Ana içeriğe atla

Kurs

Python'da Kategorik Verilerle Çalışma

Orta SeviyeBeceri Seviyesi

Güncel 07.2025

Pandas ve Seaborn kullanarak kategorik verileri nasıl işleyip görselleştirebileceğinizi öğrenin.

Kursa Ücretsiz Başlayın

PythonData Manipulation

4 sa

15 video

52 Egzersiz

4,200 XP

35,099

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Bir kişinin kan grubu ya da medeni durumu gibi sayısal olmayan verileri anlamak, kullanmak ve özetlemek bir veri bilimcinin temel becerilerindendir. Bu derste, pandas ve seaborn kullanarak kategorik verileri nasıl işleyip görselleştireceğini öğreneceksin. Uygulamalı egzersizler boyunca pandas'ın kategorik veri türünü kavrayacak; kategorik sütunlar oluşturma, silme ve güncelleme adımlarını göreceksin. Ayrıca, sahiplenilebilir köpeklerin özellikleri, Las Vegas gezi yorumları ve nüfus sayımı verileri gibi çok çeşitli veri kümeleriyle çalışarak kategorik verilerle çalışma becerilerini geliştireceksin.

Önkoşullar

Data Manipulation with pandas

1

Kategorik Verilere Giriş

Neredeyse her veri kümesi kategorik bilgiler içerir — ve çoğu zaman bu kısım keşfedilmeyi bekleyen bir bilgi hazinesidir. Bu bölümde, pandas'ın kategori veri türünü kullanarak kategorik sütunları nasıl ele aldığını öğreneceksin. Ayrıca verileri kategorilere göre gruplandırarak güçlü özet istatistikleri nasıl ortaya çıkaracağını keşfedeceksin.

Kursa giriş

Kategorik vs. sayısal

Hedef değişkenini keşfetme

Sıralı kategorik değişkenler

pandas'ta kategorik veriler

dtype’ları ayarlama ve belleği koruma

Kategorik bir pandas Series oluşturma

Veri okunurken dtype ayarlama

pandas'ta verileri kategoriye göre gruplama

Bir sürü grup oluştur

.groupby() ifadesi kurma

pandas işlevlerini etkili kullanma

Bölümü Başlat

2

Kategorik pandas Series

Şimdi bir Series içindeki kategorileri nasıl ayarlayacağını, ekleyip kaldıracağını öğrenme zamanı. Kategorileri güncellemeyi, yeniden adlandırmayı, birleştirip daraltmayı ve yeniden sıralamayı keşfedecek, ardından yeni becerilerini kullanarak DataFrame'indeki diğer verileri temizleyip erişeceksin.

Kategori değişkenlerini ayarlama

Kategorileri ayarlama

Kategoriler ekleme

Kategorileri kaldırma

Kategorileri güncelleme

Kategorileri daraltma bilgi kontrolü

Kategorileri yeniden adlandırma

Kategorileri birleştirme

Kategorileri yeniden sıralama

Bir Series içindeki kategorileri yeniden sıralama

.groupby()'u yeniden sıralamadan sonra kullanma

Veri temizleme ve erişim

Değişkenleri temizleme

Verilere erişme ve filtreleme

Bölümü Başlat

3

Kategorik Verileri Görselleştirme

Bu bölümde, seaborn Python kütüphanesini kullanarak kategorik verilerle bilgilendirici görselleştirmeler oluşturacaksın — kategorik grafikler (cat-plot), kutu grafikleri, çubuk grafikler, nokta ve sayım grafikleri dahil. Ardından kategorik sütunları nasıl görselleştireceğini ve sayısal sütunların özet istatistiklerini göstermek için verileri kategorik sütunlara göre nasıl böleceğini öğreneceksin.

Seaborn ile kategorik grafiklere giriş

Kutu grafiğini anlama

Kutu grafiği oluşturma

Seaborn çubuk grafikleri

Çubuk grafiği oluşturma

Kategorileri sıralama

Hue kullanarak çubuk grafik

Nokta ve sayım grafikleri

Nokta grafiği oluşturma

Count plot oluşturma

catplot() türlerini gözden geçir

Ek catplot() seçenekleri

Grup başına bir görselleştirme

Kategorik görselleştirmeleri güncelleme

Bölümü Başlat

4

Hatalı Yaklaşımlar ve Kodlama

Son olarak, kategorik verilerle çalışırken karşılaşılan yaygın tuzakların üstesinden nasıl geleceğini öğreneceksin. Ayrıca, Machine Learning algoritmalarında kullanıma hazırlık için ideal olan etiket kodlama (label encoding) ve tek-seçmeli (one-hot) kodlama yöntemleriyle veri kodlama becerilerini geliştireceksin.

Kategorik verilerde sık yapılan hatalar

Bellek kullanımı bilgi kontrolü

Sorunları aşma: string kaynaklı meseleler

Sorunların üstesinden gelmek: NumPy dizilerini kullanmak

Etiket kodlama

Etiket kodlaması oluştur ve eşle

Kaydedilmiş eşlemeleri kullanma

Boolean kodlama oluşturma

One-hot encoding

One-hot bilgi kontrolü

Belirli sütunlar için one-hot encoding

Kapanış videosu

Bölümü Başlat

Python'da Kategorik Verilerle Çalışma

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve Python'da Kategorik Verilerle Çalışma eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.