve değeeleei

print(S.index)
print(S.values)
import numpy as np
X = np.array([11, 28, 72, 3, 5, 8])
print(X)
print(S.values)
# her ikisi de aynı türden
print(type(S.values), type(X))
[11 28 72 3 5 8]
[11 28 72 3 5 8]
Pandaa serileei Numpy dizilerinden çok farklı değildir.
538
UYGULAMA: Seri ye Index tanımlama

import pandas as pd
meyvalar = ['elmalar', 'şeftaliler', 'kirazlar', 'kayısılar']

miktarlar = [12, 18, 99, 34]
S = pd.Series(miktarlar, index=meyvalar)
print(S)
UYGULAMA: Aynı indexdeki iki seriyi toplamak

import pandas as pd
S = pd.Series([12, 18, 99, 34], index=meyvalar)
S2 = pd.Series([16, 19, 80, 46], index=meyvalar)
print(S + S2)
print("S ‘in toplamı: ", sum(S))
print("S2 ‘nin toplamı: ", sum(S2))
print("Tüm Meyvelerin toplamı: ", (sum(S) +sum(S2)))
539
UYGULAMA: farklı indexdeki İki seriyi toplamak

import pandas as pd
meyvalar2 = ['şeftaliler', 'kavunlar','kirazlar', 'kayısılar']
S = pd.Series([22, 33, 52, 10], index= meyvalar)
S2 = pd.Series([9, 16, 34, 56], index= meyvalar2)
print(S + S2)
İkisinde de olanlar toplanıyor..olmayanlara NaN yazıyor
Serilerin toplanması (Series addition)
540
UYGULAMA: Pandas Değerlerin Listesi ile Seri

Oluşturmak
import pandas as pd
import numpy as np
s = pd.Series([1,3,5,np.nan,6,8])
print(s)
541
PYTHON (PANDAS) ZAMAN SERİLERİ Pandas Time

series / Date functionality
Zaman serisi, düzenli zaman aralıklarında alınan veri noktalarının
oluşturduğu seridir. Bir zaman serisi,ilgilenilen bir büyüklüğün zaman
içerisinde sıralanmış ölçümlerinin bir kümesidir.
Zaman serisi analizi zamansal ölçümlerin yapıldığı her alanda
kullanılmaktadır. istatistik, ekonometri, finans, sinyal işleme, hava ve
deprem tahmini. Zaman serisi ile ilgili bu analizin yapılma amacı ise,
gözlem kümesince temsil edilen gerçeğin anlaşılması ve zaman
serisindeki değişkenlerin gelecekteki değerlerinin doğru bir şekilde
tahmin (forecast) edilmesidir*
Pandas tüm alanlarda zaman serilerileri verisi( time series data)

ile çalışmak çin birçok özelliklere sahiptir.
NumPy datetime64 and timedelta64 dtypes,
scikits.t de de timeseries vardır.
542
UYGULAMA: pandas.to_datetime()
import pandas as pd
df = pd.DataFrame({'year': [2015, 2016],

'month': [2, 3],
'day': [4, 5]})
t=pd.to_datetime(df)
print(t)
Çıktısı: datetime64 dtype serisi
543
UYGULAMA: pd.to_datetime()
import pandas as pd
a=pd.to_datetime('2018-01-15 3:45pm')
print(a)
UYGULAMA: pd.date_range( , periods= , freq='H' )

import pandas as pd
# 1 er saat ara ile freq=H Hour saat çünkü 3 period yazıyor
dti = pd.date_range('2018-01-01', periods=3, freq='H')
print(dti)
Belli zaman aralıkları ile sıralama( sequences) üretir.

freq frequency aralık(sıklık) belirten Harfler:
D Day gün sıkluğı
W Week hafta aralığında
M Month ay
SM Semi Month yarım ay
A, Y Year yıl
H Hourly saat sıklığında
T, min minute dakikada
S secondly saniyede
K, ms miliseconds milisaniye
U, us microseconds mikrossniye
N nanoseconds nanossniye
544
UYGULAMA:pd.date_range( , periods= , freq='D' )

import pandas as pd
# 1 er gün ara ile freq=D Day saat çünkü 6 period yazıyor
dti = pd.date_range('2020-01-01', periods=6, freq='D')
print(dti)
UYGULAMA: .tz_localize('UTC')
import pandas as pd
# tz time zone un kısaltması

dti = pd.date_range('2020-01-01', periods=6, freq='D')
dti = dti.tz_localize('UTC')
print(dti)
545
UYGULAMA: pd.date_range() pd.Series()

import pandas as pd
idx = pd.date_range('2018-01-01', periods=10, freq='H')
ts = pd.Series(range(len(idx)), index=idx)
print(ts
UYGULAMA: pd.date_range() pd.Series() .resample()

import pandas as pd
idx = pd.date_range('2018-01-01', periods=10, freq='H')

ts = pd.Series(range(len(idx)), index=idx)
ts2=ts.resample('2H').mean()
print(ts2)
Tarih (date) ve zaman(time) aritmetiği (mutlak veya görrceli zaman

arrımları ile)
546
UYGULAMA: pd.Timestamp() pd.Timedelta()
import pandas as pd
friday = pd.Timestamp('2018-01-05')
d1=friday.day_name()
print(d1)
# 1 gün eklemek
saturday = friday + pd.Timedelta('1 day')
d2=saturday.day_name()
print(d2)
# 1 iş günü ekkemek (Cuma --> Pazartesi)

monday = friday + pd.offsets.BDay()
d3=monday.day_name()
print(d3)
stamp: etiketlemek
Timestamps : . time spans
Timestamped data zaman serisi verisidir.(time series data). Zamandaki
noktaları( points in time) belirtir.
547
UYGULAMA: pd.date_range() datetime.datetime()

import pandas as pd
import datetime
başlangıç = datetime.datetime(2011, 1, 1)
son = datetime.datetime(2012, 1, 1)
indeks = pd.date_range(başlangıç, son)
print(indeks)
indeks2 = pd.bdate_range(başlangıç, son)

print(indeks2)
548
Excel dosyalarını okuma ve yazma pd.read_excel()

pd.to_excel()
UYGULAMA: pd.read_excel()Excel dosyalarını okuma

import pandas
excel_df = pandas.read_excel('D:/Gelir/Gelir Gider Tablosu.xlsx',
sheet_name='Sayfa1')
# Tüm Sayfa Verilerinin yazdırılması

print(excel_df)
549
UYGULAMA: pandas.read_excel()
df['EmpName'].tolist()
import pandas
excel_df = pandas.read_excel('D:/....../......xlsx', sheet_name='..........')
# Sütun Bilgisini(column data) Liste değerlerine(a list of values) çevirir

# Bir sütunun verisini yazdırır
print(excel_df['EmpName'].tolist())
UYGULAMA: pandas.read_excel()
# belli kolonları yazdırmak

import pandas
excel_df = pandas.read_excel('..........xlsx', sheet_name='......',

usecols=['.......', '..........'])
print(excel_df)
UYGULAMA: pandas.read_excel df.to_csv(index=False)

import pandas
excel_data_df = pandas.read_excel('records.xlsx', sheet_name='Cars',

usecols=['Car Name', 'Car Price']) .
print('Excel Sheet to CSV:\n', excel_df.to_csv(index=False))
550
UYGULAMA: df1 = pd.DataFrame() df1.to_excel()

'openpyxl' Yüklü değilse hata veriyor çalışmıyor.
ModuleNotFoundError: No module named 'openpyxl' diyor.
Bunun yüklü olması gerektiğini de her iki örnek sitesi de söylemiyor.

Her iki sitede de. Bu bir eksiklik.
Bu hatanın sebebini Araştırınca bulduk.
Çözüm: D:\Python\Scripts\pip install openpyxl

28.11.2020 de yükledim. Ardından çalıştı.
# Pandas DataFrame ini Excel Dosyası haline getirir.

import pandas as pd
df1 = pd.DataFrame([['a', 'b'], ['c', 'd']], index=['row 1', 'row

2'],columns=['col 1', 'col 2'])
df1.to_excel("D:/Bilim/deneme.xlsx", sheet_name='SayfaAdı1')
Çalıştı: Dosyayı oluşturdu.

İçeriği:
551
UYGULAMA: df = pd.DataFrame() df.to_excel()
import pandas as pd
cars = {'Brand': ['Honda Civic','Toyota Corolla','Ford Focus','Audi A4'],

'Price': [32000,35000,37000,45000]
}
df = pd.DataFrame(cars, columns = ['Brand', 'Price'])

df.to_excel (r'D:\Bilim\export_dataframe.xlsx', index = False,
header=True)
Çalıştı:
552
UYGULAMA: df.to_json pandas.DataFrame.to_json

Nesneyi JSON string formatına çevirmek Text dosyası
from pandas import DataFrame
data = {'Ürün': ['Desktop Bilgisayar','Tablet','iPhone','Laptop'],

'Fiyat': [700,250,800,1200]
}
df = DataFrame(data, columns= ['Ürün', 'Fiyat'])

print (df)
df.to_json(r'D:/Bilim/Deneme.json')
Dosyayı da oluşturdu:
Notdefteri ile açtım
553
Fonksiyon Uygulamak(Appliying functions)

f= lampda
df.apply(f)
pandas.DataFrame.apply
Apply a function along an axis of the DataFrame.
UYGULAMA: Dataframe’e Fonksiyon Uygulamak

df.apply(np.sqrt)
import pandas as pd
import numpy as np
df = pd.DataFrame([[4, 9, 16]] * 6, columns=['A', 'B', 'C'])

print(df)
# DataFrame ‘deki her bir elemanın kare kökünü alıyor
df1=df.apply(np.sqrt)
print(df1)
554
UYGULAMA: df.apply(lambda )
import pandas as pd
# Ekleme Fonksiyonu
def add(a, b, c):
return a + b + c
def main():
# create a dictionary with
# three fields each
data = {
'A':[1, 2, 3],
'B':[4, 5, 6],
'C':[7, 8, 9] }
# Dictionary’ yi veriçeeçevesine(dataframe) dönüştürüyor.

df = pd.DataFrame(data)
print("Original DataFrame:\n", df)
# 3 kolonun toplamını alıp 4ncü bir kolon oluşturmak
df['add'] = df.apply(lambda row : add(row['A'],
row['B'], row['C']), axis = 1)
print('\nAfter Applying Function: ')
print(df)
if __name__ == '__main__':
main()
555
UYGULAMA: df.apply() def ile tanımlanan fonksiyonu

Pandas Dataframe ‘e uygulama
import pandas as pd
df = pd.DataFrame({'A': [1, 2,3], 'B': [10, 20,30]})
def square(x):
return x * x
df1 = df.apply(square)
print(df)
print(df1)
556
UYGULAMA: DataFrame’e Fonksiyon uygulamak

df.apply(lambda x: x * x)
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2,3], 'B': [10, 20,30]})

# Her bir elemanın karesini alıyor
df1 = df.apply(lambda x: x * x)
print(df)
print(df1)
557
UYGULAMA: df.apply()
import pandas as pd
import numpy as np
df = pd.DataFrame({'A': [1, 2], 'B': [10, 20]})

print(df)
df1 = df.apply(np.sum, axis=0)
print(df1)
df1 = df.apply(np.sum, axis=1)
print(df1)
558
UYGULAMA: pandas.DataFrame.drop(['B', 'C'], axis=1)

Sütunları kaldırmak
import pandas as pd
import numpy as np
df = pd.DataFrame(np.arange(12).reshape(3,4), columns=['A', 'B', 'C',

'D'])
print(df)
#Sütun çıkartma
df=df.drop(['B', 'C'], axis=1)
print(df)
559
V. PANDAS IN MATPLOTLIB İLE

KULLANIMI
UYGULAMA: Pandas Zaman Serisi Matplotlib ve
Seaborn
import pandas as pd
import seaborn as sns
df = pd.DataFrame({"Datum": ['1/1/2018 0:00',

'1/1/2018 0:15',
'1/1/2018 0:30',
'1/1/2018 0:45',
'1/1/2018 1:00',
'1/1/2018 1:15',
'1/1/2018 1:30',
'1/1/2018 1:45 '],
"Menge": [19.5, 19.,19.5,19.5,21,19.5,20,23]})
sns.lineplot(x="Datum", y="Menge", data=df)
# 15 derece eğik çizdiriyor x eksenindeki değerleri
plt.xticks(rotation=15)
plt.title('seaborn-matplotlib Örneği')
plt.show()
Çoklu veri serilerini (Multiple data series) seabornd da çizdirmek için

sns.lineplot(data = df)
560
561
UYGULAMA: PANDAS İLE CSV ‘den Okutup

MATPLOTLIB İle Grafiğini Çizdirmek
GÜZEL BİR UYGULAMA ÇOK İŞE YARAR
import pandas as pd
data = pd.read_csv("D:/Programlama/CSV DENEMEM.csv")
data.head()
data.plot()
plt.show()
Bilgi tekrarı: Csv dosyası vitgülle ayrılmış değerler içerir.(comma separated

values)
562
UYGULAMA: Pandas Matplotlib Çizimi kaydetmek

a.get_figure() .savefig("D:/……../..png")
import pandas as pd
data = pd.read_csv("D:/Programlama/CSV DENEMEM.csv")

data.head()
a=data.plot()
fig = a.get_figure()
fig.savefig("D:/Database/Artifactdatabasetablosu.png")
plt.show()
hem çizim yaptı hem de çizimi png dosyasına kaydetti
563
Uygulama: Pandas Matplotlib ile basit plot

import numpy as np
import pandas as pd
ts = pd.Series(np.random.randn(1000), index=pd.date_range('1/1/2000',
periods=1000))
ts = ts.cumsum()
# direkt DataFrame.plot() ile çizdiriliyor. Matplotlib Pandas toplamı bir komut

ts.plot()
plt.show()
564
Uygulama: pandas matplotlib ile plot

import numpy as np
import pandas as pd
periods=1000))
df = pd.DataFrame(np.random.randn(1000, 2), index=ts.index,
columns=list('AB'))
df = df.cumsum()
# direkt DataFrame.plot() ile çizdiriliyor. Matplotlib Pandas toplamı bir komut

# DataFrame’deki tüm sütunları(a ve B) etiketleri(labels) ile çiziyor
df.plot()
plt.show()
565
UYGULAMA: Pandas ve Matplotlib ile Çubuk Grafiği

.plot(kind='bar') Bar graph
import numpy as np
import pandas as pd
periods=1000))
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index,
df = df.cumsum()
plt.figure()
# İlk çubuk(bar) grafiği çiziyor
df.iloc[5].plot(kind='bar')
# İkinci çizgili grafiği çiziyor. Direkt df dataframe den çiziyor
df.plot()
plt.show()
566
UYGULAMA: DataFrame.plot.bar() multiple bar plot /

Çoklu Çubuk grafiği çizdirmek
import numpy as np
import pandas as pd
df2 = pd.DataFrame(np.random.rand(6, 3), columns=['Selin', 'Müge', 'Melisa'])

df2.plot.bar()
plt.show()
DataFrame’s plot.bar() method produces a multiple bar plot
567
UYGULAMA: Üst üste Çubuk(stacked bar) Grafiği

df2.plot.bar(stacked=True)
import numpy as np
import pandas as pd
df2 = pd.DataFrame(np.random.rand(6, 3), columns=['Selmin', 'Özlem',

'Melissa'])
df2.plot.bar(stacked=True)
plt.show()
Yığın çubuk grafiği(stacked bar plot) için stacked=True deniyor.
568
UYGULAMA: Üst üste Yatay Çubuk Grafiği (horizontal

stacked bar) df2.plot.barh(stacked=True)
import numpy as np
import pandas as pd
df2 = pd.DataFrame(np.random.rand(6, 3), columns=['Selmin', 'Özlem',

'Melissa'])
# Bir önceki aynı grafiği barh horizontal yatay ile yatay çizdik
# Sracked ise üst üste yığın şeklinde demek buna true diyince bu şekilde çiziyor.
df2.plot.barh(stacked=True)
plt.show()
569
UYGULAMA: pd.to_datetime DATE HİSTOGRAM

map(lambda d: d.month).plot(kind='hist')
import pandas as pd
df = pd.DataFrame({'Ad':['Selin','Müge','Serpil','Özlem','Selena','Melisa'],
'DoğumGünü':['01/21/1990','03/10/1983','07/25/1992','01/22/1999','09/30/20
00','09/15/1990']})
#DoğumGünü Date Sütununu pandas.to_datetime() nile datetime türüne

# çeviriyor
df['DoğumGünü'] =
pd.to_datetime(df['DoğumGünü'],infer_datetime_format=True)
plt.clf()
# facecolor='r' ile red kırmızı yaptık çubuk(bar) histogram grafikleri
df['DoğumGünü'].map(lambda d: d.month).plot(kind='hist', facecolor='r')
plt.show()
570
UYGULAMA: Pasta(Pie) Grafiği

PandasDataFrame.plot.pie()
import pandas as pd
df = pd.DataFrame({'Kütle': [0.330, 4.87 , 5.97, 6.4], 'YarıÇap': [2439.7,

6051.8, 6378.1, 3397]},index=['Merkür', 'Venüs', 'Dünya', 'Mars'])
plot = df.plot.pie(y='Kütle', figsize=(6, 6))
plt.show()
Seçili sütun için matplotlib.pyplot.pie() uygulanıyor.
571
UYGULAMA: PANDAS
import pandas as pd
help(pd.DataFrame.mean)
MEAN İ TANIMLADI
Herbir metodun tanımını help komutu ile alabiliriz.

help(pd.DataFrame.mean)
572
UYGULAMA: DIR DATAFRAME METHODS

import pandas as pd
a=dir(pd.DataFrame)
print(a)
The List of DataFrame Methods

['T', '_AXIS_ALIASES', '_AXIS_IALIASES', '_AXIS_LEN', '_AXIS_NAMES',
'_AXIS_NUMBERS', '_AXIS_ORDERS', '_AXIS_REVERSED', '_AXIS_SLICEMAP',
'__abs__', '__add__', '__and__', '__array__', '__array_wrap__', '__bool__',
'__bytes__', '__class__', '__contains__', '__copy__', '__deepcopy__',
'__delattr__', '__delitem__', '__dict__', '__dir__', '__div__', '__doc__', '__eq__',
'__finalize__', '__floordiv__', '__format__', '__ge__', '__getattr__',
'__getattribute__', '__getitem__', '__getstate__', '__gt__', '__hash__',
'__iadd__', '__iand__', '__ifloordiv__', '__imod__', '__imul__', '__init__',
'__init_subclass__', '__invert__', '__ior__', '__ipow__', '__isub__', '__iter__',
'__itruediv__', '__ixor__', '__le__', '__len__', '__lt__', '__mod__', '__module__',
'__mul__', '__ne__', '__neg__', '__new__', '__nonzero__', '__or__', '__pow__',
'__radd__', '__rand__', '__rdiv__', '__reduce__', '__reduce_ex__', '__repr__',
'__rfloordiv__', '__rmod__', '__rmul__', '__ror__', '__round__', '__rpow__',
'__rsub__', '__rtruediv__', '__rxor__', '__setattr__', '__setitem__',
'__setstate__', '__sizeof__', '__str__', '__sub__', '__subclasshook__',
'__truediv__', '__unicode__', '__weakref__', '__xor__', '_accessors',
'_add_numeric_operations', '_add_series_only_operations',
'_add_series_or_dataframe_operations', '_agg_by_level', '_agg_doc',
'_aggregate', '_aggregate_multiple_funcs', '_align_frame', '_align_series',
'_apply_broadcast', '_apply_empty_result', '_apply_raw', '_apply_standard',
'_at', '_box_col_values', '_box_item_values', '_builtin_table',
'_check_inplace_setting', '_check_is_chained_assignment_possible',
'_check_percentile', '_check_setitem_copy', '_clear_item_cache',
'_clip_with_one_bound', '_clip_with_scalar', '_combine_const',
'_combine_frame', '_combine_match_columns', '_combine_match_index',
573
'_combine_series', '_combine_series_infer', '_compare_frame',

'_compare_frame_evaluate', '_consolidate', '_consolidate_inplace',
'_construct_axes_dict', '_construct_axes_dict_for_slice',
'_construct_axes_dict_from', '_construct_axes_from_arguments',
'_constructor', '_constructor_expanddim', '_constructor_sliced', '_convert',
'_count_level', '_create_indexer', '_cython_table', '_deprecations',
'_dir_additions', '_dir_deletions', '_drop_axis', '_ensure_valid_index',
'_expand_axes', '_flex_compare_frame', '_from_arrays', '_from_axes',
'_get_agg_axis', '_get_axis', '_get_axis_name',
'_get_axis_number', '_get_axis_resolvers', '_get_block_manager_axis',
'_get_bool_data', '_get_cacher', '_get_index_resolvers', '_get_item_cache',
'_get_numeric_data', '_get_valid_indices', '_get_value',
'_get_values', '_getitem_array', '_getitem_column', '_getitem_frame',
'_getitem_multilevel', '_getitem_slice', '_gotitem', '_iat', '_iget_item_cache',
'_iloc', '_indexed_same', '_info_axis', '_info_axis_name',
'_info_axis_number', '_info_repr', '_init_dict', '_init_mgr',
'_init_ndarray', '_internal_names', '_internal_names_set', '_is_builtin_func',
'_is_cached', '_is_cython_func', '_is_datelike_mixed_type', '_is_mixed_type',
'_is_numeric_mixed_type', '_is_view', '_ix', '_ixs', '_join_compat', '_loc',
'_maybe_cache_changed', '_maybe_update_cacher', '_metadata',
'_needs_reindex_multi', '_obj_with_exclusions', '_protect_consolidate',
'_reduce', '_reindex_axes', '_reindex_axis', '_reindex_columns',
'_reindex_index', '_reindex_multi', '_reindex_with_indexers',
'_repr_data_resource_', '_repr_fits_horizontal_', '_repr_fits_vertical_',
'_repr_html_', '_repr_latex_', '_reset_cache', '_reset_cacher',
'_sanitize_column', '_selected_obj', '_selection', '_selection_list',
'_selection_name', '_series', '_set_as_cached', '_set_axis', '_set_axis_name',
'_set_is_copy', '_set_item', '_set_value', '_setitem_array', '_setitem_frame',
'_setitem_slice', '_setup_axes', '_shallow_copy', '_slice', '_stat_axis',
'_stat_axis_name', '_stat_axis_number', '_take', '_to_dict_of_blocks',
'_try_aggregate_string_function', '_typ', '_unpickle_frame_compat',
574
'_unpickle_matrix_compat', '_update_inplace', '_validate_dtype', '_values',

'_where', '_xs', 'abs', 'add', 'add_prefix', 'add_suffix', 'agg', 'aggregate', 'align',
'all', 'any', 'append', 'apply', 'applymap', 'as_blocks', 'as_matrix', 'asfreq', 'asof',
'assign', 'astype', 'at', 'at_time', 'axes', 'between_time', 'bfill', 'blocks', 'bool',
'boxplot', 'clip', 'clip_lower', 'clip_upper', 'columns', 'combine',
'combine_first', 'compound', 'consolidate', 'convert_objects', 'copy', 'corr',
'corrwith', 'count', 'cov', 'cummax', 'cummin', 'cumprod', 'cumsum', 'describe',
'diff', 'div', 'divide', 'dot', 'drop', 'drop_duplicates', 'dropna', 'dtypes',
'duplicated', 'empty', 'eq', 'equals', 'eval', 'ewm', 'expanding', 'ffill', 'fillna',
'filter', 'first', 'first_valid_index', 'floordiv', 'from_csv', 'from_dict', 'from_items',
'from_records', 'ftypes', 'ge', 'get', 'get_dtype_counts', 'get_ftype_counts',
'get_value', 'get_values', 'groupby', 'gt', 'head', 'hist', 'iat', 'idxmax',
'idxmin', 'iloc', 'index', 'infer_objects', 'info', 'insert', 'interpolate', 'is_copy',
'isin', 'isna', 'isnull', 'items', 'iteritems', 'iterrows', 'itertuples', 'ix', 'join', 'keys',
'kurt', 'kurtosis', 'last', 'last_valid_index', 'le', 'loc', 'lookup', 'lt', 'mad', 'mask',
'max', 'mean', 'median', 'melt', 'memory_usage', 'merge', 'min', 'mod',
'mode', 'mul', 'multiply', 'ndim', 'ne', 'nlargest', 'notna', 'notnull', 'nsmallest',
'nunique', 'pct_change', 'pipe', 'pivot', 'pivot_table', 'plot', 'pop', 'pow', 'prod',
'product', 'quantile', 'query', 'radd', 'rank', 'rdiv', 'reindex', 'reindex_axis',
'reindex_like', 'rename', 'rename_axis', 'reorder_levels', 'replace', 'resample',
'reset_index', 'rfloordiv', 'rmod', 'rmul', 'rolling', 'round', 'rpow', 'rsub',
'rtruediv', 'sample', 'select', 'select_dtypes', 'sem', 'set_axis', 'set_index',
'set_value', 'shape', 'shift', 'size', 'skew', 'slice_shift', 'sort_index', 'sort_values',
'sortlevel', 'squeeze', 'stack', 'std', 'style', 'sub', 'subtract', 'sum', 'swapaxes',
'swaplevel', 'tail', 'take', 'to_clipboard', 'to_csv', 'to_dense', 'to_dict', 'to_excel',
'to_feather', 'to_gbq', 'to_hdf', 'to_html', 'to_json', 'to_latex', 'to_msgpack',
'to_panel', 'to_parquet', 'to_period', 'to_pickle', 'to_records', 'to_sparse',
'to_sql', 'to_stata', 'to_string', 'to_timestamp', 'to_xarray', 'transform',
'transpose', 'truediv', 'truncate', 'tshift', 'tz_convert', 'tz_localize', 'unstack',
'update', 'values', 'var', 'where', 'xs']
575
TERMİNOLOJİ
Array: Dizi
Matrix : Matris, İki boyutlu Dizi
Tensor: Tensör, 3 veya daha büyük boyuttaki Dizi.
Rank Derece matrisin boyutu matrisin derecesi 2 boyutlu matris

3 boyutlu tensör örnek : 6x3x10 rank=3
Index : İndis , elamanın dizideki yerini belirten rakam kaçıncı satır kaçıncı
sütunu belirten, sıralama nosu, ve fiil sıralamak
İndices indisler index in çoğulu [6,1] elemanın yerini tanımlıyor ilki satır no
ikincisi sütun no 6+1 7nci satırın 1+1= 2 nci elemanı
numpy numaralamaya 0 dan başladığı için 1 eklişyoruz rakamlara
Tuple: dizinin indislerinin bütünü , tuple of array dimentions

.shape fonksiyonunun verdiği dizinin boyutlarını gösteren rakamlar
bütünü örnek: (6,6)
Row Satır 1nci boyut

Column Sütun 2nci boyut
Tube 3ncü boyut matrix veya tensor’ün
Factorization: Çarpanlarına Ayırma

Factoring : Çarpanlarına Ayırma
Factors: Çarpanlar
Matrix Factorization: Matrisi Çarpanlarına Ayırma
LU Matrix Decomposition : Bu da matrisi çarpanlarına ayırmadaki bir yöntem
Diagonal: köşegen
Matrix diagonal: Matris Köşegeni
Vector: Vektör : hız kuvvet ivme gibi yönü şiddeti olan ve ok ile gösterilen
hareketin ve kuvvetin olduğu her alanda karşımıza çıkan fizik
kavramı
576
Eigen: (own, characteristic) Kendi, kendine özgü, öz

Egenvector : Eigen vektörö Öz vektör
Eigenvalue.: Eigen değer, Öz değer (Almanca eigen’den geliyor)
Matrislerde Doğrusal Cebir, Doğrusal Dönüşümde
Bir Matrisin özellikleri. Matrisle çarpıldığında sadece büyüklüğü
değişen vektör. Doğrultusu değişmiyor.
(facial recognition da yüz tanımada bile kullanılıyor)
Axis : Eksenler, Matplotlib’de çizimin geri planındaki x,y,z eksenleri
xyz axis : xyz eksenleri
Data Visualization Veri Görselleştirmesi

Scientific Visualization Bilimsel Görselleştirme
3D Visualization 3 Boyutlu Görselleştirme
Contour : Kontur (yol yol)
Gantt Chart : Proje yönetiminde kullanılan, işleri tanımlayan ve işin

süresinin boyları belirlediği yatay çubuklardan oluşan grafik.
Scatter Plot: Dağılım Çizimi (ingilizcesinde graph denmemiş biz de graf

demiyelim)
2D Scattering : 2 Boyutlu Dağalım

3D Scattering : 3 Boyutlu dağılım. Matplotlib’de var. Yapay Zeka(Artificial
Intelligence) ın bir alanı bir alt başlığı olan Makine Öğrenmesi(Machine
Learning)’ de bir metod.
Clustering : Kümelenme, Kümeleme

Cluster: Kümelenme
Number of Clusters : Kümelenme Sayısı
PCA Principal component analysis on a matrix (2D) (Yapay zeka eklentisi

Scitlearn de var) PTA Principal tensor analysis on a array (3D)
clustering analysis with Hierarchical Clustering
Correlation : Bağıntı(ilişki) Co( r) (beraber, birlikte) + relation

577
Visualizing regression models
Regression: İlişkilendirme, Bağıntı(İlişki) arama
Linear Regression: Doğrusal İlişkilendirme (Regresyon)
Multiple Linear Regression
Logistic Regression Curve:
Sigmoidal Sigmoid curve S şeklindeki bir eğri türü
Doğrusal İlişkilendirme ( Linear Regression) ve Korelasyon

Katsayısı(Correlation Coefficient)
578
K-means Kümeleme (k-means Clustering)

K-means kümeleme (K-ortalama kümeleme) (K-means clustering)
yöntemi N adet veri nesnesinden oluşan bir veri kümesini giriş
parametresi olarak verilen K adet kümeye bölümlemektir. Kümeleme
algoritmasıdır.
Algoritma 4 aşamadan oluşur:
1.Küme merkezlerinin belirlenmesi
2.Merkez dışındaki verilerin mesafelerine göre kümelendirilmesi
3.Yapılan kümelendirmeye göre yeni merkezlerin belirlenmesi
(veya eski merkezlerin yeni merkeze kaydırılması)
4.Kararlı hale (stable state) gelinene kadar 2. ve 3. adımların
tekrarlanması.
SciPy ve scikit-learn multiple k-means uygulamaları içerir

OpenCV contains a k-means implementation.
Torch contains an unsup package that provides k-means clustering.
scipy.cluster.vq.kmeans
Quantize : nicelendirmek, niceliklerini bulmak

Quantization:
centroid: koordinatları kümedeki noktaların koordinatlarının ortalama
değerine eşit olan nokta, ağırlık merkezi, kütle merkezi,
579
Data Frame :Veri Çerçevesi

Table: tablo
Database: Veri tabanı
CSV (Comma Sepereted Value) file : CSV (Virgülle Ayrılmış Değerler)
dosyası Excel le de açılabilen Veri Tablosu içeren dosya.. Pandas’da
pandas.read_csv('D://.csv') ve write CSV komutları ile okunur ve yazılır.
Bilimsel Görselleştirmedeki tanımı: Nokta koordinatları ve noktalardaki vektör
bileşenlerini içeren tablo olarak içeren 6 sütunllu Vektör Alanı tanımlayan dosya
JSON (JavaScript Object Notation) dosya formatı( a text format )
Notepad , wordpad ve Ms Word açıyor..
Pandas dataframe ‘i json olarak da kaydedilebiliyor.
580
Python ile Kodlama II: Python Bilim Paketi N.Derya Varol
Numpy, Scipy, Matplotlib ve Pandas
KAYNAKLAR/RESOURCES
Değinilen Kaynaklar
N.Derya Varol “Python Programlama Dilinde Numpy ve Matplotlib Modülleri
ile numpy.meshgrid() ve quiver( ) kullanarak 3 Boyutlu Vektör Alanı
Çizdirmek” Temmuz 2018 Researghgate ve academia.edu
https://www.researchgate.net/publication/326579581_Python_Programlama_
Dilinde_Numpy_ve_Matplotlib_Modulleri_ile_numpymeshgrid_ve_quiver_kull
anarak_3_Boyutlu_Vektor_Alani_Cizdirmek
N.Derya Varol “PYTHON, VTK VE PARAVIEW İLE BİLİMSEL GÖRSELLEŞTİRME

VTK ya Giriş Python VTK ve ParaView’de 3D Vektör Alanı Oluşturulması ve
Görselleştirilmesi” Eylül 2018 Publisher: Self-PublishingISBN: 978-605-62333-
3-3 Researghgate ve academia.edu
https://www.researchgate.net/publication/327765622_PYTHON_VTK_VE_PAR
AVIEW_ILE_BILIMSEL_GORSELLESTIRME_VTK_ya_Giris_Python_VTK_ve_ParaVi
ew'de_3D_Vektor_Alani_Olusturulmasi_ve_Gorsellestirilmesi
581
PYTHON PROGRAMLAMA DİLİ VE UYGULAMALARI
PYTHON PROGRAMMING LANGUAGE AND APPLICATIONS Dersinin
içeriğinin oluşturulması sırasında faydalanılan Kaynaklar
Python ile Programlama
[] https://www.python.org/
[] http://www.afterhoursprogramming.com/tutorial/Python/Introduction/
[] https://docs.python.org/2/library/idle.html
[] https://docs.python.org/2.4/lib/typesnumeric.html#tex2html7
[]https://www.tutorialspoint.com/python/python_numbers.htm
[] https://www.programiz.com/python-programming/modules/math
[]https://stackoverflow.com/questions/1888114/python-hexadecimal-
comparison
[]http://www.geeksforgeeks.org/byte-objects-vs-string-python/
[] https://www.tutorialspoint.com/python/python_basic_operators.htm
[] https://www.tutorialspoint.com/python/bitwise_operators_example.htm
[] https://stackoverflow.com/questions/1746613/bitwise-operation-and-usage
[] https://www.programiz.com/python-programming/function
[] https://jeffknupp.com/blog/2014/06/18/improve-your-python-python-
classes-and-object-oriented-programming/
[] https://stackoverflow.com/questions/15081542/python-creating-objects
[] https://www.programiz.com/article/python-self-why
[] https://pythontips.com/2013/08/07/the-self-variable-in-python-explained/
[] https://www.python-course.eu/object_oriented_programming.php
[] http://www.i-programmer.info/programming/python/3942-arrays-in-
python.html
[] https://www.tutorialspoint.com/python/list_list.htm
[] https://www.programiz.com/python-programming/list
[] Introduction to Computer Science and Programming in Python MIT
https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-
0001-introduction-to-computer-science-and-programming-in-python-fall-
2016/index.htm
582
[] Python Tutorial MIT(Mass. Ins. Of Tech.)
https://ocw.mit.edu/courses/electrical-engineering-and-computer-science/6-
01sc-introduction-to-electrical-engineering-and-computer-science-i-spring-
2011/python-tutorial/
[] https://docs.python.org/3/library/datetime.html
[] https://stackoverflow.com/questions/15226898/python-3-2-input-date-
function
[] https://stackoverflow.com/questions/8419564/difference-between-two-
dates
583
Python BİLİM SCIENCE PAKETİ: Numpy(Numeric Python),
SciPy(Scientific Python),Matplotlab, Pandas
Numpy
[] http://www.i-programmer.info/programming/python/5785-advanced-
python-arrays-introducing-numpy.html
[] http://cs231n.github.io/python-numpy-tutorial/
[] http://www.numpy.org
[] https://www.scipy.org/
[] https://docs.scipy.org/doc/numpy-1.13.0/user/basics.creation.html
[]https://docs.scipy.org/doc/numpy-
1.13.0/reference/generated/numpy.array.html
[] http://cs231n.github.io/python-numpy-tutorial/#numpy-array-indexing
[] http://cs231n.github.io/python-numpy-tutorial/
1.13.0/reference/generated/numpy.asarray.html
[] https://docs.scipy.org/doc/numpy-1.13.0/reference/arrays.ndarray.html
[] https://www.python-course.eu/matrix_arithmetic.php
1.13.0/reference/generated/numpy.arange.html
1.13.0/reference/generated/numpy.ndarray.dot.html
[] https://scipy.github.io/old-wiki/pages/Cookbook
[] https://docs.scipy.org/doc/scipy/reference/tutorial/special.html
[] https://docs.scipy.org/doc/scipy/reference/special.html#struve-functions
[] “NumPy for Matlab users: Equivalents”
https://docs.scipy.org/doc/numpy-dev/user/numpy-for-matlab-users.html
[] “NumPy for MATLAB users”
http://mathesaurus.sourceforge.net/matlab-numpy.html
1.13.0/reference/generated/numpy.linspace.html
[] https://numpy.org/doc/stable/reference/generated/numpy.chararray.html
584
[] the importance of linear algebra to machine learning, vector, and matrix
operations, matrix factorization, principal component analysis,
https://machinelearningmastery.com/linear_algebra_for_machine_learning/
[] https://medium.com/@paritosh_30025/recommendation-using-matrix-
factorization-5223a8ee1f4
[] https://www.python-course.eu/neural_networks_with_python_numpy.php
https://study.com/academy/lesson/difference-between-a-row-column-
vector.html
[] What’s the difference between a matrix and a tensor?
https://medium.com/@quantumsteinke/whats-the-difference-between-a-
matrix-and-a-tensor-
4505fbdc576c#:~:text=The%20basic%20idea%2C%20though%2C%20is,of%20as
%20a%20generalized%20matrix.&text=Any%20rank%2D2%20tensor%20can,rea
lly%20a%20rank%2D2%20tensor.
[] https://www.geeksforgeeks.org/numpy-ndarray-ndim-method-python/
[] Explaining the differences between dim, shape, rank, dimension and axis in numpy
https://stackoverflow.com/questions/22114921/explaining-the-differences-
between-dim-shape-rank-dimension-and-axis-in-numpy
[] A Gentle Introduction to Tensors for Machine Learning with NumPy
https://machinelearningmastery.com/introduction-to-tensors-for-machine-
learning/
[] numpy.linalg.tensorinv
https://numpy.org/doc/stable/reference/generated/numpy.linalg.tensorinv.htm
l
[ ] numpy.tensordot
https://numpy.org/doc/stable/reference/generated/numpy.tensordot.html
[] ***How to convert mat file to numpy array
https://stackoverflow.com/questions/62274746/how-to-convert-mat-file-to-
numpy-array
585
[] https://numpy.org/doc/stable/reference/generated/
[] numpy.linalg.tensorsolve.html
[] rank
https://www.kite.com/python/docs/numpy.rank
[] Tensors
https://towardsdatascience.com/quick-ml-concepts-tensors-eb1330d7760f
[] Tensor- Wikipedia
[] From Scalar to Tensor: Fundamental Mathematics for Machine Learning
with Intuitive Examples Part 1/3
https://medium.com/datadriveninvestor/from-scalar-to-tensor-fundamental-
mathematics-for-machine-learning-with-intuitive-examples-part-163727dfea8d
[] “Basics of Linear Algebra for Machine Learning”
Discover the Mathematical Language of Data in Python
Linear algebra is a pillar of machine learning.
[] https://www.quantstart.com/articles/LU-Decomposition-in-Python-and-
NumPy
[] A Gentle Introduction to Matrix Factorization for Machine Learning
by Jason Brownlee on February 16, 2018 in Linear Algebra
[] https://machinelearningmastery.com/introduction-to-matrix-
decompositions-for-machine-learning/
[] The LU decomposition
https://subscription.packtpub.com/book/big_data_and_business_intelligence/
9781784394516/2/ch02lvl1sec18/the-lu-decomposition
1.13.0/reference/generated/numpy.arange.html
[] http://tiao.io/posts/numpy-mgrid-vs-meshgrid/
[] https://stackoverflow.com/questions/12402045/mesh-grid-functions-in-
python-meshgrid-mgrid-ogrid-ndgrid
1.13.0/reference/generated/numpy.meshgrid.html
[] https://stackoverflow.com/questions/36013063/what-is-purpose-of-
meshgrid-in-python
586
1.13.0/reference/generated/numpy.linalg.solve.html#numpy.linalg.solve
[]https://chrisalbon.com/python/basics/generating_random_numbers_with_n
umpy/
1.15.0/reference/generated/numpy.random.random.html
[] https://www.tutorialspoint.com/numpy/numpy_indexing_and_slicing.htm
[] “A Gentle Introduction to Tensors for Machine Learning with NumPy”
https://machinelearningmastery.com/introduction-to-tensors-for-machine-
learning/
[]http://www.scipy-
lectures.org/intro/numpy/auto_examples/plot_elephant.html#sphx-glr-intro-
numpy-auto-examples-plot-elephant-py
[] https://www.kdnuggets.com/2018/05/wtf-tensor.html
[] https://docs.scipy.org/doc/numpy-dev/user/numpy-for-matlab-users.html
[] http://mathesaurus.sourceforge.net/matlab-numpy.html
[] https://docs.scipy.org/doc/numpy/reference/generated/numpy.dot.html
[]https://docs.scipy.org/doc/numpy/reference/generated/numpy.tensordot.ht
ml
[] https://jakevdp.github.io/PythonDataScienceHandbook/02.02-the-basics-of-
numpy-arrays.html
[] https://www.slideshare.net/BertonEarnshaw/a-brief-survey-of-tensors
[ ] https://en.wikibooks.org/wiki/Category:Book:General_Relativity
[] “CS4618: Artificial Intelligence I Vectors and Matrices”
Derek Bridge School of Computer Science and Information Technology
University College Cork
[] http://www.cs.ucc.ie/~dgb/courses/ai1/09_matrices.pdf
[] “Introduction to Matrices and Matrix Arithmetic for Machine Learning”
https://machinelearningmastery.com/introduction-matrices-machine-learning/
[] “An Essential Guide to Numpy for Machine Learning in Python”
The Quintessential Library for ML!
https://becominghuman.ai/an-essential-guide-to-numpy-for-machine-learning-
in-python-5615e1758301
587
[] https://www.python-course.eu/matrix_arithmetic.php
[][https://stackoverflow.com/questions/4257394/slicing-of-a-numpy-2d-array-
or-how-do-i-extract-an-mxm-submatrix-from-an-nxn-ar
[] http://www.numpy.org
[] How to Index, Slice and Reshape NumPy Arrays for Machine Learning
https://machinelearningmastery.com/index-slice-reshape-numpy-arrays-
machine-learning-python/
[] https://www.tutorialspoint.com/python/python_lists.htm
[] https://docs.scipy.org/doc/numpy-1.13.0/reference/arrays.ndarray.html
[] https://github.com/TarrySingh/Artificial-Intelligence-Deep-Learning-
Machine-Learning-Tutorials/blob/master/numpy/02.06-Boolean-Arrays-and-
Masks.ipynb
[] https://www.quora.com/What-does-the-determinant-of-a-matrix-mean-
physically-How-do-I-visualize-it
1.13.0/reference/generated/numpy.ndarray.dot.html
1.13.0/reference/generated/numpy.asarray.html
[] https://stackoverflow.com/questions/14415741/numpy-array-vs-
asarray/41030256#41030256
[] Store different datatypes in one NumPy array?
https://stackoverflow.com/questions/11309739/store-different-datatypes-in-
one-numpy-array
[] http://hplgit.github.io/scitools/doc/api/html/index.html
588
Scipy
[] Matrices are a foundational element of linear algebra.
“scipy.integrate.quad”
https://docs.scipy.org/doc/scipy/reference/generated/scipy.integrate.quad.ht
ml
[]https://docs.scipy.org/doc/scipy-
0.14.0/reference/generated/scipy.linalg.lu.html
[] https://docs.scipy.org/doc/scipy-0.18.1/reference/tutorial/special.html
[] Use Scipy Optimizer with Tensorflow 2.0 for Neural Network training
https://stackoverflow.com/questions/59029854/use-scipy-optimizer-with-
tensorflow-2-0-for-neural-network-training
[] https://www.scipy.org/
[] https://docs.scipy.org/doc/scipy/reference/tutorial/linalg.html
[] https://docs.scipy.org/doc/scipy/reference/special.html#struve-functions
[] https://eksisozluk.com/bessel-fonksiyonlari--378418
589
Matplotlib
[]http://www.scipy-lectures.org/intro/numpy/auto_examples/
plot_basic1dplot.html#sphx-glr-intro-numpy-auto-examples-plot-basic1dplot-
py
[] https://matplotlib.org/examples/axes_grid/demo_axisline_style.html
[] https://matplotlib.org/examples/
[] https://matplotlib.org/examples/animation/simple_anim.html
[] https://matplotlib.org/examples/animation/basic_example.html
[]http://www.scipy-
lectures.org/intro/numpy/auto_examples/plot_elephant.html#sphx-glr-intro-
numpy-auto-examples-plot-elephant-py
[] https://scipy.github.io/old-wiki/pages/Cookbook/Matplotlib.html
https://scipy.github.io/old-
wiki/pages/Cookbook/Matplotlib/SigmoidalFunctions.html
[] https://stackoverflow.com/questions/29330307/how-to-delete-a-set-of-
meshgrid-points-inside-a-circle
1.13.0/reference/generated/numpy.meshgrid.html
[] https://stackoverflow.com/questions/36013063/what-is-purpose-of-
meshgrid-in-python
[] https://stackoverflow.com/questions/12402045/mesh-grid-functions-in-
python-meshgrid-mgrid-ogrid-ndgrid
[] http://hplgit.github.io/scitools/doc/api/html/index.html
1.13.0/reference/generated/numpy.linspace.html
[] https://matplotlib.org/users/pyplot_tutorial.html
[] Programming for Engineers: Plotting with matplotlib in Python
http://apmonitor.com/che263/index.php/Main/PythonPlots
[] Using the Matplotlib Library in Python 3
http://www.eg.bucknell.edu/~csci203/common-files/course-
docs/UsingMatplotlib.pdf
[] https://docs.scipy.org/doc/scipy-0.18.1/reference/tutorial/special.html
[] http://maths-with-python.readthedocs.io/en/latest/06-numpy-plotting.html
590
[] https://matplotlib.org/1.5.1/mpl_toolkits/mplot3d/tutorial.html
[] https://matplotlib.org/examples/scales/scales.html
[] https://matplotlib.org/gallery.html#shapes_and_collections
[]https://matplotlib.org/examples/images_contours_and_fields/streamplot_de
mo_features.html
mo_masking.html
[] https://matplotlib.org/examples/color/named_colors.html
[] https://matplotlib.org/examples/specialty_plots/advanced_hillshading.html
[] https://matplotlib.org/devdocs/gallery/misc/table_demo.html#sphx-glr-
gallery-misc-table-demo-py
[]https://matplotlib.org/devdocs/gallery/images_contours_and_fields/contour
_demo.html#sphx-glr-gallery-images-contours-and-fields-contour-demo-py
[] http://scipy-cookbook.readthedocs.io/items/Matplotlib_Arrows.html
[] https://matplotlib.org/api/_as_gen/matplotlib.axes.Axes.contour.html
[] http://kestrel.nmt.edu/~raymond/software/python_notes/paper004.html
[] https://matplotlib.org/examples/pylab_examples/contour_demo.html
[] https://matplotlib.org/examples/pylab_examples/contourf_demo.html
[]https://matplotlib.org/devdocs/gallery/images_contours_and_fields/contour
_demo.html#sphx-glr-gallery-images-contours-and-fields-contour-demo-py
[]https://matplotlib.org/gallery/text_labels_and_annotations/arrow_simple_d
emo.html
[]https://matplotlib.org/devdocs/api/_as_gen/matplotlib.axes.Axes.quiver.htm
l
[]http://www.scipy-
lectures.org/intro/matplotlib/auto_examples/plot_quiver_ex.html
[]https://matplotlib.org/gallery/images_contours_and_fields/quiver_simple_de
mo.html
[] https://matplotlib.org/examples/pylab_examples/quiver_demo.html
[] https://www.tutorialspoint.com/matplotlib/matplotlib_pylab_module.htm
591
[]https://matplotlib.org/gallery/images_contours_and_fields/quiver_demo.ht
ml
[] https://pybilim.wordpress.com/2014/01/18/matplotlib-2-cizgi-
bicimlendirme/#more-355
[] Python For Engineers :An introduction to Numpy and Matplotlib
http://pythonforengineers.com/an-introduction-to-numpy-and-matplotlib/
[] https://matplotlib.org/users/annotations.html
https://matplotlib.org/2.0.0/examples/mplot3d/subplot3d_demo.html
[] https://stackoverflow.com/questions/24337813/how-does-subplot-work-
and-what-is-the-difference-between-subplot121-and-subplo
[] https://matplotlib.org/1.5.1/mpl_toolkits/mplot3d/tutorial.html
[] https://matplotlib.org/examples/color/colormaps_reference.html
[] https://matplotlib.org/3.1.0/tutorials/colors/colormaps.html
[] https://jakevdp.github.io/PythonDataScienceHandbook/04.12-three-
dimensional-plotting.html
[] https://jakevdp.github.io/PythonDataScienceHandbook/04.12-three-
dimensional-plotting.html
[]http://www.scipy-
lectures.org/intro/matplotlib/auto_examples/pretty_plots/plot_plot3d_ext.ht
ml#sphx-glr-intro-matplotlib-auto-examples-pretty-plots-plot-plot3d-ext-py
[]http://kestrel.nmt.edu/~raymond/software/python_notes/paper004.htmlhtt
ps://matplotlib.org/api/_as_gen/matplotlib.axes.Axes.contour.html
[]
https://matplotlib.org/devdocs/gallery/images_contours_and_fields/contour_
demo.html#sphx-glr-gallery-images-contours-and-fields-contour-demo-py
mo_masking.html
[]https://matplotlib.org/gallery/text_labels_and_annotations/arrow_simple_d
emo.html
[]https://matplotlib.org/devdocs/api/_as_gen/matplotlib.axes.Axes.quiver.htm
l
592
mo_features.html
[]http://www.scipy-
lectures.org/intro/scipy/auto_examples/plot_2d_minimization.html#sphx-glr-
intro-scipy-auto-examples-plot-2d-minimization-py
[] https://matplotlib.org/examples/api/engineering_formatter.html
[] https://matplotlib.org/2.0.2/users/pyplot_tutorial.html
[] https://queirozf.com/entries/matplotlib-pylab-pyplot-etc-what-s-the-
different-between-these
[] https://stackoverflow.com/questions/4804005/matplotlib-figure-facecolor-
background-color
[]http://www.scipy-
lectures.org/intro/numpy/auto_examples/plot_basic1dplot.html#sphx-glr-
intro-numpy-auto-examples-plot-basic1dplot-py
[] https://matplotlib.org/examples/
[] https://matplotlib.org/users/pyplot_tutorial.html
[] https://stackoverflow.com/questions/11469336/what-is-the-difference-
between-pylab-and-pyplot
[] https://matplotlib.org/gallery.html#shapes_and_collections
[]https://matplotlib.org/devdocs/api/_as_gen/matplotlib.pyplot.streamplot.ht
ml
[]https://www.reddit.com/r/learnpython/comments/150oye/so_whats_exactly
_the_difference_between_pylab_and/
[] https://stackoverflow.com/questions/11469336/what-is-the-difference-
between-pylab-and-pyplot
[] How to change the background color of an insert figure?
https://github.com/matplotlib/matplotlib/issues/12857
[] How to Change Plot Background in Matplotlib
https://stackabuse.com/how-to-change-plot-background-in-matplotlib/
[] https://stackoverflow.com/questions/51660547/how-to-change-matlibplot-
background-color-when-using-imshow
[] http://scipy-cookbook.readthedocs.io/items/Matplotlib_Arrows.html
593
[] https://www.geeksforgeeks.org/matplotlib-pyplot-matshow-in-python/
[]https://matplotlib.org/3.3.3/gallery/images_contours_and_fields/matshow.h
tml#sphx-glr-gallery-images-contours-and-fields-matshow-py
[] pylab_examples example code: matshow.py
https://het.as.utexas.edu/HET/Software/Matplotlib/examples/pylab_examples/
matshow.html
[] Matplotlib: Changing the color of an axis
https://stackoverflow.com/questions/1982770/matplotlib-changing-the-color-
of-an-axis
[] https://matplotlib.org/gallery/widgets/cursor.html#sphx-glr-gallery-widgets-
cursor-py
[] https://matplotlib.org/3.1.1/tutorials/colors/colors.html
[] https://matplotlib.org/3.3.3/tutorials/introductory/customizing.html
[] https://www.tutorialspoint.com/matplotlib/matplotlib_violin_plot.htm
[] Matplotlib - Box Plot
https://www.tutorialspoint.com/matplotlib/matplotlib_box_plot.htm
[] Box Plot in Python using Matplotlib
https://www.geeksforgeeks.org/box-plot-in-python-using-matplotlib/
[] “Mod, Medyan, Aritmetik Ortalama, Standart Sapma Hesaplama ve Veri
Sıralama”
[] https://standart-sapma-hesaplama.hesabet.com/
[] Kutu Grafiği (Boxplot)
https://yalin-dunya.com/2020/06/19/kutu-grafigi-boxplot/
[] http://matplotlib.org/1.4.3/examples/ticks_and_spines/spines_demo.html
[] Matplotlib Tutorial: Spines and Ticks
Moving the Border Lines and Polishing up the Axes Notations
https://www.python-course.eu/matplotlib_spines_and_ticks.php
[] Programming for Engineers: Plotting with matplotlib in Python
http://apmonitor.com/che263/index.php/Main/PythonPlots
[] https://matplotlib.org/examples/scales/scales.html
[] https://plotly.com/python/gantt/
[] https://stackoverflow.com/questions/4761623/changing-the-color-of-the-
axis-ticks-and-labels-for-a-plot-in-matplotlib?rq=1
594
[]https://matplotlib.org/gallery/images_contours_and_fields/quiver_simple_de
mo.html
[]http://www.scipy-
lectures.org/intro/matplotlib/auto_examples/plot_quiver_ex.html
[] https://matplotlib.org/examples/pylab_examples/quiver_demo.html
[] http://kestrel.nmt.edu/~raymond/software/python_notes/paper004.html
[] https://stackoverflow.com/questions/7130474/3d-vector-field-in-matplotlib
[]http://web.mit.edu/8.13/matlab/MatlabTraining_IAP_2012/AGV/DemoFiles/
ScriptFiles/html/Part8_VectorFields.html
[]https://matplotlib.org/1.5.1/mpl_toolkits/mplot3d/tutorial.html
[] http://www.geocities.jp/hp_yamakatsu/python01.html
[] https://matplotlib.org/2.0.0/examples/mplot3d/wire3d_demo
[]https://matplotlib.org/gallery/mplot3d/wire3d_animation.html
[] https://matplotlib.org/examples/animation/basic_example.html
[] https://matplotlib.org/examples/color/named_colors.html
[] https://www.geeksforgeeks.org/python-basic-gantt-chart-using-matplotlib/
[]https://matplotlib.org/3.1.0/gallery/pie_and_polar_charts/nested_pie.html
[]https://matplotlib.org/3.1.1/gallery/mplot3d/voxels.html#sphx-glr-gallery-
mplot3d-voxels-py
[]https://stackoverflow.com/questions/61644978/how-can-i-plot-a-cat-in-
matplotlib-using-voxels
[]https://matplotlib.org/api/_as_gen/matplotlib.pyplot.scatter.html
[]https://matplotlib.org/gallery/shapes_and_collections/scatter.html#sphx-glr-
gallery-shapes-and-collections-scatter-py
[]https://matplotlib.org/gallery/lines_bars_and_markers/scatter_symbol.html#
sphx-glr-gallery-lines-bars-and-markers-scatter-symbol-py
[]https://stackoverflow.com/questions/19068862/how-to-overplot-a-line-on-a-
scatter-plot-in-python
[] https://matplotlib.org/examples/pylab_examples/annotation_demo2.html
[] https://matplotlib.org/users/annotations.html
595
Pandas
[] https://chrisalbon.com/python/pandas_dataframe_importing_csv.html
[] https://stackoverflow.com/questions/42101382/pandas-dataframe-assign-
arguments
[] https://pandas.pydata.org/pandas-docs/stable/comparison_with_sql.html
[] https://pandas.pydata.org/pandas-docs/stable/10min.html#min
[]https://pandas.pydata.org/pandas-
docs/stable/generated/pandas.read_csv.html#pandas.read_csv
[] http://pythonforengineers.com/introduction-to-pandas/
[] https://www.python-course.eu/pandas.php
docs/stable/generated/pandas.DataFrame.sample.html
[] https://pythonprogramming.net/python-2-7-pandas-data-analysis/
[] https://towardsdatascience.com/using-the-pandas-data-frame-as-a-
database-282edec5a3ab
[] https://jingwen-z.github.io/data-viz-with-matplotlib-series3-pie-chart/
[] https://colorswall.com/palette/31501/
[] https://datascienceplus.com/matplotlib-library-tutorial-with-examples-
python/
[] https://www.edureka.co/blog/python-matplotlib-tutorial/
[]https://matplotlib.org/3.1.1/gallery/lines_bars_and_markers/stackplot_demo
.html
[] https://python-tricks.com/stack-plots-in-matplotlib/
[] https://www.machinelearningplus.com/plots/python-scatter-plot/
[] https://www.teacherspayteachers.com/Product/Linear-Regression-and-the-
Correlation-Coefficient-Math-1-3037752
[] https://provingground.io/2017/08/01/machine-learning-with-lunchboxml/
[] How do I store different data types in a NumPy array in Python?
https://www.quora.com/How-do-I-store-different-data-types-in-a-NumPy-
array-in-Python
596
[] Python | Pandas.to_datetime()
https://www.geeksforgeeks.org/python-pandas-to_datetime/
[] pandas.to_datetime
https://pandas.pydata.org/pandas-
docs/stable/reference/api/pandas.to_datetime.html
[] Pandas Time series / date functionality
https://pandas.pydata.org/pandas-docs/stable/user_guide/timeseries.html
[] pandas.Series.dt.tz_convert
https://pandas.pydata.org/pandas-
docs/stable/reference/api/pandas.Series.dt.tz_convert.html
[]https://naomi-fridman.medium.com/learn-pandas-with-election-data-
3d9d8465f943
[]https://medium.com/data-science-tr/python-ile-zaman-serisi-analizi-1-
75b5f7d38356
[]https://www.datacamp.com/community/tutorials/time-series-analysis-
tutorial?utm_source=adwords_ppc&utm_campaignid=1455363063&utm_adgr
oupid=65083631748&utm_device=c&utm_keyword=&utm_matchtype=b&utm
_network=g&utm_adpostion=&utm_creative=278443377095&utm_targetid=a
ud-392016246653:dsa-
473406571155&utm_loc_interest_ms=&utm_loc_physical_ms=1012782&gclid
=CjwKCAiA7939BRBMEiwA-hX5J16T6v47j-
5tKAZ4rzZpXXAOuq6ghTYnf5JBWVg2ngAe4jZ1G8yiwRoCTUsQAvD_BwE
[] https://pythonexamples.org/modulenotfounderror-no-module-named-
openpyxl/
[] https://www.journaldev.com/33478/pandas-dataframe-apply-examples
[] https://www.geeksforgeeks.org/apply-function-to-every-row-in-a-pandas-
dataframe/
597
[] https://www.journaldev.com/33306/pandas-read_excel-reading-excel-file-
in-python
docs/stable/reference/api/pandas.DataFrame.apply.html
docs/stable/reference/api/pandas.DataFrame.to_json.html
[] https://www.json.org/json-en.html
[] https://datatofish.com/export-pandas-dataframe-json/
[] https://pandas.pydata.org/pandas-docs/stable/visualization.html
[] https://stackoverflow.com/questions/31674557/how-to-append-rows-in-a-
pandas-dataframe-in-a-for-loop
arguments
arguments
[]https://pandas.pydata.org/pandas-docs/stable/comparison_with_sql.html
[]https://pandas.pydata.org/pandas-docs/stable/10min.html#min
[]https://chrisalbon.com/python/pandas_dataframe_importing_csv.html
[]https://stackoverflow.com/questions/11285613/selecting-multiple-columns-
in-a-pandas-dataframe
docs/stable/generated/pandas.read_csv.html#pandas.read_csv
[]http://pythonforengineers.com/introduction-to-pandas/
docs/stable/generated/pandas.DataFrame.sort_values.html
[]https://stackoverflow.com/questions/19482970/get-list-from-
pandas-dataframe-column-headers
[] https://github.com/gjbex/training-material/tree/master/Visualization/Csv
599
Seaborn
[] "SeaBorn: Visualizing regression models"
https://seaborn.pydata.org/tutorial/regression.html
[] "Comparing Python Data Visualization Tools: Matplotlib vs Seaborn"
https://analyticsindiamag.com/comparing-python-data-visualization-tools-
matplotlib-vs-
seaborn/#:~:text=Matplotlib%3A%20Matplotlib%20is%20mainly%20deployed,h
as%20easily%20interesting%20default%20themes.
[] "Data Visualization with Python and Seaborn — Part 4: LM Plot & Reg Plot"
https://medium.com/@neuralnets/data-visualization-with-python-and-
seaborn-part-4-9b0119887130
[] "Seaborn: Python's Statistical Data Visualization Library"
https://www.datacamp.com/community/tutorials/seaborn-python-
tutorial?utm_source=adwords_ppc&utm_campaignid=1455363063&utm_adgr
oupid=65083631748&utm_device=c&utm_keyword=&utm_matchtype=b&utm
_network=g&utm_adpostion=&utm_creative=332602034361&utm_targetid=a
ud-392016246653:dsa-
473406580275&utm_loc_interest_ms=&utm_loc_physical_ms=1012782&gclid
=Cj0KCQiAqdP9BRDVARIsAGSZ8AnhGbMypdOCN1I2Sc_pKjDnYjk1ggCo0ad2kt6
68n4Jv9yywZ5wLmQaAtNGEALw_wcB
[] "seaborn.heatmap"
https://seaborn.pydata.org/generated/seaborn.heatmap.html
[] "How to Create a Matrix Plot in Seaborn with Python"
http://www.learningaboutelectronics.com/Articles/How-to-create-a-matrix-
plot-in-seaborn-with-Python.php
[] “Seaborn Library for Data Visualization in Python: Part 2”
https://stackabuse.com/seaborn-library-for-data-visualization-in-python-part-
2/
[] "Density plot with shade | seaborn"
https://python-graph-gallery.com/71-density-plot-with-shade-seaborn/
[] "Python Seaborn Tutorial"
https://www.journaldev.com/18583/python-seaborn-tutorial
599
[] "Pandas & Seaborn - A guide to handle & visualize data in Python"
https://tryolabs.com/blog/2017/03/16/pandas-seaborn-a-guide-to-handle-
visualize-data-elegantly/
[] "Plotting a diagonal correlation matrix"
https://seaborn.pydata.org/examples/many_pairwise_correlations.html
[] "Matrix plots in Seaborn"
https://www.geeksforgeeks.org/ml-matrix-plots-in-seaborn/
[] "Seaborn | Categorical Plots"
https://www.geeksforgeeks.org/seaborn-categorical-plots/?ref=rp
[] "Heatmap Basics with Seaborn"
https://towardsdatascience.com/heatmap-basics-with-pythons-seaborn-
fb92ea280a6c
[] seaborn.kdeplot kernel density estimate (KDE) plot
presents the data using a continuous probability density curve in one or more
dimensions.
https://seaborn.pydata.org/generated/seaborn.kdeplot.html
[] How to use Seaborn Data Visualization for Machine Learning
https://machinelearningmastery.com/seaborn-data-visualization-for-machine-
learning/
600
Python GUI Design
Görsel Programlama/Visual Programming: GUI Design: Menüler buttonlar
oluşturma, bunlara fonksiyon tanımlayıp atama
[] http://staff.washington.edu/rowen/TkinterSummary.html#StandardWidgets
[] https://www.python-course.eu/tkinter_entry_widgets.php
[] http://effbot.org/tkinterbook/menu.htm
[] https://www.tutorialspoint.com/python/tk_checkbutton.htm
[] https://www.tutorialspoint.com/python/tk_scrollbar.htm
[] https://www.python-course.eu/tkinter_message_widget.php
[] https://www.tutorialspoint.com/python3/tk_messagebox.htm
[] http://effbot.org/tkinterbook/tkinter-events-and-bindings.htm
[] https://www.python-course.eu/tkinter_text_widget.php
[] https://www.python-course.eu/tkinter_labels.php
[] https://stackoverflow.com/questions/2744795/background-color-for-tk-in-
python
[] https://stackoverflow.com/questions/4969543/colour-chart-for-tkinter-and-
tix
[] https://www.tutorialspoint.com/python/tk_colors.htm
[] https://mail.python.org/pipermail/tkinter-discuss/2014-
October/003670.html
[] http://zetcode.com/gui/tkinter/layout/
[] https://stackoverflow.com/questions/34276663/tkinter-gui-layout-using-
frames-and-grid
[] https://www.tutorialspoint.com/python/tk_frame.htm
[] http://effbot.org/tkinterbook/entry.htm
[] https://www.python-course.eu/tkinter_entry_widgets.php
[] https://www.tutorialspoint.com/python3/tk_messagebox.htm
[] http://effbot.org/tkinterbook/button.htm
601
Python DNA ve Biopython DNA
[] https://stackoverflow.com/questions/19521905/translation-dna-to-protein
[] https://stackoverflow.com/questions/46620091/compare-two-sequences
[] https://stackoverflow.com/questions/46647033/dna-sequence-into-feature
[] http://hplgit.github.io/bioinf-py/doc/pub/bioinf-py.html
[] http://woldlab.caltech.edu/~king/mussagl_manual/
[] https://www.biostars.org/p/225913/
[] https://github.com/mspopgen/pqgen/blob/master/share/codon2aa
[] https://www.britannica.com/science/genetic-code#ref6654
[] http://www.nedirnedemek.com/codon-nedir-codon-ne-demek
[] https://scipython.com/book/chapter-8-scipy/examples/dna-diffraction-
pattern/
[]https://www.safaribooksonline.com/library/view/elegant-
scipy/9781491922927/ch01.html
[] http://nbviewer.jupyter.org/github/maayanlab/Zika-RNAseq-
Pipeline/blob/master/Zika.ipynb
[] https://stackoverflow.com/questions/39779488/transform-dna-alignment-
into-numpy-array-using-biopython
[]“Handling sequences with the Seq class”
http://biopython.org/wiki/Seq
[] http://biopython.org/DIST/docs/tutorial/Tutorial.html
[] “Biopython Tutorial ”
Je Chang, Brad Chapman, Iddo Friedberg, Thomas Hamelryck,
Michiel de Hoon, Peter Cock, Tiago Antao, Eric Talevich, Bartek Wilczynski
Last Update { 10 July 2017 (Biopython 1.70)
602
Diğer
[] “Machine Learning using Logistic Regression in Python with Code”
https://becominghuman.ai/machine-learning-using-logistic-regression-in-
python-with-code-ab3c7f5f3bed
[] Data Visualization with Seaborn
https://www.kaggle.com/saduman/eda-and-data-visualization-with-seaborn
[] https://towardsdatascience.com/from-the-bridge-to-tasks-planning-build-
gannt-chart-in-python-r-and-tableau-7256fb7615f8
[] Tensorflow Tensörlere Giriş

https://www.tensorflow.org/guide/tensor
[] Tensorflow tf.rank
https://www.tensorflow.org/api_docs/python/tf/rank
[] MAT-File Level 5 File Format
https://www.loc.gov/preservation/digital/formats/fdd/fdd000440.shtml
[] Python - Dictionary
https://www.tutorialspoint.com/python/python_dictionary.htm
[] Python Dictionary
https://www.programiz.com/python-programming/dictionary
[] https://machinelearningmastery.com/introduction-to-tensors-for-machine-
learning/
[] http://python-reference.readthedocs.io/en/latest/docs/dict/itervalues.html
[] https://stackoverflow.com/questions/56150437/how-to-plot-a-time-series-
graph-using-seaborn-or-plotly/56151532
603

Python Ile Kodlama II Python Bilim Paket

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Python Ile Kodlama II Python Bilim Paket

Uploaded by

Copyright:

Available Formats

Python Bilim Paketi Numpy, SciPy, Matplotlib, Pandas N.

PYTHON İLE KODLAMA II

Yük.Müh. N.DERYA VAROL

5846 sayılı Fikir ve Sanat Eserleri Kanunu’na göre

Copyright ©N.Derya Varol , 2021

Contents can not be used without permission of the Author

All rights reserved. No parts of this publication may be

Enstitü projesini hazırladığı süreçte Enstitü’nün ders programlarının

I. NUMPY(NUMERIC PYTHON) SAYISAL PYTHON …………………………….………….. 12

I.3. Numpy İle Vektör Tanımlama a=np.array([x, y, z]) ………………….……….. 76

Uygulama: Matplotlib pyplot Arrow ………………………………………….. 273

III.8. Ok Alanı Çizimi : Vektör Alanı Çizimi (Visualizing Vector

Çizime/Grafiğe Sembol ve Renk Dağılımı eklemek :

III.16.Dağılım Çizimi (Scatter Plot) .......................................................442

Adlandırılmış Renkler(named Colors) ................................................... 456

Matplotlib.pyplot içeeiği …………………………………………………………....…..476

Kaynaklar …………………………………………………………………………………………………. 581

VTK konusunda Türkçe kaynak yoktu. İngilizcede de özellikle vektör

“Python ile Programlama” cildi ve bu “Python ile Bilimsel Programla”

Artı yapay zekadaki Veri Bilimi(Data Science) ve Makine

Kitabın içindeki modüller Numpy, Scipy, Matplotlib ve Pandas Python

Numpy’nin ardından Veri Bilimi(Data Science) paketi Pandas’ın da belli

Bilim paketinden bahsedip Matplotlib’i anlatmadan geçmeyelim deyip

Python ve bilim paketi Numpy Scipy Pandas Matplotlib bilim insanı

Yapay zekada(Artificial Intelligence), Veri Biliminde(Data Science) ve

Örneğin 2 Boyutlu Dağılım(2D Scatter) Çizimi Yapay Zeka(Artificial

Buradaki örnekleri ile anlattığımız Numpy, Matplotlib ve Pandas

Numpy 3 boyutlu modelleme ve simülasyon paketi Blender ‘ın

Kitabın düzenlemesini ve rötuşlarını yaparken Einstein’ın Genel

Matpoltlib çizim modülünü anlattığımız kısma eklediğimiz dağılım

Sonradan bir powerpoint sunumunda veya makale kitap çalışmasında

Grafiklerle örnek verdiğimiz Kümeleme(clustering) ve İlişkilendirme

Bu kitaptaki bilim paketindeki modüller Numpy(Numeric Python),

Numpy de Matplotlib de adeta bir okyanus. Mümkün olduğu kadar çok

Python ‘un Yüklenmesi

Kitaptaki uygulamaların bir kısmını Python 3.6.3 ile, bir kısmını da

Scipy, Matpoltlib, Pandas Modüllerinin eklentilerinin

Bilgisayarınıza numpy scipy matplotlib ve pandas da önceden eklendi ise

Python’un yüklü olduğu dizin

Yardımcı Eklenti : NumPy Numerik Python Modülünün

Direkt arama büyüteç simgesine tıklıyıp cmd yazınca

Komut İstemine Köşedeki Windows simgesine sağ tıklayıp

komut istemi penceresi

CMD Komut Penceresi’ nde

Python\Python36\Scripts\ klasörünün bilgisayarınızda bulunduğu adresi

C:\Programs\Python\Python36\Scripts\pip install numpy

“enter” layınca direkt pip.exe ile, ilgili python kaynağından bilgisayara

Yardımcı Eklenti : Matplotlib Modülünün Yüklenmesi

dan cmd yazıp komut istemi penceresini açıyoruz

C:\Programs\Python\Python36\Scripts\pip install matplotlib

Yazıp enterlıyoruz . pip uygun sürümü bulup indirip python ‘a ekliyor.

Yardımcı Eklenti : Scipy Scientific Python Modülünün

dan cmd yazıp komut istemi penceresini açıyoruz

C:\Programs\Python\Python36\Scripts\pip install scipy

Yazıp enterlıyoruz . pip uygun sürümü bulup indirip python ‘a ekliyor

Yardımcı Eklenti: Veri Tabanı Tabloları için Pandas Modülü

dan cmd yazıp komut istemi penceresini açıyoruz

Pip eski versiyon derse pip in güncellenmesi

bul a cmd yazıp cmd komut istemi penceresini açıyoruz.

Python ve Bilim Paketimiz hazır. Şimdi uygulamalara kod örneklerine

PYTHON ÇALIŞMA ORTAMI: IDLE

Veya daha kolay ulaşmak için simgesini görev çubuğuna sabitleyebilirsiniz.

Python IDLE Integrated Development and Learning

Python’un Editör Penceresi