Veri analizi ve manip\u00fclasyonu, g\u00fcn\u00fcm\u00fcz\u00fcn veri odakl\u0131 d\u00fcnyas\u0131nda hayati bir beceridir. Python ekosisteminde Pandas k\u00fct\u00fcphanesi, bu alanda adeta bir devrim yaratm\u0131\u015ft\u0131r. Ancak bazen standart Pandas metotlar\u0131, \u00f6zel veya karma\u015f\u0131k veri d\u00f6n\u00fc\u015f\u00fcm ihtiya\u00e7lar\u0131n\u0131z\u0131 kar\u015f\u0131lamakta yetersiz kalabilir. \u0130\u015fte tam bu noktada, Pandas DataFrame’in Pandas DataFrame, b\u00fcy\u00fck veri setlerini tablo benzeri bir yap\u0131da saklamak ve y\u00f6netmek i\u00e7in tasarlanm\u0131\u015f iki boyutlu, boyut de\u011fi\u015ftirebilir, heterojen verili bir veri yap\u0131s\u0131d\u0131r. Veri bilimciler ve analistler i\u00e7in vazge\u00e7ilmez bir ara\u00e7 olan DataFrame, verileri h\u0131zl\u0131 bir \u015fekilde y\u00fckleme, filtreleme, s\u0131ralama ve \u00f6zetleme gibi temel i\u015flemleri kolayla\u015ft\u0131r\u0131r. Ancak ger\u00e7ek d\u00fcnya verileri genellikle d\u00fczensizdir, eksik de\u011ferler i\u00e7erir veya belirli bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi gereken karma\u015f\u0131k yap\u0131lar bar\u0131nd\u0131r\u0131r. Bu t\u00fcr durumlarda, \u00f6nceden tan\u0131mlanm\u0131\u015f fonksiyonlar veya lambda ifadeleri kullanarak DataFrame’in sat\u0131rlar\u0131, s\u00fctunlar\u0131 veya h\u00fccreleri \u00fczerinde \u00f6zel i\u015flemler ger\u00e7ekle\u015ftirmek gerekebilir. \u0130\u015fte Veri setleri \u00fczerinde karma\u015f\u0131k d\u00f6n\u00fc\u015f\u00fcmler yapmak, genellikle bir dizi ad\u0131m gerektirir. \u00d6rne\u011fin, bir metin s\u00fctunundaki t\u00fcm kelimeleri k\u00fc\u00e7\u00fck harfe \u00e7evirmek, belirli bir formattaki tarihleri standart bir formata d\u00f6n\u00fc\u015ft\u00fcrmek veya birden fazla say\u0131sal s\u00fctunu kullanarak yeni bir skor hesaplamak gibi i\u015flemler. Pandas’\u0131n sa\u011flad\u0131\u011f\u0131 vekt\u00f6rize operasyonlar bu g\u00f6revlerin \u00e7o\u011funu h\u0131zla yerine getirebilirken, baz\u0131 durumlar daha fazla esneklik gerektirir. \u00d6zellikle, her bir sat\u0131r veya s\u00fctun i\u00e7in \u00f6zel ko\u015fullar\u0131n uyguland\u0131\u011f\u0131, d\u0131\u015f k\u00fct\u00fcphanelerle entegrasyon gerektiren veya karma\u015f\u0131k mant\u0131k i\u00e7eren durumlarda Pandas DataFrame’in Bu eksen se\u00e7imi, yapaca\u011f\u0131n\u0131z i\u015flemin do\u011fas\u0131na g\u00f6re kritik \u00f6neme sahiptir. \u00d6rne\u011fin, bir s\u00fctundaki t\u00fcm de\u011ferleri belirli bir formata d\u00f6n\u00fc\u015ft\u00fcrmek istiyorsan\u0131z \u015eimdi basit bir \u00f6rnekle Yukar\u0131daki \u00f6rnekte, Pandas DataFrame’deki Varsay\u0131lan olarak Yukar\u0131daki \u00f6rnekte, ilk Bu \u00f6rnekte, Pandas, sadece sat\u0131r ve s\u00fctun baz\u0131nda de\u011fil, ayn\u0131 zamanda h\u00fccre baz\u0131nda da fonksiyon uygulama yetenekleri sunar. Bu, \u00f6zellikle DataFrame’deki her bir eleman\u0131 tek tek d\u00f6n\u00fc\u015ft\u00fcrmeniz gerekti\u011finde \u00e7ok kullan\u0131\u015fl\u0131d\u0131r. Bu t\u00fcr i\u015flemler i\u00e7in Bu \u00f6rneklerde, Bu \u00f6rnekte, Bu \u00fc\u00e7 metot aras\u0131ndaki temel farklar\u0131 \u00f6zetlemek gerekirse:<\/p>\n Genel olarak, e\u011fer i\u015fleminiz vekt\u00f6rize edilebiliyorsa (yani Pandas’\u0131n veya NumPy’\u0131n yerle\u015fik h\u0131zl\u0131 metotlar\u0131 ile yap\u0131labilirse), o metotlar\u0131 tercih etmek her zaman en iyisidir. Ancak, \u00f6zel bir mant\u0131k, ko\u015fullu i\u015flemler veya d\u0131\u015f k\u00fct\u00fcphane entegrasyonu gerekti\u011finde, bu \u00fc\u00e7 metot size inan\u0131lmaz bir esneklik sunar. Se\u00e7iminiz, i\u015fleminizin kapsam\u0131na (t\u00fcm DataFrame, tek bir s\u00fctun, tek bir h\u00fccre) ve fonksiyonunuzun ald\u0131\u011f\u0131 girdi\/\u00e7\u0131kt\u0131 tipine ba\u011fl\u0131 olacakt\u0131r.<\/p>\n Bir perakende \u015firketinin m\u00fc\u015fteri verilerini analiz etti\u011fimizi d\u00fc\u015f\u00fcnelim. Amac\u0131m\u0131z, m\u00fc\u015fterileri davran\u0131\u015flar\u0131na g\u00f6re segmentlere ay\u0131rmak i\u00e7in bir puanlama sistemi olu\u015fturmak. Bu puanlama, m\u00fc\u015fterinin ya\u015f\u0131na, son sat\u0131n alma tarihine (eskili\u011fine) ve toplam harcama miktar\u0131na g\u00f6re belirlenecek. Her bir fakt\u00f6r\u00fcn farkl\u0131 bir a\u011f\u0131rl\u0131\u011f\u0131 olacak ve bu fakt\u00f6rleri birle\u015ftirerek tek bir ‘M\u00fc\u015fteri De\u011feri Skoru’ elde edece\u011fiz.<\/p>\n Bu vaka analizinde, Do\u011fal Dil \u0130\u015fleme (NLP) projelerinde, metin verilerini \u00f6n i\u015flemek ve onlardan anlaml\u0131 \u00f6zellikler \u00e7\u0131karmak s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131lan bir g\u00f6revdir. \u00c7o\u011fu zaman metinler \u00f6zel karakterler, gereksiz bo\u015fluklar veya standart olmayan formatlar i\u00e7erir. Bu \u00f6rnekte, \u00f6nce Pandas’\u0131n E\u011fer yapaca\u011f\u0131n\u0131z i\u015flem Pandas’\u0131n yerle\u015fik vekt\u00f6rize metotlar\u0131yla (\u00f6rne\u011fin G\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, vekt\u00f6rize i\u015flemler performansta devasa farklar yaratabilir.<\/p>\n<\/li>\n NumPy’\u0131n evrensel fonksiyonlar\u0131 (ufuncs), diziler \u00fczerinde eleman baz\u0131nda h\u0131zl\u0131 i\u015flemler yapmak i\u00e7in tasarlanm\u0131\u015ft\u0131r. E\u011fer fonksiyonunuz basit matematiksel veya mant\u0131ksal bir i\u015flemse, bunu do\u011frudan NumPy ufunc’lar\u0131 ile uygulamak E\u011fer Baz\u0131 durumlarda, vekt\u00f6rize bir \u00e7\u00f6z\u00fcm bulmak zor olabilir veya fonksiyonunuz \u00e7ok karma\u015f\u0131k olabilir. Bu gibi durumlarda, Bu, \u00f6zellikle CPU yo\u011fun i\u015flemler i\u00e7in \u00f6nemli performans art\u0131\u015flar\u0131 sa\u011flayabilir.<\/p>\n<\/li>\n Lambda ifadeleri k\u0131sa ve okunabilir olsa da, \u00e7ok karma\u015f\u0131k mant\u0131klar i\u00e7in named (adland\u0131r\u0131lm\u0131\u015f) fonksiyonlar yazmak daha iyi bir uygulama olabilir. Performans a\u00e7\u0131s\u0131ndan genellikle b\u00fcy\u00fck bir fark yaratmazken, kodun okunabilirli\u011fini ve bak\u0131m\u0131n\u0131 art\u0131r\u0131r.<\/p>\n<\/li>\n<\/ul>\n \u00d6zetle, Pandas DataFrame’in Evet, Her ikisi de Pandas DataFrame’in \u00d6zellikle, Veri bilimindeki yolculu\u011funuzda, apply()<\/code> metodu devreye girer. Bu g\u00fc\u00e7l\u00fc ara\u00e7, veri setleriniz \u00fczerinde esnek ve \u00f6zelle\u015ftirilmi\u015f i\u015flemler yapman\u0131z\u0131 sa\u011flayarak, veri temizleme, \u00f6zellik m\u00fchendisli\u011fi ve karma\u015f\u0131k hesaplamalar\u0131 \u00e7ok daha eri\u015filebilir hale getirir. Peki, bu metodun sundu\u011fu esneklik ve g\u00fcc\u00fc tam olarak nas\u0131l kullanabiliriz ve veri i\u015fleme s\u00fcre\u00e7lerimizi nas\u0131l bir \u00fcst seviyeye ta\u015f\u0131yabiliriz?<\/p>\napply()<\/code> metodu, bu \u00f6zelle\u015ftirme ihtiyac\u0131n\u0131 kar\u015f\u0131lamak i\u00e7in m\u00fckemmel bir \u00e7\u00f6z\u00fcm sunar. Bu makalede, apply()<\/code> metodunun derinliklerine inecek, farkl\u0131 kullan\u0131m senaryolar\u0131n\u0131 \u00f6rneklerle a\u00e7\u0131klayacak ve veri i\u015fleme yeteneklerinizi nas\u0131l geli\u015ftirebilece\u011finizi ad\u0131m ad\u0131m g\u00f6sterece\u011fiz. Haz\u0131rlan\u0131n, \u00e7\u00fcnk\u00fc Pandas ile veri manip\u00fclasyonunda ustal\u0131\u011f\u0131n\u0131z\u0131 art\u0131rman\u0131n kap\u0131lar\u0131n\u0131 aral\u0131yoruz.<\/p>\napply()<\/code> metodu \u00f6ne \u00e7\u0131kar. Bu metodun temel prensiplerini anlamak, veri analizi projelerinizde kar\u015f\u0131la\u015fabilece\u011finiz hemen her t\u00fcrl\u00fc \u00f6zel d\u00f6n\u00fc\u015f\u00fcm sorununa \u00e7\u00f6z\u00fcm bulman\u0131z\u0131 sa\u011flayacakt\u0131r. \u0130lerleyen b\u00f6l\u00fcmlerde, apply()<\/code>‘\u0131n nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131, hangi parametrelerle kullan\u0131labilece\u011fini ve ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zmek i\u00e7in nas\u0131l uygulanabilece\u011fini detayl\u0131ca inceleyece\u011fiz.<\/p>\nPandas apply() Metodu Nedir ve Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n
apply()<\/code> metodu, ad\u0131ndan da anla\u015f\u0131laca\u011f\u0131 gibi, bir fonksiyonu DataFrame’in sat\u0131rlar\u0131na veya s\u00fctunlar\u0131na “uygulamak” i\u00e7in kullan\u0131l\u0131r. Bu, \u00f6zellikle standart Pandas metotlar\u0131n\u0131n yeterli olmad\u0131\u011f\u0131 durumlarda, kendi \u00f6zel mant\u0131\u011f\u0131n\u0131z\u0131 veya d\u0131\u015f k\u00fct\u00fcphanelerden gelen fonksiyonlar\u0131 entegre etmek istedi\u011finizde inan\u0131lmaz derecede faydal\u0131d\u0131r. Temel olarak, apply()<\/code>, DataFrame’in her bir sat\u0131r\u0131n\u0131 veya s\u00fctununu bir Series objesi olarak al\u0131r ve tan\u0131mlad\u0131\u011f\u0131n\u0131z fonksiyonu bu Series objesi \u00fczerinde \u00e7al\u0131\u015ft\u0131r\u0131r. Sonu\u00e7lar daha sonra orijinal DataFrame’e entegre edilebilir veya yeni bir DataFrame\/Series olarak d\u00f6nd\u00fcr\u00fclebilir.<\/p>\napply()<\/code> metodunun en \u00f6nemli parametrelerinden biri axis<\/code> parametresidir. Bu parametre, fonksiyonun hangi eksen boyunca uygulanaca\u011f\u0131n\u0131 belirtir:<\/p>\n\n
axis=0<\/code> (varsay\u0131lan): Fonksiyonu her bir s\u00fctuna uygular. Fonksiyon, DataFrame’in her bir s\u00fctununu ayr\u0131 bir Series olarak al\u0131r.<\/li>\naxis=1<\/code>: Fonksiyonu her bir sat\u0131ra uygular. Fonksiyon, DataFrame’in her bir sat\u0131r\u0131n\u0131 ayr\u0131 bir Series olarak al\u0131r.<\/li>\n<\/ul>\naxis=0<\/code> kullan\u0131rken, bir sat\u0131rdaki farkl\u0131 s\u00fctun de\u011ferlerini birle\u015ftirerek yeni bir sonu\u00e7 elde etmek istiyorsan\u0131z axis=1<\/code> kullanman\u0131z gerekir. Fonksiyonunuz, tek bir de\u011feri d\u00f6nd\u00fcrebilir (bu durumda yeni bir Series veya DataFrame s\u00fctunu olu\u015fur) veya birden fazla de\u011feri d\u00f6nd\u00fcrebilir (bu durumda yeni s\u00fctunlar veya bir DataFrame olu\u015fur).<\/p>\napply()<\/code> metodunun nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 g\u00f6relim. Diyelim ki elimizde \u00f6\u011frenci notlar\u0131n\u0131 i\u00e7eren bir DataFrame var ve her \u00f6\u011frencinin ortalama notunu hesaplamak istiyoruz:<\/p>\n\nimport pandas as pd\n\n# \u00d6rnek bir DataFrame olu\u015ftural\u0131m\ndata = {\n '\u00d6\u011frenci': ['Ali', 'Ay\u015fe', 'Can'],\n 'Matematik': [85, 92, 78],\n 'Fizik': [70, 88, 95],\n 'Kimya': [90, 75, 82]\n}\ndf = pd.DataFrame(data)\nprint(\"Orijinal DataFrame:\")\nprint(df)\n\n# Her \u00f6\u011frencinin ortalama notunu hesaplayal\u0131m (sat\u0131r baz\u0131nda)\n# Matematik, Fizik, Kimya s\u00fctunlar\u0131n\u0131 se\u00e7ip apply uygulayal\u0131m\ndf['Ortalama Not'] = df[['Matematik', 'Fizik', 'Kimya']].apply(lambda row: (row['Matematik'] + row['Fizik'] + row['Kimya']) \/ 3, axis=1)\nprint(\"\\nOrtalama Not eklenmi\u015f DataFrame:\")\nprint(df)\n<\/code><\/pre>\napply()<\/code> metodunu axis=1<\/code> ile kulland\u0131k, bu da fonksiyonun her bir sat\u0131r \u00fczerinde \u00e7al\u0131\u015faca\u011f\u0131 anlam\u0131na geliyor. Lambda fonksiyonu, her bir sat\u0131r\u0131 (row<\/code> olarak temsil edilen bir Series) alarak ‘Matematik’, ‘Fizik’ ve ‘Kimya’ notlar\u0131n\u0131 topluyor ve \u00fc\u00e7e b\u00f6lerek ortalamay\u0131 buluyor. Bu yeni hesaplanan de\u011ferler, ‘Ortalama Not’ ad\u0131nda yeni bir s\u00fctun olarak DataFrame’e eklendi. Bu basit \u00f6rnek bile, apply()<\/code> metodunun veri manip\u00fclasyonu i\u00e7in ne kadar esnek bir ara\u00e7 oldu\u011funu g\u00f6stermektedir. \u0130ster basit bir aritmetik i\u015flem, ister karma\u015f\u0131k bir ko\u015fullu mant\u0131k olsun, apply()<\/code> sayesinde DataFrame’inizi istedi\u011finiz gibi \u015fekillendirebilirsiniz. Unutmay\u0131n, apply()<\/code>‘\u0131n g\u00fcc\u00fc, ona iletece\u011finiz fonksiyonun karma\u015f\u0131kl\u0131\u011f\u0131yla do\u011fru orant\u0131l\u0131d\u0131r.<\/p>\nDataFrame apply() ile Sat\u0131r ve S\u00fctun Baz\u0131nda D\u00f6n\u00fc\u015f\u00fcmler Nas\u0131l Yap\u0131l\u0131r?<\/h3>\n
apply()<\/code> metodu, veri d\u00f6n\u00fc\u015f\u00fcmlerini hem sat\u0131r hem de s\u00fctun baz\u0131nda ger\u00e7ekle\u015ftirmek i\u00e7in olduk\u00e7a esnek bir yap\u0131 sunar. Bu esneklik, veri analizinde kar\u015f\u0131la\u015f\u0131lan bir\u00e7ok \u00f6zelle\u015ftirilmi\u015f senaryoyu \u00e7\u00f6zmek i\u00e7in kilit rol oynar. Do\u011fru axis<\/code> parametresi se\u00e7imiyle, belirli bir s\u00fctundaki de\u011ferleri tek tek i\u015fleyebilir veya birden fazla s\u00fctundaki de\u011ferleri bir araya getirerek yeni bir sonu\u00e7 elde edebilirsiniz.<\/p>\nS\u00fctun Baz\u0131nda apply() Kullan\u0131m\u0131 (axis=0 veya varsay\u0131lan)<\/h4>\n
axis=0<\/code> oldu\u011funda, apply()<\/code> metodu her bir s\u00fctunu ayr\u0131 ayr\u0131 ele al\u0131r. Fonksiyonunuz, her s\u00fctunu bir Pandas Series objesi olarak al\u0131r ve bu Series \u00fczerinde i\u015flem yapar. Bu kullan\u0131m, genellikle bir s\u00fctundaki t\u00fcm de\u011ferlere ayn\u0131 d\u00f6n\u00fc\u015f\u00fcm\u00fc uygulamak veya bir s\u00fctun i\u00e7in \u00f6zet istatistikler hesaplamak istedi\u011finizde tercih edilir. \u00d6rne\u011fin, bir DataFrame’deki t\u00fcm say\u0131sal s\u00fctunlar\u0131n karek\u00f6k\u00fcn\u00fc almak veya string s\u00fctunlardaki t\u00fcm de\u011ferleri b\u00fcy\u00fck harfe \u00e7evirmek gibi i\u015flemler i\u00e7in idealdir.<\/p>\n\nimport pandas as pd\nimport numpy as np\n\ndata = {\n 'A': [10, 20, 30],\n 'B': [4, 5, 6],\n 'C': ['elma', 'armut', '\u00e7ilek']\n}\ndf = pd.DataFrame(data)\nprint(\"Orijinal DataFrame:\")\nprint(df)\n\n# S\u00fctun A ve B'deki de\u011ferlerin karesini alal\u0131m (say\u0131sal s\u00fctunlara \u00f6zel)\ndf_kare = df[['A', 'B']].apply(lambda x: x**2)\nprint(\"\\nS\u00fctun A ve B'nin karesi al\u0131nm\u0131\u015f DataFrame:\")\nprint(df_kare)\n\n# S\u00fctun C'deki string de\u011ferleri b\u00fcy\u00fck harfe \u00e7evirelim\ndf['C_buyuk'] = df['C'].apply(lambda x: x.upper())\nprint(\"\\nS\u00fctun C'deki de\u011ferleri b\u00fcy\u00fck harfe \u00e7evrilmi\u015f DataFrame:\")\nprint(df)\n<\/code><\/pre>\napply()<\/code> i\u015flemi yaln\u0131zca ‘A’ ve ‘B’ s\u00fctunlar\u0131n\u0131 etkilerken, ikinci apply()<\/code> i\u015flemi ‘C’ s\u00fctunundaki string de\u011ferleri d\u00f6n\u00fc\u015ft\u00fcrd\u00fc. G\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, axis=0<\/code> (veya varsay\u0131lan) kullan\u0131ld\u0131\u011f\u0131nda, fonksiyon DataFrame’in her bir s\u00fctununa ba\u011f\u0131ms\u0131z olarak uygulan\u0131r ve her s\u00fctun bir Series olarak i\u015flenir. Bu, veri setinizdeki her bir \u00f6zelli\u011fe (s\u00fctuna) \u00f6zel d\u00f6n\u00fc\u015f\u00fcmler uygulamak istedi\u011finizde olduk\u00e7a kullan\u0131\u015fl\u0131d\u0131r.<\/p>\nSat\u0131r Baz\u0131nda apply() Kullan\u0131m\u0131 (axis=1)<\/h4>\n
axis=1<\/code> olarak ayarland\u0131\u011f\u0131nda, apply()<\/code> metodu her bir sat\u0131r\u0131 bir Series objesi olarak al\u0131r ve tan\u0131mlad\u0131\u011f\u0131n\u0131z fonksiyonu bu sat\u0131r \u00fczerinde \u00e7al\u0131\u015ft\u0131r\u0131r. Bu, \u00f6zellikle birden fazla s\u00fctundaki de\u011ferleri birle\u015ftirerek yeni bir sonu\u00e7 \u00fcretmek, sat\u0131r baz\u0131nda ko\u015fullu mant\u0131k uygulamak veya her sat\u0131r i\u00e7in karma\u015f\u0131k hesaplamalar yapmak istedi\u011finizde vazge\u00e7ilmezdir. \u00d6rne\u011fin, bir e-ticaret sitesinin veri setinde, ‘sepetteki_\u00fcr\u00fcn_say\u0131s\u0131’ ve ‘toplam_fiyat’ s\u00fctunlar\u0131na bakarak ‘indirim_uygulanmal\u0131_m\u0131’ gibi yeni bir \u00f6zellik olu\u015fturmak isteyebilirsiniz.<\/p>\n\nimport pandas as pd\n\ndata = {\n '\u00dcr\u00fcn': ['Laptop', 'Mouse', 'Keyboard'],\n 'Fiyat': [1200, 25, 75],\n 'Adet': [1, 2, 1],\n 'KDV_Oran\u0131': [0.18, 0.18, 0.18]\n}\ndf = pd.DataFrame(data)\nprint(\"Orijinal DataFrame:\")\nprint(df)\n\n# Her \u00fcr\u00fcn\u00fcn KDV dahil toplam fiyat\u0131n\u0131 hesaplayal\u0131m (sat\u0131r baz\u0131nda)\ndef hesapla_kdv_dahil_fiyat(row):\n return row['Fiyat'] * row['Adet'] * (1 + row['KDV_Oran\u0131'])\n\ndf['KDV_Dahil_Toplam'] = df.apply(hesapla_kdv_dahil_fiyat, axis=1)\nprint(\"\\nKDV Dahil Toplam Fiyat eklenmi\u015f DataFrame:\")\nprint(df)\n<\/code><\/pre>\nhesapla_kdv_dahil_fiyat<\/code> ad\u0131nda bir fonksiyon tan\u0131mlad\u0131k ve bu fonksiyonu axis=1<\/code> ile DataFrame’in her bir sat\u0131r\u0131na uygulad\u0131k. Fonksiyon, her sat\u0131r\u0131 (row<\/code>) bir Series olarak alarak ‘Fiyat’, ‘Adet’ ve ‘KDV_Oran\u0131’ s\u00fctunlar\u0131na eri\u015fiyor ve KDV dahil toplam fiyat\u0131 hesapl\u0131yor. Sonu\u00e7 olarak, ‘KDV_Dahil_Toplam’ ad\u0131nda yeni bir s\u00fctun olu\u015ftu. Sat\u0131r baz\u0131nda apply()<\/code> kullan\u0131m\u0131, \u00f6zellikle veri setinizdeki farkl\u0131 \u00f6zellikler aras\u0131ndaki ili\u015fkileri kullanarak yeni, daha anlaml\u0131 \u00f6zellikler t\u00fcretmek istedi\u011finizde m\u00fcthi\u015f bir g\u00fc\u00e7 sa\u011flar. Bu sayede, karma\u015f\u0131k i\u015f mant\u0131\u011f\u0131n\u0131 do\u011frudan Pandas DataFrame’inize entegre edebilirsiniz.<\/p>\nH\u00fccre Baz\u0131nda Uygulamalar: applymap() ve map() Metotlar\u0131 ile Kar\u015f\u0131la\u015ft\u0131rma<\/h3>\n
applymap()<\/code> ve map()<\/code> metotlar\u0131 devreye girer. Her iki metot da belirli senaryolarda apply()<\/code>‘a alternatif veya tamamlay\u0131c\u0131 olarak kullan\u0131labilir, ancak kullan\u0131m ama\u00e7lar\u0131 ve kapsamlar\u0131 farkl\u0131l\u0131k g\u00f6sterir.<\/p>\nDataFrame.applymap(): T\u00fcm H\u00fccrelere Fonksiyon Uygulama<\/h4>\n
applymap()<\/code> metodu, bir DataFrame’deki her bir h\u00fccreye, ba\u011f\u0131ms\u0131z olarak ayn\u0131 fonksiyonu uygulamak i\u00e7in tasarlanm\u0131\u015ft\u0131r. Bu, \u00f6zellikle DataFrame’deki t\u00fcm elemanlar\u0131n veri tipini de\u011fi\u015ftirmek, string format\u0131n\u0131 g\u00fcncellemek veya say\u0131sal de\u011ferlere belirli bir matematiksel i\u015flem uygulamak istedi\u011finizde idealdir. applymap()<\/code>, DataFrame’in tamam\u0131n\u0131 veya belirli bir alt k\u00fcmesini ele alarak her bir eleman\u0131 tek tek i\u015fler ve sonu\u00e7 olarak orijinal DataFrame ile ayn\u0131 boyutlarda yeni bir DataFrame d\u00f6nd\u00fcr\u00fcr.<\/p>\n\nimport pandas as pd\n\ndata = {\n 'A': [1, 2, 3],\n 'B': [4, 5, 6],\n 'C': ['x', 'y', 'z']\n}\ndf = pd.DataFrame(data)\nprint(\"Orijinal DataFrame:\")\nprint(df)\n\n# T\u00fcm say\u0131sal h\u00fccrelere 10 ekleyelim\ndf_art\u0131_on = df.applymap(lambda x: x + 10 if isinstance(x, (int, float)) else x)\nprint(\"\\nSay\u0131sal h\u00fccrelere 10 eklenmi\u015f DataFrame:\")\nprint(df_art\u0131_on)\n\n# T\u00fcm string h\u00fccreleri b\u00fcy\u00fck harfe \u00e7evirelim\ndf_buyuk_harf = df.applymap(lambda x: str(x).upper() if isinstance(x, str) else x)\nprint(\"\\nString h\u00fccreleri b\u00fcy\u00fck harfe \u00e7evrilmi\u015f DataFrame:\")\nprint(df_buyuk_harf)\n<\/code><\/pre>\napplymap()<\/code> kullanarak say\u0131sal de\u011ferlere i\u015flem uygulad\u0131k ve string de\u011ferleri d\u00f6n\u00fc\u015ft\u00fcrd\u00fck. applymap()<\/code>‘\u0131n temel fark\u0131, fonksiyonu her bir elemana uygularken, apply()<\/code>‘\u0131n bir Series (sat\u0131r veya s\u00fctun) \u00fczerinde \u00e7al\u0131\u015fmas\u0131d\u0131r. Bu da applymap()<\/code>‘\u0131, veri tiplerinden ba\u011f\u0131ms\u0131z olarak her h\u00fccrede tekil i\u015flemler yapmak istedi\u011finizde daha uygun bir se\u00e7enek haline getirir.<\/p>\nSeries.map(): Tek Bir Series’e (S\u00fctuna) Fonksiyon Uygulama<\/h4>\n
map()<\/code> metodu, bir Series objesi (yani tek bir DataFrame s\u00fctunu) \u00fczerindeki her elemana bir fonksiyon veya bir s\u00f6zl\u00fck (dictionary) uygulamak i\u00e7in kullan\u0131l\u0131r. map()<\/code>, \u00f6zellikle bir s\u00fctundaki de\u011ferleri ba\u015fka bir de\u011ferle e\u015flemek (mapping) veya o s\u00fctundaki her bir elemana \u00f6zel bir d\u00f6n\u00fc\u015f\u00fcm uygulamak istedi\u011finizde \u00e7ok etkilidir. map()<\/code>, DataFrame’in tamam\u0131 yerine yaln\u0131zca belirli bir s\u00fctun \u00fczerinde \u00e7al\u0131\u015f\u0131r ve sonu\u00e7 olarak yeni bir Series d\u00f6nd\u00fcr\u00fcr.<\/p>\n\nimport pandas as pd\n\ndata = {\n '\u00dcr\u00fcn Kodu': ['A1', 'B2', 'A1', 'C3', 'B2'],\n 'Fiyat': [100, 200, 105, 300, 210]\n}\ndf = pd.DataFrame(data)\nprint(\"Orijinal DataFrame:\")\nprint(df)\n\n# \u00dcr\u00fcn kodlar\u0131n\u0131 tam isimleriyle e\u015fleyelim (s\u00f6zl\u00fck kullanarak)\nurun_esleme = {'A1': 'Laptop', 'B2': 'Mouse', 'C3': 'Klavye'}\ndf['\u00dcr\u00fcn Ad\u0131'] = df['\u00dcr\u00fcn Kodu'].map(urun_esleme)\nprint(\"\\n\u00dcr\u00fcn Ad\u0131 eklenmi\u015f DataFrame (map ile s\u00f6zl\u00fck e\u015flemesi):\")\nprint(df)\n\n# Fiyatlar\u0131 yuvarlayal\u0131m (fonksiyon kullanarak)\ndf['Yuvarlanm\u0131\u015f Fiyat'] = df['Fiyat'].map(lambda x: round(x, -1)) # En yak\u0131n 10'a yuvarla\nprint(\"\\nYuvarlanm\u0131\u015f Fiyat eklenmi\u015f DataFrame (map ile fonksiyon):\")\nprint(df)\n<\/code><\/pre>\nmap()<\/code> metodunu hem bir s\u00f6zl\u00fck ile de\u011ferleri e\u015flemek hem de bir lambda fonksiyonu ile say\u0131sal de\u011ferleri d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in kulland\u0131k. map()<\/code>, tek bir s\u00fctun \u00fczerinde h\u0131zl\u0131 ve etkili d\u00f6n\u00fc\u015f\u00fcmler yapmak i\u00e7in idealdir. \u00d6zellikle kategorik verileri kodlamak veya belirli de\u011ferleri de\u011fi\u015ftirmek istedi\u011finizde g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.<\/p>\napply(), applymap() ve map() Aras\u0131ndaki Farklar ve Ne Zaman Hangisini Kullanmal\u0131?<\/h4>\n
\n
apply()<\/code>:<\/strong> DataFrame’in sat\u0131rlar\u0131na (axis=1<\/code>) veya s\u00fctunlar\u0131na (axis=0<\/code>) fonksiyon uygular. Fonksiyon, bir Series objesi al\u0131r ve bir Series, DataFrame veya tek bir de\u011fer d\u00f6nd\u00fcrebilir. Karma\u015f\u0131k, \u00e7oklu s\u00fctun\/sat\u0131r ba\u011f\u0131ml\u0131 i\u015flemler i\u00e7in en uygunudur.<\/li>\napplymap()<\/code>:<\/strong> DataFrame’deki her bir elemana (h\u00fccreye) fonksiyon uygular. Fonksiyon, tek bir de\u011fer al\u0131r ve tek bir de\u011fer d\u00f6nd\u00fcr\u00fcr. Veri tipinden ba\u011f\u0131ms\u0131z olarak t\u00fcm h\u00fccrelerde tekil d\u00f6n\u00fc\u015f\u00fcmler i\u00e7in idealdir.<\/li>\nmap()<\/code>:<\/strong> Yaln\u0131zca bir Series (tek bir s\u00fctun) \u00fczerindeki her bir elemana fonksiyon veya s\u00f6zl\u00fck uygular. Fonksiyon, tek bir de\u011fer al\u0131r ve tek bir de\u011fer d\u00f6nd\u00fcr\u00fcr. Belirli bir s\u00fctundaki de\u011ferleri e\u015flemek veya d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in en h\u0131zl\u0131 ve en etkili yoldur.<\/li>\n<\/ul>\nGer\u00e7ek D\u00fcnya Senaryolar\u0131nda apply() Kullan\u0131m\u0131: Vaka Analizleri<\/h2>\n
apply()<\/code> metodu, soyut kavramlardan \u00e7ok, ger\u00e7ek d\u00fcnya problemlerini \u00e7\u00f6zmede pratik uygulamalar\u0131yla \u00f6ne \u00e7\u0131kar. Veri bilimciler ve analistler, karma\u015f\u0131k veri temizleme, \u00f6zellik m\u00fchendisli\u011fi ve i\u015f mant\u0131\u011f\u0131 entegrasyonu gibi g\u00f6revlerde s\u0131k\u00e7a apply()<\/code>‘a ba\u015fvururlar. \u0130\u015fte apply()<\/code>‘\u0131n g\u00fcc\u00fcn\u00fc g\u00f6steren iki ger\u00e7ek d\u00fcnya vaka analizi.<\/p>\nVaka 1: M\u00fc\u015fteri Segmentasyonu i\u00e7in Puanlama Sistemi Olu\u015fturma<\/h3>\n
\nimport pandas as pd\nfrom datetime import datetime\n\n# \u00d6rnek m\u00fc\u015fteri verisi\ndata = {\n 'M\u00fc\u015fteri_ID': [101, 102, 103, 104, 105],\n 'Ya\u015f': [30, 45, 22, 55, 38],\n 'Son_Sat\u0131n_Alma_Tarihi': ['2023-10-15', '2023-01-20', '2024-03-01', '2022-07-10', '2023-11-25'],\n 'Toplam_Harcama': [500, 1200, 150, 2000, 750]\n}\ndf = pd.DataFrame(data)\n\n# Tarih s\u00fctununu datetime objesine d\u00f6n\u00fc\u015ft\u00fcrelim\ndf['Son_Sat\u0131n_Alma_Tarihi'] = pd.to_datetime(df['Son_Sat\u0131n_Alma_Tarihi'])\n\n# Bug\u00fcn\u00fcn tarihini belirleyelim (sim\u00fclasyon i\u00e7in)\nbugun = datetime(2024, 4, 1)\n\nprint(\"Orijinal M\u00fc\u015fteri DataFrame:\")\nprint(df)\n\n# M\u00fc\u015fteri De\u011feri Skoru hesaplayan fonksiyon\ndef hesapla_musteri_degeri_skoru(row):\n yas_agirlik = 0.3\n eskilik_agirlik = 0.4\n harcama_agirlik = 0.3\n\n # Ya\u015f puan\u0131 (ya\u015f artt\u0131k\u00e7a puan d\u00fc\u015fs\u00fcn, gen\u00e7 m\u00fc\u015fteriler daha de\u011ferli kabul edilsin)\n yas_puani = max(0, 100 - (row['Ya\u015f'] - 18) * 2) # 18 ya\u015f 100 puan, 68 ya\u015f 0 puan\n\n # Eskilik puan\u0131 (son sat\u0131n alma tarihi ne kadar yak\u0131nsa o kadar y\u00fcksek puan)\n eskilik_gun = (bugun - row['Son_Sat\u0131n_Alma_Tarihi']).days\n eskilik_puani = max(0, 100 - eskilik_gun \/ 5) # Her 5 g\u00fcn i\u00e7in 1 puan d\u00fc\u015fs\u00fcn\n\n # Harcama puan\u0131 (toplam harcama ne kadar y\u00fcksekse o kadar y\u00fcksek puan)\n harcama_puani = min(100, row['Toplam_Harcama'] \/ 20) # 2000 harcama 100 puan\n\n # A\u011f\u0131rl\u0131kl\u0131 ortalama ile genel skor\n genel_skor = (yas_puani * yas_agirlik +\n eskilik_puani * eskilik_agirlik +\n harcama_puani * harcama_agirlik)\n return round(genel_skor, 2)\n\n# apply() metodunu kullanarak 'M\u00fc\u015fteri_De\u011feri_Skoru' s\u00fctununu olu\u015ftural\u0131m\ndf['M\u00fc\u015fteri_De\u011feri_Skoru'] = df.apply(hesapla_musteri_degeri_skoru, axis=1)\n\nprint(\"\\nM\u00fc\u015fteri De\u011feri Skoru eklenmi\u015f DataFrame:\")\nprint(df)\n<\/code><\/pre>\nhesapla_musteri_degeri_skoru<\/code> ad\u0131nda \u00f6zel bir fonksiyon tan\u0131mlad\u0131k. Bu fonksiyon, her bir m\u00fc\u015fteri sat\u0131r\u0131n\u0131 (row<\/code>) girdi olarak al\u0131r ve ‘Ya\u015f’, ‘Son_Sat\u0131n_Alma_Tarihi’ ve ‘Toplam_Harcama’ s\u00fctunlar\u0131n\u0131 kullanarak belirli bir mant\u0131kla puanlar hesaplar. Ard\u0131ndan, bu puanlar\u0131 a\u011f\u0131rl\u0131kland\u0131rarak tek bir ‘M\u00fc\u015fteri De\u011feri Skoru’ olu\u015fturur. df.apply(hesapla_musteri_degeri_skoru, axis=1)<\/code> ifadesi, bu fonksiyonu DataFrame’deki her bir m\u00fc\u015fteri kayd\u0131na (sat\u0131r\u0131na) uygulayarak, karma\u015f\u0131k bir i\u015f mant\u0131\u011f\u0131n\u0131 tek bir sat\u0131r kodla entegre etmemizi sa\u011flar. Bu t\u00fcr puanlama sistemleri, pazarlama kampanyalar\u0131n\u0131 hedeflemede, m\u00fc\u015fteri sadakat programlar\u0131n\u0131 geli\u015ftirmede ve risk de\u011ferlendirmesinde kritik rol oynar.<\/p>\nVaka 2: Metin Verilerinde Temizleme ve \u00d6zellik \u00c7\u0131karma<\/h3>\n
apply()<\/code> metodu, bu t\u00fcr metin temizleme ve \u00f6zellik \u00e7\u0131karma i\u015flemlerini otomatikle\u015ftirmek i\u00e7in \u00e7ok g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r.<\/p>\n\nimport pandas as pd\nimport re # D\u00fczenli ifadeler i\u00e7in\n\n# \u00d6rnek metin verisi\ndata = {\n 'ID': [1, 2, 3],\n 'Metin': [\n ' Merhaba D\u00fcnya! Bu bir test metnidir. ',\n 'Python & Pandas \u00e7ok g\u00fc\u00e7l\u00fcd\u00fcr!!!',\n 'Veri Bilimi Harika.'\n ]\n}\ndf = pd.DataFrame(data)\nprint(\"Orijinal Metin DataFrame:\")\nprint(df)\n\n# Metin temizleme ve \u00f6zellik \u00e7\u0131karma fonksiyonu\ndef metin_isleme(text):\n # 1. K\u00fc\u00e7\u00fck harfe \u00e7evir\n text = text.lower()\n # 2. \u00d6zel karakterleri kald\u0131r (harf ve say\u0131 d\u0131\u015f\u0131ndakiler)\n text = re.sub(r'[^a-z0-9\\s]', '', text)\n # 3. Birden fazla bo\u015flu\u011fu tek bo\u015flu\u011fa indir\n text = re.sub(r'\\s+', ' ', text)\n # 4. Ba\u015flang\u0131\u00e7 ve sondaki bo\u015fluklar\u0131 kald\u0131r\n text = text.strip()\n return text\n\n# apply() metodunu kullanarak 'Temizlenmi\u015f_Metin' s\u00fctununu olu\u015ftural\u0131m\ndf['Temizlenmi\u015f_Metin'] = df['Metin'].apply(metin_isleme)\n\n# Kelime say\u0131s\u0131n\u0131 hesaplayan fonksiyon\ndef kelime_sayisi_hesapla(text):\n return len(text.split())\n\n# apply() metodunu kullanarak 'Kelime_Say\u0131s\u0131' s\u00fctununu olu\u015ftural\u0131m\ndf['Kelime_Say\u0131s\u0131'] = df['Temizlenmi\u015f_Metin'].apply(kelime_sayisi_hesapla)\n\nprint(\"\\nTemizlenmi\u015f Metin ve Kelime Say\u0131s\u0131 eklenmi\u015f DataFrame:\")\nprint(df)\n<\/code><\/pre>\nmetin_isleme<\/code> ad\u0131nda bir fonksiyon tan\u0131mlad\u0131k. Bu fonksiyon, bir metin dizesini alarak onu k\u00fc\u00e7\u00fck harfe \u00e7evirir, \u00f6zel karakterleri kald\u0131r\u0131r, fazla bo\u015fluklar\u0131 d\u00fczenler ve ba\u015ftaki\/sondaki bo\u015fluklar\u0131 temizler. Daha sonra bu fonksiyonu ‘Metin’ s\u00fctununa apply()<\/code> metodu ile uygulayarak ‘Temizlenmi\u015f_Metin’ ad\u0131nda yeni bir s\u00fctun olu\u015fturduk. Ard\u0131ndan, temizlenmi\u015f metinler \u00fczerinde kelime_sayisi_hesapla<\/code> fonksiyonunu uygulayarak her bir metnin kelime say\u0131s\u0131n\u0131 \u00e7\u0131kard\u0131k. Bu vaka, apply()<\/code>‘\u0131n metin verileri \u00fczerinde karma\u015f\u0131k ve ad\u0131m ad\u0131m i\u015flemler ger\u00e7ekle\u015ftirmek i\u00e7in ne kadar etkili oldu\u011funu g\u00f6stermektedir. \u00d6zellikle NLP pipelinelar\u0131nda, metinlerin standart bir formata getirilmesi ve \u00e7e\u015fitli \u00f6zelliklerin \u00e7\u0131kar\u0131lmas\u0131 i\u00e7in apply()<\/code> vazge\u00e7ilmez bir ara\u00e7t\u0131r.<\/p>\napply() Metodunun Performans \u0130pu\u00e7lar\u0131 ve Alternatifleri<\/h2>\n
apply()<\/code> metodu, esneklik ve \u00f6zelle\u015ftirme a\u00e7\u0131s\u0131ndan \u00e7ok g\u00fc\u00e7l\u00fc olsa da, performans konusunda baz\u0131 s\u0131n\u0131rlamalar\u0131 olabilir. \u00d6zellikle \u00e7ok b\u00fcy\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken veya yo\u011fun hesaplamalar i\u00e7eren fonksiyonlar uygularken, apply()<\/code>‘\u0131n d\u00f6ng\u00fc tabanl\u0131 yap\u0131s\u0131 nedeniyle yava\u015f \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 fark edebilirsiniz. Bu b\u00f6l\u00fcmde, apply()<\/code>‘\u0131n performans\u0131n\u0131 optimize etme yollar\u0131n\u0131 ve daha h\u0131zl\u0131 alternatifleri inceleyece\u011fiz.<\/p>\napply() Neden Yava\u015f Olabilir?<\/h4>\n
apply()<\/code> metodu, Python’\u0131n saf d\u00f6ng\u00fclerinden daha h\u0131zl\u0131 olsa da, Pandas’\u0131n optimize edilmi\u015f, vekt\u00f6rize edilmi\u015f operasyonlar\u0131na g\u00f6re genellikle daha yava\u015ft\u0131r. Bunun temel nedeni, apply()<\/code>‘\u0131n Python seviyesinde bir fonksiyonu her bir sat\u0131r veya s\u00fctun i\u00e7in ayr\u0131 ayr\u0131 \u00e7a\u011f\u0131rmas\u0131d\u0131r. Bu “Python d\u00f6ng\u00fcs\u00fc” overhead’i, C veya Fortran gibi d\u00fc\u015f\u00fck seviyeli dillerde optimize edilmi\u015f NumPy veya Pandas i\u00e7 operasyonlar\u0131na k\u0131yasla performans\u0131 d\u00fc\u015f\u00fcr\u00fcr.<\/p>\nPerformans \u0130pu\u00e7lar\u0131 ve Alternatifler<\/h4>\n
\n
.str<\/code> accessor, .dt<\/code> accessor, say\u0131sal operasyonlar, fillna()<\/code>, replace()<\/code>, clip()<\/code> vb.) yap\u0131labiliyorsa, her zaman bunlar\u0131 tercih edin. Bu metotlar C dilinde optimize edilmi\u015ftir ve \u00e7ok daha h\u0131zl\u0131 \u00e7al\u0131\u015f\u0131r.<\/p>\n\nimport pandas as pd\nimport numpy as np\n\ndf = pd.DataFrame({'A': np.random.rand(100000), 'B': np.random.rand(100000)})\n\n# apply() ile karek\u00f6k alma (yava\u015f)\n# %timeit df['A'].apply(np.sqrt) # \u00d6rnek: 100 ms civar\u0131\n\n# Vekt\u00f6rize NumPy ile karek\u00f6k alma (h\u0131zl\u0131)\n# %timeit np.sqrt(df['A']) # \u00d6rnek: 1 ms civar\u0131\n\n# String i\u015flemleri i\u00e7in .str accessor\ndf_str = pd.DataFrame({'Text': [' hello world ', ' python rocks! ']})\n# apply() ile (yava\u015f)\n# df_str['Text'].apply(lambda x: x.strip().upper())\n# Vekt\u00f6rize .str ile (h\u0131zl\u0131)\ndf_str['Text'].str.strip().str.upper()\n <\/code><\/pre>\napply()<\/code>‘dan \u00e7ok daha h\u0131zl\u0131 olacakt\u0131r.<\/p>\n\nimport pandas as pd\nimport numpy as np\n\ndf = pd.DataFrame({'Say\u0131': [1, 4, 9, 16, 25]})\n\n# apply() ile\ndf['Karek\u00f6k_Apply'] = df['Say\u0131'].apply(np.sqrt)\n\n# NumPy ufunc ile\ndf['Karek\u00f6k_NumPy'] = np.sqrt(df['Say\u0131'])\nprint(df)\n <\/code><\/pre>\n<\/li>\n.transform()<\/code> Metodu:<\/strong>\ngroupby()<\/code> i\u015flemi sonras\u0131 her gruba bir fonksiyon uygulamak ve sonu\u00e7lar\u0131 orijinal DataFrame’in boyutuyla e\u015fle\u015ftirmek istiyorsan\u0131z, apply()<\/code> yerine .transform()<\/code> metodunu kullanmay\u0131 d\u00fc\u015f\u00fcnebilirsiniz. transform()<\/code>, apply()<\/code>‘a g\u00f6re genellikle daha performansl\u0131d\u0131r, \u00e7\u00fcnk\u00fc Pandas’\u0131n i\u00e7 optimizasyonlar\u0131ndan daha fazla faydalan\u0131r ve genellikle tek bir de\u011fer yerine ayn\u0131 boyutlarda bir Series d\u00f6nd\u00fcr\u00fcr.<\/p>\n\nimport pandas as pd\n\ndf = pd.DataFrame({'Grup': ['A', 'B', 'A', 'B'], 'De\u011fer': [10, 20, 15, 25]})\n\n# Her grubun ortalamas\u0131n\u0131 al\u0131p orijinal DataFrame'e ekleme\ndf['Grup_Ortalamas\u0131'] = df.groupby('Grup')['De\u011fer'].transform('mean')\nprint(df)\n <\/code><\/pre>\n<\/li>\nswifter<\/code> K\u00fct\u00fcphanesi:<\/strong>\nswifter<\/code> gibi \u00fc\u00e7\u00fcnc\u00fc taraf k\u00fct\u00fcphaneler, apply()<\/code> i\u015flemlerini otomatik olarak h\u0131zland\u0131rmak i\u00e7in paralel i\u015flem veya Dask gibi ara\u00e7lar\u0131 kullanabilir. Kurulumu basit olup, df.swifter.apply()<\/code> \u015feklinde kullan\u0131l\u0131r.<\/p>\n\n# import swifter # Kurulum: pip install swifter\n# df['Yeni_S\u00fctun'] = df.swifter.apply(your_complex_function, axis=1)\n <\/code><\/pre>\napply()<\/code> metodunu kullanmadan \u00f6nce her zaman vekt\u00f6rize Pandas veya NumPy metotlar\u0131n\u0131 ara\u015ft\u0131rmal\u0131s\u0131n\u0131z. E\u011fer vekt\u00f6rize bir \u00e7\u00f6z\u00fcm m\u00fcmk\u00fcn de\u011filse veya \u00e7ok karma\u015f\u0131ksa, apply()<\/code> hala g\u00fc\u00e7l\u00fc bir se\u00e7enektir. Ancak bu durumda, performans beklentilerinizi ger\u00e7ek\u00e7i tutmal\u0131 ve b\u00fcy\u00fck veri setleri i\u00e7in alternatif h\u0131zland\u0131rma tekniklerini (\u00f6rne\u011fin swifter<\/code>) de\u011ferlendirmelisiniz. Do\u011fru arac\u0131 do\u011fru zamanda kullanmak, veri i\u015fleme s\u00fcre\u00e7lerinizin hem verimli hem de anla\u015f\u0131l\u0131r olmas\u0131n\u0131 sa\u011flayacakt\u0131r.<\/p>\nS\u0131k\u00e7a Sorulan Sorular (SSS)<\/h2>\n
apply()<\/code> metodu hakk\u0131nda s\u0131k\u00e7a kar\u015f\u0131la\u015f\u0131lan baz\u0131 sorular ve cevaplar\u0131 a\u015fa\u011f\u0131dad\u0131r:<\/p>\n\n
apply()<\/code> metodu ne zaman kullan\u0131lmal\u0131?<\/strong><\/p>\napply()<\/code> metodu, standart Pandas veya NumPy’nin vekt\u00f6rize metotlar\u0131n\u0131n yeterli olmad\u0131\u011f\u0131 durumlarda, \u00f6zel bir fonksiyonu DataFrame’in sat\u0131rlar\u0131 veya s\u00fctunlar\u0131 \u00fczerinde \u00e7al\u0131\u015ft\u0131rmak istedi\u011finizde kullan\u0131lmal\u0131d\u0131r. \u00d6zellikle karma\u015f\u0131k ko\u015fullu mant\u0131k, d\u0131\u015f k\u00fct\u00fcphanelerle entegrasyon veya birden fazla s\u00fctunu i\u00e7eren \u00f6zel hesaplamalar gerekti\u011finde idealdir.<\/p>\n<\/li>\napply()<\/code> metodu neden yava\u015f olabilir?<\/strong><\/p>\napply()<\/code>, Python seviyesinde bir fonksiyonu her bir sat\u0131r veya s\u00fctun i\u00e7in ayr\u0131 ayr\u0131 \u00e7a\u011f\u0131r\u0131r. Bu, Pandas’\u0131n C dilinde optimize edilmi\u015f vekt\u00f6rize operasyonlar\u0131na k\u0131yasla “Python d\u00f6ng\u00fcs\u00fc” overhead’i nedeniyle daha yava\u015f \u00e7al\u0131\u015fmas\u0131na neden olabilir. B\u00fcy\u00fck veri setleri veya yo\u011fun hesaplamalar i\u00e7eren fonksiyonlar i\u00e7in bu performans fark\u0131 belirgin hale gelir.<\/p>\n<\/li>\napply()<\/code> metodu ile birden fazla de\u011fer d\u00f6nd\u00fcrmek m\u00fcmk\u00fcn m\u00fc?<\/strong><\/p>\napply()<\/code> metoduna iletti\u011finiz fonksiyon bir Series veya liste d\u00f6nd\u00fcr\u00fcyorsa, apply()<\/code> bu sonu\u00e7lar\u0131 otomatik olarak birden fazla yeni s\u00fctun olarak DataFrame’e ekleyebilir. Bunun i\u00e7in genellikle result_type='expand'<\/code> parametresini kullanman\u0131z gerekebilir, \u00f6zellikle axis=1<\/code> ile \u00e7al\u0131\u015f\u0131rken.<\/p>\n\nimport pandas as pd\ndf = pd.DataFrame({'A': [1, 2], 'B': [3, 4]})\ndef coklu_deger_dondur(row):\n return pd.Series([row['A'] + row['B'], row['A'] * row['B']], index=['Toplam', '\u00c7arp\u0131m'])\ndf_yeni = df.apply(coklu_deger_dondur, axis=1)\nprint(df_yeni)\n <\/code><\/pre>\n<\/li>\napply()<\/code> metodu groupby()<\/code> ile nas\u0131l kullan\u0131l\u0131r?<\/strong><\/p>\ngroupby()<\/code> ile apply()<\/code> kullanmak, gruplar \u00fczerinde karma\u015f\u0131k, \u00f6zel d\u00f6n\u00fc\u015f\u00fcmler yapmak i\u00e7in \u00e7ok g\u00fc\u00e7l\u00fc bir kombinasyondur. groupby()<\/code> sonras\u0131 apply()<\/code> \u00e7a\u011fr\u0131ld\u0131\u011f\u0131nda, fonksiyonunuz her bir grup i\u00e7in ayr\u0131 ayr\u0131 \u00e7a\u011fr\u0131l\u0131r ve o grubun DataFrame’ini girdi olarak al\u0131r.<\/p>\n\nimport pandas as pd\ndf = pd.DataFrame({'Grup': ['A', 'B', 'A', 'B'], 'De\u011fer': [10, 20, 15, 25]})\ndef grup_ozet(group_df):\n return group_df['De\u011fer'].max() - group_df['De\u011fer'].min()\nsonuc = df.groupby('Grup').apply(grup_ozet)\nprint(sonuc)\n <\/code><\/pre>\n<\/li>\napply()<\/code> ve transform()<\/code> aras\u0131ndaki fark nedir?<\/strong><\/p>\ngroupby()<\/code> ile kullan\u0131labilse de, temel farklar\u0131 \u00e7\u0131kt\u0131 boyutlar\u0131ndad\u0131r:<\/p>\n\n
apply()<\/code>:<\/strong> Her grup i\u00e7in rastgele boyutlarda bir sonu\u00e7 d\u00f6nd\u00fcrebilir (tek bir de\u011fer, Series, DataFrame). Bu sonu\u00e7lar daha sonra birle\u015ftirilir.<\/li>\ntransform()<\/code>:<\/strong> Her grup i\u00e7in tek bir de\u011fer veya orijinal grubun boyutuyla ayn\u0131 boyutta bir Series d\u00f6nd\u00fcrmelidir. \u00c7\u0131kt\u0131, orijinal DataFrame ile ayn\u0131 indekslere ve boyuta sahip olacak \u015fekilde yay\u0131nlan\u0131r. transform()<\/code> genellikle apply()<\/code>‘dan daha performansl\u0131d\u0131r, \u00e7\u00fcnk\u00fc daha k\u0131s\u0131tl\u0131 bir \u00e7\u0131kt\u0131 yap\u0131s\u0131na sahiptir ve Pandas’\u0131n i\u00e7 optimizasyonlar\u0131ndan daha fazla yararlanabilir.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\nSonu\u00e7: Pandas apply() ile Veri Manip\u00fclasyonunda Ustal\u0131k<\/h2>\n
apply()<\/code> metodu, veri analizi ve manip\u00fclasyonu d\u00fcnyas\u0131nda vazge\u00e7ilmez bir ara\u00e7t\u0131r. Bu makale boyunca, apply()<\/code>‘\u0131n temel prensiplerinden ba\u015flayarak, sat\u0131r ve s\u00fctun baz\u0131nda nas\u0131l kullan\u0131labilece\u011fine, applymap()<\/code> ve map()<\/code> gibi benzer metotlarla kar\u015f\u0131la\u015ft\u0131rmalar\u0131na ve ger\u00e7ek d\u00fcnya senaryolar\u0131ndaki pratik uygulamalar\u0131na kadar bir\u00e7ok y\u00f6n\u00fcn\u00fc detayl\u0131ca inceledik. M\u00fc\u015fteri segmentasyonundan metin temizlemeye kadar \u00e7e\u015fitli vaka analizleri, apply()<\/code>‘\u0131n karma\u015f\u0131k i\u015f mant\u0131\u011f\u0131n\u0131 veri setlerinize nas\u0131l entegre edebilece\u011finizi net bir \u015fekilde ortaya koydu.<\/p>\napply()<\/code>‘\u0131n esnekli\u011fi, standart Pandas metotlar\u0131n\u0131n yetersiz kald\u0131\u011f\u0131 durumlarda kendi \u00f6zel fonksiyonlar\u0131n\u0131z\u0131 veya d\u0131\u015f k\u00fct\u00fcphaneleri entegre etme yetene\u011finden gelir. Bu sayede, veri setlerinizi istedi\u011finiz formata d\u00f6n\u00fc\u015ft\u00fcrebilir, yeni ve anlaml\u0131 \u00f6zellikler t\u00fcretebilir ve veri odakl\u0131 kararlar almak i\u00e7in gerekli \u00f6n i\u015flemleri yapabilirsiniz. Ancak, performans\u0131n kritik oldu\u011fu durumlarda, apply()<\/code>‘\u0131n vekt\u00f6rize Pandas veya NumPy metotlar\u0131na g\u00f6re daha yava\u015f \u00e7al\u0131\u015fabilece\u011fini unutmamak \u00f6nemlidir. Bu nedenle, her zaman \u00f6nce vekt\u00f6rize \u00e7\u00f6z\u00fcmleri ara\u015ft\u0131rmal\u0131, e\u011fer m\u00fcmk\u00fcn de\u011filse apply()<\/code>‘a ba\u015fvurmal\u0131 ve gerekirse swifter<\/code> gibi k\u00fct\u00fcphanelerle performans\u0131 optimize etmeyi d\u00fc\u015f\u00fcnmelisiniz.<\/p>\napply()<\/code> metoduna hakim olmak, kar\u015f\u0131la\u015ft\u0131\u011f\u0131n\u0131z hemen her t\u00fcrl\u00fc veri manip\u00fclasyonu sorununa yarat\u0131c\u0131 ve etkili \u00e7\u00f6z\u00fcmler \u00fcretmenizi sa\u011flayacakt\u0131r. Bu g\u00fc\u00e7l\u00fc arac\u0131n inceliklerini anlamak, sadece kod yazma becerilerinizi geli\u015ftirmekle kalmayacak, ayn\u0131 zamanda veri setlerinizden daha derinlemesine i\u00e7g\u00f6r\u00fcler elde etmenize de yard\u0131mc\u0131 olacakt\u0131r. Unutmay\u0131n, en iyi veri bilimcisi, elindeki ara\u00e7lar\u0131 en iyi \u015fekilde tan\u0131yan ve do\u011fru arac\u0131 do\u011fru problem i\u00e7in kullanabilen ki\u015fidir. Pandas apply()<\/code> ile veri manip\u00fclasyonunda ustala\u015farak, bu yetkinli\u011finizi bir ad\u0131m \u00f6teye ta\u015f\u0131y\u0131n ve veri d\u00fcnyas\u0131ndaki potansiyelinizi tam olarak a\u00e7\u0131\u011fa \u00e7\u0131kar\u0131n.<\/p>\n