Python NumPy Nedir? Ne İşe Yarar?

Python öğrenmeye başlayan pek çok kişinin karşısına kısa sürede NumPy kavramı çıkar. Özellikle veri bilimi, yapay zekâ ve bilimsel hesaplamalarla ilgilenenler için NumPy, Python’un vazgeçilmez kütüphanelerinden biridir.
Bu yazıda NumPy’yi teknik bilgiye boğmadan, herkesin anlayabileceği şekilde ele alacağız.

Bu yazıyı okuduktan sonra:

• NumPy nedir?

• Ne için kullanılır?

• Nerelerde gereklidir?

• Ne işe yarar?

• Basit örneklerle nasıl kullanılır?

sorularına net cevaplar almış olacaksınız.

NumPy Nedir?

NumPy (Numerical Python), Python programlama dilinde sayısal hesaplamaları hızlı ve verimli bir şekilde yapmak için kullanılan temel bir kütüphanedir.

En basit tanımıyla:

NumPy, çok sayıda sayıyla çalışmayı kolaylaştıran ve hızlandıran bir Python kütüphanesidir.

Python’un kendi listeleri vardır; ancak veri miktarı büyüdükçe bu listeler:

• Yavaş çalışır

• Daha fazla bellek tüketir

• Karmaşık hesaplarda yetersiz kalır

NumPy, bu sorunları çözmek için geliştirilmiştir.

NumPy Neden Gerekli?

Günlük Hayattan Bir Benzetme

• Python listeleri: El ile hesap yapmak

• NumPy: Gelişmiş bir hesap makinesi veya Excel tablosu

5–10 sayı ile işlem yaparken Python listeleri yeterlidir.
Ancak yüzlerce, binlerce hatta milyonlarca veriyle çalışırken NumPy olmadan verimli bir çalışma yapmak mümkün değildir.

NumPy Ne İşe Yarar?

NumPy ile şunları kolayca yapabilirsiniz:

• Büyük veri kümeleri üzerinde hızlı matematiksel işlemler

• Çok boyutlu diziler (tablolar, matrisler) ile çalışma

• İstatistiksel hesaplamalar

• Görüntü işleme (resimler sayılardan oluşur)

• Bilimsel ve mühendislik hesaplamaları

• Yapay zekâ ve makine öğrenmesi altyapısı oluşturma

Önemli bir not:
Pandas, TensorFlow, PyTorch, OpenCV gibi popüler kütüphanelerin temeli NumPy’dir.

NumPy Nerelerde Kullanılır?

NumPy en çok şu alanlarda kullanılır:

• Veri Bilimi

• Yapay Zekâ ve Makine Öğrenmesi

• Mühendislik ve akademik çalışmalar

• Finans ve istatistik

• Görüntü işleme

• Bilimsel araştırmalar

Kısacası, sayısal veri varsa NumPy vardır.

NumPy’nin Temel Yapısı: Array (Dizi)

NumPy’nin kalbi array (dizi) yapısıdır.

Python Listesi vs NumPy Array

# Python listesi
liste = [1, 2, 3, 4]

# NumPy array
import numpy as np
dizi = np.array([1, 2, 3, 4])

Görünüşleri benzer olsa da aralarında önemli farklar vardır:

• NumPy array daha hızlıdır

• Tüm elemanlar aynı veri türündedir

• Matematiksel işlemler tek satırda yapılır

Basit ve Anlaşılır NumPy Örnekleri

1. Toplama İşlemi

Python listesi ile:

liste = [1, 2, 3, 4]
sonuc = []

for i in liste:
    sonuc.append(i + 10)

print(sonuc)

NumPy ile:

import numpy as np

dizi = np.array([1, 2, 3, 4])
print(dizi + 10)

NumPy, tüm elemanlara aynı işlemi tek seferde uygular.

2. Çarpma İşlemi

dizi = np.array([2, 4, 6])
print(dizi * 2)

Çıktı:

[ 4  8 12 ]

Döngüye gerek yoktur.

3. Ortalama Hesaplama (Günlük Hayat Örneği)

Bir öğrencinin not ortalamasını hesaplayalım:

notlar = np.array([70, 85, 90, 60])
print(notlar.mean())

4. En Büyük ve En Küçük Değeri Bulma

print(notlar.max())
print(notlar.min())

5. 2 Boyutlu Veriler (Tablo Mantığı)

notlar = np.array([
    [70, 80, 90],
    [60, 75, 85],
    [90, 95, 100]
])

Bu yapı:

• Excel tablosu gibidir

• Satırlar öğrencileri

• Sütunlar dersleri temsil eder

6. Basit Matris İşlemi

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])

print(A + B)

7. Rastgele Veri Üretme

rasgele = np.random.randint(1, 100, 5)
print(rasgele)

Bu yöntem test verisi üretirken sıkça kullanılır.

NumPy Kullanmazsak Ne Olur?

• Kodlar uzar

• Döngü sayısı artar

• Performans düşer

• Büyük verilerde program yavaşlar

NumPy kullanıldığında ise:

• Daha az kod yazılır

• Kodlar daha okunaklı olur

• Programlar çok daha hızlı çalışır

Kısa Bir Özet

• NumPy, Python’un sayısal işlem kütüphanesidir

• Büyük veri ve matematiksel işlemler için tasarlanmıştır

• Hızlı, sade ve güçlüdür

• Veri bilimi ve yapay zekânın temelidir

Kimler NumPy Öğrenmeli?

• Python öğrenen herkes

• Veri analizi yapmak isteyenler

• Yapay zekâ ve makine öğrenmesine başlamak isteyenler

• Mühendislik ve istatistik alanında çalışanlar

Kaynaklar

• NumPy Resmî Dokümantasyonu
  https://numpy.org/doc/

• Python Numerical Computing – NumPy
  https://realpython.com/numpy-tutorial/

• Python for Data Analysis – Wes McKinney

• NumPy User Guide
  https://numpy.org/learn/