Pandas Filtreleme Eğitimi

Eğitim Hakkında

Pandas filtreleme sözdizimi ve doğrulama yöntemleri

Bu eğitim, pandas DataFrame üzerinde satır ve sütun seçiminin tüm yollarını gösterir: loc ve iloc farkı, boolean maskeler, isin, between, str.contains, query ve nlargest. Zincirli indeksleme uyarıları, eksik veri filtreleri ve filtre sonucunu shape ile value_counts üzerinden doğrulama pratik veri setleriyle çalışılır.

Süre ve Format

2 Gün. Her gün dört modül; 1. gün Seçim ve Boolean Filtreleme; 2. gün Gelişmiş Filtreleme ve Doğrulama. Her modül uygulamalı alıştırmalarla pekiştirilir.

Seviye

Orta Seviye — bir veri setini boolean maske, loc/iloc, query ve regex ile hassas biçimde filtrelemeyi kapsar.

Öğrenme Metodu

Her konu gerçek bir satış, müşteri ve log veri setiyle Jupyter Notebook üzerinde canlı kodlanır; katılımcılar aynı filtreleri kendi verilerine uyarlar.

Neden Bu Eğitim?

🎯Doğru satırı bulun

Filtre koşulunu yanlış kurmanın sessiz hata ürettiği analizlerde, maske mantığını bilerek sonuçlara güvenirsiniz.

🛠️Hızlı ve okunaklı kod

query ve yeniden kullanılabilir maske fonksiyonlarıyla tekrar eden filtre kodunu azaltırsınız.

📈Rapor güvenilirliği

Filtre sonrası satır sayısı ve dağılım doğrulamasıyla raporlarınızdaki hatayı en aza indirirsiniz.

Anahtar Konular

pandas filtrelemepandas loc ilocboolean indexingpandas querydataframe filtrelemepython veri analizipandas eğitimiisin betweenstr.containsveri seçimi

“Doğru soru, doğru filtreyle 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 DataFrame üzerinde etiket ve konum tabanlı seçim yapar, boolean maskelerle koşullu filtreler yazar.

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

Etiket ve Konuma Göre Seçim

loc ile etiket tabanlı satır/sütun seçimi ve dilim kapsamı (uç dahil)
iloc ile konum tabanlı seçim ve dilim kapsamı (uç hariç)
at / iat ile tek hücre erişimi
Çoklu index ve xs() ile kesit alma
SettingWithCopyWarning ve zincirli indeksleme (chained assignment) hatası
loc ile koşullu atama: df.loc[maske, "sütun"] = değer

Modül 3

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

Modül 4

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

Günün hedefiKatılımcı regex, tarih ve tekrar eden kayıt filtrelerini uygular, sonuçları doğrulayıp görselleştirir.

Modül 1

Gelişmiş Filtreleme Kalıpları

Birden çok koşulu birleştirip yeniden kullanılabilir maske fonksiyonları yazma
Regex ile str.contains(regex=True, na=False) filtreleme
Tarih aralığı filtresi: dt.year, dt.month ve between ile tarih seçimi
nlargest(), nsmallest() ve sort_values ile ilk N kayıt
Duplicated ve drop_duplicates(subset=, keep=) ile tekrar eden kayıtlar
Filtre sonucunu doğrulama: shape, value_counts ve örnek kontrolü

Modül 2

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 3

Zaman Serisi ve Tarih İşlemleri

DatetimeIndex oluşturma ve tarihe göre dilimleme df["2025-01":"2025-03"]
resample ile günlük/aylık/üç aylık yeniden örnekleme
shift, diff ve pct_change ile gecikmeli değişim
dt erişimcisi: dayofweek, quarter, month_name
Saat dilimi: tz_localize ve tz_convert
Hareketli ortalama ve mevsimsellik gözlemi

Modül 4

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

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

DataFrame Temelleri

Series ve DataFrame yapılarını kurup ilk keşif komutlarıyla veriyi tanıyabilirsiniz

🔧

loc ve iloc

Etiket ve konum tabanlı seçimi doğru kullanıp SettingWithCopy hatalarından kaçınabilirsiniz

📊

Boolean Filtreleme

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

🧩

Veri Temizleme

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

🚀

Gelişmiş Filtreler

Regex, tarih aralığı, nlargest ve tekrar eden kayıt filtreleriyle karmaşık seçimler yapabilirsiniz

🔍

Gruplama ve Özet

groupby, pivot_table ve rolling ile özet tablolar üretebilirsiniz

🛡️

Zaman Serileri

Tarih indeksli veriyi resample, shift ve pct_change ile analiz edebilirsiniz

📌

Veri Görselleştirme

Matplotlib ve Seaborn ile amaca uygun, okunaklı grafikler hazırlayabilirsiniz

Kimler İçin Uygundur?

Pandas ile veri analizi yapan analist
raporlama uzmanı
yazılımcılar ile Excel filtrelerinden Python'a geçmek isteyen profesyoneller

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Pandas ile veri analizi yapan analist, raporlama uzmanı ve yazılımcılar ile Excel filtrelerinden Python'a geçmek isteyen profesyoneller.

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.

loc ve iloc farkı eğitimde ele alınıyor mu?

Evet, etiket tabanlı loc ile konum tabanlı iloc farkı, dilim kapsamı ve SettingWithCopyWarning ilk gün uygulamalı olarak işlenir.

Büyük veri setlerinde filtreleme performansı konuşuluyor mu?

Evet, vektörel maskelerin döngülere göre hızı, category tipi ve query kullanımı timeit ölçümleriyle gösterilir.

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: FILTERING DATA IN PANDAS EĞİTİMİ