Python’da Excel dosyalar\u0131n\u0131 okumak i\u00e7in Pandas’\u0131n read_excel fonksiyonunu nas\u0131l kullanaca\u011f\u0131n\u0131z\u0131 ad\u0131m ad\u0131m \u00f6\u011frenin. Farkl\u0131 parametreler, veri t\u00fcr\u00fc y\u00f6netimi, performans ipu\u00e7lar\u0131 ve s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131lan sorunlara \u00e7\u00f6z\u00fcmler bu rehberde. Veri analizi s\u00fcre\u00e7lerinizi h\u0131zland\u0131rmak ve Excel tabanl\u0131 raporlamalar\u0131 otomatikle\u015ftirmek isteyen herkes i\u00e7in bu makale, Pandas’\u0131n g\u00fcc\u00fcn\u00fc ve esnekli\u011fini ortaya koyacakt\u0131r.<\/p>\n
G\u00fcn\u00fcm\u00fcz i\u015f d\u00fcnyas\u0131nda veriler, karar alma s\u00fcre\u00e7lerinin temelini olu\u015fturur ve bu verilerin b\u00fcy\u00fck bir k\u0131sm\u0131 hala Excel dosyalar\u0131nda saklanmaktad\u0131r. Finansal raporlardan m\u00fc\u015fteri listelerine, envanter kay\u0131tlar\u0131ndan sat\u0131\u015f analizlerine kadar pek \u00e7ok kritik bilgi Excel format\u0131nda kar\u015f\u0131m\u0131za \u00e7\u0131kar. Ancak manuel olarak bu kadar b\u00fcy\u00fck ve karma\u015f\u0131k veri setlerini incelemek, analiz etmek ve i\u015flemek hem zaman al\u0131c\u0131 hem de hataya a\u00e7\u0131k bir s\u00fcre\u00e7tir. \u0130\u015fte tam bu noktada Python ve \u00f6zellikle Pandas k\u00fct\u00fcphanesi devreye girer. Pandas, yap\u0131sal verilerle \u00e7al\u0131\u015fmak i\u00e7in tasarlanm\u0131\u015f g\u00fc\u00e7l\u00fc ve esnek bir k\u00fct\u00fcphanedir ve Excel dosyalar\u0131n\u0131 okuma, yazma ve manip\u00fcle etme konusunda rakipsiz yetenekler sunar.<\/p>\n
Pandas’\u0131n sundu\u011fu en \u00f6nemli avantajlardan biri, Excel verilerini bellekteki bir DataFrame nesnesine d\u00f6n\u00fc\u015ft\u00fcrmesidir. DataFrame, verileri sat\u0131r ve s\u00fctunlardan olu\u015fan tablo benzeri bir yap\u0131da tutar; bu da SQL veritabanlar\u0131ndaki tablolara veya R’deki data frame’lere benzer bir kullan\u0131m kolayl\u0131\u011f\u0131 sa\u011flar. Bu yap\u0131 sayesinde veriler \u00fczerinde filtreleme, s\u0131ralama, gruplama, birle\u015ftirme gibi karma\u015f\u0131k i\u015flemleri saniyeler i\u00e7inde ger\u00e7ekle\u015ftirebilirsiniz. Ayr\u0131ca, Pandas’\u0131n entegre veri temizleme ve \u00f6n i\u015fleme ara\u00e7lar\u0131 sayesinde, eksik de\u011ferleri doldurabilir, hatal\u0131 giri\u015fleri d\u00fczeltebilir ve veri tiplerini kolayca d\u00f6n\u00fc\u015ft\u00fcrebilirsiniz. Bu yetenekler, veri bilimcileri, analistler ve yaz\u0131l\u0131mc\u0131lar i\u00e7in vazge\u00e7ilmezdir \u00e7\u00fcnk\u00fc veri haz\u0131rl\u0131\u011f\u0131, analiz s\u00fcrecinin en \u00e7ok zaman alan a\u015famalar\u0131ndan biridir.<\/p>\n
Ger\u00e7ek d\u00fcnya senaryolar\u0131nda, bir finans departman\u0131n\u0131n her ay y\u00fczlerce Excel dosyas\u0131ndan gelen sat\u0131\u015f verilerini birle\u015ftirmesi ve analiz etmesi gerekebilir. Manuel olarak bu dosyalar\u0131 a\u00e7\u0131p kopyala-yap\u0131\u015ft\u0131r yapmak yerine, Pandas read_excel ile t\u00fcm bu dosyalar\u0131 otomatik olarak okuyabilir, gerekli birle\u015ftirmeleri yapabilir ve hatta raporlar\u0131 otomatik olarak olu\u015fturabilirsiniz. Bu, sadece zaman kazand\u0131rmakla kalmaz, ayn\u0131 zamanda insan hatas\u0131 riskini de minimize eder. \u00d6rne\u011fin, farkl\u0131 b\u00f6lgelerden gelen ayl\u0131k sat\u0131\u015f raporlar\u0131n\u0131 tek bir DataFrame’de birle\u015ftirerek, toplam sat\u0131\u015flar\u0131 hesaplayabilir, en \u00e7ok satan \u00fcr\u00fcnleri belirleyebilir veya b\u00f6lgesel performans kar\u015f\u0131la\u015ft\u0131rmalar\u0131 yapabilirsiniz. T\u00fcm bu s\u00fcre\u00e7, birka\u00e7 sat\u0131r kod ile otomatikle\u015ftirilebilir ve tekrar tekrar \u00e7al\u0131\u015ft\u0131r\u0131labilir. Dolay\u0131s\u0131yla, Pandas read_excel fonksiyonu, veri analizi ve otomasyon d\u00fcnyas\u0131nda bir k\u00f6pr\u00fc g\u00f6revi g\u00f6rerek, Excel’in yayg\u0131nl\u0131\u011f\u0131n\u0131 Python’\u0131n analitik g\u00fcc\u00fcyle birle\u015ftirir.<\/p>\n
Pandas’\u0131n read_excel fonksiyonu, Excel verilerini Python ortam\u0131na aktarman\u0131n sadece bir ba\u015flang\u0131c\u0131d\u0131r. Bu fonksiyon sayesinde verileri i\u00e7eri ald\u0131ktan sonra, Python’\u0131n zengin ekosisteminden yararlanarak \u00e7ok daha ileri d\u00fczey analizler yapabilirsiniz. \u00d6rne\u011fin, NumPy ile say\u0131sal hesaplamalar, SciPy ile bilimsel analizler, Scikit-learn ile makine \u00f6\u011frenimi modelleri olu\u015fturabilir ve Matplotlib veya Seaborn ile verilerinizi g\u00f6rselle\u015ftirebilirsiniz. Bu entegrasyon, Excel’in g\u00f6rsel aray\u00fcz\u00fcn\u00fcn \u00f6tesine ge\u00e7erek, \u00e7ok daha karma\u015f\u0131k ve b\u00fcy\u00fck veri setleri \u00fczerinde derinlemesine analizler yapma imkan\u0131 sunar.<\/p>\n
Otomasyon a\u00e7\u0131s\u0131ndan bak\u0131ld\u0131\u011f\u0131nda, Pandas read_excel, rutin g\u00f6revleri otomatikle\u015ftirme potansiyeliyle i\u015f s\u00fcre\u00e7lerinde devrim yaratabilir. Haftal\u0131k veya ayl\u0131k olarak g\u00fcncellenen Excel raporlar\u0131n\u0131 manuel olarak i\u015flemek yerine, bir Python beti\u011fi yazarak bu dosyalar\u0131 otomatik olarak okuyabilir, gerekli d\u00f6n\u00fc\u015f\u00fcmleri uygulayabilir, analizleri ger\u00e7ekle\u015ftirebilir ve sonu\u00e7lar\u0131 yeni bir Excel dosyas\u0131na, CSV’ye veya do\u011frudan bir veritaban\u0131na yazabilirsiniz. Hatta bu beti\u011fi belirli zaman aral\u0131klar\u0131nda otomatik olarak \u00e7al\u0131\u015facak \u015fekilde planlayarak, t\u00fcm veri i\u015fleme s\u00fcrecini insan m\u00fcdahalesi olmadan y\u00fcr\u00fctebilirsiniz. Bu t\u00fcr bir otomasyon, i\u015fletmelerin daha h\u0131zl\u0131 ve do\u011fru kararlar almas\u0131na yard\u0131mc\u0131 olurken, \u00e7al\u0131\u015fanlar\u0131n daha stratejik g\u00f6revlere odaklanmas\u0131n\u0131 sa\u011flar. Sonu\u00e7 olarak, Pandas read_excel, Excel’deki de\u011ferli verileri Python’\u0131n g\u00fc\u00e7l\u00fc analitik ve otomasyon yetenekleriyle bulu\u015fturan kilit bir ara\u00e7t\u0131r.<\/p>\n
Pandas k\u00fct\u00fcphanesini kullanarak Excel dosyalar\u0131n\u0131 okumaya ba\u015flamadan \u00f6nce, sisteminizde Pandas’\u0131n kurulu olmas\u0131 gerekmektedir. E\u011fer kurulu de\u011filse, komut istemciniz veya terminaliniz arac\u0131l\u0131\u011f\u0131yla a\u015fa\u011f\u0131daki komutu kullanarak kolayca kurabilirsiniz:<\/p>\n
\npip install pandas openpyxl xlrd\n<\/code><\/pre>\nBurada openpyxl<\/code> ve xlrd<\/code> k\u00fct\u00fcphanelerini de kurdu\u011fumuza dikkat edin. Pandas, Excel dosyalar\u0131n\u0131 okumak i\u00e7in bu “engine” (motor) k\u00fct\u00fcphanelerine ihtiya\u00e7 duyar. .xlsx<\/code> uzant\u0131l\u0131 modern Excel dosyalar\u0131 i\u00e7in openpyxl<\/code>‘e, eski .xls<\/code> uzant\u0131l\u0131 dosyalar i\u00e7in ise xlrd<\/code>‘ye ihtiya\u00e7 duyulur. Bu k\u00fct\u00fcphaneler kurulduktan sonra, Excel dosyalar\u0131n\u0131 okumaya haz\u0131rs\u0131n\u0131z demektir.<\/p>\nBasit bir Excel dosyas\u0131n\u0131 okumak i\u00e7in tek yapman\u0131z gereken, dosyan\u0131n yolunu pd.read_excel()<\/code> fonksiyonuna arg\u00fcman olarak vermektir. \u00d6rne\u011fin, “satis_verileri.xlsx” ad\u0131nda bir dosyan\u0131z oldu\u011funu varsayal\u0131m:<\/p>\n\nimport pandas as pd\n\n# Excel dosyas\u0131n\u0131n yolu\ndosya_yolu = \"satis_verileri.xlsx\"\n\n# Excel dosyas\u0131n\u0131 oku\ndf = pd.read_excel(dosya_yolu)\n\n# \u0130lk 5 sat\u0131r\u0131 g\u00f6r\u00fcnt\u00fcle\nprint(df.head())\n<\/code><\/pre>\nBu kod blo\u011fu, belirtilen Excel dosyas\u0131n\u0131 okuyacak ve i\u00e7eri\u011fini df<\/code> ad\u0131nda bir Pandas DataFrame’ine y\u00fckleyecektir. df.head()<\/code> komutu ise DataFrame’in ilk be\u015f sat\u0131r\u0131n\u0131 g\u00f6stererek, verilerin do\u011fru bir \u015fekilde okunup okunmad\u0131\u011f\u0131n\u0131 h\u0131zl\u0131ca kontrol etmenizi sa\u011flar. Ancak bu sadece ba\u015flang\u0131\u00e7t\u0131r. Verilerinizin genel yap\u0131s\u0131n\u0131 anlamak i\u00e7in df.info()<\/code> ve df.describe()<\/code> gibi fonksiyonlar\u0131 da kullanmal\u0131s\u0131n\u0131z.<\/p>\n\n# DataFrame hakk\u0131nda genel bilgi al\nprint(df.info())\n\n# Say\u0131sal s\u00fctunlar\u0131n istatistiksel \u00f6zetini al\nprint(df.describe())\n<\/code><\/pre>\ndf.info()<\/code> fonksiyonu, her s\u00fctunun ad\u0131n\u0131, bo\u015f olmayan de\u011fer say\u0131s\u0131n\u0131 ve veri tipini (dtype) g\u00f6sterir. Bu, eksik de\u011ferlerin nerede oldu\u011funu ve Pandas’\u0131n s\u00fctunlar\u0131 hangi veri tipleriyle yorumlad\u0131\u011f\u0131n\u0131 anlamak i\u00e7in \u00e7ok \u00f6nemlidir. df.describe()<\/code> ise say\u0131sal s\u00fctunlar i\u00e7in ortalama, standart sapma, minimum, maksimum de\u011ferler ve \u00e7eyreklikler gibi temel istatistiksel \u00f6zetler sunar. Bu temel ad\u0131mlar, veri setinizle ilgili ilk izlenimleri edinmenizi ve sonraki analiz ad\u0131mlar\u0131n\u0131z\u0131 planlaman\u0131z\u0131 sa\u011flar. \u00d6zellikle b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken, bu \u00f6zet bilgiler, verilerin genel kalitesi ve da\u011f\u0131l\u0131m\u0131 hakk\u0131nda h\u0131zl\u0131 bir fikir edinmek i\u00e7in vazge\u00e7ilmezdir. Bu sayede, olas\u0131 veri temizleme veya \u00f6n i\u015fleme ihtiya\u00e7lar\u0131n\u0131 erkenden tespit edebilirsiniz.<\/p>\nFarkl\u0131 Sayfalar\u0131 ve Belirli Aral\u0131klar\u0131 Okuma Nas\u0131l Yap\u0131l\u0131r?<\/h3>\n
Excel dosyalar\u0131 genellikle birden fazla sayfa (sheet) i\u00e7erir ve her sayfada farkl\u0131 t\u00fcrde veya farkl\u0131 zaman dilimlerine ait veriler bulunabilir. Pandas read_excel<\/code> fonksiyonu, sheet_name<\/code> parametresi ile belirli bir sayfay\u0131 okuman\u0131za olanak tan\u0131r. Bu parametreye sayfa ad\u0131n\u0131 bir string olarak, sayfa indeksini (0’dan ba\u015flayarak) bir tamsay\u0131 olarak veya birden fazla sayfa okumak i\u00e7in bir liste olarak ge\u00e7irebilirsiniz.<\/p>\n\n# Belirli bir sayfay\u0131 ad\u0131yla okuma\ndf_satislar = pd.read_excel(dosya_yolu, sheet_name=\"Sat\u0131\u015flar 2023\")\nprint(\"\\n'Sat\u0131\u015flar 2023' sayfas\u0131n\u0131n ilk 3 sat\u0131r\u0131:\")\nprint(df_satislar.head(3))\n\n# Belirli bir sayfay\u0131 indeksiyle okuma (ilk sayfa i\u00e7in 0)\ndf_musteriler = pd.read_excel(dosya_yolu, sheet_name=1) # \u0130kinci sayfa\nprint(\"\\n\u0130kinci sayfan\u0131n ilk 3 sat\u0131r\u0131:\")\nprint(df_musteriler.head(3))\n\n# Birden fazla sayfay\u0131 okuma (s\u00f6zl\u00fck d\u00f6ner)\ntum_sayfalar = pd.read_excel(dosya_yolu, sheet_name=[\"Sat\u0131\u015flar 2023\", \"\u00dcr\u00fcnler\"])\nprint(\"\\nOkunan sayfalar:\", tum_sayfalar.keys()) # S\u00f6zl\u00fck anahtarlar\u0131 sayfa adlar\u0131d\u0131r\n<\/code><\/pre>\nE\u011fer sheet_name=None<\/code> olarak belirtilirse, Pandas Excel dosyas\u0131ndaki t\u00fcm sayfalar\u0131 okur ve her sayfan\u0131n ad\u0131n\u0131 anahtar olarak kullanan bir s\u00f6zl\u00fck (dictionary) d\u00f6nd\u00fcr\u00fcr; bu s\u00f6zl\u00fc\u011f\u00fcn de\u011ferleri ise DataFrame’lerdir. Bu \u00f6zellik, birden fazla sayfadaki veriyi tek bir i\u015flemle almak istedi\u011finizde olduk\u00e7a kullan\u0131\u015fl\u0131d\u0131r.<\/p>\nBazen Excel dosyas\u0131nda verileriniz, ilk sat\u0131rdan veya ilk s\u00fctundan ba\u015flamayabilir ya da sadece belirli bir aral\u0131\u011f\u0131 okumak isteyebilirsiniz. read_excel<\/code> bu senaryolar i\u00e7in \u00e7e\u015fitli parametreler sunar:<\/p>\n\nheader<\/code>: Ba\u015fl\u0131k sat\u0131r\u0131n\u0131n hangi sat\u0131rda oldu\u011funu belirtir (0’dan ba\u015flar). Varsay\u0131lan olarak 0’d\u0131r (ilk sat\u0131r ba\u015fl\u0131k). E\u011fer Excel dosyan\u0131z\u0131n ilk sat\u0131r\u0131 ba\u015fl\u0131k de\u011filse, uygun sat\u0131r numaras\u0131n\u0131 verebilirsiniz.<\/li>\nskiprows<\/code>: Belirli say\u0131da sat\u0131r\u0131 ba\u015ftan atlamak i\u00e7in kullan\u0131l\u0131r. Bir tamsay\u0131 verilebilir veya atlanacak sat\u0131r numaralar\u0131n\u0131n bir listesi de verilebilir.<\/li>\nnrows<\/code>: Okunacak maksimum sat\u0131r say\u0131s\u0131n\u0131 belirtir. \u00d6zellikle b\u00fcy\u00fck dosyalarda t\u00fcm\u00fcn\u00fc okumak yerine sadece ilk N sat\u0131r\u0131 kontrol etmek i\u00e7in faydal\u0131d\u0131r.<\/li>\nusecols<\/code>: Okunacak belirli s\u00fctunlar\u0131 se\u00e7mek i\u00e7in kullan\u0131l\u0131r. S\u00fctun adlar\u0131n\u0131n bir listesi, s\u00fctun indekslerinin bir listesi veya Excel stilinde “A:C” gibi bir aral\u0131k string’i verilebilir.<\/li>\nindex_col<\/code>: DataFrame’in indeks s\u00fctunu olarak kullan\u0131lacak s\u00fctunu belirtir (s\u00fctun ad\u0131 veya indeksi).<\/li>\n<\/ul>\n\n# \u0130lk 2 sat\u0131r\u0131 atla ve sadece 5 sat\u0131r oku\ndf_kismi_veri = pd.read_excel(dosya_yolu, skiprows=2, nrows=5)\nprint(\"\\n\u0130lk 2 sat\u0131r atlanarak okunan k\u0131smi veri:\")\nprint(df_kismi_veri)\n\n# Sadece \"\u00dcr\u00fcn Ad\u0131\" ve \"Fiyat\" s\u00fctunlar\u0131n\u0131 oku\ndf_secili_sutunlar = pd.read_excel(dosya_yolu, usecols=[\"\u00dcr\u00fcn Ad\u0131\", \"Fiyat\"])\nprint(\"\\nSe\u00e7ili s\u00fctunlar ('\u00dcr\u00fcn Ad\u0131', 'Fiyat'):\")\nprint(df_secili_sutunlar.head())\n\n# Veya s\u00fctun indekslerini kullanarak\ndf_secili_sutunlar_idx = pd.read_excel(dosya_yolu, usecols=[0, 2]) # \u0130lk ve \u00fc\u00e7\u00fcnc\u00fc s\u00fctun\nprint(\"\\nS\u00fctun indeksleriyle se\u00e7ilen s\u00fctunlar (0, 2):\")\nprint(df_secili_sutunlar_idx.head())\n<\/code><\/pre>\nBu parametrelerin do\u011fru kullan\u0131m\u0131, sadece ihtiyac\u0131n\u0131z olan veriyi okuman\u0131z\u0131 sa\u011flayarak bellek kullan\u0131m\u0131n\u0131 optimize eder ve veri i\u015fleme s\u00fcresini k\u0131salt\u0131r. Bu da \u00f6zellikle b\u00fcy\u00fck Excel dosyalar\u0131yla \u00e7al\u0131\u015f\u0131rken performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. Bu esneklik sayesinde, Excel dosyalar\u0131n\u0131z\u0131n yap\u0131s\u0131 ne kadar karma\u015f\u0131k olursa olsun, Pandas ile kolayca istedi\u011finiz veri par\u00e7as\u0131n\u0131 hedefleyebilir ve analiz s\u00fcrecinize dahil edebilirsiniz.<\/p>\n
Veri T\u00fcrleri ve Eksik Verilerle Ba\u015fa \u00c7\u0131kmak: read_excel Parametreleri Nelerdir?<\/h2>\n
Excel dosyalar\u0131ndan veri okurken kar\u015f\u0131la\u015f\u0131lan en yayg\u0131n sorunlardan biri, Pandas’\u0131n s\u00fctunlar\u0131 yanl\u0131\u015f veri tipleriyle yorumlamas\u0131d\u0131r. \u00d6rne\u011fin, bir say\u0131sal s\u00fctun metin olarak okunabilir veya tarih format\u0131nda olmas\u0131 gereken bir s\u00fctun genel say\u0131 olarak alg\u0131lanabilir. Bu durum, veri \u00fczerinde matematiksel i\u015flemler yapman\u0131z\u0131 veya do\u011fru analizler ger\u00e7ekle\u015ftirmenizi engeller. Pandas read_excel<\/code> fonksiyonu, bu t\u00fcr sorunlar\u0131 \u00f6nlemek i\u00e7in dtype<\/code> ve parse_dates<\/code> gibi g\u00fc\u00e7l\u00fc parametreler sunar.<\/p>\ndtype<\/code> parametresi, her s\u00fctun i\u00e7in beklenen veri tipini (data type) a\u00e7\u0131k\u00e7a belirtmenizi sa\u011flar. Bu parametreye bir s\u00f6zl\u00fck ge\u00e7irebilirsiniz; s\u00f6zl\u00fc\u011f\u00fcn anahtarlar\u0131 s\u00fctun adlar\u0131, de\u011ferleri ise Pandas’\u0131n anlayabilece\u011fi veri tipleridir (\u00f6rne\u011fin, str<\/code>, int<\/code>, float<\/code>, bool<\/code>). Bu, \u00f6zellikle b\u00fcy\u00fck veri setlerinde bellek kullan\u0131m\u0131n\u0131 optimize etmek ve veri tutarl\u0131l\u0131\u011f\u0131n\u0131 sa\u011flamak i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n\n# Belirli s\u00fctunlar\u0131n veri tiplerini belirtme\nveri_tipleri = {\n \"Sipari\u015f Kodu\": str,\n \"Miktar\": int,\n \"Fiyat\": float,\n \"\u0130ndirim Uyguland\u0131\": bool\n}\n\ndf_dtip = pd.read_excel(dosya_yolu, dtype=veri_tipleri)\nprint(\"\\nBelirtilen veri tipleriyle okunan DataFrame'in bilgi \u00f6zeti:\")\nprint(df_dtip.info())\n<\/code><\/pre>\nYukar\u0131daki \u00f6rnekte, “Sipari\u015f Kodu” s\u00fctununun metin (string), “Miktar”\u0131n tam say\u0131 (integer), “Fiyat”\u0131n ondal\u0131kl\u0131 say\u0131 (float) ve “\u0130ndirim Uyguland\u0131”n\u0131n boolean olarak okunmas\u0131 sa\u011flanm\u0131\u015ft\u0131r. Bu sayede, Pandas varsay\u0131lan olarak \u00e7\u0131kar\u0131m yapmaya \u00e7al\u0131\u015fmak yerine, sizin belirtti\u011finiz tiplere g\u00f6re veriyi i\u015fler. Bu, \u00f6zellikle karma\u015f\u0131k ve heterojen veri i\u00e7eren Excel dosyalar\u0131nda veri b\u00fct\u00fcnl\u00fc\u011f\u00fcn\u00fc korumak i\u00e7in hayati bir ad\u0131md\u0131r.<\/p>\n
Eksik veriler (NaN – Not a Number), veri setlerinin ka\u00e7\u0131n\u0131lmaz bir par\u00e7as\u0131d\u0131r. Excel’de bo\u015f h\u00fccreler, “#N\/A”, “Yok” gibi ifadelerle temsil edilebilir. Pandas, varsay\u0131lan olarak bo\u015f h\u00fccreleri NaN<\/code> olarak yorumlar. Ancak, baz\u0131 durumlarda Excel dosyas\u0131nda eksik de\u011ferleri temsil eden farkl\u0131 metinler bulunabilir. na_values<\/code> parametresi, bu \u00f6zel metinleri NaN<\/code> olarak tan\u0131mak i\u00e7in kullan\u0131l\u0131r. Bu parametreye bir string veya string listesi ge\u00e7irebilirsiniz.<\/p>\n\n# \"NA\", \"N\/A\", \"Bo\u015f\" ifadelerini eksik de\u011fer olarak tan\u0131mla\ndf_na = pd.read_excel(dosya_yolu, na_values=[\"NA\", \"N\/A\", \"Bo\u015f\"])\nprint(\"\\nEksik de\u011ferler tan\u0131mland\u0131ktan sonraki DataFrame'in ilk 5 sat\u0131r\u0131:\")\nprint(df_na.head())\nprint(\"\\nEksik de\u011ferlerin say\u0131s\u0131:\")\nprint(df_na.isnull().sum())\n<\/code><\/pre>\nBu kod blo\u011fu, belirli metinleri eksik de\u011fer olarak i\u015faretleyerek, daha sonra bu eksik de\u011ferleri temizleme veya doldurma i\u015flemlerini kolayla\u015ft\u0131r\u0131r. df.isnull().sum()<\/code> komutu ise her s\u00fctundaki eksik de\u011ferlerin say\u0131s\u0131n\u0131 g\u00f6stererek, veri setinizdeki eksikliklerin genel bir resmini sunar.<\/p>\nTarih ve saat verileri de \u00f6zel bir dikkat gerektirir. Excel’de tarihler genellikle say\u0131 olarak saklan\u0131r ve Pandas bazen bunlar\u0131 do\u011fru bir \u015fekilde tarih\/saat format\u0131na d\u00f6n\u00fc\u015ft\u00fcremeyebilir. parse_dates<\/code> parametresi, Pandas’a hangi s\u00fctunlar\u0131n tarih olarak yorumlanmas\u0131 gerekti\u011fini s\u00f6yler. Bu parametreye tarih s\u00fctunlar\u0131n\u0131n adlar\u0131n\u0131n bir listesini verebilirsiniz:<\/p>\n\n# \"Sipari\u015f Tarihi\" s\u00fctununu tarih\/saat olarak oku\ndf_tarih = pd.read_excel(dosya_yolu, parse_dates=[\"Sipari\u015f Tarihi\"])\nprint(\"\\nTarih s\u00fctunu d\u00f6n\u00fc\u015ft\u00fcr\u00fcld\u00fckten sonraki DataFrame'in bilgi \u00f6zeti:\")\nprint(df_tarih.info())\nprint(\"\\n'Sipari\u015f Tarihi' s\u00fctununun veri tipi:\", df_tarih[\"Sipari\u015f Tarihi\"].dtype)\n<\/code><\/pre>\nBu sayede, tarih s\u00fctunlar\u0131 datetime64[ns]<\/code> veri tipine d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr ve Pandas’\u0131n tarih\/saat fonksiyonlar\u0131n\u0131 kullanarak bu veriler \u00fczerinde i\u015flemler yapabilirsiniz (\u00f6rne\u011fin, aylara g\u00f6re gruplama, belirli bir tarih aral\u0131\u011f\u0131ndaki verileri filtreleme). index_col<\/code> parametresi ise DataFrame’in sat\u0131r indeksini belirlemek i\u00e7in kullan\u0131l\u0131r. Genellikle benzersiz bir tan\u0131mlay\u0131c\u0131 s\u00fctun (\u00f6rne\u011fin, “Sipari\u015f Kodu”) indeks olarak atanabilir. Bu, veri setinde belirli sat\u0131rlara h\u0131zl\u0131ca eri\u015fmek i\u00e7in kullan\u0131\u015fl\u0131d\u0131r.<\/p>\n\n# \"Sipari\u015f Kodu\" s\u00fctununu indeks olarak ayarla\ndf_indexed = pd.read_excel(dosya_yolu, index_col=\"Sipari\u015f Kodu\")\nprint(\"\\n'Sipari\u015f Kodu' indeks olarak ayarland\u0131ktan sonraki DataFrame'in ilk 5 sat\u0131r\u0131:\")\nprint(df_indexed.head())\n<\/code><\/pre>\nBu parametrelerin kombinasyonu, Excel’den okunan verinin temiz, tutarl\u0131 ve analiz i\u00e7in haz\u0131r hale gelmesini sa\u011flar. Veri setinizin \u00f6zelliklerine g\u00f6re bu parametreleri do\u011fru bir \u015fekilde ayarlamak, sonraki analiz ad\u0131mlar\u0131n\u0131z\u0131n do\u011frulu\u011funu ve verimlili\u011fini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde etkileyecektir. Bu nedenle, read_excel<\/code> fonksiyonunu kullan\u0131rken bu parametreleri dikkatlice incelemek ve uygulamak \u00f6nemlidir.<\/p>\nB\u00fcy\u00fck Excel Dosyalar\u0131 ve Performans Optimizasyonu Nas\u0131l Yap\u0131l\u0131r?<\/h2>\n
B\u00fcy\u00fck Excel dosyalar\u0131yla \u00e7al\u0131\u015fmak, \u00f6zellikle s\u0131n\u0131rl\u0131 belle\u011fe sahip sistemlerde performans sorunlar\u0131na yol a\u00e7abilir. Milyonlarca sat\u0131r veya y\u00fczlerce s\u00fctun i\u00e7eren bir Excel dosyas\u0131n\u0131 do\u011frudan belle\u011fe y\u00fcklemeye \u00e7al\u0131\u015fmak, “MemoryError” hatas\u0131na neden olabilir veya sisteminizi a\u015f\u0131r\u0131 yava\u015flatabilir. Pandas read_excel<\/code> fonksiyonu, do\u011frudan chunksize<\/code> parametresini desteklemese de, b\u00fcy\u00fck dosyalar\u0131 daha verimli bir \u015fekilde okumak i\u00e7in kullanabilece\u011finiz \u00e7e\u015fitli stratejiler ve parametreler sunar.<\/p>\n\u0130lk ve en \u00f6nemli strateji, sadece ihtiyac\u0131n\u0131z olan veriyi okumakt\u0131r. Daha \u00f6nce bahsetti\u011fimiz usecols<\/code>, nrows<\/code> ve skiprows<\/code> parametreleri bu konuda \u00e7ok yard\u0131mc\u0131 olur. E\u011fer bir Excel dosyas\u0131nda sadece belirli s\u00fctunlar sizin i\u00e7in \u00f6nemliyse, usecols<\/code> parametresiyle sadece o s\u00fctunlar\u0131 okuyarak bellek kullan\u0131m\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azaltabilirsiniz. Benzer \u015fekilde, e\u011fer t\u00fcm veri setine ihtiyac\u0131n\u0131z yoksa veya sadece bir \u00f6nizleme yapmak istiyorsan\u0131z, nrows<\/code> parametresiyle okunacak sat\u0131r say\u0131s\u0131n\u0131 s\u0131n\u0131rlayabilirsiniz.<\/p>\n\n# Sadece ilk 1000 sat\u0131r\u0131 ve belirli s\u00fctunlar\u0131 oku\ndf_optimizasyon = pd.read_excel(dosya_yolu,\n nrows=1000,\n usecols=[\"\u00dcr\u00fcn Ad\u0131\", \"Miktar\", \"Fiyat\", \"Toplam Tutar\"],\n dtype={\"Miktar\": int, \"Fiyat\": float, \"Toplam Tutar\": float})\nprint(\"\\nOptimize edilmi\u015f okuma sonras\u0131 DataFrame'in bilgi \u00f6zeti:\")\nprint(df_optimizasyon.info())\n<\/code><\/pre>\nBu yakla\u015f\u0131m, hem bellek kullan\u0131m\u0131n\u0131 azalt\u0131r hem de okuma s\u00fcresini k\u0131salt\u0131r. Ayr\u0131ca, dtype<\/code> parametresini kullanarak s\u00fctunlar\u0131n veri tiplerini a\u00e7\u0131k\u00e7a belirtmek de performans\u0131 art\u0131r\u0131r. Pandas, varsay\u0131lan olarak her s\u00fctunun veri tipini otomatik olarak tahmin etmeye \u00e7al\u0131\u015f\u0131r ki bu da t\u00fcm s\u00fctunu taramas\u0131n\u0131 gerektirir. dtype<\/code> ile bu ad\u0131m\u0131 atlayarak ve daha bellek verimli veri tipleri (\u00f6rne\u011fin, int8<\/code> yerine int64<\/code> veya float16<\/code> yerine float64<\/code>) kullanarak \u00f6nemli \u00f6l\u00e7\u00fcde h\u0131z kazanabilirsiniz. \u00d6rne\u011fin, bir s\u00fctundaki say\u0131lar 0-255 aras\u0131ndaysa, int8<\/code> kullanmak int64<\/code> kullanmaktan \u00e7ok daha az bellek t\u00fcketir.<\/p>\nB\u00fcy\u00fck Excel dosyalar\u0131 i\u00e7in bir di\u011fer \u00f6nemli nokta, kullan\u0131lan “engine” se\u00e7imidir. Pandas read_excel<\/code>, varsay\u0131lan olarak dosyaya g\u00f6re xlrd<\/code> (eski .xls formatlar\u0131 i\u00e7in) veya openpyxl<\/code> (yeni .xlsx formatlar\u0131 i\u00e7in) motorlar\u0131n\u0131 kullan\u0131r. Genellikle bu varsay\u0131lan se\u00e7imler yeterlidir, ancak bazen belirli bir motoru a\u00e7\u0131k\u00e7a belirtmek performans\u0131 veya uyumlulu\u011fu art\u0131rabilir:<\/p>\n\n# openpyxl motorunu kullanarak Excel dosyas\u0131n\u0131 oku\ndf_engine = pd.read_excel(dosya_yolu, engine=\"openpyxl\")\nprint(\"\\n'openpyxl' motoru ile okunan DataFrame'in ilk 5 sat\u0131r\u0131:\")\nprint(df_engine.head())\n<\/code><\/pre>\nE\u011fer dosya o kadar b\u00fcy\u00fckse ki yukar\u0131daki optimizasyonlar bile yeterli olmuyorsa ve t\u00fcm veriyi tek seferde belle\u011fe y\u00fcklemek imkans\u0131z hale geliyorsa, alternatif bir yakla\u015f\u0131m d\u00fc\u015f\u00fcnmek gerekebilir: Excel dosyas\u0131n\u0131 \u00f6nce CSV’ye d\u00f6n\u00fc\u015ft\u00fcrmek. CSV (Comma Separated Values) dosyalar\u0131, Excel’e g\u00f6re \u00e7ok daha basit bir yap\u0131ya sahiptir ve Pandas read_csv<\/code> fonksiyonu, chunksize<\/code> parametresi sayesinde b\u00fcy\u00fck CSV dosyalar\u0131n\u0131 par\u00e7a par\u00e7a okuma yetene\u011fine sahiptir. Bu, verileri k\u00fc\u00e7\u00fck par\u00e7alar halinde i\u015fleyerek bellek kullan\u0131m\u0131n\u0131 y\u00f6netilebilir seviyelerde tutman\u0131z\u0131 sa\u011flar. B\u00fcy\u00fck bir Excel dosyas\u0131n\u0131 bir defaya mahsus manuel olarak veya bir Python k\u00fct\u00fcphanesi (\u00f6rne\u011fin openpyxl<\/code>) kullanarak CSV’ye d\u00f6n\u00fc\u015ft\u00fcrebilir, ard\u0131ndan pd.read_csv<\/code> ile par\u00e7alar halinde okuyup i\u015fleyebilirsiniz.<\/p>\nVaka Analizi: Milyonlarca Sat\u0131rl\u0131k Stok Listesi<\/strong><\/p>\nBir e-ticaret \u015firketinin, milyonlarca \u00fcr\u00fcn kayd\u0131 i\u00e7eren 500 MB boyutunda bir Excel stok listesi oldu\u011funu varsayal\u0131m. Bu dosyay\u0131 do\u011frudan pd.read_excel()<\/code> ile okumaya \u00e7al\u0131\u015fmak, \u00e7o\u011fu zaman “MemoryError” hatas\u0131yla sonu\u00e7lan\u0131r. \u015eirketin sadece “\u00dcr\u00fcn Kodu”, “Stok Miktar\u0131” ve “Fiyat” s\u00fctunlar\u0131na ihtiyac\u0131 var ve bu s\u00fctunlar\u0131n veri tipleri s\u0131ras\u0131yla string, int ve float olarak kesinle\u015fmi\u015f durumda. Ayr\u0131ca, ilk 50.000 sat\u0131rda veri tutars\u0131zl\u0131klar\u0131 oldu\u011fu biliniyor ve bu sat\u0131rlar\u0131n atlanmas\u0131 gerekiyor.<\/p>\nBu senaryoda, a\u015fa\u011f\u0131daki gibi optimize edilmi\u015f bir okuma stratejisi uygulanabilir:<\/p>\n
\nimport pandas as pd\n\nstok_dosyasi = \"buyuk_stok_listesi.xlsx\"\n\n# Sadece gerekli s\u00fctunlar\u0131 oku, ilk 50.000 sat\u0131r\u0131 atla ve veri tiplerini belirt\ndf_stok = pd.read_excel(stok_dosyasi,\n usecols=[\"\u00dcr\u00fcn Kodu\", \"Stok Miktar\u0131\", \"Fiyat\"],\n skiprows=range(1, 50001), # \u0130lk 50.000 sat\u0131r\u0131 atla (ba\u015fl\u0131k sat\u0131r\u0131 0. sat\u0131r)\n dtype={\"\u00dcr\u00fcn Kodu\": str, \"Stok Miktar\u0131\": int, \"Fiyat\": float},\n engine=\"openpyxl\") # Yeni .xlsx format\u0131 i\u00e7in openpyxl'i a\u00e7\u0131k\u00e7a belirt\n\nprint(\"Optimize edilmi\u015f stok listesi DataFrame'i olu\u015fturuldu.\")\nprint(df_stok.info())\nprint(f\"Toplam okunan sat\u0131r say\u0131s\u0131: {len(df_stok)}\")\n<\/code><\/pre>\nBu kod, dosyan\u0131n tamam\u0131n\u0131 belle\u011fe y\u00fcklemek yerine, sadece ilgili s\u00fctunlar\u0131 ve sat\u0131rlar\u0131 okuyarak bellek kullan\u0131m\u0131n\u0131 ve okuma s\u00fcresini dramatik bir \u015fekilde d\u00fc\u015f\u00fcr\u00fcr. Ayr\u0131ca, veri tiplerinin \u00f6nceden belirlenmesi, Pandas’\u0131n veri tiplerini tahmin etme y\u00fck\u00fcn\u00fc ortadan kald\u0131r\u0131r ve daha verimli bellek tahsisi sa\u011flar. Bu t\u00fcr optimizasyonlar, b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken verimlili\u011fi ve performans\u0131 art\u0131rmak i\u00e7in hayati \u00f6neme sahiptir. Veri analistleri ve m\u00fchendisleri i\u00e7in bu teknikleri bilmek, ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zerken kar\u015f\u0131la\u015f\u0131lan bellek ve performans engellerini a\u015fman\u0131n anahtar\u0131d\u0131r.<\/p>\n
Kar\u015f\u0131la\u015f\u0131lan Yayg\u0131n Sorunlar ve \u00c7\u00f6z\u00fcmleri Nelerdir?<\/h2>\n
Pandas read_excel<\/code> fonksiyonunu kullan\u0131rken, \u00e7e\u015fitli hatalar ve sorunlarla kar\u015f\u0131la\u015fmak do\u011fald\u0131r. Bu b\u00f6l\u00fcmde, en yayg\u0131n sorunlar\u0131 ve bunlara y\u00f6nelik pratik \u00e7\u00f6z\u00fcmleri ele alaca\u011f\u0131z.<\/p>\n1. Dosya Bulunamad\u0131 Hatas\u0131 (FileNotFoundError<\/code>)<\/h3>\nBu hata, belirtilen dosya yolunda Excel dosyas\u0131n\u0131n bulunamamas\u0131 durumunda ortaya \u00e7\u0131kar. Genellikle dosya ad\u0131nda yaz\u0131m hatas\u0131, yanl\u0131\u015f dosya yolu veya dosyan\u0131n farkl\u0131 bir dizinde olmas\u0131 gibi nedenlerle olu\u015fur.<\/p>\n
\u00c7\u00f6z\u00fcm:<\/strong>
\nDosya yolunu ve ad\u0131n\u0131 dikkatlice kontrol edin. E\u011fer dosya Python beti\u011finizle ayn\u0131 dizinde de\u011filse, tam dosya yolunu belirtmeniz gerekir. Windows’ta dosya yollar\u0131ndaki ters e\u011fik \u00e7izgileri (\\<\/code>) \u00e7ift ters e\u011fik \u00e7izgi (\\\\<\/code>) ile de\u011fi\u015ftirmeniz veya ham string (r\"C:\\Users\\...\\dosya.xlsx\"<\/code>) kullanman\u0131z gerekebilir.<\/p>\n\nimport pandas as pd\n\ntry:\n dosya_yolu = \"yanlis_dosya_adi.xlsx\" # Yanl\u0131\u015f dosya ad\u0131 veya yolu\n df = pd.read_excel(dosya_yolu)\n print(df.head())\nexcept FileNotFoundError:\n print(f\"Hata: '{dosya_yolu}' bulunamad\u0131. L\u00fctfen dosya yolunu ve ad\u0131n\u0131 kontrol edin.\")\nexcept Exception as e:\n print(f\"Beklenmedik bir hata olu\u015ftu: {e}\")\n<\/code><\/pre>\n2. Mod\u00fcl Bulunamad\u0131 Hatas\u0131 (ModuleNotFoundError<\/code>)<\/h3>\nPandas, Excel dosyalar\u0131n\u0131 okumak i\u00e7in harici k\u00fct\u00fcphanelere (motorlara) ihtiya\u00e7 duyar. .xlsx<\/code> dosyalar\u0131 i\u00e7in openpyxl<\/code>, .xls<\/code> dosyalar\u0131 i\u00e7in ise xlrd<\/code> gereklidir. Bu k\u00fct\u00fcphanelerden biri eksik oldu\u011funda bu hatay\u0131 al\u0131rs\u0131n\u0131z.<\/p>\n\u00c7\u00f6z\u00fcm:<\/strong>
\nEksik olan k\u00fct\u00fcphaneyi pip<\/code> kullanarak kurun. Hata mesaj\u0131 genellikle hangi k\u00fct\u00fcphanenin eksik oldu\u011funu belirtir.<\/p>\n\n# E\u011fer .xlsx dosyas\u0131 okuyorsan\u0131z ve hata al\u0131yorsan\u0131z:\n# pip install openpyxl\n\n# E\u011fer .xls dosyas\u0131 okuyorsan\u0131z ve hata al\u0131yorsan\u0131z:\n# pip install xlrd\n<\/code><\/pre>\nKurulumdan sonra beti\u011fi tekrar \u00e7al\u0131\u015ft\u0131rmay\u0131 deneyin.<\/p>\n
3. Veri Tipi Uyu\u015fmazl\u0131klar\u0131 ve Yanl\u0131\u015f Yorumlamalar<\/h3>\n
Pandas, s\u00fctunlar\u0131n veri tiplerini otomatik olarak tahmin etmeye \u00e7al\u0131\u015f\u0131r. Ancak, bir s\u00fctunda hem say\u0131sal hem de metinsel de\u011ferler varsa veya Excel’deki formatlama karma\u015f\u0131ksa, Pandas s\u00fctunu object<\/code> (metin) olarak yorumlayabilir. Bu da say\u0131sal i\u015flemler yapman\u0131z\u0131 engeller.<\/p>\n\u00c7\u00f6z\u00fcm:<\/strong>
\ndtype<\/code> parametresini kullanarak s\u00fctunlar\u0131n beklenen veri tiplerini a\u00e7\u0131k\u00e7a belirtin. E\u011fer bir s\u00fctunda kar\u0131\u015f\u0131k tipler varsa ve say\u0131sal i\u015flem yapmak istiyorsan\u0131z, \u00f6ncelikle pd.to_numeric()<\/code> gibi fonksiyonlarla d\u00f6n\u00fc\u015ft\u00fcrme yaparken hatal\u0131 de\u011ferleri NaN<\/code> olarak i\u015faretleyebilirsiniz (errors='coerce'<\/code>).<\/p>\n\nimport pandas as pd\n\n# \u00d6rnek bir Excel dosyas\u0131 olu\u015fturdu\u011funuzu varsayal\u0131m\n# S\u00fctun 'Miktar' hem say\u0131 hem de metin i\u00e7erebilir\n# df_excel = pd.DataFrame({'Miktar': [10, 20, 'N\/A', 30, 'ABC']})\n# df_excel.to_excel(\"karisik_veri.xlsx\", index=False)\n\ntry:\n df = pd.read_excel(\"karisik_veri.xlsx\")\n print(\"Orijinal Miktar s\u00fctunu veri tipi:\", df['Miktar'].dtype)\n \n # Hatal\u0131 de\u011ferleri NaN'a d\u00f6n\u00fc\u015ft\u00fcrerek say\u0131sal tipine \u00e7evir\n df['Miktar'] = pd.to_numeric(df['Miktar'], errors='coerce')\n print(\"D\u00f6n\u00fc\u015ft\u00fcr\u00fclm\u00fc\u015f Miktar s\u00fctunu veri tipi:\", df['Miktar'].dtype)\n print(\"D\u00f6n\u00fc\u015ft\u00fcr\u00fclm\u00fc\u015f Miktar s\u00fctunu:\", df['Miktar'])\nexcept FileNotFoundError:\n print(\"karisik_veri.xlsx dosyas\u0131 bulunamad\u0131. L\u00fctfen olu\u015fturun.\")\n<\/code><\/pre>\n4. \u015eifreli Excel Dosyalar\u0131<\/h3>\n
Pandas read_excel<\/code> fonksiyonu, do\u011frudan \u015fifre korumal\u0131 Excel dosyalar\u0131n\u0131 okuma yetene\u011fine sahip de\u011fildir.<\/p>\n\u00c7\u00f6z\u00fcm:<\/strong>
\n\u015eifreli Excel dosyalar\u0131n\u0131 okumak i\u00e7in genellikle \u00f6nce dosyay\u0131 manuel olarak a\u00e7\u0131p \u015fifresini kald\u0131rman\u0131z veya \u00fc\u00e7\u00fcnc\u00fc taraf Python k\u00fct\u00fcphanelerini kullanman\u0131z gerekir. \u00d6rne\u011fin, openpyxl<\/code> k\u00fct\u00fcphanesi do\u011frudan \u015fifreli dosyalar\u0131 okuyamazken, baz\u0131 \u00f6zel k\u00fct\u00fcphaneler veya komut sat\u0131r\u0131 ara\u00e7lar\u0131 (\u00f6rne\u011fin unoconv<\/code> ile LibreOffice) bu i\u015flevi yerine getirebilir. En basit \u00e7\u00f6z\u00fcm, dosyay\u0131 a\u00e7\u0131p \u015fifresini kald\u0131rarak kaydetmektir.<\/p>\n5. Bozuk veya Ge\u00e7ersiz Excel Dosyalar\u0131<\/h3>\n
Bazen Excel dosyalar\u0131 bozuk olabilir veya ge\u00e7erli bir Excel format\u0131nda olmayabilir. Bu durumda Pandas veya kulland\u0131\u011f\u0131 motorlar (openpyxl, xlrd) dosyay\u0131 ayr\u0131\u015ft\u0131ramaz ve \u00e7e\u015fitli hatalar (\u00f6rne\u011fin, BadZipFile<\/code>, XLRDError<\/code>) verebilir.<\/p>\n\u00c7\u00f6z\u00fcm:<\/strong>
\nDosyay\u0131 Excel program\u0131nda a\u00e7may\u0131 deneyin. E\u011fer Excel de a\u00e7am\u0131yorsa, dosya ger\u00e7ekten bozuktur ve orijinal kayna\u011f\u0131n\u0131 kontrol etmeniz gerekir. E\u011fer Excel a\u00e7abiliyor ancak Pandas a\u00e7am\u0131yorsa, dosyay\u0131 Excel’de farkl\u0131 bir adla veya farkl\u0131 bir formatta (\u00f6rne\u011fin, “Excel \u00c7al\u0131\u015fma Kitab\u0131 (*.xlsx)” olarak yeniden kaydetmeyi deneyin. Bazen bu basit i\u015flem dosyan\u0131n yap\u0131s\u0131n\u0131 d\u00fczeltebilir.<\/p>\nBu yayg\u0131n sorunlar\u0131 ve \u00e7\u00f6z\u00fcmlerini bilmek, Pandas read_excel<\/code> ile \u00e7al\u0131\u015f\u0131rken kar\u015f\u0131la\u015fabilece\u011finiz engelleri a\u015fman\u0131za yard\u0131mc\u0131 olacakt\u0131r. Hata mesajlar\u0131n\u0131 dikkatlice okumak ve Python’\u0131n try-except<\/code> bloklar\u0131n\u0131 kullanarak hata yakalama mekanizmalar\u0131 olu\u015fturmak, kodunuzu daha sa\u011flam ve kullan\u0131c\u0131 dostu hale getirecektir.<\/p>\nSonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
Bu kapsaml\u0131 rehberde, Python Pandas k\u00fct\u00fcphanesinin read_excel<\/code> fonksiyonunu kullanarak Excel dosyalar\u0131n\u0131 nas\u0131l okuyaca\u011f\u0131n\u0131z\u0131, temelden ileri d\u00fczeye kadar t\u00fcm detaylar\u0131yla inceledik. Pandas’\u0131n veri analizi ve otomasyon s\u00fcre\u00e7lerindeki vazge\u00e7ilmez rol\u00fcn\u00fc, DataFrame yap\u0131s\u0131n\u0131n g\u00fcc\u00fcn\u00fc ve Excel verilerini Python ortam\u0131na aktarman\u0131n ne kadar kolay oldu\u011funu g\u00f6rd\u00fck. sheet_name<\/code>, header<\/code>, skiprows<\/code>, nrows<\/code>, usecols<\/code>, dtype<\/code>, na_values<\/code> ve parse_dates<\/code> gibi \u00e7e\u015fitli parametrelerin, veriyi daha hassas bir \u015fekilde kontrol etmemizi ve olas\u0131 sorunlar\u0131 \u00f6nlememizi sa\u011flad\u0131\u011f\u0131n\u0131 \u00f6\u011frendik. \u00d6zellikle b\u00fcy\u00fck Excel dosyalar\u0131yla \u00e7al\u0131\u015f\u0131rken performans optimizasyonu i\u00e7in usecols<\/code>, nrows<\/code> ve dtype<\/code> parametrelerinin kritik \u00f6nemine de\u011findik ve yayg\u0131n kar\u015f\u0131la\u015f\u0131lan hatalara y\u00f6nelik pratik \u00e7\u00f6z\u00fcmler sunduk.<\/p>\nArt\u0131k Excel dosyalar\u0131n\u0131zdaki verileri Python’a aktarma ve \u00fczerinde g\u00fc\u00e7l\u00fc analizler yapma konusunda sa\u011flam bir temeliniz var. Bu bilgilerle, manuel veri giri\u015finden kaynaklanan hatalar\u0131 azaltabilir, tekrarlayan g\u00f6revleri otomatikle\u015ftirebilir ve veri odakl\u0131 kararlar\u0131n\u0131z\u0131 daha h\u0131zl\u0131 ve do\u011fru bir \u015fekilde alabilirsiniz. Pandas’\u0131n esnekli\u011fi ve Python ekosisteminin zenginli\u011fi sayesinde, Excel’den al\u0131nan verileri g\u00f6rselle\u015ftirebilir, istatistiksel modeller olu\u015fturabilir ve daha derinlemesine i\u00e7g\u00f6r\u00fcler elde edebilirsiniz. Veri analizi yolculu\u011funuzda read_excel<\/code> fonksiyonu, Excel ile Python aras\u0131ndaki k\u00f6pr\u00fcy\u00fc kurarak size yeni kap\u0131lar a\u00e7acakt\u0131r.<\/p>\nS\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n\n- Pandas
read_excel<\/code> ile \u015fifreli dosyalar\u0131 okuyabilir miyim?<\/dt>\n- Hay\u0131r, Pandas
read_excel<\/code> do\u011frudan \u015fifre korumal\u0131 Excel dosyalar\u0131n\u0131 okuma yetene\u011fine sahip de\u011fildir. Dosyay\u0131 manuel olarak a\u00e7\u0131p \u015fifresini kald\u0131rman\u0131z veya \u015fifreli dosyalar\u0131 i\u015fleyebilen \u00f6zel \u00fc\u00e7\u00fcnc\u00fc taraf Python k\u00fct\u00fcphaneleri veya ara\u00e7lar\u0131 kullanman\u0131z gerekir.<\/dd>\nxlrd<\/code> ve openpyxl<\/code> aras\u0131ndaki fark nedir, hangisini kullanmal\u0131y\u0131m?<\/dt>\nxlrd<\/code>, eski .xls<\/code> uzant\u0131l\u0131 Excel dosyalar\u0131n\u0131 okumak i\u00e7in kullan\u0131l\u0131rken, openpyxl<\/code> modern .xlsx<\/code> uzant\u0131l\u0131 Excel dosyalar\u0131n\u0131 okumak ve yazmak i\u00e7in kullan\u0131l\u0131r. Hangi motoru kullanaca\u011f\u0131n\u0131z, Excel dosyan\u0131z\u0131n uzant\u0131s\u0131na ba\u011fl\u0131d\u0131r. Pandas, genellikle dosya uzant\u0131s\u0131na g\u00f6re do\u011fru motoru otomatik olarak se\u00e7er, ancak isterseniz engine<\/code> parametresiyle a\u00e7\u0131k\u00e7a belirtebilirsiniz.<\/dd>\n- B\u00fcy\u00fck Excel dosyalar\u0131n\u0131 okurken bellek hatas\u0131 al\u0131yorum, ne yapmal\u0131y\u0131m?<\/dt>\n
- Bellek hatalar\u0131n\u0131 \u00f6nlemek i\u00e7in
usecols<\/code> ile sadece ihtiyac\u0131n\u0131z olan s\u00fctunlar\u0131 okuyun, nrows<\/code> ile okunacak sat\u0131r say\u0131s\u0131n\u0131 s\u0131n\u0131rlay\u0131n ve dtype<\/code> parametresiyle s\u00fctunlar\u0131n veri tiplerini a\u00e7\u0131k\u00e7a ve bellek verimli olacak \u015fekilde belirtin. E\u011fer bu da yeterli olmazsa, Excel dosyas\u0131n\u0131 \u00f6nce CSV’ye d\u00f6n\u00fc\u015ft\u00fcr\u00fcp pd.read_csv<\/code>‘in chunksize<\/code> parametresiyle par\u00e7a par\u00e7a okumay\u0131 d\u00fc\u015f\u00fcnebilirsiniz.<\/dd>\n- Belirli bir h\u00fccre aral\u0131\u011f\u0131n\u0131 nas\u0131l okuyabilirim?<\/dt>\n
- Pandas
read_excel<\/code> fonksiyonu do\u011frudan “A1:C10” gibi bir h\u00fccre aral\u0131\u011f\u0131 belirtme parametresi sunmaz. Ancak bu etkiyi skiprows<\/code>, nrows<\/code>, usecols<\/code> ve header<\/code> parametrelerini birle\u015ftirerek elde edebilirsiniz. \u00d6rne\u011fin, belirli bir sat\u0131rdan ba\u015flay\u0131p belirli say\u0131da sat\u0131r okuyarak ve sadece belirli s\u00fctunlar\u0131 se\u00e7erek istedi\u011finiz aral\u0131\u011f\u0131 sim\u00fcle edebilirsiniz.<\/dd>\n- Excel dosyas\u0131ndaki t\u00fcm sayfalar\u0131 ayn\u0131 anda nas\u0131l okuyabilirim?<\/dt>\n
sheet_name=None<\/code> parametresini kullanarak Excel dosyas\u0131ndaki t\u00fcm sayfalar\u0131 okuyabilirsiniz. Bu durumda read_excel<\/code> fonksiyonu, anahtarlar\u0131 sayfa adlar\u0131 ve de\u011ferleri DataFrame’ler olan bir Python s\u00f6zl\u00fc\u011f\u00fc d\u00f6nd\u00fcrecektir.<\/dd>\n<\/dl>\n