Pandas Eğitimi: Python'da DataFrame'ler

• .iloc[]'un ise indeksteki konumlara bakacağını da biliyorsunuz. 2 geçirdiğinizde elde edeceğiniz:

48    7
49    8
50    9

• İndeks yalnızca tamsayılardan oluşmadığından, .ix[] iloc ile aynı davranışı gösterecek ve indeksteki konumlara bakacaktır. .iloc[] ile aynı sonucu alırsınız.

Artık .iloc[], .loc[] ve .ix[] arasındaki fark net olduğuna göre, DataFrame'inize satır eklemeyi denemeye hazırsınız!

İpucu: Az önce okuduklarınızın bir sonucu olarak, DataFrame'inize satır eklerken genel önerinin .loc kullanmanız olduğunu da anlıyorsunuz. Çünkü df.ix[] kullanırsanız, sayısal değerli bir indeksi indeks değeriyle referans etmeye çalışıp DataFrame'inizdeki mevcut bir satırı yanlışlıkla üzerine yazabilirsiniz. Bundan kaçınmalısınız!

Aşağıdaki DataFrame'de farkı bir kez daha kontrol edin:

df = pd.DataFrame(data=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), index= [2.5, 12.6, 4.8], columns=[48, 49, 50])

# This will make an index labeled `2` and add the new values
df.loc[2] = [11, 12, 13]
print(df)

     48  49  50

2.5    1   2   3

12.6   4   5   6

4.8    7   8   9

2.0   11  12  13

Tüm bunların neden kafa karıştırıcı olabileceğini görüyorsunuz, değil mi?

DataFrame'inize Sütun Ekleme

Bazı durumlarda, indeksinizi DataFrame'inizin bir parçası yapmak isteyebilirsiniz. Bunu, DataFrame'inizden bir sütunu alıp .index özelliğine atayarak veya henüz oluşturmadığınız bir sütuna atıfta bulunup .index'e atayarak kolayca yapabilirsiniz, şöyle:

df = pd.DataFrame(data=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), columns=['A', 'B', 'C'])
​
# Use `.index`
df['D'] = df.index
​
# Print `df`
print(df)

  A  B  C  D

0  1  2  3  0

1  4  5  6  1

2  7  8  9  2

Başka bir deyişle, DataFrame'inize A sütununu indeksi olarak almasını söylüyorsunuz.

Ancak, DataFrame'inize sütun eklemek isterseniz, indeks eklediğinizde izlediğiniz yaklaşımla aynı yolu da izleyebilirsiniz: .loc[] veya .iloc[] kullanırsınız. Bu durumda, .loc[] yardımıyla mevcut bir DataFrame'e bir Series eklersiniz:

# Study the DataFrame `df`
print(df)

# Append a column to `df`
df.loc[:, 4] = pd.Series(['5', '6', '7'], index=df.index)

# Print out `df` again to see the changes
print(df)

  A  B  C  D

0  1  2  3  0

1  4  5  6  1

2  7  8  9  2

   A  B  C  D  4

0  1  2  3  0  5

1  4  5  6  1  6

2  7  8  9  2  7

Bir Series nesnesinin bir DataFrame'in sütununa çok benzediğini unutmayın. Bu, mevcut bir DataFrame'e bir Series ekleyebilmenizin nedenini açıklar. Ayrıca, .loc[] hakkında daha önce yapılan gözlemin, DataFrame'inize sütun eklerken bile geçerli olduğunu unutmayın!

DataFrame'inizin İndeksini Sıfırlama

İndeksiniz tam olarak istediğiniz gibi görünmüyorsa, onu sıfırlamayı tercih edebilirsiniz. Bunu .reset_index() ile kolayca yapabilirsiniz. Ancak yine de dikkatli olmalısınız; başarılı bir sıfırlama yapmanızı sağlayabilecek veya bozabilecek çeşitli argümanlar geçebilirsiniz:

# Check out the weird index of your dataframe
print(df)

# Use `reset_index()` to reset the values. 
df_reset = df.reset_index(level=0, drop=True)

# Print `df_reset`
print(df_reset)

  A  B  C  D  4

0  1  2  3  0  5

1  4  5  6  1  6

2  7  8  9  2  7

   A  B  C  D  4

0  1  2  3  0  5

1  4  5  6  1  6

2  7  8  9  2  7

Yukarıdaki örnekte drop argümanını inplace ile değiştirip ne olduğunu görebilirsiniz!

Vazgeçmek istediğiniz indeksi belirtmek için drop argümanını nasıl kullandığınıza dikkat edin. Eğer inplace kullansaydınız, orijinal ondalıklı indeks DataFrame'inize ekstra bir sütun olarak eklenirdi.

DataFrame'inizden Bir İndeks Silme

DataFrame'inizden indeksi kaldırmak istiyorsanız, tekrar düşünmelisiniz; çünkü DataFrame'ler ve Series her zaman bir indekse sahiptir.

Bununla birlikte, yapabileceğiniz şeyler şunlardır:

• DataFrame'inizin indeksini sıfırlamak (nasıl yapıldığını görmek için bir önceki bölüme dönün) veya
• varsa indeks adını del df.index.name çalıştırarak kaldırmak,
• indeks değerlerini, DataFrame'inize eklenmiş indeks sütununun yinelemelerini kaldırıp tekrarsız hale getirdikten sonra yeniden indeks olarak atayarak çoğaltmaları kaldırmak
• ve son olarak, bir indeksi ve onunla birlikte bir satırı kaldırmak. Bu konu, bu eğitimde ilerleyen kısımlarda ayrıntılandırılmıştır.

df = pd.DataFrame(data=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [40, 50, 60], [23, 35, 37]]), 
                  index= [2.5, 12.6, 4.8, 4.8, 2.5], 
                  columns=[48, 49, 50])
                  
df.reset_index().drop_duplicates(subset='index', keep='last').set_index('index')

Artık DataFrame'inizden bir indeksi nasıl kaldıracağınızı bildiğinize göre, sütunları ve satırları kaldırmaya geçebilirsiniz!

DataFrame'inizden Bir Sütun Silme

DataFrame'inizden (bir seçimini) sütunları kaldırmak için drop() yöntemini kullanabilirsiniz:

df = pd.DataFrame(data=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), columns=['A', 'B', 'C'])

# Check out the DataFrame `df`
print(df)

# Drop the column with label 'A'                  
df.drop('A', axis=1, inplace=True)

# Drop the column at position 1
df.drop(df.columns[[1]], axis=1)

  A  B  C

0  1  2  3

1  4  5  6

2  7  8  9

Şimdi düşünebilirsiniz: bu o kadar da basit değil; drop() yöntemine geçirilen bazı ek argümanlar var!

• axis argümanı, satırları belirtirken 0, sütunları bırakmak için kullanıldığında 1'dir.
• DataFrame'i yeniden atamak zorunda kalmadan sütunu silmek için inplace'i True olarak ayarlayabilirsiniz.

DataFrame'inizden Bir Satır Kaldırma

DataFrame'inizden yinelenen satırları df.drop_duplicates() komutunu çalıştırarak kaldırabilirsiniz. Ayrıca yalnızca bir sütunda var olan yinelenen değerleri dikkate alarak DataFrame'inizden satırları kaldırabilirsiniz.

Şu örneğe bakın:

df = pd.DataFrame(data=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [40, 50, 60], [23, 35, 37]]), 
                  index= [2.5, 12.6, 4.8, 4.8, 2.5], 
                  columns=[48, 49, 50])

# Check out your DataFrame `df`
print(df)

# Drop the duplicates in `df`
df.drop_duplicates([48], keep='last')

      48  49  50

2.5    1   2   3

12.6   4   5   6

4.8    7   8   9

4.8   40  50  60

2.5   23  35  37

Silme işleminiz için bir tekil kriter yoksa, drop() yöntemini kullanabilirsiniz; burada hangi satırları kaldırmak istediğinizi belirtmek için index özelliğini kullanırsınız:

# Check out the DataFrame `df`
print(df)

# Drop the index at position 1
df.drop(df.index[1])

     48  49  50

2.5    1   2   3

12.6   4   5   6

4.8    7   8   9

4.8   40  50  60

2.5   23  35  37

Bu komuttan sonra, indeksi yeniden sıfırlamak isteyebilirsiniz.

İpucu: Ortaya çıkan DataFrame'in indeksini kendiniz sıfırlamayı deneyin! Gerekli görürseniz drop argümanını kullanmayı unutmayın.

Bir DataFrame'de Geçen Tüm Dize Örneklerini Değiştirme

DataFrame'inizde belirli dizeleri değiştirmek için replace()'i kolayca kullanabilirsiniz: değiştirmek istediğiniz değerleri, ardından yerlerine koymak istediğiniz değerleri geçin.

Şöyle:

df = pd.DataFrame({"Student1":['OK','Awful','Acceptable'], 
                   "Student2":['Perfect','Awful','OK'], 
                   "Student3":['Acceptable','Perfect','Poor']})

# Study the DataFrame `df` first
print(df)

# Replace the strings by numerical values (0-4)
df.replace(['Awful', 'Poor', 'OK', 'Acceptable', 'Perfect'], [0, 1, 2, 3, 4]) 

     Student1 Student2    Student3

0          OK  Perfect  Acceptable

1       Awful    Awful     Perfect

2  Acceptable       OK        Poor

Garip dize kombinasyonlarıyla karşılaştığınızda size çok yardımcı olabilecek bir regex argümanı da olduğuna dikkat edin:

df =  pd.DataFrame([["1\n", 2, "3\n"], [4, 5, "6\n"] ,[7, "8\n", 9]])

# Check out your DataFrame `df`
print(df)

# Replace strings by others with `regex`
df.replace({'\n': ''}, regex=True)

    0    1    2

0  1\n    2  3\n

1    4    5  6\n

2    7  8\n    9

Kısacası, DataFrame'inizdeki değerleri veya dizeleri başkalarıyla değiştirmek istediğinizde çoğunlukla ihtiyacınız olan şey replace()'tir!

DataFrame Hücrelerindeki Dizelerden Parça Kaldırma

İstenmeyen dize parçalarını kaldırmak zahmetli bir iştir. Neyse ki bu soruna kolay bir çözüm var!

df =  pd.DataFrame([["+-1aAbBcC", "2", "+-3aAbBcC"], ["4", "5", "+-6aAbBcC"] ,["7", "+-8aAbBcC", "9"]])

# Check out your DataFrame
print(df)

# Delete unwanted parts from the strings in the first column
df[0] = df[0].map(lambda x: x.lstrip('+-').rstrip('aAbBcC'))

# Check out the result again
df

          0          1          2

0  +-1aAbBcC          2  +-3aAbBcC

1          4          5  +-6aAbBcC

2          7  +-8aAbBcC          9

map()'i result sütunu üzerinde, lambda işlevini sütunun her bir elemanına (öğe bazında) uygulamak için kullanırsınız. İşlevin kendisi dize değerini alır, soldaki + veya -'yi, sağda ise altı aAbBcC'den herhangi birini kaldırır.

Bir Sütundaki Metni DataFrame'de Birden Fazla Satıra Bölme

Bu biraz daha zor bir biçimlendirme görevidir. Ancak, bir sonraki kod parçası sizi adımlarda yönlendirecek:

df = pd.DataFrame({"Age": [34, 22, 19], 
                   "PlusOne":[0,0,1], 
                   "Ticket":["23:44:55", "66:77:88", "43:68:05 56:34:12"]})

# Inspect your DataFrame `df`
print(df)

# Split out the two values in the third row
# Make it a Series
# Stack the values
ticket_series = df['Ticket'].str.split(' ').apply(pd.Series, 1).stack()

# Get rid of the stack:
# Drop the level to line up with the DataFrame
ticket_series.index = ticket_series.index.droplevel(-1)

print(ticket_series)

  Age  PlusOne             Ticket

0   34        0           23:44:55

1   22        0           66:77:88

2   19        1  43:68:05 56:34:12

0    23:44:55

1    66:77:88

2    43:68:05

2    56:34:12

dtype: object

          0

0  23:44:55

1  66:77:88

2  43:68:05

2  56:34:12

Kısaca yaptığınız şudur:

• Önce eldeki DataFrame'i incelersiniz. Son satır ve son sütundaki değerlerin biraz uzun olduğunu görürsünüz. Görünüşe göre bir davetli konsere bir refakatçi getirdiği için iki bilet var.
• df DataFrame'inden Ticket sütununu alır ve boşluğa göre dizeleri bölersiniz. Bu, sonunda iki biletin iki ayrı satıra düşmesini sağlar. Ardından bu dört değeri (dört bilet numarası) alır ve bir Series nesnesine koyarsınız:

      0         1
0  23:44:55       NaN
1  66:77:88       NaN
2  43:68:05  56:34:12

• Bu hâlâ doğru görünmüyor. İçeride NaN değerleri var! Ortaya çıkan Series'te NaN bulunmamasını sağlamak için Series'i istiflemeniz gerekiyor.
• Ardından Series'inizin istiflendiğini görürsünüz.

0  0    23:44:55
1  0    66:77:88
2  0    43:68:05
   1    56:34:12

• Bu da ideal değil. Bu yüzden DataFrame ile hizalamak için düzeyi düşürürsünüz:

0    23:44:55
1    66:77:88
2    43:68:05
2    56:34:12
dtype: object

• Aradığınız şey budur.
• Başlangıçtaki DataFrame'inize geri birleştirebilmek için Series'inizi bir DataFrame'e dönüştürün. Ancak, DataFrame'inizde yinelenenler olmamasını sağlamak için orijinal Ticket sütununu silebilirsiniz.

Bir İşlevi Pandas DataFrame'inizin Sütunlarına veya Satırlarına Uygulama

Bir işlev uygulayarak DataFrame'inizdeki verileri ayarlamak isteyebilirsiniz. Bu soruyu kendi lambda işlevinizi yazarak yanıtlamaya başlayalım:

doubler = lambda x: x*2

İpucu: Python'da işlevler hakkında daha fazla bilgi istiyorsanız, bu Python işlevleri eğitimini düşünün.

df = pd.DataFrame(data=np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]), columns=['A', 'B', 'C'])

# Study the `df` DataFrame
print(df)

# Apply the `doubler` function to the `A` DataFrame column
df['A'].apply(doubler)
 A  B  C

0  1  2  3

1  4  5  6

2  7  8  9

0     2

1     8

2    14

Name: A, dtype: int64

DataFrame'inizden bir satır da seçip doubler lambda işlevini ona uygulayabileceğinizi unutmayın. .loc[] veya .iloc[] kullanarak DataFrame'inizden bir satırı kolayca seçebileceğinizi hatırlayın.

Daha sonra, indeksi konumuna göre mi, etiketine göre mi seçeceğinize bağlı olarak aşağıdakine benzer bir şey çalıştırırsınız:

df.loc[0].apply(doubler)

apply() işlevinin yalnızca işlevi DataFrame'inizin ekseni boyunca uyguladığını unutmayın. Bu, hedefin ya indeksi ya da sütunlar olduğu anlamına gelir. Ya da başka bir deyişle, ya bir satır ya da bir sütun.

Ancak, öğe bazında (element-wise) uygulamak istiyorsanız map() işlevini kullanabilirsiniz. Yukarıdaki kod parçasında apply() işlevini map() ile değiştirebilirsiniz. Değerleri 2 ile çarptığınızdan emin olmak için doubler işlevini ona iletmeyi unutmayın.

Diyelim ki bu ikiye katlama işlevini yalnızca DataFrame'inizin A sütununa değil, tamamına uygulamak istiyorsunuz. Bu durumda, applymap() ile doubler işlevini DataFrame'in tamamındaki her bir elemana uygulayabilirsiniz:

doubled_df = df.applymap(doubler)
print(doubled_df)

   A   B   C

0   2   4   6

1   8  10  12

2  14  16  18

Bu durumlarda, çalışma zamanında oluşturulan lambda (anonim) işlevlerle çalıştığımızı unutmayın. Bununla birlikte, kendi işlevinizi de yazabilirsiniz. Örneğin:

def doubler(x):
    if x % 2 == 0:
        return x
    else:
        return x * 2

# Use `applymap()` to apply `doubler()` to your DataFrame
doubled_df = df.applymap(doubler)

# Check the DataFrame
print(doubled_df)

   A   B   C

0   2   2   6

1   4  10   6

2  14   8  18

Python'da denetim akışı hakkında daha fazla bilgi isterseniz, diğer kaynaklarımıza göz atabilirsiniz.

DataFrame'inizi Pivotlama

Orijinal tablonuzdan türetilmiş yeni bir tablo oluşturmak için pivot() işlevini kullanabilirsiniz. İşlevi kullanırken üç argüman geçebilirsiniz:

1. values: bu argüman, orijinal DataFrame'inizden pivot tablonuzda görmek istediğiniz değerleri belirtmenizi sağlar.
2. columns: bu argümana ne geçirirseniz, ortaya çıkan tabloda bir sütun olur.
3. index: bu argümana ne geçirirseniz, ortaya çıkan tabloda bir indeks olur.

# Import pandas
import pandas as pd

# Create your DataFrame
products = pd.DataFrame({'category': ['Cleaning', 'Cleaning', 'Entertainment', 'Entertainment', 'Tech', 'Tech'],
        'store': ['Walmart', 'Dia', 'Walmart', 'Fnac', 'Dia','Walmart'],
        'price':[11.42, 23.50, 19.99, 15.95, 55.75, 111.55],
        'testscore': [4, 3, 5, 7, 5, 8]})

# Use `pivot()` to pivot the DataFrame
pivot_products = products.pivot(index='category', columns='store', values='price')

# Check out the result
print(pivot_products)

store            Dia   Fnac  Walmart

category                            

Cleaning       23.50    NaN    11.42

Entertainment    NaN  15.95    19.99

Tech           55.75    NaN   111.55

Ortaya çıkan tabloda bulunmasını beklediğiniz değerleri özellikle doldurmadığınızda, birden çok sütuna göre pivotlarsınız:

# Import the Pandas library
import pandas as pd
​
# Construct the DataFrame
products = pd.DataFrame({'category': ['Cleaning', 'Cleaning', 'Entertainment', 'Entertainment', 'Tech', 'Tech'],
                       'store': ['Walmart', 'Dia', 'Walmart', 'Fnac', 'Dia','Walmart'],
                       'price':[11.42, 23.50, 19.99, 15.95, 55.75, 111.55],
                       'testscore': [4, 3, 5, 7, 5, 8]})
​
# Use `pivot()` to pivot your DataFrame
pivot_products = products.pivot(index='category', columns='store')
​
# Check out the results
print(pivot_products)

             price                testscore             

store            Dia   Fnac Walmart       Dia Fnac Walmart

category                                                  

Cleaning       23.50    NaN   11.42       3.0  NaN     4.0

Entertainment    NaN  15.95   19.99       NaN  7.0     5.0

Tech           55.75    NaN  111.55       5.0  NaN     8.0

Verileriniz, belirttiğiniz sütunlar için yinelenen değerlere sahip satırlar içeremez. Böyle bir durum varsa bir hata mesajı alırsınız. Verilerinizin tekilliğini garanti edemiyorsanız, bunun yerine pivot_table yöntemini kullanmak istersiniz:

# Import the Pandas library
import pandas as pd

# Your DataFrame
products = pd.DataFrame({'category': ['Cleaning', 'Cleaning', 'Entertainment', 'Entertainment', 'Tech', 'Tech'],
                        'store': ['Walmart', 'Dia', 'Walmart', 'Fnac', 'Dia','Walmart'],
                        'price':[11.42, 23.50, 19.99, 15.95, 19.99, 111.55],
                        'testscore': [4, 3, 5, 7, 5, 8]})

# Pivot your `products` DataFrame with `pivot_table()`
pivot_products = products.pivot_table(index='category', columns='store', values='price', aggfunc='mean')

# Check out the results
print(pivot_products)

store            Dia   Fnac  Walmart

category                            

Cleaning       23.50    NaN    11.42

Entertainment    NaN  15.95    19.99

Tech           19.99    NaN   111.55

pivot_table yöntemine geçirilen ek aggfunc argümanına dikkat edin. Bu argüman, birden çok değeri birleştirmek için kullanılan bir toplama işlevi kullandığınızı belirtir. Bu örnekte mean işlevinin kullanıldığını açıkça görebilirsiniz.

Pandas DataFrame'inizi Yeniden Şekillendirmek için stack() ve unstack() Kullanma

5. bölümde istiflemeye (stack) bir örnek zaten gördünüz. Özünde, bir DataFrame'i istiflediğinizde onu daha uzun hale getirdiğinizi hatırlıyor olabilirsiniz. En içteki sütun indeksini en içteki satır indeksi hâline getirirsiniz. Yeni bir en iç düzey satır etiketine sahip bir indeksle bir DataFrame döndürürsünüz.

İstiflemenin tersi unstack'tir. stack()'e benzer şekilde, unstack() ile en içteki satır indeksini en içteki sütun indeksi hâline getirirsiniz.

Pandas'ta pivotlama, istifleme ve istif çözme açıklaması için pandas ile Veriyi Yeniden Şekillendirme kursumuza göz atın.

DataFrame'inizi melt() ile Yeniden Şekillendirme

Melt, bir veya daha fazla sütunun tanımlayıcı değişken, diğer tüm sütunların ise ölçülen değişken kabul edildiği durumlarda kullanışlıdır.

Bu ölçülen değişkenlerin tümü satır eksenine "unpivot" edilir. Yani, DataFrame'in genişliği boyunca yayılmış ölçülen değişkenler, melt işlemiyle yüksekliğe yerleştirilir. Başka bir deyişle, DataFrame'iniz daha geniş yerine daha uzun hâle gelir.

Sonuç olarak, 'variable' ve 'value' olmak üzere iki tanımlayıcı olmayan sütununuz olur.

Bir örnekle gösterelim:

# The `people` DataFrame
people = pd.DataFrame({'FirstName' : ['John', 'Jane'],
                       'LastName' : ['Doe', 'Austen'],
                       'BloodType' : ['A-', 'B+'],
                       'Weight' : [90, 64]})

# Use `melt()` on the `people` DataFrame
print(pd.melt(people, id_vars=['FirstName', 'LastName'], var_name='measurements'))

 FirstName LastName measurements value

0      John      Doe    BloodType    A-

1      Jane   Austen    BloodType    B+

2      John      Doe       Weight    90

3      Jane   Austen       Weight    64

Verinizi yeniden şekillendirmenin daha fazla yolunu arıyorsanız, dokümantasyona göz atın.

Bir DataFrame'i CSV'ye Aktarma

Bir DataFrame'i CSV dosyası olarak yazdırmak için to_csv() kullanabilirsiniz:

import pandas as pd
df.to_csv('myDataFrame.csv')

Bu kod parçası oldukça basit görünüyor, ancak çoğu kişi için zorluklar tam burada başlar; çünkü verinizin çıktısı için belirli gereksinimleriniz olacaktır. Belki ayırıcı olarak virgül istemiyorsunuz ya da belirli bir kodlama belirtmek istiyorsunuz.

Endişelenmeyin! Verinizin istediğiniz şekilde çıktılanmasını sağlamak için to_csv()'ye bazı ek argümanlar geçebilirsiniz!

• Tab ile ayırmak için sep argümanını kullanın:

import pandas as pd
df.to_csv('myDataFrame.csv', sep='\t')

• Belirli bir karakter kodlaması kullanmak için encoding argümanını kullanabilirsiniz:

import pandas as pd
df.to_csv('myDataFrame.csv', sep='\t', encoding='utf-8')

• Ayrıca, NaN veya eksik değerlerin nasıl temsil edileceğini, başlığın (header) yazdırılıp yazdırılmayacağını, satır adlarının yazılıp yazılmayacağını, sıkıştırma isteyip istemediğinizi belirtebilirsiniz; seçenekler için okuyun.

Bir DataFrame'i Excel'e Yazma

DataFrame'inizi CSV'ye aktarmada yaptığınıza benzer şekilde, tablonuzu Excel'e yazmak için to_excel()'i kullanabilirsiniz. Ancak biraz daha karmaşıktır:

import pandas as pd
writer = pd.ExcelWriter('myDataFrame.xlsx')
df.to_excel(writer, 'DataFrame')
writer.save()

Ancak, to_csv()'de olduğu gibi, verinizi doğru şekilde çıktıladığınızdan emin olmak için startcol, startrow vb. gibi çok sayıda ek argümanınız olduğunu unutmayın. pandas kullanarak CSV dosyalarından veri içe aktarma ve CSV'ye veri dışa aktarma hakkında daha fazla bilgiyi eğitimimizde bulabilirsiniz. 

Öte yandan, Pandas'taki IO araçları hakkında daha fazla bilgi istiyorsanız, pandas DataFrame'leri Excel'e yazma dokümantasyonuna göz atın.