# Pandas dropna() ile DataFrame’den NA De\u011ferlerini Silme<\/p>\n
Veri analizi yaparken eksik verilerle kar\u015f\u0131la\u015fmak olduk\u00e7a yayg\u0131n bir durumdur. Eksik veriler, analiz sonu\u00e7lar\u0131n\u0131z\u0131 \u00e7arp\u0131tabilir ve yanl\u0131\u015f \u00e7\u0131kar\u0131mlara yol a\u00e7abilir. Python’\u0131n g\u00fc\u00e7l\u00fc veri manip\u00fclasyon k\u00fct\u00fcphanesi Pandas, bu sorunu \u00e7\u00f6zmek i\u00e7in \u00d6\u011frenme Yol Haritas\u0131:<\/strong><\/p>\n * Yeni Ba\u015flayan:<\/strong> Pandas ve NA De\u011ferleri: Temel Kavramlar<\/strong><\/p>\n Pandas, Python’da veri manip\u00fclasyonu i\u00e7in en yayg\u0131n kullan\u0131lan k\u00fct\u00fcphanedir. Veri \u00e7er\u00e7eveleri (DataFrame’ler) olu\u015fturmak, manip\u00fcle etmek ve analiz etmek i\u00e7in g\u00fc\u00e7l\u00fc ara\u00e7lar sa\u011flar. Veri setlerinde s\u0131k\u00e7a kar\u015f\u0131la\u015ft\u0131\u011f\u0131m\u0131z eksik veriler, Pandas’te genellikle Pandas dropna(): Nas\u0131l Kullan\u0131l\u0131r? – Yeni Ba\u015flayanlar \u0130\u00e7in<\/strong><\/p>\n Bu kod, \u00d6rnek: Bir E-Ticaret Veri Seti<\/strong><\/p>\n Bir e-ticaret \u015firketinin \u00fcr\u00fcn sat\u0131\u015f verilerini i\u00e7eren bir DataFrame d\u00fc\u015f\u00fcnelim:<\/p>\n Bu \u00f6rnekte, Pandas dropna(): \u0130leri Seviye Kullan\u0131m – Orta Seviye<\/strong><\/p>\n Bu \u00f6rnekte, sadece Ger\u00e7ek D\u00fcnya Senaryolar\u0131 ve Optimizasyon \u0130pu\u00e7lar\u0131<\/strong><\/p>\n Vaka Analizi 1: M\u00fc\u015fteri Veri Taban\u0131<\/strong><\/p>\n Bir m\u00fc\u015fteri veri taban\u0131nda, baz\u0131 m\u00fc\u015fterilerin telefon numaralar\u0131 veya adresleri eksik olabilir. Vaka Analizi 2: Finansal Veriler<\/strong><\/p>\n Finansal verilerde, baz\u0131 de\u011ferler kay\u0131p olabilir. Performans Optimizasyonu:<\/strong><\/p>\n \u00c7ok b\u00fcy\u00fck DataFrame’lerde * Pandas dropna(): \u0130leri D\u00fczey Teknikler – \u0130leri Seviye<\/strong><\/p>\n Bu \u00f6rnekte, en az 2 ge\u00e7erli de\u011fer i\u00e7eren sat\u0131rlar korunur.<\/p>\n Edge Case’ler:<\/strong><\/p>\n * Bo\u015f DataFrame:<\/strong> E\u011fer DataFrame tamamen bo\u015fsa, Performans Analizi ve Kar\u015f\u0131la\u015ft\u0131rma<\/strong><\/p>\n Farkl\u0131 Sonu\u00e7<\/strong><\/p>\n Pandas S\u0131k\u00e7a Sorulan Sorular:<\/strong><\/p>\n 1. 2. 3. Eksik de\u011ferleri silmek yerine doldurabilir miyim?<\/strong> Evet, bunun i\u00e7in 4. \u00c7ok b\u00fcy\u00fck veri setlerinde performans\u0131 nas\u0131l iyile\u015ftirebilirim?<\/strong> 5. Yazar: Fatih Soysal<\/p>\n","protected":false},"excerpt":{"rendered":"# Pandas dropna() ile DataFrame’den NA De\u011ferlerini Silme Veri analizi yaparken eksik verilerle kar\u015f\u0131la\u015fmak olduk\u00e7a yayg\u0131n bir durumdur.…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-29831","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\ndropna()<\/code> fonksiyonunu sunar. Bu makalede, Pandas dropna()<\/code> fonksiyonunu kullanarak DataFrame’lerinizden NA (Not a Number) de\u011ferlerini nas\u0131l silece\u011finizi ad\u0131m ad\u0131m \u00f6\u011freneceksiniz. Farkl\u0131 kullan\u0131m senaryolar\u0131n\u0131, performans optimizasyonunu ve ileri d\u00fczey teknikleri ele alaca\u011f\u0131z.<\/p>\ndropna()<\/code>‘n\u0131n temel kullan\u0131m\u0131n\u0131 basit bir \u00f6rnek ile \u00f6\u011freneceksiniz.
\n* Orta Seviye:<\/strong> Ger\u00e7ek d\u00fcnya senaryolar\u0131na uygun \u00f6rnekler ve optimizasyon ipu\u00e7lar\u0131 g\u00f6receksiniz.
\n* \u0130leri Seviye:<\/strong> Performans analizi ve nadir kar\u015f\u0131la\u015f\u0131lan durumlar\u0131n (edge case) nas\u0131l ele al\u0131naca\u011f\u0131n\u0131 \u00f6\u011freneceksiniz.<\/p>\nNaN<\/code> (Not a Number) veya None<\/code> olarak temsil edilir. Bu eksik de\u011ferler, analizlerde sorunlara yol a\u00e7abilir, bu nedenle bunlar\u0131 temizlemek \u00f6nemlidir. dropna()<\/code> fonksiyonu i\u015fte bu noktada devreye girer ve DataFrame’inizden bu eksik de\u011ferleri silmenizi sa\u011flar.<\/p>\ndropna()<\/code> fonksiyonu olduk\u00e7a basit bir yap\u0131ya sahiptir. Temel kullan\u0131m\u0131 \u015fu \u015fekildedir:<\/p>\nimport pandas as pd\n\ndata = {'A': [1, 2, None, 4], 'B': [5, None, 7, 8]}\ndf = pd.DataFrame(data)\nprint("\u00d6ncesi:\\n", df)\n\ndf_cleaned = df.dropna()\nprint("\\nSonras\u0131:\\n", df_cleaned)<\/code><\/pre>\nA<\/code> ve B<\/code> s\u00fctunlar\u0131ndan olu\u015fan bir DataFrame olu\u015fturur. dropna()<\/code> fonksiyonu \u00e7a\u011fr\u0131ld\u0131\u011f\u0131nda, en az bir NaN<\/code> de\u011feri i\u00e7eren t\u00fcm sat\u0131rlar silinir. Sonu\u00e7 olarak, NaN<\/code> de\u011ferleri i\u00e7ermeyen sadece iki sat\u0131r kal\u0131r.<\/p>\ndata = {'\u00dcr\u00fcn': ['A', 'B', 'C', 'D'],\n 'Fiyat': [100, None, 150, 200],\n 'Sat\u0131\u015f Adedi': [10, 15, None, 25]}\ndf = pd.DataFrame(data)\nprint("\u00d6ncesi:\\n", df)\ndf_cleaned = df.dropna()\nprint("\\nSonras\u0131:\\n", df_cleaned)<\/code><\/pre>\nFiyat<\/code> ve Sat\u0131\u015f Adedi<\/code> s\u00fctunlar\u0131nda NaN<\/code> de\u011ferleri bulunmaktad\u0131r. dropna()<\/code> fonksiyonu bu sat\u0131rlar\u0131 tamamen silmi\u015ftir.<\/p>\ndropna()<\/code> fonksiyonu, daha geli\u015fmi\u015f se\u00e7enekler sunarak eksik verilerin temizlenmesini daha hassas bir \u015fekilde kontrol etmenizi sa\u011flar.<\/p>\nhow<\/code> Parametresi:<\/strong><\/p>\nhow<\/code> parametresi, sat\u0131r\u0131n veya s\u00fctunun nas\u0131l silinece\u011fini belirler. 'any'<\/code> (varsay\u0131lan de\u011fer), en az bir NaN<\/code> de\u011feri i\u00e7eren sat\u0131rlar\u0131 siler. 'all'<\/code> ise, t\u00fcm de\u011ferleri NaN<\/code> olan sat\u0131rlar\u0131 siler.<\/p>\nimport pandas as pd\ndata = {'A': [1, 2, None, 4], 'B': [5, None, 7, 8], 'C': [9, 10, 11, None]}\ndf = pd.DataFrame(data)\nprint("\u00d6ncesi:\\n", df)\n\ndf_cleaned_any = df.dropna(how='any')\nprint("\\nhow='any':\\n", df_cleaned_any)\n\ndf_cleaned_all = df.dropna(how='all')\nprint("\\nhow='all':\\n", df_cleaned_all)<\/code><\/pre>\nsubset<\/code> Parametresi:<\/strong><\/p>\nsubset<\/code> parametresi, NaN<\/code> de\u011ferlerinin kontrol edilece\u011fi s\u00fctunlar\u0131 belirlemenizi sa\u011flar.<\/p>\nimport pandas as pd\ndata = {'A': [1, 2, None, 4], 'B': [5, None, 7, 8]}\ndf = pd.DataFrame(data)\nprint("\u00d6ncesi:\\n", df)\n\ndf_cleaned_subset = df.dropna(subset=['A'])\nprint("\\nsubset=['A']:\\n", df_cleaned_subset)<\/code><\/pre>\nA<\/code> s\u00fctununda NaN<\/code> de\u011ferleri kontrol edilir ve bu s\u00fctuna g\u00f6re sat\u0131rlar silinir.<\/p>\ndropna()<\/code> fonksiyonunu kullanarak, eksik bilgileri i\u00e7eren m\u00fc\u015fteri kay\u0131tlar\u0131n\u0131 silebilir veya eksik bilgilerin oldu\u011fu s\u00fctunlar\u0131 analizden \u00e7\u0131karabilirsiniz.<\/p>\ndropna()<\/code> fonksiyonunu kullanarak, eksik de\u011ferleri i\u00e7eren i\u015flemleri silebilir veya eksik de\u011ferleri ortalama veya medyan ile doldurabilirsiniz (imputation). Ancak, bu durumda verilerin da\u011f\u0131l\u0131m\u0131na dikkat etmek \u00f6nemlidir. Yanl\u0131\u015f bir dolgu y\u00f6ntemi, analiz sonu\u00e7lar\u0131n\u0131 \u00e7arp\u0131tabilir. Daha geli\u015fmi\u015f dolgu y\u00f6ntemleri i\u00e7in fillna()<\/code> fonksiyonunu inceleyebilirsiniz.<\/p>\ndropna()<\/code> fonksiyonu zaman alabilir. Performans\u0131 art\u0131rmak i\u00e7in a\u015fa\u011f\u0131daki ipu\u00e7lar\u0131n\u0131 kullanabilirsiniz:<\/p>\ninplace=True<\/code>:<\/strong> dropna()<\/code> fonksiyonunu inplace=True<\/code> ile \u00e7a\u011f\u0131r\u0131rsan\u0131z, orijinal DataFrame’i do\u011frudan de\u011fi\u015ftirir ve yeni bir DataFrame olu\u015fturmaz, bu da bellek kullan\u0131m\u0131n\u0131 azalt\u0131r.
\n* Paralel \u0130\u015fleme:<\/strong> \u00c7ok b\u00fcy\u00fck veri setlerinde, dask<\/code> gibi paralel i\u015flem k\u00fct\u00fcphaneleri kullanarak dropna()<\/code> i\u015flemini h\u0131zland\u0131rabilirsiniz.<\/p>\nthresh<\/code> Parametresi:<\/strong><\/p>\nthresh<\/code> parametresi, bir sat\u0131r\u0131 silmek i\u00e7in ka\u00e7 tane ge\u00e7erli (NaN olmayan) de\u011fere ihtiya\u00e7 oldu\u011funu belirlemenizi sa\u011flar.<\/p>\nimport pandas as pd\ndata = {'A': [1, 2, None, 4], 'B': [5, None, 7, 8], 'C': [9, 10, 11, None]}\ndf = pd.DataFrame(data)\nprint("\u00d6ncesi:\\n", df)\n\ndf_cleaned_thresh = df.dropna(thresh=2)\nprint("\\nthresh=2:\\n", df_cleaned_thresh)<\/code><\/pre>\ndropna()<\/code> fonksiyonu hi\u00e7bir \u015fey yapmaz.
\n* T\u00fcm De\u011ferler NaN:<\/strong> E\u011fer bir s\u00fctunun t\u00fcm de\u011ferleri NaN ise, how='any'<\/code> ile bu s\u00fctun tamamen silinir.<\/p>\ndropna()<\/code> kullan\u0131m senaryolar\u0131n\u0131n performans\u0131n\u0131 kar\u015f\u0131la\u015ft\u0131rmak i\u00e7in timeit<\/code> k\u00fct\u00fcphanesini kullanabilirsiniz. B\u00fcy\u00fck veri setlerinde, inplace=True<\/code> kullanman\u0131n performans \u00fczerindeki etkisini g\u00f6zlemleyebilirsiniz. Bu analizler, verilerinizin b\u00fcy\u00fckl\u00fc\u011f\u00fcne ve yap\u0131s\u0131na g\u00f6re de\u011fi\u015fiklik g\u00f6sterecektir.<\/p>\ndropna()<\/code> fonksiyonu, DataFrame’lerinizden NA de\u011ferlerini silmek i\u00e7in g\u00fc\u00e7l\u00fc ve esnek bir ara\u00e7t\u0131r. Bu makalede, temel kullan\u0131mdan ileri d\u00fczey tekniklere kadar geni\u015f bir yelpazede dropna()<\/code>‘n\u0131n nas\u0131l kullan\u0131laca\u011f\u0131n\u0131 \u00f6\u011frendiniz. Veri temizleme s\u00fcrecinizde, verilerinizin \u00f6zelliklerini ve hedeflerinizi g\u00f6z \u00f6n\u00fcnde bulundurarak en uygun y\u00f6ntemi se\u00e7meniz \u00f6nemlidir. Unutmay\u0131n ki, veri temizleme i\u015flemi, veri analizi s\u00fcrecinin kritik bir par\u00e7as\u0131d\u0131r ve do\u011fru sonu\u00e7lar elde etmek i\u00e7in dikkatlice yap\u0131lmal\u0131d\u0131r. Daha fazla ileri d\u00fczey Pandas tekni\u011fi \u00f6\u011frenmek i\u00e7in [Fatih Soysal’\u0131n bloguna](https:\/\/fatihsoysal.com) g\u00f6z atabilirsiniz.<\/p>\ndropna()<\/code> fonksiyonu orijinal DataFrame’i de\u011fi\u015ftirir mi?<\/strong> Hay\u0131r, varsay\u0131lan olarak yeni bir DataFrame d\u00f6nd\u00fcr\u00fcr. inplace=True<\/code> parametresi kullanarak orijinal DataFrame’i de\u011fi\u015ftirebilirsiniz.<\/p>\ndropna()<\/code> fonksiyonu hangi veri tiplerini destekler?<\/strong> \u00c7o\u011fu veri tipini destekler, ancak \u00f6zellikle kategorik de\u011fi\u015fkenler i\u00e7in dikkatli olmak gerekir.<\/p>\nfillna()<\/code> fonksiyonunu kullanabilirsiniz.<\/p>\ninplace=True<\/code> parametresini kullanabilir ve paralel i\u015flem k\u00fct\u00fcphaneleri (\u00f6rne\u011fin, dask<\/code>) de\u011ferlendirebilirsiniz.<\/p>\ndropna()<\/code> fonksiyonu ile ilgili daha fazla bilgi nerede bulabilirim?<\/strong> Pandas d\u00f6k\u00fcmanlar\u0131n\u0131 ve online kaynaklar\u0131 inceleyebilirsiniz.<\/p>\n