NumPy ve Pandas Kullanarak Veri Tabanından Veri Alma

Adı : NumPy ve Pandas Kullanarak Veri Tabanından Veri Alma

NumPy ve Pandas, Python programlama dili için popüler ve güçlü bir veri işleme araçlarıdır. Bu yazıda, NumPy ve Pandas kullanarak veri tabanından veri alma işlemini ele alacağız. Bu konuyu anlamak için, öncelikle NumPy ve Pandas'ın ne olduğunu kısaca açıklayalım.

NumPy, Python'da bilimsel hesaplamalar yapmak için kullanılan bir kütüphanedir. NumPy'ın en önemli özelliği, çok boyutlu diziler ve matrisler üzerinde etkili matematiksel işlemler yapabilmesidir. Pandas ise, NumPy'ın üzerine inşa edilmiş bir kütüphanedir ve veri analizi ve manipülasyonu için kullanılır. Pandas'ın en önemli özelliği, güçlü bir veri çerçevesi (DataFrame) yapısı sunmasıdır.

Veri tabanından veri almak için, öncelikle bir veri tabanıyla bağlantı kurmamız gerekmektedir. Bu yazıda, SQLite adlı bir veri tabanını kullanacağız. SQLite, hafif ve yerel bir veri tabanı yönetim sistemidir ve Python'ın standart kütüphaneleri ile entegre olarak çalışır.

Veri tabanı ile bağlantı kurmak için, Python'ın sqlite3 modülünü kullanacağız. İlk adım olarak, sqlite3 modülünü projenize dahil etmeniz gerekmektedir. Ardından, aşağıdaki gibi bir bağlantı nesnesi oluşturabilirsiniz:

```
import sqlite3

bağlantı = sqlite3.connect('veritabanı.db')
```

Yukarıdaki kodda, 'veritabanı.db' adında bir veritabanı dosyası oluşturuldu ve bağlantı nesnesi oluşturuldu. Artık bu nesne üzerinden veri tabanı işlemlerini gerçekleştirebiliriz. Örneğin, bir sorgu çalıştırmak için aşağıdaki gibi bir işlem yapabilirsiniz:

```
sorgu = \"SELECT * FROM tablo\"
sonuç = bağlantı.execute(sorgu).fetchall()
```

Yukarıdaki kodda, 'sorgu' değişkenine bir SQL sorgusu atanır ve bu sorgu, bağlantı nesnesinin 'execute' metoduyla çalıştırılır. Sonuç olarak, sorgu sonuçları 'fetchall' metoduyla alınır.

NumPy ve Pandas kullanarak bu verileri daha kolay bir şekilde işleyebiliriz. Örneğin, sorgu sonucunu bir NumPy dizisine dönüştürmek için aşağıdaki gibi bir işlem yapabilirsiniz:

```
import numpy as np

veri = np.array(sonuç)
```

Yukarıdaki kodda, 'sonuç' listesi bir NumPy dizisine dönüştürülür. Artık NumPy'nin sunduğu matematiksel operasyonları bu veri üzerinde kullanabilirsiniz.

Pandas'ın güçlü veri çerçevesi yapısı, verileri daha kolay bir şekilde işlememizi sağlar. Örneğin, sorgu sonucunu bir Pandas DataFrame'e dönüştürmek için aşağıdaki gibi bir işlem yapabilirsiniz:

```
import pandas as pd

veri = pd.DataFrame(sonuç, columns=['sütun1', 'sütun2', 'sütun3'])
```

Yukarıdaki kodda, 'sonuç' listesi bir Pandas DataFrame'e dönüştürülür ve her bir sütuna bir isim atanır. Artık Pandas'ın sağladığı veri manipülasyon işlemlerini bu veri üzerinde kullanabilirsiniz.

Örnek bir senaryo da şöyle olabilir: Bir veritabanında bir mağazanın satış verileri tutuluyor. Bu verileri almak ve analiz etmek istiyoruz. İlk olarak, veritabanıyla bağlantı kurmamız gerekmektedir:

```
import sqlite3
import pandas as pd

bağlantı = sqlite3.connect('veritabanı.db')
```

Sonra, sorgumuzu çalıştırıp sonuçlarını bir Pandas DataFrame'e dönüştürebiliriz:

```
sorgu = \"SELECT * FROM satışlar\"
sonuç = bağlantı.execute(sorgu).fetchall()

veri = pd.DataFrame(sonuç, columns=['tarih', 'ürün', 'miktar', 'fiyat'])
```

Yukarıdaki kodda, 'satışlar' tablosundan tüm verileri alıyoruz ve bu verileri 'tarih', 'ürün', 'miktar' ve 'fiyat' sütunlarına dönüştürüyoruz. Artık bu DataFrame üzerinde çeşitli analizler yapabiliriz. Örneğin, aşağıdaki kodda, en çok satılan ürünleri bulabiliriz:

```
en_çok_satılanlar = veri.groupby('ürün')['miktar'].sum().nlargest(5)
```

Yukarıdaki kodda, 'ürün' sütununa göre gruplama yapılır ve her bir ürüne ait toplam satış miktarları hesaplanır. Sonra, bu miktarlara göre en çok satılan ilk 5 ürünü buluruz.

Sık Sorulan Sorular:

1. Veri tabanından sadece belirli sütunları nasıl getirebilirim?
Sorgunuzda ilgili sütunları belirtmeniz yeterlidir. Örneğin, \"SELECT sütun1, sütun2 FROM tablo\" şeklinde bir sorgu yapabilirsiniz.

2. Veri tabanındaki verileri filtrelemek için nasıl bir sorgu kullanabilirim?
\"WHERE\" ifadesini kullanarak bir filtreleme yapabilirsiniz. Örneğin, \"SELECT * FROM tablo WHERE sütun1 > 5\" şeklinde bir sorgu, 'sütun1' değeri 5'ten büyük olan verileri getirir.

3. NumPy ve Pandas'ın hızlı mı olduğunu nasıl kontrol edebilirim?
Bu kütüphaneler, büyük veri kümelerinde performans açısından oldukça hızlıdır. Performansla ilgili optimizasyonlar yapmak isterseniz, NumPy'da vektörleştirme ve Pandas'ta gruplama gibi işlemler kullanmak faydalı olabilir.

4. Veri tabanını güncellemek veya yeni veriler eklemek için nasıl bir sorgu yapabiliriz?
Veri tabanını güncellemek için \"UPDATE\" ifadesini, yeni veriler eklemek için \"INSERT\" ifadesini kullanabilirsiniz. Bu işlemler hakkında daha fazla bilgi için SQLite dokümantasyonunu inceleyebilirsiniz.

Bu yazıda, NumPy ve Pandas kullanarak veri tabanından veri alma işlemini ele aldık. NumPy ve Pandas'ın nasıl kullanıldığına dair temel bilgileri verirken, veri tabanı bağlantısı ve sorgu çalıştırma adımlarını da örneklerle açıkladık. Sıkça sorulan sorular bölümüyle, yaygın sorunlara yanıtlar verdik. NumPy ve Pandas, veri analizi ve manipülasyonu için güçlü araçlar olduğu için, bu kütüphanelerle çalışmayı öğrenmek verileri etkili bir şekilde işlemek için önemlidir."