PYTHON USEFUL FUNCTIONS

#Pythonda kullanılabilir fonksiyonlardan bazılarını yazacağım.
#Bu yazıyı yazarken LearnPython uygulamasını referans aldım.

 #virgülü kelimeler arasına yerleştiriyoruz.
dizi=["kitap","saat","kulaklık","el feneri"]
print(','.join(dizi))
#program çıktısı: "kitap,saat,kulaklık,el feneri"

 #kelime değiştirme
print("herkese selam".replace("selam","merhaba"))
#program çıktısı: "herkese merhaba"

 #cümlenin istenen kelime ile başlayıp başlamadığı sorgulanıyor.
p="Deneme Yazimiza Basladim."
print(p.startswith("Deneme"))
#program çıktısı: "True"

 #cümlenin istenen kelime ile sonlanma durumu sorgulanıyor
print(p.endswith("."))
#program çıktısı: "True"

 #Büyük harfe dönüştürme
print(p.upper())
# "DENEME YAZIMIZA BASLADIM."

 #küçük harfe dönüştürme
print(p.lower())
# "deneme yazimiza basladim."

 #virgülle ayrılan ifadeleri gruplandırdık
cümle="Baska bir gün,elimde kalan,sadece benim olmayan."
print(cümle.split(","))
# "['Baska bir gün', 'elimde kalan', 'sadece benim olmayan.']"

 #ikinci elemanı istedik
print(cümle.split(",")[1])
# "elimde kalan"
sayilar=[2,25,63,92,0,1,7,-5,21]
#en küçük sayı
print(min(sayilar))
# "-5"

 #en büyük sayı
print(max(sayilar))
# "92"

 #negatif sayıyı bulup mutlak değerini aldık.
for i in range(len(sayilar)):#dizinin uzunluğu kadar artırma istedik
    if sayilar[i]<0:
        print(abs(sayilar[i]))
        # "5"

 #sayıların toplamı
print(sum(sayilar))
# "206"

 #eldeki değerlerin hepsinin belli bir şartı sağlayıp sağlamadığı kontrol ediliyor.
if all([d>50 for d in sayilar]):
    print("Hepsi elliden büyük.")
else:
    print("Hepsi 50 den büyük degil.")
    #şartı sağlayan enaz bir tane elemanın olma durumu
    if any([d>50 for d in sayilar]):
      print("Ama yinede var.")
# "Hepsi 50 den büyük degil."
# "Ama yinede var."

 #Burada elemanlara 0 dan başlayıp bitene kadar numaralandırma yapılacak.
for e in enumerate(sayilar):
    print(e)
#" (0, 2)
#  (1, 25)
#  (2, 63)
#  (3, 92)
#  (4, 0)
#  (5, 1)
#  (6, 7)
#  (7, -5)
#  (8, 21)"

Comments

Post a Comment

Popular posts from this blog

Tech Duos For Web Development

Complete Guide to Web Development Technology Stacks Complete Guide to Web Development Technology Stacks Choosing the Right Technology Stack Selecting the appropriate technology stack is one of the most critical decisions in web development. Your choice impacts: Development speed - How quickly you can build and iterate Scalability - How well your application can grow Performance - The speed and responsiveness of your app Maintainability - How easy it is to update and extend your code Team expertise - The skills your developers need to have Cost - Both development and hosting expenses Pro Tip: Consider your project requirements, team skills, and long-term maintenance needs when choosing a stack. Popular Technology Stacks MERN Stack The MERN stack is one of the most po...
Read more

CIFAR-10 Dataset Classification Using Convolutional Neural Networks (CNNs) With PyTorch

CIFAR-10 Image Classification with CNN (PyTorch) - Complete Guide CIFAR-10 Image Classification Using CNN with PyTorch This comprehensive guide demonstrates how to classify images from the CIFAR-10 dataset using Convolutional Neural Networks (CNNs) built with PyTorch. The project covers the entire machine learning pipeline from data loading to model deployment, including advanced techniques for improving performance. 🚀 Key Features Complete PyTorch implementation Data augmentation techniques Multiple CNN architectures Training visualization Model evaluation metrics Hyperparameter tuning Model saving/loading Deployment options 📊 Performance Baseline model: ~70% accuracy Improved mod...
Read more

Long-short-term-memory (LSTM) Word Prediction With PyTorch

LSTM Text Generation with PyTorch - Complete Guide LSTM Text Generation with PyTorch A comprehensive guide to building word-level language models with Long Short-Term Memory networks Introduction to LSTM Text Generation Long Short-Term Memory (LSTM) networks are a special kind of recurrent neural network (RNN) capable of learning long-term dependencies. They are particularly useful for sequence prediction problems like text generation, where the context from previous words is crucial for predicting the next word. Key Concepts Word-level modeling : Predicts the next word given previous words Embeddings : Dense vector representations of words ...
Read more