Python'daki temel veri yapıları nelerdir?

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bu egzersiz, kursun bir parçasıdır

Python ile Kodlama Mülakatı Soruları Pratiği

AvançadoNível de habilidade

4.8+

77 reviews

Kursa Ücretsiz Başla

Bu bölümde, Python’da kullanılan temel veri yapıları bilgimizi tazeleyeceğiz. Listeler, demetler (tuple), kümeler ve sözlüklerle (dictionary) nasıl çalışılacağını ele alacağız. Ayrıca string’leri ve bir metinden belirli karakter dizilerini çekmek için düzenli ifadelerin nasıl yazılacağını inceleyeceğiz.

Exercise 1: Python'daki temel veri yapıları nelerdir?

Geçerli egzersiz

Exercise 2: Liste metodları Exercise 3: Kümeler üzerinde işlemler Exercise 4: Verileri bir sözlükte saklamak Exercise 5: String'leri işlemek için yaygın yöntemler nelerdir?Exercise 6: String indeksleme ve birleştirme Exercise 7: String işlemleri Exercise 8: Bir DataFrame'deki string hatalarını düzeltme Exercise 9: Python'da düzenli ifadeler nasıl yazılır?Exercise 10: Bir düzenli ifade yaz Exercise 11: Doğru deseni bul Exercise 12: Bir desene göre bölme

Bu bölüm yinelenebilir nesnelere odaklanıyor. Yinelenebilir nesnelerin tanımını tazeleyecek ve bir nesnenin yinelenebilir olup olmadığını nasıl anlayacağını açıklayacağız. Ardından, Python programlama dilinin listeleri tanımlamak için sunduğu çok özel bir özellik olan liste üreteçlerini (list comprehensions) ele alacağız. Sonrasında, birden fazla yinelenebilir nesneyi tek bir yapıda nasıl birleştireceğimizi anımsayacağız. Son olarak, jeneratörler kullanarak özel yinelenebilir nesnelerin nasıl oluşturulacağını işleyeceğiz.

Exercise 1: Yineleyebilir (iterable) nesneler nedir?Exercise 2: enumerate()Exercise 3: Yineleyiciler (Iterators)Exercise 4: Bir DataFrame üzerinde dolaşmak Exercise 5: Liste üreteci (list comprehension) nedir?Exercise 6: Temel list comprehension'lar Exercise 7: Asal sayı dizisi Exercise 8: Aralarında asal sayı dizisi Exercise 9: Zip nesnesi nedir?Exercise 10: Yinelenebilir nesneleri birleştirmek Exercise 11: Tüpleri çıkarmak Exercise 12: Bir DataFrame oluşturma Exercise 13: Generator nedir ve nasıl oluşturulur?Exercise 14: Bir stringi kaydır Exercise 15: Zar at Exercise 16: Generator anlayışları

Bu bölüm Python’un fonksiyonel yönlerine odaklanacak. Değişken sayıda konumsal ve anahtar kelime argümanıyla fonksiyon tanımlayarak başlayacağız. Ardından, lambda fonksiyonlarını ve hangi durumlarda faydalı olabileceklerini ele alacağız. Özellikle, bunları map(), filter() ve reduce() gibi fonksiyonlarla nasıl kullanacağını göreceğiz. Son olarak, özyineleme (recursion) nedir ve doğru şekilde nasıl uygulanır, bunu anımsayacağız.

Exercise 1: Bir fonksiyona değişken sayıda argüman nasıl iletilir?Exercise 2: Değişken boyutlu konumsal argümanlar Exercise 3: Değişken boyutlu anahtar argümanlar Exercise 4: Argüman türlerini birleştirme Exercise 5: Lambda ifadesi nedir?Exercise 6: Lambda ifadeleri tanımla Exercise 7: Fonksiyonları lambda ifadelerine dönüştürme Exercise 8: Bağımsız değişken olarak lambda ifadesi kullanma Exercise 9: map(), filter(), reduce() fonksiyonları nedir?Exercise 10: map() fonksiyonu Exercise 11: filter() fonksiyonu Exercise 12: reduce() fonksiyonu Exercise 13: Özyineleme (recursion) nedir?Exercise 14: Fonksiyon çağrılarının sayısını hesapla Exercise 15: Ortalama bir değer hesapla Exercise 16: Özyineleme ile Pi'yi yaklaştır

Bu bölümde Python’da bilimsel hesaplama konularını ele alacağız. NumPy dizileri ile listeler arasındaki farkı açıklayarak başlayacağız. İlk seçeneğin neden karmaşık hesaplamalar için daha uygun olduğunu belirleyeceğiz. Sonrasında, pandas DataFrame’leri üzerinde çalışmayı kolaylaştıran bazı kullanışlı teknikleri ele alacağız. Son olarak, saçılım grafikleri (scatterplot), histogramlar ve kutu grafikleri (boxplot) kullanarak veri görselleştirmesi yapacağız.

Exercise 1: NumPy dizisi ile liste arasındaki fark nedir?Exercise 2: Hatalı dizi başlatma Exercise 3: Alt dizilere erişim Exercise 4: NumPy dizileriyle işlemler Exercise 5: Bir DataFrame üzerinde .apply() yöntemi nasıl kullanılır?Exercise 6: .apply()'ın basit kullanımı Exercise 7: Ek argümanlar Exercise 8: Ek argümanlı fonksiyonlar Exercise 9: Bir DataFrame üzerinde .groupby() yöntemi nasıl kullanılır?Exercise 10: Standart DataFrame yöntemleri Exercise 11: Kötü karakterlerin BMI'ı Exercise 12: NaN değer atama (imputation)Exercise 13: Python'da veriler nasıl görselleştirilir?Exercise 14: Özellik ilişkilerini keşfet Exercise 15: Bir histogram çiz Exercise 16: Kutu grafikleri oluşturma Exercise 17: Son düşünceler