Tarihçesi

Pandas, Python programlama dili için geliştirilen açık kaynaklı bir veri analizi kütüphanesidir. 2008 yılında Wes McKinney tarafından geliştirilmeye başlanmıştır. McKinney, o dönemde finans alanında çalışıyor ve veri analizinde Python’un eksikliklerini fark ediyordu. Bu ihtiyaç üzerine, özellikle zaman serisi verileri ile etkin çalışabilmek için Pandas’ı geliştirdi. Kütüphane ismini "Panel Data" teriminden ve "Python Data Analysis" ifadelerinden alır.

Pandas, 2015 yılında NumFOCUS çatısı altına alınmış ve topluluk katkılarıyla sürekli gelişmektedir. Bugün, veri bilimi ve makine öğrenmesi uygulamalarında temel bir araç haline gelmiştir.

Temel Özellikleri

Pandas’ın en önemli iki temel veri yapısı vardır:

Series: Tek boyutlu etiketli diziler (numpy array’e benzer).
DataFrame: İki boyutlu etiketli tablo (satır ve sütunlardan oluşur, Excel ya da SQL tablosuna benzer).

Diğer temel özellikleri

Hızlı ve esnek veri okuma/yazma (CSV, Excel, SQL, JSON, vs.).
Eksik verilerle kolay çalışma.
Veri filtreleme, gruplama, toplulaştırma (groupby).
Zaman serisi desteği.
Verilerin dönüştürülmesi (pivot, melt, stack, unstack).
Güçlü indeksleme yapısı.

Kullanım Alanları

Veri Analizi ve Görselleştirme
Makine Öğrenmesi Öncesi Veri Hazırlığı
Finansal Zaman Serisi Analizi
İstatistiksel Analizler
Büyük Veri Uygulamaları (Dask ile birlikte)
Veri Tabanı Yönetimi (SQL ile etkileşim)

Kurulum

pip install pandas

Temel Kodlarla Pandas Kullanımı

1- İçe Aktarma (Import)

import pandas as pd

2- Series Oluşturma

s = pd.Series([10, 20, 30, 40], index=['a', 'b', 'c', 'd'])
print(s)

3- DataFrame Oluşturma

data = {
    'Ad': ['Ali', 'Ayşe', 'Mehmet'],
    'Yaş': [25, 30, 22],
    'Şehir': ['Ankara', 'İstanbul', 'İzmir']
}
df = pd.DataFrame(data)
print(df)

4- CSV Dosyası Okuma ve Yazma

# Okuma
df = pd.read_csv("veri.csv")
# Yazma
df.to_csv("yeni_veri.csv", index=False)

5- Veri İnceleme

df.head()         # İlk 5 satır
df.tail(3)        # Son 3 satır
df.info()         # Genel bilgi
df.describe()     # İstatistiksel özet

6- Veri Seçimi ve Filtreleme

# Sütun seçimi
df['Ad']
# Satır seçimi (loc ve iloc ile)
df.loc[0]         # Etiket ile
df.iloc[0]        # İndeks ile
# Koşullu filtreleme
df[df['Yaş'] > 25]

7- Veri Temizleme

df.isnull()           # Eksik veri kontrolü
df.dropna()           # Eksik verileri sil
df.fillna(0)          # Eksik verileri doldur

8- Yeni Sütun Ekleme / Silme

df['Maaş'] = [5000, 6000, 4500]         # Yeni sütun
df.drop('Şehir', axis=1, inplace=True)  # Sütun silme

9- Gruplama ve Toplama (GroupBy)

df.groupby('Şehir')['Yaş'].mean()

10- Zaman Serisi Analizi

tarih_df = pd.date_range(start='2024-01-01', periods=5, freq='D')
veri = pd.Series([10, 12, 15, 20, 18], index=tarih_df)
print(veri)

11- Pivot Table

df.pivot_table(values='Maaş', index='Şehir', aggfunc='mean')

Pandas ve Python Ekosistemindeki Yeri

Pandas, Python’un veri bilimi ekosisteminin temel taşlarından biridir. Diğer popüler kütüphanelerle birlikte kusursuz şekilde çalışır:

NumPy: Pandas, NumPy dizileri üzerine inşa edilmiştir.
Matplotlib / Seaborn: Görselleştirme için veri hazırlığı sağlar.
Scikit-learn: Makine öğrenmesi algoritmalarına veri hazırlığı için kullanılır.
Jupyter Notebook: Pandas ile birlikte interaktif analiz ortamı sunar.
Dask: Büyük veriler için paralel Pandas işlemleri yapılmasını sağlar.

Avantajları

Kullanımı kolay ve okunabilir.
Hızlı veri analizi ve dönüştürme işlemleri.
Güçlü zaman serisi araçları.
Büyük topluluk ve sürekli gelişim.

Dezavantajları

Bellek verimliliği düşüktür; çok büyük verilerde performans sınırlıdır.
Çok iş parçacıklı işlem desteği sınırlıdır (Dask ile aşılabilir).

Pandas, Python’da veri bilimi alanında çalışan herkesin öğrenmesi gereken temel kütüphanelerden biridir. Hem küçük çaplı projelerde hem de büyük kurumsal veri analizlerinde yaygın olarak kullanılır. Esnek yapısı, geniş özellik yelpazesi ve güçlü topluluğu sayesinde, veri analizi denildiğinde akla gelen ilk araçlardan biri olmuştur.

Pandas