Pandas ile Veri Okuma, Analiz ve Dışa Aktarma

Eğitim Hakkında

Pandas ile veri alma, analiz ve dışa aktarma döngüsü

Eğitim, pandas ile veri analizinin tüm döngüsünü kapsar: read_csv, read_excel, read_json ve read_sql ile veri alma, encoding ve ondalık ayıracı sorunları, dtype ve tarih dönüşümleri, temizleme, groupby ve pivot_table ile özetleme, merge ile birleştirme ve sonuçları CSV, Excel, Parquet veya veritabanına yazma.

Süre ve Format

2 Gün. Her gün dört modül; 1. gün Veri Okuma ve Temizleme; 2. gün Analiz ve Dışa Aktarma. Her modül uygulamalı alıştırmalarla pekiştirilir.

Seviye

Orta Seviye — farklı kaynaklardan veri okuma, temizleme, analiz etme ve sonuçları dışa aktarmayı pandas ile uçtan uca ele alır.

Öğrenme Metodu

Dağınık CSV, Excel ve JSON dosyalarından oluşan gerçekçi bir proje dosyası üzerinde Jupyter ortamında adım adım okuma-analiz-yazma hattı kurulur.

Neden Bu Eğitim?

🎯Her kaynağı okuyun

Encoding, ayraç ve tarih sorunlarını çözerek bozuk dosyalarla bile çalışabilirsiniz.

🛠️Temiz ve doğrulanmış veri

Tip dönüşümü, eksik veri ve birleştirme kontrolleriyle analiz öncesi veri kalitesini güvenceye alırsınız.

📈Paylaşılabilir çıktılar

Sonuçları Excel, CSV, Parquet veya SQL tablosu olarak ekibe teslim edebilirsiniz.

Anahtar Konular

pandas read_csvpandas read_excelpandas to_csvpython veri analizipandas import exportdataframe temizlemegroupbymergeparquetpandas eğitimi

“Veri analizi, verinin içeri girdiği an başlar.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python bilgisi

Liste, sözlük, fonksiyon ve döngü kullanımını kapsayan temel Python bilgisi beklenir.

2

Analiz ortamı

Python 3.10+, Jupyter Notebook veya VS Code ile pandas, numpy, matplotlib paketleri kurulu olmalıdır.

3

Temel matematik

Ortalama, yüzde ve tablo okuma gibi ilk ve ortaöğretim düzeyi matematik yeterlidir.

4

Veri merakı

Excel veya benzeri bir tablo aracıyla çalışmış olmak kavramları oturtmayı kolaylaştırır.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı farklı kaynaklardan veri okur, tip dönüşümü ve eksik veri temizliğini yapar.

Modül 1

DataFrame ve Series Temelleri

Series ve DataFrame oluşturma: sözlükten, listeden, numpy dizisinden
index, columns, dtypes, shape ve values nitelikleri
head(), tail(), info(), describe() ile ilk keşif
Sütun seçimi df["a"], df[["a","b"]] ve nitelik erişimi farkı
Yeni sütun hesaplama ve vektörel işlemler
Index kavramı, set_index() ve reset_index()

Modül 2

Veri Okuma: CSV, Excel ve JSON

pd.read_csv parametreleri: sep, encoding, usecols, dtype, parse_dates, nrows
Büyük dosyalarda chunksize ile parça parça okuma
pd.read_excel ile sayfa seçimi, header satırı ve openpyxl motoru
pd.read_json ve json_normalize ile iç içe JSON düzleştirme
pd.read_sql ile veritabanından sorgu sonucu okuma
Türkçe karakter ve ondalık ayıracı sorunları: encoding="utf-8-sig", decimal=","

Modül 3

Veri Temizleme

Eksik değerler: fillna, dropna, interpolate ve ffill
astype ile tip dönüşümü, pd.to_numeric(errors="coerce") ve pd.to_datetime
str.strip, replace, lower ile metin temizliği
Aykırı değer tespiti: IQR ve z-skoru yöntemleri
rename, drop ve sütun sırası düzenleme
Kategorik tip (category) ile bellek tasarrufu

Modül 4

Boolean Maskeleme ile Filtreleme

df[df["tutar"] > 1000] gibi tek koşullu filtre
&, ~ ve dikey çizgi (OR) operatörleri ve parantez zorunluluğu
isin(), between() ve str.contains() ile filtreleme
isna(), notna() ve eksik veri satırlarını ayıklama
query() ile okunabilir sorgu ifadeleri ve @değişken kullanımı
where() ve mask() ile koşullu değer değiştirme

Günün hedefiKatılımcı veriyi gruplayıp birleştirir, görselleştirir ve sonuçları farklı biçimlerde dışa aktarır.

Modül 1

Gruplama ve Özetleme

groupby ile böl-uygula-birleştir (split-apply-combine) mantığı
agg ile çoklu istatistik ve adlandırılmış toplama (named aggregation)
transform ile grup içi yüzde ve standardizasyon
pivot_table ve crosstab ile çapraz tablolar
value_counts(normalize=True) ve nunique() ile dağılım
Rolling ve expanding pencereleriyle hareketli ortalama

Modül 2

Birleştirme ve Şekil Değiştirme

merge ile inner, left, right, outer join ve on/left_on/right_on
indicator=True ile eşleşmeyen kayıtları bulma
concat ile satır ve sütun yönünde birleştirme
melt ve pivot ile geniş-uzun format dönüşümü
join ve index tabanlı birleştirme
Birleştirme sonrası satır sayısı doğrulaması ve çoğalma (many-to-many) hatası

Modül 3

Veri Görselleştirme

Matplotlib figure/axes yapısı ve plot() kısayolları
Çizgi, çubuk, dağılım (scatter) ve histogram seçimi
Seaborn ile boxplot, heatmap ve pairplot
Eksen etiketi, başlık, lejant ve renk paleti ayarları
Alt grafikler (subplots) ile çoklu panel
Grafiği PNG/SVG olarak kaydetme ve rapora ekleme

Modül 4

Veri Yazma ve Dışa Aktarma

to_csv(index=False, encoding=) ve ayraç seçimi
to_excel ile çoklu sayfa için ExcelWriter kullanımı
to_json orient seçenekleri: records, index, columns
to_parquet ve to_pickle ile hızlı, tip korumalı depolama
to_sql ile veritabanına yazma ve if_exists davranışı
Dışa aktarılan dosyanın tekrar okunarak doğrulanması

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

DataFrame Temelleri

Series ve DataFrame yapılarını kurup ilk keşif komutlarıyla veriyi tanıyabilirsiniz

🔧

Veri Okuma

CSV, Excel, JSON ve SQL kaynaklarını doğru parametrelerle pandas içine alabilirsiniz

📊

Veri Temizleme

Eksik, hatalı tipli ve aykırı verileri temizleyip analize hazır hale getirebilirsiniz

🧩

Boolean Filtreleme

Boolean maskeler, isin, between ve query ile hassas veri filtreleri yazabilirsiniz

🚀

Gruplama ve Özet

groupby, pivot_table ve rolling ile özet tablolar üretebilirsiniz

🔍

Birleştirme

merge, concat ve melt ile farklı tabloları doğrulayarak birleştirebilirsiniz

🛡️

Veri Görselleştirme

Matplotlib ve Seaborn ile amaca uygun, okunaklı grafikler hazırlayabilirsiniz

📌

Veri Dışa Aktarma

Sonuçları CSV, Excel, Parquet ve veritabanına doğru biçimde yazabilirsiniz

Kimler İçin Uygundur?

Farklı kaynaklardan gelen verileri düzenli biçimde raporlamak isteyen analistler
raporlama uzmanları
veri bilimine başlayanlar

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Farklı kaynaklardan gelen verileri düzenli biçimde raporlamak isteyen analistler, raporlama uzmanları ve veri bilimine başlayanlar.

Eğitim sonunda sertifika verilir mi?

Eğitimi tamamlayan katılımcılar Digital Vizyon Akademi Katılım ve Başarı Sertifikası almaya hak kazanır; sertifika DVA'nın kendi katılım ve başarı belgesidir.

Eğitim için hangi yazılımlar gereklidir?

Python 3.10 veya üzeri, bir kod editörü (VS Code ya da PyCharm) ve eğitimin konusuna göre listelenen paketler yeterlidir; kurulum adımları ilk oturumda birlikte kontrol edilir.

Türkçe karakter ve virgüllü sayı sorunları çözülüyor mu?

Evet, encoding="utf-8-sig", decimal="," ve thousands parametreleriyle Türkçe Excel/CSV çıktılarının sorunları uygulamalı çözülür.

Excel dosyalarında birden çok sayfa nasıl işlenir?

read_excel ile sheet_name listesi ve ExcelWriter ile çoklu sayfa yazma işlemleri ikinci günün uygulamalarında yer alır.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

ANALYZING DATA USING PYTHON: IMPORTING, EXPORTING, & ANALYZING DATA WITH PANDAS EĞİTİMİ