Python ile Veri Analizi: Pandas ve NumPy Başlangıç Rehberi

Neden herkes Pandas ve NumPy diyor?

Python'la veri bilimine başlayan herkes er ya da geç bu iki isimle karşılaşır: Pandas ve NumPy. Bunlar Python'un "veri bilimi süper güçleri" gibi düşünülebilir. Python tek başına genel amaçlı bir dil — ama Pandas ve NumPy eklediğinde veriyle çalışmak için en güçlü araçlardan birine dönüşüyor.

Kısaca: NumPy sayılarla hızlı çalışmanı sağlar, Pandas ise tablo verisiyle (satırlar ve sütunlar) çalışmanı.

NumPy: Sayıların arka planı

NumPy (Numerical Python), büyük sayısal verilerle hızlı işlem yapmak için tasarlandı. Normal Python listeleriyle de çalışabilirsin ama NumPy onlarca kat daha hızlı.

NumPy'da en çok kullanacağın şeyler:

• Array'ler: Python listelerine benzer ama çok daha hızlı. Bir milyon sayıyla işlem yapmak istiyorsan Python listesi yerine NumPy array kullan.
• Matematiksel işlemler: Ortalama, medyan, standart sapma, toplam — tek satır kodla.
• Rastgele sayı üretimi: Simülasyon ve test verisi oluştururken çok işe yarar.

Günlük işlerinde NumPy'ı doğrudan çok kullanmayabilirsin — çünkü Pandas zaten altta NumPy kullanıyor. Ama nasıl çalıştığını bilmek, hata ayıklarken ve performans iyileştirirken hayat kurtarır.

Pandas: Veri bilimcinin günlük ekmeği

Pandas, veri biliminde en çok kullanılan kütüphane. Excel'de yapabileceğin her şeyi Pandas'ta yapabilirsin — ama çok daha güçlü, tekrarlanabilir ve otomatize edilebilir şekilde.

Pandas'ın temel kavramları:

• DataFrame: Excel tablosu gibi düşün. Satırlar ve sütunlardan oluşan bir veri yapısı. Bir CSV dosyası okuduğunda otomatik olarak DataFrame'e dönüşür.
• Series: Tek bir sütun. DataFrame birden fazla Series'ten oluşur.

Pandas ile neler yapabilirsin?

Veri okuma ve yazma

CSV, Excel, JSON, SQL veritabanı — neredeyse her formattan veri okuyabilirsin. Tek satır kodla.

Filtreleme ve seçme

"Sadece İstanbul'daki müşterileri göster" veya "satışı 1000 TL üstü olan kayıtlar" gibi filtreleri kolayca uygularsın.

Gruplama ve özetleme

"Her şehirdeki ortalama satış nedir?" sorusunu tek satırda cevaplayabilirsin. Excel'deki pivot table mantığı, ama çok daha esnek.

Eksik veri yönetimi

Gerçek dünya verisi hiçbir zaman temiz değil. Boş hücreler, yanlış formatlar, tekrar eden kayıtlar — Pandas bunlarla başa çıkmak için tonlarca araç sunar.

Birleştirme

İki farklı tabloyu ortak bir sütun üzerinden birleştirmek (SQL'deki JOIN gibi) Pandas'ta çok kolay.

Nereden başlamalı?

Pandas öğrenmenin en iyi yolu gerçek veriyle çalışmak. Şu adımları takip edebilirsin:

• Bir CSV dosyası bul — Kaggle'da binlerce ücretsiz veri seti var
• Veriyi oku ve incele — İlk 5 satıra bak, sütunları anla, eksik verileri kontrol et
• Sorular sor — "En çok satan ürün hangisi?", "Hangi ayda satışlar düştü?"
• Cevapları Pandas ile bul — Filtreleme, gruplama, sıralama
• Sonuçları görselleştir — Pandas'ın dahili plot fonksiyonuyla basit grafikler çiz

Bu döngüyü birkaç farklı veri setiyle tekrarla. Her seferinde yeni bir Pandas fonksiyonu öğreneceksin.

Pandas mı yoksa Excel mi?

Sıkça sorulan bir soru. Cevap: İkisi de farklı durumlar için uygun.

• Küçük veri, hızlı bakış: Excel harika
• Büyük veri, tekrarlanan analiz: Pandas çok daha iyi
• Otomasyon: Excel'de makro yazabilirsin ama Pandas scripti çok daha güçlü ve bakımı kolay
• İş başvurularında: İkisini de bilmek en iyisi — ama Pandas bilmek seni öne çıkarır

Sonraki adım ne?

Pandas ve NumPy'ı temel seviyede öğrendikten sonra sıra görselleştirmeye (Matplotlib, Seaborn) ve makine öğrenmesine (Scikit-learn) geliyor. Ama acele etme — Pandas'ta kendini rahat hissetmeden ilerlemek, temelsiz bina yapmak gibi.

Code2Work'ün Data Scientist programında Pandas ve NumPy'ı gerçek veri projeleriyle, yaparak öğrenirsin. AI destekli eğitim platformunda her konuyu pratikle pekiştirirken, mentörün seni takip eder. Teoride takılmak yok — ilk günden veriyle çalışmaya başlarsın.