Veri İşleme İçin NumPy ve Pandas Kullanımı

Adı : Veri İşleme İçin NumPy ve Pandas Kullanımı

Veri işleme ve analizinde en çok kullanılan araçlardan bir tanesi, Python programlama dilinde yer alan NumPy ve Pandas kütüphaneleridir. Bu kütüphaneler, birçok veri işleme ve analiz işleminin daha kolay ve hızlı bir şekilde yapılmasını sağlar. Bu yazıda, NumPy ve Pandas kütüphanelerinin kullanımını örnekleri ile birlikte inceleyeceğiz.

NumPy Nedir?

NumPy, Python programlama dilinde bilimsel hesaplama ve veri işleme işlemlerinde kullanılan bir kütüphanedir. NumPy kütüphanesi, çok boyutlu dizilerin ve matrislerin daha hızlı ve etkili bir şekilde işlenmesine olanak tanır. NumPy kütüphanesi, aynı zamanda matematik fonksiyonlarının vektörize edilmesini sağlar. Bu sayede, bu fonksiyonlar birden fazla veri setinde aynı anda çalıştırarak performansı arttırır.

Pandas Nedir?

Pandas, NumPy kütüphanesine dayanan, daha yüksek seviyede bir kütüphanedir. Pandas kütüphanesi, veri yapıları, zaman serileri, sıralama, filtreleme ve gruplama gibi farklı veri işleme işlemlerinde kullanılmaktadır. Verileri tablo şeklinde temsil eder ve bu verilerin kolayca filtrelenmesine ve düzenlenmesine olanak sağlar.

NumPy ve Pandas Nasıl Kullanılır?

NumPy ve Pandas kütüphanelerini kullanarak, farklı veri işleme işlemlerini gerçekleştirebilirsiniz. Aşağıda, bu kütüphanelerle yapabileceğiniz farklı işlemleri örnekleri ile birlikte ele alacağız.

NumPy:

Dizileri oluşturma:
``` python
import numpy as np
x = np.array([1, 2, 3, 4, 5])
print(x)
```
Output:
```
[1 2 3 4 5]
```
Matrisleri oluşturma:
``` python
y = np.array([[1, 2, 3], [4, 5, 6]])
print(y)
```
Output:
```
[[1 2 3]
[4 5 6]]
```
Dizi ve matrislerde matematiksel işlemler yapma:
``` python
a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])
c = a + b
print(c)
```
Output:
```
[ 6 8 10 12]
```
Matris boyutlarını değiştirme:
``` python
m = np.array([1, 2, 3, 4, 5, 6])
m.shape = (2, 3)
print(m)
```
Output:
```
[[1 2 3]
[4 5 6]]
```
Matrisleri birleştirme:
``` python
p = np.array([[1, 2], [3, 4]])
q = np.array([[5, 6], [7, 8]])
r = np.concatenate((p, q), axis=0)
print(r)
```
Output:
```
[[1 2]
[3 4]
[5 6]
[7 8]]
```

Pandas:

Veri çerçeveleri oluşturma:
``` python
import pandas as pd
data = {'Ad': ['John', 'Emma', 'Peter', 'Sally'], 'Yaş': [25, 30, 21, 40], 'Cinsiyet': ['Erkek', 'Kadın', 'Erkek', 'Kadın']}
df = pd.DataFrame(data)
print(df)
```
Output:
```
Ad Yaş Cinsiyet
0 John 25 Erkek
1 Emma 30 Kadın
2 Peter 21 Erkek
3 Sally 40 Kadın
```
Veri çerçeveleri üzerinde filtreleme ve indeksleme işlemleri:
``` python
print(df[df.Yaş > 25])
```
Output:
```
Ad Yaş Cinsiyet
1 Emma 30 Kadın
3 Sally 40 Kadın
```
``` python
print(df.loc[0:2])
```
Output:
```
Ad Yaş Cinsiyet
0 John 25 Erkek
1 Emma 30 Kadın
2 Peter 21 Erkek
```
Çerçevelerde verilerin gruplandırılması:
``` python
gruplu = df.groupby('Cinsiyet')
print(gruplu.mean())
```
Output:
```
Yaş
Cinsiyet
Erkek 23.000
Kadın 35.000
```

Sık Sorulan Sorular:

S: NumPy ve Pandas arasındaki fark nedir?
C: NumPy, çok boyutlu dizilerin ve matrislerin daha hızlı işlenmesini sağlamaya odaklanan bir kütüphanedir. Pandas ise, daha yüksek seviyede bir kütüphanedir ve veri yapıları, sıralama, filtreleme ve gruplama gibi farklı veri işleme işlemlerinde kullanılır.

S: Python'da veri analizi için en uygun kütüphane hangisidir?
C: Python'da veri analizi için en uygun kütüphane Pandas’tır. Pandas, verileri verimli bir şekilde sıralayabilir, filtreleyebilir ve gruplayabilir.

S: Pandas DataFrame nasıl oluşturulur?
C: Pandas DataFrame oluşturmak için, bir Python sözlüğü veya bir NumPy dizisi kullanarak pd.DataFrame() fonksiyonunu kullanabilirsiniz. Aşağıda örnek bir kod bloğu yer almaktadır.

``` python
import pandas as pd

data = {'Ad': ['Ahmet', 'Mehmet'], 'Notlar': [85, 92]}
df = pd.DataFrame(data)
print(df)
```
Output:
```
Ad Notlar
0 Ahmet 85
1 Mehmet 92
```

S: Pandas, hangi veri tipleri üzerinde çalışabilir?
C: Pandas, \"int\", \"float\" ve \"object\" veri tiplerinde çalışabilir. Pandas aynı zamanda \"datetime\" ve \"timedelta\" veri tiplerini de destekler."