Pandas ile veri manipülasyonu öğrenmek artık çok kolay! En yaygın kullanılan fonksiyonlarla verilerinizi kolayca analiz edebilir, düzenleyebilir ve filtreleyebilirsiniz Hemen şimdi öğrenin ve veri biliminde uzmanlaşın!

Bu makalede, Pandas kütüphanesi kullanarak en sık kullanılan veri manipülasyon işlevlerinin bir özetini sunuyoruz. Pandas, Python'un en güçlü veri manipülasyon araçlarından biridir ve birçok araştırmacı ve veri bilimcisi tarafından sıklıkla kullanılmaktadır.

Veri manipülasyonu, veri biliminde hayati bir öneme sahiptir. İşlenmeyen veriler, analiz için uygun olmayan hale gelebilir ve yanlış sonuçlar üretebilir. Pandas, hızlı ve etkili bir şekilde verileri işleme ve manipüle etme olanağı sunar.

Bu makalede, veri yükleme ve görüntüleme, veri seçme ve filtreleme, veri manipülasyonu ve veri analizi gibi Pandas'ın en yaygın kullanılan işlevlerini ele alacağız. Bu işlevlerle veri manipülasyonu hakkında bir temel oluşturabilir ve veri analiz projeleri üzerinde çalışırken işleri kolaylaştırabilirsiniz.

1. Veri Yükleme ve Görüntüleme

Pandas, veri manipülasyonunda kullanılan en popüler kütüphanelerden biridir. Verileri işlemek için birçok işlev sunan Pandas, kullanıcı dostu bir arayüze sahiptir ve birçok veri formatını destekler. Veri yükleme ve görüntüleme işlemleri, Pandas kütüphanesi kullanarak oldukça kolaydır.

Veri yükleme işlemi, Pandas'ın read_csv işlevi kullanılarak yapılır. Bu işlev, bir veri dosyasını okur ve bu verileri bir DataFrame'de depolar. DataFrame, Pandas'ın en önemli veri yapısıdır ve verileri sütunlar ve satırlar şeklinde organize eder. Veri dosyasının konumu belirtilirken, dosya biçiminin de belirtilmesi gerekmektedir. read_csv işlevi, ayrıca birçok parametre içerir ve bu parametreler kullanılarak okunacak verilerin özellikleri belirlenebilir.

Veri yükleme işlemi tamamlandıktan sonra, veriler görüntülenebilir. Pandas, head () işlevini kullanarak DataFrame'in ilk beş satırını varsayılan olarak görüntüler. Görüntülenecek satır sayısı, head () işlevine parametre olarak aktarılabilir. Alternatif olarak, tail () işlevi son beş satırı görüntüler. Verilerin şekli de (satır ve sütun sayısı) shape işlevi kullanılarak görüntülenebilir. Buna ek olarak, describe () işlevi kullanılarak veriler hakkında çeşitli istatistiksel bilgiler elde edilebilir.

2. Veri Seçme ve Filtreleme

Pandas kütüphanesi veri manipülasyonunda oldukça işlevsel bir araçtır. Verilerinizi seçme ve filtreleme işlemlerini gerçekleştirmek istiyorsanız, bu kütüphane ile çok kolay bir şekilde yapabilirsiniz. Pandas, veri işleme işlemlerini yaparken, veri setleriniz üzerinde yüksek performanslı ve hızlı bir işlem yapar, böylece işlemlerinizi daha hızlı tamamlamanıza yardımcı olur.

Verilerinizi seçme ve filtreleme işlemleri, Pandas kütüphanesi ile oldukça kolaydır. Bu işlemleri gerçekleştirmek için, öncelikle veri setiniz içindeki istediğiniz verileri seçebilir ve sonra bu verileri filtreleyebilirsiniz. Boolean indeksleme, koşula göre seçim, `loc` ve `iloc` işlevlerini kullanarak veri seçimi ve filtreleme işlemleri gerçekleştirebilirsiniz. Ayrıca, farklı filtreleme operatörlerini kullanarak da verilerinizi filtreleyebilirsiniz.

İşlev	Açıklama
Boolean indeksleme	Verilerinizi boolean operatörleri kullanarak filtreleyin.
Koşula göre seçim	Verilerinizi belirli bir koşulu sağlayan satırları seçerek filtreleyin.
loc ve iloc işlevleri	Label (etiket) veya integer (tam sayı) konumlarına dayalı olarak verileri seçin.
Farklı filtreleme operatörleri	Verilerinizi farklı filtreleme operatörleri kullanarak filtreleyin.

Pandas ile veri seçme ve filtreleme işlemleri gerçekleştirirken, verilerinizi istediğiniz şekilde düzenleyebilirsiniz. Bu sayede, veri setinizin çalışma alanını daha kolay kontrol edebilir ve verilerinizi daha anlamlı hale getirebilirsiniz. Bu işlemleri yaparak, veri manipülasyonu işlemlerinde daha başarılı olabilir ve verilerinizin kalitesini artırabilirsiniz.

2.1. Boolean İndeksleme

Pandas ile veri manipülasyonunun en sık kullanılan işlevlerinden biri boolean indekslemektir. Bu işlem, verilerinizi belirli koşullara göre filtreleyebileceğiniz bir yöntemdir.

Boolean indeksleme yöntemiyle verilerinizi filtrelemek için '==', '>', '<', '>=', '<=', '!=' operatörlerini kullanabilirsiniz. Örneğin, 'salary > 5000' yazarak 5000'den yüksek maaş alanları filtreleyebilirsiniz.

Bunun yanı sıra, boolean indeksleme yöntemiyle birden fazla koşulu da filtreleyebilirsiniz. Bu işlemi gerçekleştirmek için '&' (ve) ve '|' (veya) operatörlerini kullanabilirsiniz. Örneğin, 'department == "marketing" & salary > 5000' yazarak bölümü marketing olan ve 5000'den yüksek maaş alanları filtreleyebilirsiniz.

Boolean indeksleme yöntemi, veri manipülasyonu ve analizi işlemlerinde oldukça kullanışlıdır ve verilerinizi belirli koşullara göre filtrelemenize olanak sağlar.

2.1.1. İki Şart İle Filtreleme

Pandas kullanarak verilerinizi iki koşula göre filtreleme işlemi yapabilirsiniz. Bu işlemi gerçekleştirmek için, 'loc' fonksiyonunu kullanabilirsiniz. 'loc', belirli bir sütuna göre belirli koşulları karşılayan satırları seçiyor.

Örneğin, bir veri setinde 'A' ve 'B' sütunları olsun. 'A' sütununda en az 10, 'B' sütununda ise 20'den büyük olan satırları filtrelemek istiyorsanız, aşağıdaki kodu kullanabilirsiniz:

Kod:	df.loc[(df['A']>=10) & (df['B']>20)]
Sonuç:	Gelen veriler, 'A' sütununda en az 10, 'B' sütununda ise 20'den büyük olan satırların birleşiminden oluşacaktır.

Bu kodda iki koşul '&' (ve) ile birleştirilmiştir. Eğer 'veya' koşulu kullanılmak istenirse '|' (veya) kullanılabiliyor.

Kodları kullanarak, verilerinizde istediğiniz koşulları sağlayan verilere kolaylıkla ulaşabilirsiniz. Bu da özellikle büyük veri setleri işlemlerinde oldukça kullanışlıdır.

2.1.2. Filtreleme Operatörleri

Eğitimin bu bölümünde "filtreleme operatörleri" hakkında bilgi edineceksiniz. Filtreleme operatörleri, verilerinizi seçmek için kullanabileceğiniz farklı mantıksal işlemlerdir. Verilerinizi sorgularken bu operatörleri kullanarak farklı koşullar belirleyebilirsiniz. Filtreleme operatörleri arasında en yaygın kullanılanlar şunlardır:

• Eşitlik İşareti (==)
• Eşit Olmayan İşareti (!=)
• Küçük İşareti (<)
• Büyük İşareti (>)
• Küçük veya Eşit İşareti (<=)
• Büyük veya Eşit İşareti (>=)

Örneğin, bir veri setinde bir sütunda belirtilen değer 10'dan büyük olan tüm kayıtları seçeceğimizi düşünelim. Bunun için, "büyük işareti" filtreleme operatörünü kullanabiliriz.

Sütun Adı	Değer
A	5
B	12
C	8
D	15

Yukarıdaki veri setinde, sütun B'deki 12 ve sütun D'deki 15 değeri, 10'dan büyüktür. Yani, "Büyük İşareti" filtreleme operatörünü kullanarak bu iki satırı seçebiliriz.

Filtreleme operatörleri, boolean dizileri oluşturmak için de kullanılabilir. Boolean dizisi, her bir satırın belirtilen bir koşula uyup uymadığını gösteren bir dizi veridir. Bu işlem, "Boolean İndeksleme" adı verilen bir işlemle gerçekleştirilir ve Pandas kütüphanesi bu işlemleri kolayca yapmanıza izin verir.

Bu bölümde farklı filtreleme operatörlerini öğreneceksiniz ve verilerinizi daha hassas bir şekilde seçebilmek için bu işlemleri kullanabileceksiniz.

2.2. Loc and iloc İle Veri Seçme

Pandas, loc ve iloc işlevleri sayesinde verilerinizi seçmek için basit bir yol sunar. Loc, verilerinizi etiket veya koşullarına göre seçmenizi sağlar. İloc, verilerinizi dizin numaralarına göre seçmenizi sağlar.

Önce loc ile veri seçme işlemini inceleyelim. Etiket veya koşullara göre veri seçmek için loc işlevini kullanabilirsiniz. Etiket ile seçmek için, verilerinizi loc [satır_etiketi, sütun_etiketi] kullanarak etiketlere göre seçebilirsiniz. Koşullarla seçmek için ise, loc [koşullar] kullanarak yapabilirsiniz.

İloc ile veri seçme işlemi, verilerinizi dizin numaralarına göre seçmenizi sağlar. İloc [satır_numarası, sütun_numarası] şeklinde dizin numaralarına göre verilerinizi seçebilirsiniz.

Loc ve İloc İşlevleri	Açıklama
loc	Satır ve sütun etiketleri kullanarak veri seçme işlevi
iloc	Satır ve sütun dizin numaraları kullanarak veri seçme işlevi

Özet olarak, Pandas kullanarak loc ve iloc işlevleri yardımıyla verilerinizi etiket, koşullar veya dizin numaralarına göre seçebilirsiniz. Bu işlevler veri seçme işlemlerini kolaylaştırdığından veri manipülasyonunu daha verimli hale getirir.

3. Veri Manipülasyonu

Pandas, veri manipülasyonu yapmak için mükemmel bir kütüphanedir. Veri analizinde, manipülasyon yapmak verilerinizi daha anlaşılır hale getirmenize ve doğru sonuçları elde etmenize yardımcı olabilir. Bu bölümde, Pandas kullanarak veri manipülasyonu yapmanın yolunu öğreneceksiniz.

Verileri manipüle etmenin birçok yolu vardır ve bunlardan birkaçı:

• Yeni bir sütun ekleme
• Sütunları düzenleme ve kaldırma
• Verileri toplama

Bu işlemler, verileri daha anlaşılır hale getirmenize ve analitik süreçlerinizde doğru sonuçları elde etmenize yardımcı olacaktır.

Verilerinizde yeni bir sütun eklemek istediğinizde Pandas'ın sağladığı birkaç seçenek vardır. Bunlar, iki var olan sütunu toplayarak yeni bir sütun oluşturma, mevcut sütunları birleştirerek yeni bir sütun oluşturma veya her satırın bir işlevini kullanarak yeni bir sütun oluşturma gibi işlemleri içerir.

Örneğin, aşağıdaki kod, 'Sütun 1' ve 'Sütun 2' adlı iki sütunun toplamını 'Toplam' adlı yeni bir sütunda gösterir.

Sütun 1	Sütun 2	Toplam
2	3	5
1	4	5
5	6	11

Bazı durumlarda, var olan sütunları düzenleyip veya kaldırmak isteyebilirsiniz. Sütunları düzenlemenin bir yolu, sözlükleri dönüştürerek ve ardından sütunları yeniden adlandırarak yapılabilir. Sütunları kaldırmak için ise Pandas'ın 'drop()' işlevi kullanılabilir.

Örneğin, aşağıdaki kod, 'İsim', 'Yaş' ve 'E-posta' adlı sütunların yanı sıra 'Sınav Sonucu' adlı bir sütunu da içeren bir veri kümesini gösterir:

İsim	Yaş	E-posta	Sınav Sonucu
Ahmet	25	ahmet@gmail.com	72
Ali	31	ali@hotmail.com	85
Ayşe	20	ayse@yahoo.com	94

E-posta sütununu kaldırmak ve 'Sınav Sonucu' sütununu 'Sonuç' olarak yeniden adlandırmak için aşağıdaki kod kullanılabilir:

veri_kumesi.drop('E-posta', axis=1, inplace=True)veri_kumesi.rename(columns={'Sınav Sonucu': 'Sonuç'}, inplace=True)

Bir veri kümesindeki verileri toplamak, verileri daha anlaşılır ve erişilebilir hale getirmenize yardımcı olur. Pandas, 'groupby()' işlevi kullanarak verilerinizi gruplama işlemi yapmanıza ve ardından gruplanmış verileri toplamanıza olanak tanır.

Örneğin, aşağıdaki kod, 'Şehir' adlı bir sütunu olan bir veri kümesini gösterir:

Şehir	Tarih	Satış Miktarı
Ankara	2021-01-01	100
İstanbul	2021-01-01	150
Ankara	2021-02-01	200
İstanbul	2021-02-01	250

Bu verileri 'Şehir' sütununa göre gruplandırarak ve 'Satış Miktarı' sütununu toplayarak şehirlerdeki toplam satış tutarlarını bulabilirsiniz:

gruplanmis_veriler = veri_kumesi.groupby('Şehir')toplam_satış = gruplanmis_veriler['Satış Miktarı'].sum()

Bu işlem sonucunda aşağıdaki tablo elde edilir:

Şehir	Satış Miktarı Toplamı
Ankara	300
İstanbul	400

3.1. Yeni Sütun Ekleme

Pandas ile veri manipülasyonu yaparken, sıkça yeni bir sütunun veri setine eklenmesi gerekebilir. Bu işlem, verilerinizi daha anlamlı hale getirmek için önemlidir.

Yeni bir sütun eklemek için, 'DataFrame' objesinde yer alan 'assign()' işlevini kullanabilirsiniz. Bu yöntem, yeni sütunu var olan bir sütundan veya birden fazla sütundan oluşan bir hesaplama ile tanımlayabilirsiniz. Yeni bir sütun eklerken, sütun ismini ve verileri tanımlamanız gerekmektedir.

Örneğin, mevcut bir 'DataFrame' nesnesine 'Salary' adında bir yeni sütun ekleme işlemini inceleyebiliriz. Yeni sütun, yıllık maaş değerlerini içerecektir.

Ad	Yaş	Maaş
Ali	28	2500
Aylin	34	4000
Cemal	42	6000
Ece	23	1800

Yukarıdaki veri setinde, 'Salary' adında yeni bir sütun eklemek için:

• Öncelikle, yeni bir sütunun nasıl hesaplanacağını belirleyin. Örneğin, yıllık maaşı hesaplamanız gerekiyorsa, saatlik maaşı yıllık olarak çarpabilirsiniz.
• Daha sonra, 'assign()' fonksiyonunu kullanarak yeni bir sütun ekleyin.

#Yeni bir sütun ekleyerek df nesnesini güncellemedf = df.assign(Salary = df['Hourly_Rate']*2080)#df nesnesini yazdırarak yeni sütunu kontrol etmeprint(df)

Bu örnekte, saatlik oran 'Hourly_Rate' adlı sütundan alınır ve yılda 2080 iş saatine çarpılarak 'Salary' adlı yeni bir sütuna atanır. Bu şekilde, 'Salary' sütunu başarıyla eklenir.

Yeni bir sütun eklemek, özellikle veri analizinde önemlidir. Pandas kütüphanesi ile bu işlem oldukça kolay ve hızlı bir şekilde gerçekleştirilebilir.

3.2. Sütunları Düzenleme ve Kaldırma

Pandas kullanarak sütunları düzenlemek ve kaldırmak oldukça kolay ve basittir. Örneğin, veri setinizdeki gereksiz sütunları kaldırmak isterseniz, drop() fonksiyonunu kullanabilirsiniz.

drop() fonksiyonu, bir ya da birden fazla sütunu kaldırmak için kullanılır. İşlem yapmak istediğiniz sütunun adını belirleyerek kolayca kaldırabilirsiniz. Örneğin:

Kod	Açıklama
df.drop('SütunAdi', axis=1, inplace=True)	df veri setinizde 'SütunAdi' adlı sütunu kaldırır.

Bu kod satırı, veri setindeki 'SütunAdi' adlı sütunu kaldıracaktır. Aynı işlemi birden fazla sütun için de tek bir kod satırı ile gerçekleştirebilirsiniz.

Bir diğer yapılabilecek işlem ise, sütun adlarını değiştirmektir. Örneğin, sütun adını değiştirmek için Pandas'ın rename() fonksiyonunu kullanabilirsiniz. Bu fonksiyon, veri setindeki bir sütunun adını değiştirmenize, tüm sütun adlarını değiştirmenize ve hatta sütun adlarını değiştirmek için sütun numarasını kullanmanıza olanak sağlar.

Örneğin, 'SütunAdi' adlı bir sütunun adını değiştirmek için aşağıdaki kod satırını kullanabilirsiniz:

Kod	Açıklama
df.rename(columns={'SütunAdi': 'YeniSütunAdi'}, inplace=True)	'SütunAdi' adlı sütunun adını 'YeniSütunAdi' olarak değiştirir.

Bu örnekte, 'SütunAdi' adlı sütunun adını 'YeniSütunAdi' olarak değiştirebilirsiniz. Aynı işlemi birden fazla sütun için de tek bir kod satırı ile gerçekleştirebilirsiniz.

Sütunları düzenleme ve kaldırma işlemleri, veri manipülasyonunda oldukça önemlidir. Pandas kütüphanesi ile bu işlemler oldukça kolay ve basit hale gelmiştir.

3.3. Verileri Toparlama

Pandas kütüphanesi, verileri toplamanızı kolaylaştırır. Verilerinizi gruplandırmak, toplamak ve analiz etmek için birçok işlev sağlar.

Verilerinizi toplamak için kullanabileceğiniz birkaç yöntem bulunmaktadır.

• sum(): Sütun bazında toplama işlemi yapar.
• mean(): Sütun bazında ortalamayı hesaplar.
• min(): Sütun bazında minimum değeri bulur.
• max(): Sütun bazında maksimum değeri bulur.
• count(): Sütundaki non-null değerlerin sayısını hesaplar.

Bu işlevlere örnek olarak aşağıdaki kodu kullanabilirsiniz:

import pandas as pddata = {'Name': ['Ali', 'Veli', 'Mehmet', 'Ahmet'],         'Age': [25, 35, 45, 40],         'Salary': [3000, 5000, 7000, 4500]}df = pd.DataFrame(data)print(df) # DataFrame'i görüntülerprint(df.sum()) # Sütunlarını toplar

Bu kod, veri setindeki sütunların toplamını hesaplar ve sonuçları görüntüler.

Pandas kütüphanesi ile verileri toplama işlemi oldukça kolaydır. Kullanabileceğiniz diğer işlevler arasında std(), var() ve median() yer alır. Bu işlevleri kullanarak, verilerinizi kolayca analiz edebilir ve sonuçları hızlı bir şekilde elde edebilirsiniz.

4. Veri Analizi

Pandas, veri manipülasyonu ve analizinde oldukça kullanışlı bir kütüphanedir. Verilerinizi kolayca analiz etmek için Pandas fonksiyonlarını kullanabilirsiniz. Veri analizi, verilerinizin içerdiği bilgiyi keşfetmek ve anlamak için kullanılan bir yöntemdir. Pandas, verilerinizin analizini yapmanızı sağlayan birçok araç sunmaktadır.

Veri analizi yaparken, verilerinizi görüntülemek, temizlemek, boş değerleri silmek, toplama işlemleri yapmak ve verileri görselleştirmek gibi birçok işlem yapmanız gerekebilir. Pandas kullanarak, verilerinizi analiz etmek için birçok fonksiyonu kullanabilirsiniz.

Fonksiyon	Açıklama
groupby()	Belirtilen bir özellik veya özelliklere göre verileri gruplar.
agg()	Toplama, sayaçlama, ortalama alma gibi toplama işlemlerini yapar.
describe()	Verilerinizin dağılımı hakkında bilgi içeren özet istatistiklerini verir.
crosstab()	İki veri özelliği arasındaki ilişkiyi incelemek için kullanılır.

Ayrıca, verilerinizi görsel olarak analiz etmek için seaborn ve matplotlib gibi kütüphaneler ile entegre edilmiş çizim fonksiyonları da mevcuttur. Örneğin, verilerinizi histogram veya grafiklerle analiz edebilirsiniz.

• hist()
• plot()
• scatter()
• boxplot()

Pandas kullanarak, verilerinizi kolayca analiz edebilir, veri manipülasyonu yapabilir ve sonuçları görselleştirebilirsiniz. Veri analizi, işletmelerin ve araştırmacıların verilerinden çıkarılacak değerli bilgileri keşfetmesini sağlayan önemli bir araçtır.

4.1. Gruplama ve Toplam İşlevleri

Pandas kullanarak verileri gruplamak ve toplamak, verilerinizi daha iyi anlamak ve analiz etmek için önemlidir. Bu işlevler, verilerinizi daha kolay kontrol etmenize olanak tanır ve istatistik tabloları oluşturmak için kullanılabilir.

Gruplama işlevi, bir veri setinde farklı kategorilerdeki verileri gruplamak için kullanılır. Bu işlev, verilerinizi benzer özelliklere göre ayırmış olmanıza olanak tanır. Kullanabileceğiniz bazı gruplama işlevleri şunlardır:

• groupby(): Bu işlev, belirli bir sütuna veya sütunlara göre verilerinizi gruplandırır.
• agg(): Bu işlev, gruplama işlevi uygulamak için kullanılır. Bu işlev, belirli bir sütuna ya da sütunlara uygulanan işlevleri listeler.
• transform(): Bu işlev, tek bir gruplama işlemi yerine, her bir veriye özgü bir işlem yapar.
• apply(): Bu işlev, belirli bir sütuna veya sütunlara belirli bir işlem uygulamak için kullanılır.

Toplama işlevi, verilerinizi toplamanıza olanak tanıyan bir işlemdir. Bu işlevler, özellikle hesaplama, analiz ve raporlama yaparken sıkça kullanılır. Pandas'ta aşağıdaki toplama işlevlerini kullanabilirsiniz:

Fonksiyon	Açıklama
count()	Gruplanmış verilerdeki öğelerin sayısını hesaplar.
sum()	Gruplanmış verilerdeki öğelerin toplamını hesaplar.
mean()	Gruplanmış verilerdeki öğelerin ortalamasını hesaplar.
median()	Gruplanmış verilerdeki öğelerin medyanını hesaplar.

Gruplama ve toplama işlevleri, verilerinizi daha kolay anlamanıza olanak tanıyan güçlü araçlardır. Bu işlevleri kullanarak, verilerinizi analiz etmek veya sektörel trendleri anlamak için farklı yaklaşımlar geliştirebilirsiniz.

4.2. Veri Görselleştirme

Verilerinizi görselleştirmek, analiz etmenin etkili bir yolu olabilir. Pandas kütüphanesi bu amaç için birçok faydalı araç sunuyor. Verilerinizin grafiksel olarak temsil edilmesi, eğilimleri, desenleri ve diğer ilginç verileri vurgulamanıza olanak tanır.

Pandas ile verilerinizi görselleştirmek için matplotlib kütüphanesini kullanabilirsiniz. matplotlib, Python için yaygın bir veri görselleştirme kütüphanesidir. Pandas, matplotlib ile çalışmak için iyi bir entegrasyona sahiptir ve ayrıca grafikleri çizmenize ve özelleştirmenize olanak tanıyan bir dizi işlev sağlar.

Grafik işlevleri için en yaygın kullanılan pandas fonksiyonları şunlardır:

• plot()
• hist()
• scatter()
• bar()
• area()

plot() fonksiyonu, verilerinizi doğru, çizgi, alan veya çubuk grafiği olarak görselleştirmenize olanak tanır. histogramlar ve scatter plotlar, verilerinizin dağılımını anlamanızı sağlar. Bar() ve area() fonksiyonları, kategorik verileri görselleştirmek için uygundur.

matplotlib kütüphanesi, grafikleri özelleştirmenize olanak tanır. Grafikleri belirli renkler, çizgi kalınlıkları ve başlıklar gibi bir dizi özellikle özelleştirebilirsiniz. Anahtar kelimeler ve görselleştirme işlevindeki parametrelerle oynayarak, istediğiniz sonuçları elde edebilirsiniz.

Pandas kütüphanesi ve matplotlib kütüphanesi ile verilerinizi görselleştirmek, verileriniz üzerinde derinlemesine analizler yapmak için harika bir yoldur. Doğru araçları kullanarak, verilerinizi çarpıcı grafiklerle ifade edebilir ve sonuçlarınızı dokümante edebilirsiniz.