NumPy ve Pandas ile Veri Analizine Giriş

Python’da veriyle çalışmaya başladığınızda karşınıza çıkan ilk iki kütüphane NumPy ve Pandas’tır. İkisi de “veri işleme” için kullanılır ama farklı amaçlara hizmet eder; bu farkı netleştirmek, ilerideki kafa karışıklığının çoğunu önler.

NumPy: sayı dizileriyle hızlı işlem

NumPy’ın kalbinde ndarray adlı çok boyutlu dizi yapısı var. Python’ın yerleşik listelerine göre temel farkı şu: NumPy dizileri, arka planda C ile yazılmış optimize kod üzerinde çalışır, bu yüzden büyük sayısal işlemlerde onlarca kat daha hızlıdır.

import numpy as np

veri = np.array([2, 4, 6, 8, 10])
print(veri.mean())   # 6.0
print(veri * 2)       # [4 8 12 16 20]

Döngü yazmadan tüm diziye tek seferde işlem uygulayabilmek (buna “vektörleştirme” denir), makine öğrenmesinde kullanılan neredeyse her kütüphanenin (Pandas, scikit-learn, PyTorch) altında yatan mantıktır.

Pandas: tablo verisiyle çalışmak

Gerçek dünyadaki veri genelde tablo biçimindedir: satırlar ve sütunlar. Pandas, bu tür veriyi DataFrame adlı yapı ile temsil eder ve Excel’de yapabileceğiniz hemen her şeyi kod ile yapmanızı sağlar.

import pandas as pd

df = pd.read_csv('satislar.csv')
df.groupby('sehir')['tutar'].sum().sort_values(ascending=False)

Bu üç satır, bir CSV dosyasını okuyup şehir bazında toplam satışı büyükten küçüğe sıralıyor. Aynı işi elle yapmaya kalksanız onlarca satır döngü ve koşul gerekirdi.

İkisini bir arada kullanmak

Pratikte Pandas, veriyi iç mimarisinde NumPy dizileri olarak tutar. Yani bir DataFrame sütununu .values ile çağırdığınızda doğrudan bir NumPy dizisi elde edersiniz. Bu nedenle ikisini rakip değil, tamamlayıcı olarak düşünmek daha doğru: NumPy ham sayısal işlemler için, Pandas etiketli ve düzensiz gerçek dünya verisi için var.

Sıradaki adım

Bu iki kütüphaneyi öğrendikten sonra doğal sıradaki durak veri görselleştirmedir (Matplotlib/Seaborn), ardından scikit-learn ile ilk makine öğrenmesi modelinizi kurmak gelir. Platformdaki Temel: Python & Veri Bilimi öğrenim yolu tam olarak bu sırayı izliyor; kod yazmadan önce tarayıcınızda deneme yapmak isterseniz Python Pratik Alanı aracımızda NumPy ve Pandas kurulum gerektirmeden doğrudan çalışır.