Python ile Veri Bilimi: Pandas ve NumPy Giriş Rehberi

Veri çağında yaşıyoruz ve bu verileri anlamlı bilgiye dönüştürmek her geçen gün daha önemli hale geliyor. Bu noktada Python ile veri bilimi alanı devreye giriyor. Python, esnek yapısı ve güçlü kütüphaneleriyle veri analizi için en çok tercih edilen dillerden biridir. Bu yazıda, veri biliminin temel taşlarından olan Pandas ve NumPy kütüphanelerine giriş yapacağız.

Python ile Veri Bilimi Neden Bu Kadar Popüler?

• Açık kaynaklı ve ücretsiz
• Okunabilir sözdizimi
• Geniş topluluk ve kaynaklar
• Veri analizi, görselleştirme ve makine öğrenimi için güçlü kütüphaneler

NumPy Nedir?

NumPy (Numerical Python), Python'da bilimsel hesaplamalar için geliştirilmiş temel bir kütüphanedir. En büyük avantajı çok boyutlu dizileri (array) hızlı ve verimli şekilde işlemesidir.

NumPy ile Dizi Oluşturma:

import numpy as np

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

NumPy, normal Python listelerine göre çok daha hızlı çalışır ve çok büyük veri kümeleriyle başa çıkabilir.

NumPy Özellikleri:

• Çok boyutlu array (ndarray)
• Matematiksel işlemler
• Rastgele sayı üretimi
• İstatistiksel analiz

Matematiksel İşlemler:

import numpy as np

a = np.array([10, 20, 30])
b = np.array([1, 2, 3])
print(a + b)  # Toplama işlemi
print(a * b)  # Çarpma işlemi

Pandas Nedir?

Pandas, veri analizi için geliştirilen en popüler Python kütüphanelerinden biridir. En güçlü yapısı DataFrame nesnesidir. Pandas, veri okuma, düzenleme, filtreleme ve analiz işlemleri için oldukça kolay bir kullanım sunar.

Excel / CSV Dosyası Okuma:

import pandas as pd

veri = pd.read_csv("veriler.csv")
print(veri.head())

DataFrame Nedir?

DataFrame, satır ve sütunlardan oluşan bir veri yapısıdır. Excel tablosuna benzer.

data = {
  "Ad": ["Ali", "Ayşe", "Mehmet"],
  "Yaş": [25, 30, 22]
}
df = pd.DataFrame(data)
print(df)

Sütunlara Erişim:

print(df["Ad"])        # Belirli bir sütunu getirir
print(df[["Ad", "Yaş"]])  # Birden fazla sütun getirir

Veri Temizleme (Data Cleaning)

Veri analizi sürecinde ilk adım genellikle veri temizlemedir. Eksik, hatalı ya da tekrar eden verilerin düzeltilmesi gerekir.

df.dropna()  # Eksik verileri siler
df.fillna(0) # Eksik verileri 0 ile doldurur
df.duplicated().sum()  # Tekrarlayan satır sayısı

Veri Filtreleme ve Koşullu Seçim

df[df["Yaş"] > 25]  # Yaşı 25’ten büyük olanlar
df[df["Ad"] == "Ali"]

Gruplama ve İstatistik

df.groupby("Yaş").count()
df["Yaş"].mean()  # Yaş ortalaması
df["Yaş"].max()   # En büyük yaş
df["Yaş"].min()   # En küçük yaş

Veri Görselleştirme (Bonus)

Pandas, veri görselleştirme için Matplotlib veya Seaborn ile birlikte çalışır.

import matplotlib.pyplot as plt

df["Yaş"].plot(kind="bar")
plt.show()

Pandas vs NumPy

Gerçek Hayatta Kullanım Örnekleri

• Satış analizleri (ürün, tarih, kategori bazlı satışlar)
• Öğrenci başarı analizi (not ortalamaları, sınıf geçme)
• Müşteri segmentasyonu (yaş, bölge, satın alma alışkanlığı)

Python ile veri bilimi alanına adım atmak için Pandas ve NumPy kütüphaneleri vazgeçilmez araçlardır. Veri analizi, temizlik ve görselleştirme gibi işlemleri kolayca yapmanızı sağlarlar. İster öğrenci olun, ister bir iş yerinde veriyle çalışan biri, bu iki araç sayesinde kararlarınızı veriye dayalı alabilir ve işlerinizi daha verimli hale getirebilirsiniz.

Bu temel bilgilerle artık kendi veri analizlerinizi yapmaya başlayabilir, Python’un gücünü gerçek dünyada kullanabilirsiniz.