# NumPy ile kullanma

Bu belge, `datasets` kütüphanesinin NumPy ile kullanımına hızlı bir giriş niteliğindedir; odak noktası, veri setlerimizden `numpy.ndarray` nesnelerini nasıl elde edeceğimiz ve bunları `scikit-learn` modelleri gibi NumPy tabanlı modelleri eğitmek için nasıl kullanacağımızdır.

## Veri seti biçimi

Varsayılan olarak veri kümeleri, tamsayılar, ondalık sayılar, dizeler, listeler vb. gibi standart Python nesneleri döndürür.

Bunun yerine NumPy dizileri almak için veri setinin biçimini `numpy` olarak ayarlayabilirsiniz:

```py
>>> from datasets import Dataset
>>> data = [[1, 2], [3, 4]]
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("numpy")
>>> ds[0]
{'data': array([1, 2])}
>>> ds[:2]
{'data': array([
    [1, 2],
    [3, 4]])}
```

> [!TIP]
> Bir [Dataset](/docs/datasets/v5.2.0/tr/package_reference/main_classes#datasets.Dataset) nesnesi, bir Arrow tablosunun sarmalayıcısıdır ve veri setindeki dizilerden NumPy dizilerine hızlı okumalara olanak tanır.

Aynı prosedürün `DatasetDict` nesneleri için de geçerli olduğunu unutmayın; bu nedenle bir `DatasetDict`'in biçimi `numpy` olarak ayarlandığında, içindeki tüm `Dataset`ler `numpy` olarak biçimlendirilir:

```py
>>> from datasets import DatasetDict
>>> data = {"train": {"data": [[1, 2], [3, 4]]}, "test": {"data": [[5, 6], [7, 8]]}}
>>> dds = DatasetDict.from_dict(data)
>>> dds = dds.with_format("numpy")
>>> dds["train"][:2]
{'data': array([
    [1, 2],
    [3, 4]])}
```

### N boyutlu diziler

Veri setiniz N boyutlu dizilerden oluşuyorsa, şekil sabit olduğunda varsayılan olarak aynı dizi olarak ele alındıklarını göreceksiniz:

```py
>>> from datasets import Dataset
>>> data = [[[1, 2],[3, 4]], [[5, 6],[7, 8]]]  # fixed shape
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("numpy")
>>> ds[0]
{'data': array([[1, 2],
        [3, 4]])}
```

```py
>>> from datasets import Dataset
>>> data = [[[1, 2],[3]], [[4, 5, 6],[7, 8]]]  # varying shape
>>> ds = Dataset.from_dict({"data": data})
>>> ds = ds.with_format("numpy")
>>> ds[0]
{'data': array([array([1, 2]), array([3])], dtype=object)}
```

Ancak bu mantık genellikle yavaş şekil karşılaştırmaları ve veri kopyalamaları gerektirir. Bunu önlemek için `Array` özellik türünü açıkça kullanmalı ve tensörlerinizin şeklini belirtmelisiniz:

```py
>>> from datasets import Dataset, Features, Array2D
>>> data = [[[1, 2],[3, 4]],[[5, 6],[7, 8]]]
>>> features = Features({"data": Array2D(shape=(2, 2), dtype='int32')})
>>> ds = Dataset.from_dict({"data": data}, features=features)
>>> ds = ds.with_format("numpy")
>>> ds[0]
{'data': array([[1, 2],
        [3, 4]])}
>>> ds[:2]
{'data': array([[[1, 2],
         [3, 4]],
 
        [[5, 6],
         [7, 8]]])}
```

### Diğer özellik türleri

[ClassLabel](/docs/datasets/v5.2.0/tr/package_reference/main_classes#datasets.ClassLabel) verileri düzgün şekilde dizilere dönüştürülür:

```py
>>> from datasets import Dataset, Features, ClassLabel
>>> labels = [0, 0, 1]
>>> features = Features({"label": ClassLabel(names=["negative", "positive"])})
>>> ds = Dataset.from_dict({"label": labels}, features=features)
>>> ds = ds.with_format("numpy")
>>> ds[:3]
{'label': array([0, 0, 1])}
```

NumPy yalnızca sayıları desteklediği için string ve ikili nesneler değiştirilmez.

[Image](/docs/datasets/v5.2.0/tr/package_reference/main_classes#datasets.Image) ve [Audio](/docs/datasets/v5.2.0/tr/package_reference/main_classes#datasets.Audio) özellik türleri de desteklenir.

> [!TIP]
> [Image](/docs/datasets/v5.2.0/tr/package_reference/main_classes#datasets.Image) özellik türünü kullanmak için `vision` ek paketini `pip install datasets[vision]` olarak yüklemeniz gerekir.

```py
>>> from datasets import Dataset, Features, Image
>>> images = ["path/to/image.png"] * 10
>>> features = Features({"image": Image()})
>>> ds = Dataset.from_dict({"image": images}, features=features)
>>> ds = ds.with_format("numpy")
>>> ds[0]["image"].shape
(512, 512, 3)
>>> ds[0]
{'image': array([[[ 255, 255, 255],
              [ 255, 255, 255],
              ...,
              [ 255, 255, 255],
              [ 255, 255, 255]]], dtype=uint8)}
>>> ds[:2]["image"].shape
(2, 512, 512, 3)
>>> ds[:2]
{'image': array([[[[ 255, 255, 255],
              [ 255, 255, 255],
              ...,
              [ 255, 255, 255],
              [ 255, 255, 255]]]], dtype=uint8)}
```

> [!TIP]
> [Audio](/docs/datasets/v5.2.0/tr/package_reference/main_classes#datasets.Audio) özellik türünü kullanmak için `audio` ek paketini `pip install datasets[audio]` olarak yüklemeniz gerekir.

```py
>>> from datasets import Dataset, Features, Audio
>>> audio = ["path/to/audio.wav"] * 10
>>> features = Features({"audio": Audio()})
>>> ds = Dataset.from_dict({"audio": audio}, features=features)
>>> ds = ds.with_format("numpy")
>>> ds[0]["audio"]["array"]
array([-0.059021  , -0.03894043, -0.00735474, ...,  0.0133667 ,
              0.01809692,  0.00268555], dtype=float32)
>>> ds[0]["audio"]["sampling_rate"]
array(44100, weak_type=True)
```

## Veri yükleme

NumPy yerleşik veri yükleme özelliklerine sahip değildir, bu nedenle `scikit-learn` içinde kullanmak için `X, y` gibi NumPy dizilerini somutlaştırmalı veya verilerinizi `DataLoader` kullanarak yüklemek için [PyTorch](https://pytorch.org/) gibi bir kütüphane kullanmalısınız.

### `with_format('numpy')` kullanımı

Bir veri setinden NumPy dizilerini almanın en kolay yolu `with_format('numpy')` yöntemini kullanmaktır. HuggingFace Hub'da https://huggingface.co/datasets/mnist adresinde bulunan [MNIST veri seti](http://yann.lecun.com/exdb/mnist/) üzerinde bir sinir ağı eğitmek istediğimizi varsayalım.

```py
>>> from datasets import load_dataset
>>> ds = load_dataset("ylecun/mnist")
>>> ds = ds.with_format("numpy")
>>> ds["train"][0]
{'image': array([[  0,   0,   0, ...],
                       [  0,   0,   0, ...],
                       ...,
                       [  0,   0,   0, ...],
                       [  0,   0,   0, ...]], dtype=uint8),
 'label': array(5)}
```

Biçim ayarlandıktan sonra, `Dataset.iter()` yöntemini kullanarak NumPy tabanlı modeli, veri setini partiler halinde besleyebiliriz:

```py
>>> for epoch in range(epochs):
...     for batch in ds["train"].iter(batch_size=32):
...         x, y = batch["image"], batch["label"]
...         ...
```