{"id":12825,"date":"2025-02-18T12:45:13","date_gmt":"2025-02-18T09:45:13","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/pandas-ile-veri-kumelerini-etkin-sekilde-yukleme-tam-bir-kilavuz\/"},"modified":"2025-02-18T12:45:13","modified_gmt":"2025-02-18T09:45:13","slug":"pandas-ile-veri-kumelerini-etkin-sekilde-yukleme-tam-bir-kilavuz","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/pandas-ile-veri-kumelerini-etkin-sekilde-yukleme-tam-bir-kilavuz\/","title":{"rendered":"Pandas ile Veri K\u00fcmelerini Etkin \u015eekilde Y\u00fckleme: Tam Bir K\u0131lavuz"},"content":{"rendered":"

<\/p>\n

Pandas ile Veri K\u00fcmelerini Etkin \u015eekilde Y\u00fckleme: Tam Bir K\u0131lavuz<\/p>\n

Pandas, Python’da veri analizi i\u00e7in en pop\u00fcler k\u00fct\u00fcphanelerden biridir. Ancak, \u00f6zellikle b\u00fcy\u00fck veri k\u00fcmeleri s\u00f6z konusu oldu\u011funda, veri y\u00fckleme i\u015flemi performans a\u00e7\u0131s\u0131ndan kritik bir rol oynar. Bu rehberde, Pandas ile veri k\u00fcmelerini etkin ve h\u0131zl\u0131 bir \u015fekilde y\u00fcklemek i\u00e7in kullanabilece\u011finiz \u00e7e\u015fitli y\u00f6ntemleri, ipu\u00e7lar\u0131n\u0131 ve en iyi uygulamalar\u0131 ele alaca\u011f\u0131z. \u00d6ncelikle, verilerinizin t\u00fcr\u00fcn\u00fc ve boyutunu g\u00f6z \u00f6n\u00fcnde bulundurman\u0131z \u00f6nemlidir. \u00c7\u00fcnk\u00fc her y\u00f6ntem, farkl\u0131 veri formatlar\u0131 ve boyutlar\u0131 i\u00e7in en uygun olmayabilir.<\/p>\n

Farkl\u0131 Veri Formatlar\u0131 i\u00e7in Y\u00f6ntemler<\/h2>\n

Pandas, CSV, Excel, JSON, Parquet ve daha bir\u00e7ok yayg\u0131n veri format\u0131n\u0131 destekler. Her format i\u00e7in en uygun y\u00fckleme y\u00f6ntemini kullanmak performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir. \u00d6rne\u011fin, b\u00fcy\u00fck CSV dosyalar\u0131 i\u00e7in chunksize<\/code> parametresini kullanarak veriyi par\u00e7alara b\u00f6lerek okumak, bellek t\u00fcketimini azaltabilir. Bununla birlikte, Parquet gibi s\u00fctunlu veri formatlar\u0131, b\u00fcy\u00fck veri k\u00fcmeleri i\u00e7in genellikle daha h\u0131zl\u0131 eri\u015fim sa\u011flar. A\u015fa\u011f\u0131da baz\u0131 \u00f6rnekler verilmi\u015ftir:<\/p>\n

CSV Dosyalar\u0131n\u0131 Y\u00fckleme<\/h3>\n

K\u00fc\u00e7\u00fck CSV dosyalar\u0131 i\u00e7in pandas.read_csv()<\/code> fonksiyonu yeterlidir. Ancak b\u00fcy\u00fck dosyalar i\u00e7in chunksize<\/code> parametresi kullan\u0131labilir:<\/p>\n

\nimport pandas as pd\n\n# K\u00fc\u00e7\u00fck dosya i\u00e7in:\ndf = pd.read_csv(\"k\u00fc\u00e7\u00fck_dosya.csv\")\n\n# B\u00fcy\u00fck dosya i\u00e7in:\nfor chunk in pd.read_csv(\"b\u00fcy\u00fck_dosya.csv\", chunksize=10000):\n    # Her par\u00e7ay\u0131 ayr\u0131 ayr\u0131 i\u015fleyin\n    # ...\n<\/code><\/pre>\n
Excel Dosyalar\u0131n\u0131 Y\u00fckleme<\/h3>\n
Excel dosyalar\u0131 i\u00e7in pandas.read_excel()<\/code> fonksiyonunu kullanabilirsiniz.  B\u00fcy\u00fck Excel dosyalar\u0131 i\u00e7in de chunksize<\/code> parametresi kullan\u0131labilir, ancak performans CSV’lere g\u00f6re daha d\u00fc\u015f\u00fck olabilir.<\/p>\n
\ndf = pd.read_excel(\"dosya.xlsx\", sheet_name=\"Sheet1\") \n<\/code><\/pre>\n
JSON Dosyalar\u0131n\u0131 Y\u00fckleme<\/h3>\n
JSON dosyalar\u0131 i\u00e7in pandas.read_json()<\/code> fonksiyonunu kullan\u0131n.  JSON verileri genellikle daha karma\u015f\u0131k bir yap\u0131ya sahip olabilir, bu nedenle y\u00fckleme s\u00fcresi veri yap\u0131s\u0131na ba\u011fl\u0131 olarak de\u011fi\u015febilir.<\/p>\n
\ndf = pd.read_json(\"dosya.json\")\n<\/code><\/pre>\n
Parquet Dosyalar\u0131n\u0131 Y\u00fckleme<\/h3>\n
Parquet, \u00f6zellikle b\u00fcy\u00fck veri k\u00fcmeleri i\u00e7in \u00f6nerilen bir formatt\u0131r.  H\u0131zl\u0131 eri\u015fim ve verimlilik sunar.  PyArrow k\u00fct\u00fcphanesinin kullan\u0131m\u0131 \u00f6nerilir:<\/p>\n
\nimport pandas as pd\ndf = pd.read_parquet(\"dosya.parquet\")\n<\/code><\/pre>\n
Bellek Y\u00f6netimi \u0130pu\u00e7lar\u0131<\/h2>\n
B\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken bellek y\u00f6netimi \u00e7ok \u00f6nemlidir.  Veri okunurken gereksiz s\u00fctunlar\u0131 atmak veya veri t\u00fcrlerini daha k\u00fc\u00e7\u00fck boyutlara d\u00f6n\u00fc\u015ft\u00fcrmek bellek t\u00fcketimini azaltabilir.  \u00d6rne\u011fin, gereksiz string s\u00fctunlar\u0131 kategorik veri tipine d\u00f6n\u00fc\u015ft\u00fcrebilirsiniz.  Ayr\u0131ca,  i\u015flem bittikten sonra gereksiz de\u011fi\u015fkenleri silmeyi unutmay\u0131n.<\/p>\n
\nimport pandas as pd\n\ndf = pd.read_csv(\"dosya.csv\", dtype={'s\u00fctun_ad\u0131': 'category'}) # Kategorik veri tipi d\u00f6n\u00fc\u015f\u00fcm\u00fc\ndel df['gereksiz_s\u00fctun'] # Gereksiz s\u00fctun silme\n<\/code><\/pre>\n
Dplyr \u0130le Pandas Performans\u0131 Kar\u015f\u0131la\u015ft\u0131rmas\u0131<\/h2>\n
R’deki dplyr paketi de veri manip\u00fclasyonu i\u00e7in g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.  Ancak Pandas ve dplyr aras\u0131nda performans farklar\u0131 olabilir.  B\u00fcy\u00fck veri k\u00fcmeleri i\u00e7in dplyr’\u0131n daha h\u0131zl\u0131 oldu\u011fu durumlar olsa da, Pandas’\u0131n optimizasyon se\u00e7enekleri sayesinde genellikle rekabet\u00e7i bir performans sergiler.  Do\u011fru y\u00f6ntemi ve parametreleri se\u00e7mek, her iki ara\u00e7ta da performans \u00fczerinde \u00f6nemli bir etkiye sahiptir.<\/p>\n
Sonu\u00e7<\/h2>\n
Pandas ile veri y\u00fckleme i\u015flemini optimize etmek, b\u00fcy\u00fck veri k\u00fcmeleriyle \u00e7al\u0131\u015f\u0131rken zaman ve kaynak tasarrufu sa\u011flar.  Veri format\u0131, boyut ve bellek y\u00f6netimi gibi fakt\u00f6rleri g\u00f6z \u00f6n\u00fcnde bulundurarak uygun y\u00f6ntemleri kullanmak, performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.  Umar\u0131m bu rehber, Pandas ile veri k\u00fcmelerinizi daha etkin bir \u015fekilde y\u00fcklemenize yard\u0131mc\u0131 olur.  Daha fazla bilgi i\u00e7in  fatihsoysal.com<\/a>  sitesini ziyaret edebilirsiniz.<\/p>\n
Faydal\u0131 bulabilece\u011finiz di\u011fer kaynaklar:<\/p>\n