pandas-fundamentals-lab

Hands-on pandas fundamentals project including indexing, aggregation, cleaning and EDA case studies.

Pandas Fundamentals Lab

---

Projenin Amacı

Bu çalışma, aynı zamanda veri analizi sürecini sistematik ve analitik bir çerçevede ele almayı hedefleyen uygulamalı bir laboratuvar çalışmasıdır.

Temel hedefler:

• Veri ile düşünme pratiği geliştirmek
• Veri kalitesini sorgulama refleksi kazanmak
• Analitik yorumlama disiplinini oturtmak
• Portföy standardında, temiz ve açıklayıcı notebook yapısı oluşturmak

---

Notebook İçerikleri ve Analitik Çerçeve:

---

1️⃣ Pandas Methods & Indexing Case Lab

Bu bölümde pandas’ın temel yapı taşları ele alınmıştır:

• .loc ve .iloc ile veri seçimi
• Boolean filtreleme
• Koşullu veri çıkarımı
• Sütun ve satır bazlı operasyonlar
• .describe() ile betimsel istatistik analizi

Analitik Vurgu

Bu aşamada yalnızca teknik seçim yapılmamış;
.describe() çıktısı üzerinden:

• Eksik veri tespiti
• Değer aralığı analizi
• Çeyrek dağılım yorumlama
• Olası anomali kontrolü

gibi veri kalitesi farkındalığı geliştirilmiştir.

---

2️⃣ Aggregation & Data Cleaning Mini Case

Bu notebook, veri analizi sürecinin en kritik kısmına odaklanır:
Veri temizliği ve toplulaştırma.

Uygulanan başlıca kavramlar:

• Eksik veri analizi
• groupby() ve agg() kullanımı
• Değişken bazlı karşılaştırmalar
• Sabit (varyasyonsuz) kolon tespiti
• Negatif değerlerin anlamlandırılması

Veri Kalitesi Gözlemleri

Bu bölümde özellikle:

• Eksik değer sayılarının yorumlanması
• Negatif finansal değerlerin olası anlamları
• Sabit kolonların (örneğin 365 gün gibi) modelleme açısından anlamsızlığı
• Yoğunlaşmış (clustered) dağılımların analizi

ele alınmıştır.

Amaç yalnızca kod yazmak değil,
veriyle sorgulayıcı ilişki kurmaktır.

---

3️⃣ Visualization & EDA Mini Lab

Bu bölüm keşifsel veri analizine odaklanır:

• Histogram ile dağılım inceleme
• Boxplot ile grup karşılaştırması
• Görsel üzerinden hipotez üretme
• Temel yorumlama pratiği

Analitik Yaklaşım

Görselleştirme yalnızca grafik üretme değildir.

Her grafik sonrası:

• Dağılım yapısı
• Olası çarpıklık
• Grup farklılıkları
• İstatistiksel anlamlılık ihtiyacı

gibi sorular sorulmuştur.

---

Metodolojik Yaklaşım

Bu proje şu prensiplere göre hazırlanmıştır:

• Notebook’lar baştan sona çalıştırılmıştır.
• Debug hücreleri temizlenmiştir.
• Markdown açıklamaları ile öğretici yapı korunmuştur.
• Veri kalitesi analizi bilinçli şekilde entegre edilmiştir.
• Kod + yorum + bağlam birlikte sunulmuştur.

Amaç:

“Kod yazmak” değil,
“Analitik düşünceyi yapılandırmak”.

---

Kullanılan Araçlar

• Python 3.x
• pandas 2.x
• matplotlib
• seaborn
• Jupyter Notebook (Lab)

---

Nihai Motivasyon

Bu çalışma, veri bilimi yolculuğunda sağlam bir temel oluşturma motivasyonu ile hazırlanmıştır.

Temel pandas becerilerini:

• bilinçli,
• sistematik,
• analitik,
• portföy standardında

bir yapıya dönüştürmek hedeflenmiştir.

---

Kurulum ve Çalıştırma Rehberi → SETUP_GUIDE.md