Python, verileri yönetmeye yönelik sağlam kütüphaneleri ve araçları nedeniyle bir veri analizi dili olarak yaygın şekilde kullanılmaktadır. Bu kütüphaneler arasında veri araştırma manipülasyonunu ve analizini kolaylaştıran Pandalar bulunmaktadır. kullanacağız  Pandalar  adı verilen bir veri kümesini analiz etmek için  Ülke-data.csv  Kaggle'dan. Bu verilerle çalışırken Pandalar'daki bazı önemli kavramları da tanıtıyoruz.

1. Kurulum

Pandaları kurmanın en kolay yolu pip kullanmaktır:

   pip   install   pandas   

veya şuradan indirin:  Burada .

2. Pandas'ta DataFrame Oluşturma

A  Veri Çerçevesi  Pandas'ta satırlar ve sütunlar halinde saklanan verilere sahip tablo benzeri bir veri yapısıdır. Bir DataFrame, birden fazla python Serisi nesnesinin  DataFrame  sınıf ( pd.DataFrame() ) kullanarak  pd.Series  Yöntem. Bu örnekte iki Series nesnesi kullanılmıştır:  s1  ilk sıra olarak ve  s2  ikinci sıra olarak.

Örnek 1: Seriden DataFrame Oluşturma:

   import   pandas   as   pd   # Creating two Series: s1 (numbers) and s2 (names)   s1   =   pd  .  Series  ([  1     2  ])   s2   =   pd  .  Series  ([  'Ashish'     'Sid'  ])   # Creating DataFrame by combining Series as rows   dataframe   =   pd  .  DataFrame  ([  s1     s2  ])   # Displaying the DataFrame   print  (  dataframe  )   

Çıkış:

Örnek 2: Özel Dizin ve Sütun Adlarına Sahip Bir Listeden DataFrame:

   dataframe1   =   pd  .  DataFrame  ([[  1     2  ]   [  'Ashish'     'Sid'  ]]   index  =  [  'r1'     'r2'  ]   columns  =  [  'c1'     'c2'  ])   print  (  dataframe1  )   

Çıkış:

Örnek 3: Sözlükten DataFrame:

   dataframe2   =   pd  .  DataFrame  ({   'c1'  :   [  1     'Ashish'  ]   'c2'  :   [  2     'Sid'  ]   })   print  (  dataframe2  )   

Çıkış:

3. Pandalarla Verileri İçe Aktarma

İlk adım veriyi okumaktır. Bizim durumumuzda veriler, her satırın yeni bir satırla ve her sütunun virgülle ayrıldığı bir CSV (Virgülle Ayrılmış Değerler) dosyası olarak depolanır. Python'daki verilerle çalışabilmek için csv'yi okumak gerekir.  dosya  Pandas DataFrame'e aktarın.

   import   pandas   as   pd   # Read Country-data.csv into a DataFrame   df   =   pd  .  read_csv  (  'Country-data.csv'  )   # Prints the first 5 rows of a DataFrame as default   df  .  head  ()   # Prints no. of rows and columns of a DataFrame   df  .  shape   

Çıkış:

 (167 10)  
    4. DataFrame'leri Pandalarla İndeksleme    
 
 Pandalar güçlü indeksleme yetenekleri sağlar. Her ikisini de kullanarak DataFrame'leri indeksleyebilirsiniz.     pozisyona dayalı    Ve     etiket tabanlı    yöntemler.  
 
    Konuma Dayalı İndeksleme (Konum Bazlı İndeksleme)        iloc         ):    
 Python   
   # prints first 5 rows and every column which replicates df.head()   df  .  iloc  [  0  :  5  :]   # prints entire rows and columns   df  .  iloc  [::]   # prints from 5th rows and first 5 columns   df  .  iloc  [  5  ::  5  ]   
   
    Çıkış:    
          
    Etiket Tabanlı İndeksleme (Kullanarak        loc         ):    
 
 İndeksleme etiketlerle çalışılabilir.      pandas.DataFrame.loc     Konumlar yerine etiketleri kullanarak indekslemeye izin veren yöntem.  
 
 Örnekler:  
 Python   
   # prints first five rows including 5th index and every columns of df   df  .  loc  [  0  :  5  :]   # prints from 5th rows onwards and entire columns   df  .  loc  [  5  ::]   
   
    Çıkış:    
       
  
 Yukarıdakiler aslında df.iloc[0:5:]'dan pek farklı görünmüyor. Bunun nedeni, satır etiketlerinin herhangi bir değeri alabilmesine rağmen satır etiketlerimizin konumlarla tam olarak eşleşmesidir. Ancak sütun etiketleri verilerle çalışırken işleri çok daha kolaylaştırabilir.  
 
    Örnek:    
 Python   
   # Prints the first 5 rows of Time period   # value    df  .  loc  [:  5    'child_mort'  ]   
   
    Çıkış:    
    
    5. Pandalarla DataFrame Matematiği    
 
 Pandalar, veri çerçevelerinde depolanan veriler üzerinde matematiksel işlemler yapmayı kolaylaştırır. Pandalar üzerinde gerçekleştirilebilecek işlemler vektörleştirilmiştir, yani hızlıdırlar ve döngüler kullanılmadan tüm öğelere otomatik olarak uygulanırlar.  
 
    Örnek - Sütun Bazında Matematik:    
 Python   
   # Adding 5 to every element in column A   df  [  'child_mort'  ]   =   df  [  'child_mort'  ]   +   5   # Multiplying values in column B by 10   df  [  'exports'  ]   =   df  [  'exports'  ]   *   10   df   
   
    Çıkış:    
    
    Pandalarda İstatistiksel Fonksiyonlar:    
 
 Veri çerçevelerinin hesaplanması pandas araçlarının İstatistiksel Fonksiyonları kullanılarak yapılabilir. Aşağıdaki gibi işlevleri kullanabiliriz:  
 
 
  df.sum()    → değerlerin toplamı  
 
  df.mean()    → ortalama  
 
  df.max()    /    df.min()    → maksimum ve minimum değerler  
 
  df.describe()    → hızlı istatistik özeti  
 
 Python   
   # computes various summary statistics excluding NaN values   df  .  describe  ()   # Provides sum of all the values for each column   df  .  sum  ()   
   
    Çıkış:    
       
 6. Pandalar ve Matplotlib ile Veri Görselleştirme  
 
 Pandaların kullanımı çok kolaydır      Matplotlib    Temel grafikler ve grafikler oluşturmak için kullanılan güçlü bir kütüphane. Yalnızca birkaç satır kodla verilerimizi görselleştirebilir ve daha iyi anlayabiliriz. Aşağıda Pandas ve Matplotlib kullanarak çizim yapmaya başlamanıza yardımcı olacak bazı basit örnekler verilmiştir:  
 Python   
   # Import the library first   import   matplotlib.pyplot   as   plt   
   
    Histogram    
 
 Histogram, bir sütundaki değerlerin dağılımını gösterir.  
 Python   
   df  [  'income'  ]  .  hist  (  bins  =  10  )   plt  .  title  (  'Histogram of Income'  )   plt  .  xlabel  (  'Income Value'  )   plt  .  ylabel  (  'Frequency'  )   plt  .  show  ()   
   
    Çıkış:    
    
    Kutu Grafiği    
 
 A      kutu grafiği     Aykırı değerleri tespit etmek ve veri yayılımını anlamak için faydalıdır.  
 Python   
   df   =   df  .  head  (  10  )   plt  .  figure  (  figsize  =  (  20     6  ))   # Increase width to make x-axis labels clearer   df  .  boxplot  (  column  =  'imports'     by  =  'country'  )   plt  .  title  (  'Boxplot by Country'  )   plt  .  suptitle  (  ''  )   # Removes default title   plt  .  xlabel  (  'Country'  )   plt  .  ylabel  (  'Imports'  )   plt  .  xticks  (  rotation  =  45  )   # Optional: Rotate x-axis labels for better visibility   plt  .  tight_layout  ()   # Adjust layout to avoid clipping   plt  .  show  ()   
   
    Çıkış:    
    
    Dağılım Grafiği    
 
 A      dağılım grafiği     iki değişken arasındaki ilişkiyi gösterir.  
 Python   
   x   =   df  [  'health'  ]   y   =   df  [  'life_expec'  ]   plt  .  scatter  (  x     y     label  =  'Data Points'     color  =  'm'     marker  =  '*'     s  =  30  )   plt  .  xlabel  (  'Health'  )   plt  .  ylabel  (  'Life Expectancy'  )   plt  .  title  (  'Scatter Plot of Health vs Life Expectancy'  )   plt  .  legend  ()   plt  .  show  ()   
   
    Çıkış:    
    
    İlgili Makale:    
 
 
   Pandalar Giriş    
 
   Python'da Grafik Çizme    
 
   Python'da csv dosyalarıyla çalışma    
 
   Pandalar DataFrame    
 
   Matplotlib'e Giriş    
 
   Histogram - Tanım Türleri Grafiği ve Örnekler    
 
   Kutu Grafiği    
 
   Dağılım Grafiği    
 
 
  
 
         Test Oluştur