{"id":30400,"date":"2025-09-27T10:01:30","date_gmt":"2025-09-27T07:01:30","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/jupyterlab-kendo-grid-ile-pandas-dataframeleri-goruntuleme\/"},"modified":"2025-09-27T10:01:30","modified_gmt":"2025-09-27T07:01:30","slug":"jupyterlab-kendo-grid-ile-pandas-dataframeleri-goruntuleme","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/jupyterlab-kendo-grid-ile-pandas-dataframeleri-goruntuleme\/","title":{"rendered":"JupyterLab Kendo Grid ile Pandas DataFrame’leri G\u00f6r\u00fcnt\u00fcleme"},"content":{"rendered":"

<\/p>\n

JupyterLab’de Pandas DataFrame’lerinizi interaktif Kendo Grid aray\u00fcz\u00fcyle g\u00f6rselle\u015ftirin. Veri analizi ve raporlama s\u00fcre\u00e7lerinizi h\u0131zland\u0131rarak verimlili\u011fi art\u0131r\u0131n.<\/p>\n

Veri bilimi ve analizi d\u00fcnyas\u0131nda, ham veriyi anlaml\u0131 bilgilere d\u00f6n\u00fc\u015ft\u00fcrmek her zaman kritik bir ad\u0131md\u0131r. \u00d6zellikle b\u00fcy\u00fck ve karma\u015f\u0131k veri setleriyle \u00e7al\u0131\u015f\u0131rken, bu verileri h\u0131zl\u0131 ve etkin bir \u015fekilde g\u00f6rselle\u015ftirmek, ilk ke\u015fiflerden nihai raporlamaya kadar t\u00fcm s\u00fcre\u00e7lerde ba\u015far\u0131y\u0131 do\u011frudan etkiler. \u00c7o\u011fu zaman, Pandas DataFrame’ler JupyterLab ortam\u0131nda standart tablo format\u0131nda g\u00f6r\u00fcnt\u00fclenir. Ancak bu statik g\u00f6r\u00fcnt\u00fcleme, veri setinin derinliklerine inmek, anormallikleri tespit etmek veya belirli desenleri ortaya \u00e7\u0131karmak i\u00e7in yeterli olmayabilir. \u00d6rne\u011fin, binlerce sat\u0131rdan olu\u015fan bir veri setinde manuel olarak kayd\u0131rma yapmak, belirli kriterlere g\u00f6re filtreleme uygulamak veya farkl\u0131 s\u00fctunlara g\u00f6re s\u0131ralama yapmak olduk\u00e7a zahmetli ve zaman al\u0131c\u0131d\u0131r. Bu durum, veri analistlerinin ve bilim insanlar\u0131n\u0131n de\u011ferli zamanlar\u0131n\u0131 veri manip\u00fclasyonu yerine anlams\u0131z aray\u0131\u015flarla ge\u00e7irmelerine neden olabilir.<\/p>\n

Bu ba\u011flamda, interaktif veri g\u00f6rselle\u015ftirme ara\u00e7lar\u0131 devreye girer. Geleneksel yakla\u015f\u0131mlar\u0131n aksine, interaktif gridler kullan\u0131c\u0131lar\u0131n verilerle do\u011frudan etkile\u015fim kurmas\u0131na olanak tan\u0131r. Bir Kendo Grid, bu ihtiyac\u0131 kar\u015f\u0131lamak i\u00e7in geli\u015ftirilmi\u015f g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r. Kullan\u0131c\u0131lar, sadece birka\u00e7 t\u0131klama ile verileri s\u0131ralayabilir, filtreleyebilir, sayfaland\u0131rabilir ve hatta grupland\u0131rabilir. Bu t\u00fcr dinamik \u00f6zellikler, veri ke\u015fif s\u00fcrecini h\u0131zland\u0131r\u0131r, hatalar\u0131 azalt\u0131r ve analiz edilen veriye dair daha derinlemesine i\u00e7g\u00f6r\u00fcler elde edilmesini sa\u011flar. \u00d6zellikle JupyterLab gibi etkile\u015fimli bir geli\u015ftirme ortam\u0131nda, bu t\u00fcr bir entegrasyon, analitik i\u015f ak\u0131\u015f\u0131n\u0131 ba\u015ftan sona d\u00f6n\u00fc\u015ft\u00fcrebilir. Pandas DataFrame’leri ile Kendo Grid’i bir araya getirmek, statik tablolar\u0131n s\u0131n\u0131rlamalar\u0131n\u0131 ortadan kald\u0131rarak, veri analizi deneyimini \u00e7ok daha zengin ve verimli hale getirir. Bu makalede, bu g\u00fc\u00e7l\u00fc entegrasyonun nas\u0131l yap\u0131laca\u011f\u0131n\u0131, temelden ileri d\u00fczeye kadar t\u00fcm detaylar\u0131yla ele alaca\u011f\u0131z ve ger\u00e7ek d\u00fcnya senaryolar\u0131yla somutla\u015ft\u0131raca\u011f\u0131z.<\/p>\n

JupyterLab ve Pandas: Veri Analizinin Temel Ta\u015flar\u0131 Nelerdir?<\/h2>\n
Veri analizi ve bilim alan\u0131nda \u00e7al\u0131\u015fan herkesin vazge\u00e7ilmez ara\u00e7lar\u0131ndan ikisi \u015f\u00fcphesiz JupyterLab ve Pandas’t\u0131r. Bu iki ara\u00e7, milyonlarca veri noktas\u0131n\u0131 i\u015flemek, analiz etmek ve g\u00f6rselle\u015ftirmek i\u00e7in m\u00fckemmel bir sinerji olu\u015fturur. \u00d6ncelikle, JupyterLab nedir sorusuna de\u011finelim. JupyterLab, interaktif hesaplama i\u00e7in tasarlanm\u0131\u015f web tabanl\u0131 bir geli\u015ftirme ortam\u0131d\u0131r. Jupyter Notebook’lar\u0131n daha geli\u015fmi\u015f ve mod\u00fcler bir versiyonu olarak d\u00fc\u015f\u00fcn\u00fclebilir. Kullan\u0131c\u0131lar, Python, R, Julia gibi \u00e7e\u015fitli programlama dillerinde kod yazabilir, markdown notlar\u0131 ekleyebilir, grafikler olu\u015fturabilir ve t\u00fcm bunlar\u0131 tek bir aray\u00fczde birle\u015ftirebilir. Bu sayede, analiz ad\u0131mlar\u0131, kodlar ve sonu\u00e7lar ayn\u0131 belge i\u00e7inde tutularak tekrarlanabilir ve payla\u015f\u0131labilir bilimsel \u00e7al\u0131\u015fmalar i\u00e7in ideal bir ortam sunar. \u00d6zellikle karma\u015f\u0131k veri analiz projelerinde, farkl\u0131 dosyalara, terminallere ve ara\u00e7lara tek bir pencereden eri\u015febilme yetene\u011fi, i\u015f ak\u0131\u015f\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde h\u0131zland\u0131r\u0131r.<\/p>\n
Di\u011fer yandan, Pandas k\u00fct\u00fcphanesi, Python’da veri manip\u00fclasyonu ve analizi i\u00e7in temel bir ara\u00e7t\u0131r. \u00d6zellikle DataFrame ad\u0131 verilen iki boyutlu etiketli veri yap\u0131lar\u0131 sayesinde, tablo benzeri verilerle Excel veya SQL veritabanlar\u0131ndaki gibi kolayca \u00e7al\u0131\u015f\u0131lmas\u0131n\u0131 sa\u011flar. Pandas DataFrame’ler, finansal verilerden sosyal bilim verilerine, makine \u00f6\u011frenimi modelleri i\u00e7in \u00f6zellik m\u00fchendisli\u011fine kadar geni\u015f bir kullan\u0131m alan\u0131na sahiptir. Veri okuma (CSV, Excel, SQL), temizleme, d\u00f6n\u00fc\u015ft\u00fcrme, birle\u015ftirme, gruplama ve \u00f6zetleme gibi bir\u00e7ok i\u015flemi son derece etkin bir \u015fekilde ger\u00e7ekle\u015ftirebilir. Bu k\u00fct\u00fcphane, veri bilimi projelerinin neredeyse her a\u015famas\u0131nda kritik bir rol oynar. Ancak, Pandas’\u0131n varsay\u0131lan DataFrame g\u00f6r\u00fcnt\u00fcleme yetenekleri, b\u00fcy\u00fck veri setleri i\u00e7in bazen yetersiz kalabilir. Y\u00fczlerce sat\u0131r ve s\u00fctundan olu\u015fan bir DataFrame’i JupyterLab \u00e7\u0131kt\u0131 penceresinde g\u00f6rmek, sadece bir ekran g\u00f6r\u00fcnt\u00fcs\u00fc gibidir; \u00fczerinde filtreleme, s\u0131ralama veya dinamik arama yapma imkan\u0131 sunmaz. \u0130\u015fte tam da bu noktada, interaktif bir Kendo Grid eklentisi gibi \u00e7\u00f6z\u00fcmler, Pandas DataFrame’lerinin potansiyelini tam anlam\u0131yla ortaya \u00e7\u0131karmak i\u00e7in devreye girer. Bu entegrasyon sayesinde, veri analistleri, ham veriyi yaln\u0131zca g\u00f6r\u00fcnt\u00fclemekle kalmaz, ayn\u0131 zamanda onunla interaktif bir \u015fekilde etkile\u015fime girerek daha derinle\u015fimli i\u00e7g\u00f6r\u00fcler elde edebilirler.<\/p>\n

Kendo UI Grid: Dinamik Tablo G\u00f6rselle\u015ftirmenin G\u00fcc\u00fc Nas\u0131l \u0130\u015fler?<\/h2>\n

Veri g\u00f6rselle\u015ftirme ve \u00f6zellikle tablo bazl\u0131 veri sunumu s\u00f6z konusu oldu\u011funda, Kendo UI Grid gibi profesyonel bile\u015fenler end\u00fcstri standard\u0131 haline gelmi\u015ftir. Peki, Kendo UI Grid nedir ve dinamik tablo g\u00f6rselle\u015ftirme yetene\u011fini nas\u0131l sunar? Kendo UI, Telerik taraf\u0131ndan geli\u015ftirilen kapsaml\u0131 bir UI (Kullan\u0131c\u0131 Aray\u00fcz\u00fc) k\u00fct\u00fcphanesidir ve web uygulamalar\u0131 i\u00e7in zengin, etkile\u015fimli bile\u015fenler sunar. Bu bile\u015fenler aras\u0131nda en pop\u00fclerlerinden biri de \u015f\u00fcphesiz Kendo Grid’dir. Geleneksel HTML tablolar\u0131n\u0131n aksine, Kendo Grid sadece verileri g\u00f6stermekle kalmaz, ayn\u0131 zamanda kullan\u0131c\u0131lara bu verilerle etkile\u015fim kurma imkan\u0131 sunar. Yani, verileri adeta canl\u0131 bir panoya d\u00f6n\u00fc\u015ft\u00fcr\u00fcr.<\/p>\n

Kendo Grid’in temel g\u00fcc\u00fc, sundu\u011fu zengin \u00f6zellik setinden gelmektedir. Bunlardan baz\u0131lar\u0131 \u015funlard\u0131r:<\/p>\n

Filtreleme:<\/strong> Kullan\u0131c\u0131lar, belirli s\u00fctunlardaki verilere g\u00f6re h\u0131zl\u0131ca filtreleme uygulayabilir. \u00d6rne\u011fin, “Tarih” s\u00fctununa g\u00f6re belirli bir aral\u0131ktaki verileri veya “Kategori” s\u00fctununa g\u00f6re sadece belirli bir kategorideki \u00fcr\u00fcnleri g\u00f6r\u00fcnt\u00fcleyebilirler. Bu, \u00f6zellikle binlerce hatta milyonlarca sat\u0131rl\u0131k veri setlerinde aranan bilgiye ula\u015fmay\u0131 dramatik bir \u015fekilde h\u0131zland\u0131r\u0131r.<\/li>\n
S\u0131ralama:<\/strong> Herhangi bir s\u00fctundaki verileri artan veya azalan d\u00fczende s\u0131ralama yetene\u011fi, veri setindeki e\u011filimleri veya en y\u00fcksek\/en d\u00fc\u015f\u00fck de\u011ferleri an\u0131nda g\u00f6rmeyi sa\u011flar. Tek t\u0131klamayla birden fazla s\u00fctuna g\u00f6re s\u0131ralama da m\u00fcmk\u00fcnd\u00fcr, bu da daha karma\u015f\u0131k s\u0131ralama ihtiya\u00e7lar\u0131n\u0131 kar\u015f\u0131lar.<\/li>\n
Sayfalama (Pagination):<\/strong> B\u00fcy\u00fck veri setlerinin tamam\u0131n\u0131 tek seferde y\u00fcklemek yerine, verileri sayfalara b\u00f6lerek y\u00fckler. Bu \u00f6zellik, hem performans a\u00e7\u0131s\u0131ndan \u00f6nemlidir (taray\u0131c\u0131n\u0131n a\u015f\u0131r\u0131 y\u00fcklenmesini \u00f6nler) hem de kullan\u0131c\u0131 deneyimini iyile\u015ftirir (daha az veri y\u00fcklenmesi daha h\u0131zl\u0131 g\u00f6r\u00fcnt\u00fcleme demektir).<\/li>\n
Grupland\u0131rma (Grouping):<\/strong> Belirli bir s\u00fctuna g\u00f6re verileri grupland\u0131rarak \u00f6zet bilgiler elde etmeyi sa\u011flar. \u00d6rne\u011fin, bir sat\u0131\u015f veri setini “B\u00f6lge” s\u00fctununa g\u00f6re grupland\u0131rarak her b\u00f6lgenin toplam sat\u0131\u015flar\u0131n\u0131 an\u0131nda g\u00f6rebilirsiniz.<\/li>\n
Yeniden Boyutland\u0131rma ve S\u00fctun Y\u00f6netimi:<\/strong> Kullan\u0131c\u0131lar s\u00fctun geni\u015fliklerini s\u00fcr\u00fckle b\u0131rak y\u00f6ntemiyle de\u011fi\u015ftirebilir veya belirli s\u00fctunlar\u0131 gizleyip g\u00f6sterebilirler. Bu da, veri sunumunu tamamen kullan\u0131c\u0131n\u0131n ihtiyac\u0131na g\u00f6re \u00f6zelle\u015ftirme esnekli\u011fi sunar.<\/li>\n

Veri D\u0131\u015fa Aktarma:<\/strong> Genellikle CSV, Excel veya PDF gibi formatlara veri d\u0131\u015fa aktarma yetene\u011fi de sunar. Bu, analiz sonu\u00e7lar\u0131n\u0131 kolayca payla\u015fmak veya daha fazla i\u015flem yapmak i\u00e7in kullan\u0131\u015fl\u0131d\u0131r.<\/li>\n<\/ul>\n
Bu \u00f6zellikler, \u00f6zellikle karma\u015f\u0131k i\u015f uygulamalar\u0131 ve veri yo\u011fun panolar i\u00e7in Kendo Grid’i vazge\u00e7ilmez k\u0131lar. JupyterLab ortam\u0131na entegre edildi\u011finde, bu g\u00fc\u00e7 Pandas DataFrame’lerinin statik g\u00f6r\u00fcnt\u00fcs\u00fcn\u00fc a\u015farak, veri analistlerine ve i\u015f kullan\u0131c\u0131lar\u0131na verileri daha derinlemesine ke\u015ffetme ve anlama imkan\u0131 sunar. B\u00f6ylece, veri analizi s\u00fcre\u00e7leri sadece teknik bir g\u00f6rev olmaktan \u00e7\u0131kar, ayn\u0131 zamanda interaktif ve ke\u015ffedici bir yolculu\u011fa d\u00f6n\u00fc\u015f\u00fcr.<\/p>\n
JupyterLab Kendo Grid Eklentisi Nas\u0131l Kurulur ve Kullan\u0131l\u0131r? (Uygulamal\u0131 K\u0131s\u0131m)<\/h2>\n
Art\u0131k JupyterLab ortam\u0131nda Pandas DataFrame’lerinizi Kendo Grid ile nas\u0131l hayata ge\u00e7irece\u011finizi ad\u0131m ad\u0131m inceleyelim. Bu b\u00f6l\u00fcm, s\u0131f\u0131rdan ba\u015flayarak kurulumdan temel kullan\u0131ma kadar her \u015feyi kapsayacak ve bolca kod \u00f6rne\u011fi i\u00e7erecektir. Unutmay\u0131n, bu eklenti sayesinde, verileriniz sadece bir tablo olmaktan \u00e7\u0131k\u0131p, interaktif bir ke\u015fif arac\u0131na d\u00f6n\u00fc\u015fecektir.<\/p>\n
Ad\u0131m 1: Gerekli K\u00fct\u00fcphanelerin Kurulumu<\/h3>\n
\u00d6ncelikle, JupyterLab’de Kendo Grid’i kullanabilmek i\u00e7in gerekli Python k\u00fct\u00fcphanelerini kurmam\u0131z gerekiyor. Bu genellikle pip<\/code> arac\u0131l\u0131\u011f\u0131yla yap\u0131l\u0131r. Ana k\u00fct\u00fcphane pandas<\/code> zaten y\u00fckl\u00fc olacakt\u0131r, ancak Kendo Grid entegrasyonu i\u00e7in \u00f6zel bir k\u00fct\u00fcphane veya jupyterlab uzant\u0131s\u0131 gerekecektir. Telerik’in do\u011frudan bir JupyterLab Kendo Grid eklentisi bulunmamakla birlikte, genellikle bu t\u00fcr entegrasyonlar ipywidgets<\/code> veya benzeri k\u00fct\u00fcphaneler arac\u0131l\u0131\u011f\u0131yla, Kendo Grid’in JavaScript bile\u015fenlerinin Jupyter ortam\u0131na g\u00f6m\u00fclmesiyle yap\u0131l\u0131r. En yayg\u0131n yakla\u015f\u0131mlardan biri, Python’da veriyi haz\u0131rlay\u0131p, bu veriyi bir JavaScript fonksiyonuna aktararak Kendo Grid’i olu\u015fturmakt\u0131r. Bu makale, do\u011frudan bir Python paketi yerine, Kendo Grid’i Jupyter \u00e7\u0131kt\u0131s\u0131nda dinamik olarak olu\u015fturacak genel bir yakla\u015f\u0131ma odaklanacakt\u0131r.<\/p>\n
Ba\u015flang\u0131\u00e7 i\u00e7in, gerekli olanlar:<\/p>\n
\npandas<\/code>: Veri setlerimizi olu\u015fturmak ve manip\u00fcle etmek i\u00e7in.<\/li>\n IPython.display<\/code>: HTML \u00e7\u0131kt\u0131s\u0131 olu\u015fturmak ve JavaScript kodunu \u00e7al\u0131\u015ft\u0131rmak i\u00e7in.<\/li>\n<\/ul>\nBu k\u00fct\u00fcphaneler genellikle Jupyter ortamlar\u0131nda \u00f6nceden y\u00fckl\u00fc gelir, ancak yine de kontrol edebiliriz:<\/p>\n \npip install pandas IPython\n<\/pre>\n<\/code><\/p>\n Ad\u0131m 2: \u00d6rnek Bir Pandas DataFrame Olu\u015fturma<\/h3>\nKendo Grid'de g\u00f6r\u00fcnt\u00fclemek i\u00e7in basit bir Pandas DataFrame olu\u015ftural\u0131m. Bu DataFrame, k\u00fc\u00e7\u00fck bir finansal veri setini temsil etsin:<\/p>\n \nimport pandas as pd\n\n# \u00d6rnek finansal veri DataFrame'i olu\u015ftural\u0131m\ndata = {\n 'IslemID': [101, 102, 103, 104, 105, 106, 107, 108, 109, 110],\n 'Tarih': pd.to_datetime(['2023-01-15', '2023-01-16', '2023-01-17', '2023-01-15', '2023-01-18', \n '2023-01-19', '2023-01-20', '2023-01-16', '2023-01-21', '2023-01-22']),\n 'Kategori': ['G\u0131da', 'Elektronik', 'Giyim', 'G\u0131da', 'Ev E\u015fyas\u0131', \n 'Ula\u015f\u0131m', 'Elektronik', 'Giyim', 'E\u011flence', 'G\u0131da'],\n 'Miktar': [50.75, 1200.00, 250.50, 30.00, 75.25, \n 15.00, 800.00, 180.00, 45.00, 60.50],\n 'ParaBirimi': ['TL', 'USD', 'TL', 'TL', 'EUR', \n 'TL', 'USD', 'TL', 'TL', 'TL']\n}\ndf = pd.DataFrame(data)\nprint(\"Olu\u015fturulan DataFrame:\")\nprint(df.head())\n<\/pre>\n<\/code><\/p>\n Ad\u0131m 3: Kendo Grid'i JupyterLab'e Entegre Etme<\/h3>\nBu k\u0131s\u0131m, Kendo Grid'in JavaScript k\u00fct\u00fcphanelerini y\u00fcklemeyi ve Pandas DataFrame'i JSON format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcp JavaScript'e aktarmay\u0131 i\u00e7erir. JupyterLab ortam\u0131nda Kendo Grid'i kullanmak i\u00e7in, Kendo UI k\u00fct\u00fcphanelerinin CDN (Content Delivery Network) \u00fczerinden y\u00fcklenmesi ve ard\u0131ndan JavaScript kodu ile bir Grid olu\u015fturulmas\u0131 gerekir. Bu i\u015flemi kolayla\u015ft\u0131rmak i\u00e7in bir Python fonksiyonu tan\u0131mlayabiliriz.<\/p>\n \nfrom IPython.display import HTML, Javascript, display\nimport json\n\ndef display_kendo_grid(dataframe, grid_id=\"kendoGrid\", pageable=True, sortable=True, filterable=True):\n # Pandas DataFrame'i JSON format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\n data_json = dataframe.to_json(orient=\"records\", date_format=\"iso\")\n \n # Kendo UI stillerini ve scriptlerini CDN'den y\u00fckle\n # Bu ad\u0131m\u0131 sadece bir kez \u00e7al\u0131\u015ft\u0131rmak yeterlidir\n html_template = \"\"\"\n \n