Python dilinde birçok kütüphane bulunmaktadır. Python kütüphaneleri farklı amaçlar için kullanılmaktadır. Bu yazıda, Python dilinde en popüler kütüphaneleri ele alacağım. Her kütüphanenin hangi amaç için kullanıldığını ve örnek kullanım senaryolarını anlatacağım.

Python Kütüphaneleri

1) NumPy

NumPy, Python’da bilimsel hesaplama için kullanılan bir kütüphanedir. NumPy, çok boyutlu diziler ve matrisler üzerinde işlem yapmak için kullanılır. Bilimsel hesaplama yapmak için birçok matematiksel fonksiyon içerir. Veri analizi, yapay zeka ve derin öğrenme gibi alanlarda sıkça kullanılmaktadır.

 

 

import numpy as np

 

# 3×3 boyutunda bir matris tanımlayalım
matrix = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

 

# Matrisin elemanlarının toplamını bulalım
sum = np.sum(matris)

 

print(sum) # 45

2) Pandas

Pandas, Python’da veri analizi ve veri manipülasyonu için kullanılan bir kütüphanedir. Pandas, veri setlerini yüklemek, düzenlemek, analiz etmek ve görselleştirmek için kullanılır. Pandas, verileri birçok farklı formatta okuyabilir ve manipüle edebilir. Örnek kullanım senaryoları arasında veri analizi, finansal analiz ve web uygulamaları bulunmaktadır.

Pandas, verileri okuma, yazma, filtreleme, sıralama, gruplama ve özetleme işlemleri yapmak için kullanılır. Verileri NumPy dizileri ve Python sözlükleri gibi farklı yapılarla temsil eder ve bu yapılar arasında dönüştürme işlemleri yapabilir. Pandas, büyük ve karmaşık veri setleri üzerinde çalışırken hızlı ve etkili bir şekilde veri işlemenizi sağlar.

import pandas as pd

 

# Veri setini okuyalım
data = pd.read_csv(“data.csv”)

 

# Veri setinin ilk 5 satırını görüntüleyelim
print(data.head())

 

# Veri setindeki sütunları görüntüleyelim
print(data.columns)

 

# Veri setindeki bazı özellikleri özetleyelim
print(data.describe())

 

# Veri setindeki bazı sütunları filtreleyelim
filtered_data = data[[‘column1’, ‘column2’, ‘column3’]]
print(filtered_data.head())

 

# Veri setini sıralayalım
sorted_data = data.sort_values(‘column1’)
print(sorted_data.head())

 

# Verileri gruplayalım ve özetleyelim
grouped_data = data.groupby(‘column1’).mean()
print(grouped_data)

3) Matplotlib

Matplotlib, Python’da veri görselleştirme için kullanılan bir kütüphanedir. Matplotlib, grafikler, çizimler ve diğer görsel öğeler oluşturmak için kullanılır. Matplotlib, çizimlerin renkleri, etiketleri, boyutları vb. ile ilgili birçok özelleştirme seçeneği sunar. Matplotlib, çizgi grafikleri, histogramlar, dağılım grafikleri, kutu grafikleri ve diğer grafik türleri oluşturmak için kullanılır ve verileri görsel olarak anlamak ve analiz etmek için güçlü bir araçtır.

import matplotlib.pyplot as plt
import numpy as np

 

# Sinüs grafiği çizelim
x = np.linspace(0, 10, 100)
y = np.sin(x)
plt.plot(x, y)
plt.title(“Sinus Function”)
plt.xlabel(“X-axis”)
plt.ylabel(“Y-axis”)
plt.show()

 

# Histogram çizelim
data = np.random.normal(0, 1, 1000)
plt.hist(data, bins=50)
plt.title(“Histogram”)
plt.xlabel(“Value”)
plt.ylabel(“Frequency”)
plt.show()

 

# Kutu grafiği çizelim
data = np.random.normal(0, 1, 100)
plt.boxplot(data)
plt.title(“Boxplot”)
plt.show()

4) Scikit-learn

Scikit-learn, Python’da makine öğrenimi ve yapay zeka için kullanılan bir kütüphanedir. Scikit-learn, sınıflandırma, kümeleme, regresyon, boyut indirgeme ve model seçimi için bir dizi algoritma içerir. Scikit-learn, model eğitimi, model testi ve model değerlendirmesi için bir dizi araç da sunar.

from sklearn import datasets
from sklearn.neighbors import KNeighborsClassifier
from sklearn.model_selection import train_test_split

 

# Iris veri setini yükleyelim
iris = datasets.load_iris()

 

# Verileri özellik ve hedef olarak ayıralım
X = iris.data
y = iris.target

 

# Verileri eğitim ve test setleri olarak ayıralım
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

 

# K-NN sınıflandırıcısını tanımlayalım ve eğitelim
knn = KNeighborsClassifier(n_neighbors=3)
knn.fit(X_train, y_train)

 

# Test seti üzerinde sınıflandırma yapalım ve başarıyı hesaplayalım
basari = knn.score(X_test, y_test)

print(basari)

5) TensorFlow

TensorFlow, Python’da yapay zeka ve derin öğrenme için kullanılan bir kütüphanedir. TensorFlow, yapay sinir ağları, konvolüsyonel sinir ağları, rekürsif sinir ağları ve diğer derin öğrenme modelleri oluşturmak için kullanılır. TensorFlow, model eğitimi, model testi ve model değerlendirmesi için bir dizi araç da sunar.

import tensorflow as tf
import numpy as np

 

# Veri setini oluşturalım
X = np.random.random((100, 10))
y = np.random.randint(0, 2, size=(100, 1))

 

# Modeli tanımlayalım
model = tf.keras.models.Sequential([
tf.keras.layers.Dense(64, activation=’relu’),
tf.keras.layers.Dense(64, activation=’relu’),
tf.keras.layers.Dense(1, activation=’sigmoid’)
])

 

# Modeli derleyelim ve eğitelim
model.compile(optimizer=’adam’, loss=’binary_crossentropy’, metrics=[‘accuracy’])
model.fit(X, y, epochs=10, batch_size=32)

 

# Test verileriyle model performansını değerlendirelim
test_X = np.random.random((10, 10))
test_y = np.random.randint(0, 2, size=(10, 1))
loss, acc = model.evaluate(test_X, test_y)

print(“Loss:”, loss)
print(“Accuracy:”, acc)

6) Keras

Keras, makine öğrenimi uygulamaları için kullanılan yüksek seviyeli bir Python kütüphanesidir. Keras, derin öğrenme modeli oluşturmak için kullanılır ve TensorFlow, Theano ve CNTK backend’leriyle çalışır. Keras, sınıflandırma, regresyon, kümeleme ve diğer makine öğrenimi uygulamaları için kullanılabilir.

from keras.models import Sequential
from keras.layers import Dense

 

# Model oluşturma
model = Sequential()
model.add(Dense(32, input_dim=784, activation=’relu’))
model.add(Dense(10, activation=’softmax’))

 

# Model derleme
model.compile(loss=’categorical_crossentropy’, optimizer=’adam’, metrics=[‘accuracy’])

 

# Veri seti yükleme
from keras.datasets import mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()

 

# Veri seti ön işleme
x_train = x_train.reshape(60000, 784)
x_test = x_test.reshape(10000, 784)
x_train = x_train.astype(‘float32’)
x_test = x_test.astype(‘float32’)
x_train /= 255
x_test /= 255
from keras.utils import np_utils
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

 

# Model eğitme
model.fit(x_train, y_train, batch_size=128, epochs=10, validation_data=(x_test, y_test))

 

# Model değerlendirme
score = model.evaluate(x_test, y_test, verbose=0)
print(‘Test loss:’, score[0])
print(‘Test accuracy:’, score[1])

7) OpenCV

OpenCV, açık kaynaklı bir bilgisayar görüşü kütüphanesidir. OpenCV, görüntü işleme, nesne algılama, nesne takibi, yüz tanıma ve diğer görüntü odaklı uygulamalar için kullanılır. OpenCV, C ++, Python, Java ve diğer dillere uyarlanmıştır.

import cv2

 

# Resmi okuma
img = cv2.imread(‘image.jpg’)

 

# Resmi gösterme
cv2.imshow(‘image’, img)
cv2.waitKey(0)
cv2.destroyAllWindows()

 

# Resmi siyah beyaz yapma
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

 

# Yüz tanıma
face_cascade = cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’)
faces = face_cascade.detectMultiScale(gray_img, 1.3, 5)
for (x,y,w,h) in faces:
cv2.rectangle(img,(x,y),(x+w,y+h),(255,0,0),2)
cv2.imshow(‘image’, img)
cv2.waitKey(0)
cv2.destroyAllWindows()

8) Flask

Flask, Python web uygulamaları oluşturmak için kullanılan bir mikro web çatısıdır. Flask, basit, hafif ve esnek bir çözüm sunar ve RESTful API’ler, web servisleri ve diğer web uygulamaları için kullanılabilir.

from flask import Flask, render_template

 

app = Flask(__name__)

 

@app.route(‘/’)
def home():
return ‘Merhaba Dünya!’

 

@app.route(‘/about’)
def about():
return render_template(‘about.html’)

 

if __name__ == ‘__main__’:
app.run(debug=True)

Bu Flask uygulaması iki sayfa içerir: bir ana sayfa ve bir “about” sayfası. Ana sayfa sadece bir metin döndürür, “about” sayfası ise bir HTML şablonunu kullanarak daha fazla bilgi gösterir.

Flask uygulamaları, ana sayfa gibi basit bir HTTP GET isteği karşılığı veri gönderirler. “route” işlevi ile Flask’a hangi URL’ye yanıt vereceğini belirtebilirsiniz. Bu örnekte, ‘/’ yoluna sahip bir “home” sayfası ve ‘/about’ yolu ile bir “about” sayfası tanımladık. “render_template” fonksiyonu ile bir HTML şablonu kullanarak sayfaları daha dinamik hale getirebiliriz.

Son olarak, uygulamayı çalıştırmak için if __name__ == '__main__': app.run() kodunu kullanıyoruz. Bu Flask uygulaması, geliştirme sırasında hataları tespit etmek için “debug” modunda çalıştırılır.

Bu örnek, Flask’ın temel özelliklerini ve nasıl kullanıldığını göstermektedir. Flask, birçok farklı uygulama türü için kullanılabilir ve daha karmaşık uygulamalar geliştirmek için birçok eklenti ve araç sunar.

Sonuç olarak Python kütüphaneleri oldukça geniş bir yelpazede kullanıma sunulmuştur ve yazdığım örnekler de sadece bu kütüphanelerin küçük bir bölümünü kapsamaktadır. Ancak, Python’u veri analizi, makine öğrenimi, yapay zeka ve diğer veri odaklı uygulamalarda kullanırken, bu kütüphaneleri kullanmak işinizi kolaylaştırır.

Pandas kütüphanesini daha ayrıntılı anlattığım yazımı da inceleyebilirsiniz. 🙂