Pandas 12 - Operator Kullanımı

Operator Kullanımı

Atama Operatorleri

import pandas as pd

Aritmetik İşlem Operatörleri

sum() Metodu

Python'dan kullanmaya aşina olduğumuz sum() fonksiyonu, Pandas içerisinde metot olarak bulunuyor. Yani Python'da sum() fonksiyonuna parametre olarak değişken veriyorduk.

(Ör. sum(liste)). Pandasta ise veri çerçevesi adının sonuna metot olarak ekliyoruz.

(Ör. VeriCercevesi.sum()) Örneklerle inceleyelim.

baslik = ["Birler", "Onlar", "Yüzler"]
basliksiz = pd.read_excel("Veri_Setleri/basliksiz.ods", header = None, names = baslik )
print(basliksiz)

Elimizde, 17 satır ve 3 sütundan oluşan tablomuz var. Bakalım sum() metodunu kullanınca nasıl bir sonuç elde edeceğiz.

print(basliksiz.sum())

Birler 105
Onlar 840
Yüzler 8796
dtype: int64

Görüyoruz ki, sum() metodu sayesinde her sütunun toplam değerleri ekrana yazdırılıyor. Peki Tablodaki tüm değerlerin toplamını bulmak istersek ne yapmalıyız? sum() metodu bize 3 sütun başlığı ve 3 değer verdiğine göre, ikinci bir sum() metodu (yani sum() metodunu peşpeşe iki defa yazmak) bu değerlerin toplamını verir mi dersiniz? Deneyelim.

print(basliksiz.sum().sum())

9741

Tahmin ettiğimiz gibi, iki kez sum() metodu kullanmak, tüm veri çerçevesinin toplamını elde etmemizi sağladı.

mean() Metodu

Her sütun için ortalama değer hesaplamak için mean() metodunu kullanabiliriz.

basliksiz.mean()

Birler      5.833333
Onlar      46.666667
Yüzler    488.666667
dtype: float64

Her satır için ortalama değer hesaplamak için ise axis = 1 parametresini ekleyin kodu çalıştırın;

basliksiz.mean(axis = 1)

0     112.333333
1      88.333333
2     218.666667
3     191.333333
4     218.666667
5     120.333333
6     185.333333
7     258.666667
8     255.000000
9     327.666667
10    158.333333
11    198.666667
12     52.000000
13    165.666667
14     69.666667
15    178.666667
16    243.333333
17    204.333333
dtype: float64

Toplama, Çıkarma, Çarpma ve Bölme İşlemleri

Veri çerçevesine yeni sütun ekleme konusunu işlerken buna benzer bir örnek uygulama yapmıştık. Sırayla işlemleri tek tek uygulayıp sonucu görelim.

Toplama Operatörü

Birler + Onlar isimli sütun oluşturup, Birler ve Onlar Sütunlarındaki değerleri toplayıp yeni sütuna dahil edelim.

basliksiz["Birler + Onlar"] = basliksiz["Birler"] + basliksiz["Onlar"]
print(basliksiz)

Çıkarma Operatörü

Yüzler - Onlar isimli sütun oluşturup, Yüzler sütunundaki değerlerden Onlar Sütunundaki değerleri çıkarıp yeni sütuna dahil edelim.

basliksiz["Yüzler - Onlar"] = basliksiz["Yüzler"] - basliksiz["Onlar"]
print(basliksiz)

Çarpma Operatörü

Yüzler * Birler isimli sütun oluşturup, Yüzler sütunundaki değerleri Birler Sütunundaki değerlerle çarpıp yeni sütuna dahil edelim.

basliksiz["Yüzler * Birler"] = basliksiz["Yüzler"] * basliksiz["Birler"]
print(basliksiz)

Bölme Operatörü

Yüzler / Onlar isimli sütun oluşturup, Yüzler sütunundaki değerleri Onlar Sütunundaki değerlere Bölüp yeni sütuna dahil edelim.

basliksiz["Yüzler * Onlar"] = basliksiz["Yüzler"] / basliksiz["Onlar"]
print(basliksiz)

Mantıksal / Karşılaştırma Operatörleri

Bu konuya da diğer bölümlerde değinmiştik, Konu başlığı bu bölüme ait olduğu için tekrar anlatmakta farar görüyorum.

Mantıksal Operatorler (Boolean), True (Doğru) ya da False (Yanlış) çıktı verirler. Veri çerçevemizdeki değer ya da metinlerin (string ifadelerin) belirlenen değerlere uyup uymadığına dair çıktı almak ya da hesap yapmak için kullanılabilir.

Bu Operatörler;

• Büyüktür (>),
• Küçüktür (<),
• Eşittir (==),
• Eşit Değildir (!=),
• İçerir (contains),
• İçermez / Değil (not)

örnek olarak verilebilir.

Şimdi bu operatorleri inceleyelim. Öncelikle varolan tablolarımızda birini içe aktarıp veri çerçevesine dönüştürelim.

json = pd.read_json("Veri_Setleri/json_verisi.json")
json

Büyüktür (>) ve Küçüktür (<) Operatörleri

Veri çerçevemizde 110'dan büyük verileri bulmaya çalışalım. Bu işlemi büyüktür (>) operatörü ile yapacağız.

json > 110

Gördüğünüz gibi, tablodaki tüm değerler verilen kriter olan 110'dan büyük olup olmadığına göre sorgulandı ve cevabı her bir hücreye işlendi.

Sütunlarda, Değeri 110'dan büyük kaçar adet sayı olduğunu bulmak istersek;

(json > 110).sum()

Duration 0
Pulse 2
Maxpulse 6
Calories 6
dtype: int64

Veri çerçevemizde, 110'dan büyük toplam kaç adet sayı vardır, diye merak edersek;

(json > 110).sum().sum()

14

Küçüktür (<) operatörünün kullanımı da aynıdır. Veri çerçevemizdeki, 150'den küçük verileri görelim.

json < 150

Eşittir (==) ve Eşit Değil (!=) Operatörleri

Eşittir (==) ya da bir başka deyimle Eşit midir? operatörü :) (Eşitse True değeri döndür demektir)

Veri çerçevemizde 60'a eşit değerleri bulalım. Bunu == operatörü ile tespit edeceğiz.

json == 60

Veri çerçevemizde 60'a eşit kaç adet toplam değer var?

(json == 60).sum().sum()

4

Veri çerçevemizde 117'ye eşit olmayan sayı var mı? Varsa "True" diye göster.

json != 117

Veri çerçevemizde 117'den farklı kaç sayı var?

Bunların Sütun dağılımları nasıl?

(json != 117).sum().sum()

22

(json != 117).sum()

Duration    6
Pulse       4
Maxpulse    6
Calories    6
dtype: int64

İçerir / İçermez Operatörleri

Bu konuyu, Metin bazlı (string ifadeler) veri çerçeveleri ile daha rahat anlatabileceğimi düşünüyorum. Hemen yeni bir Veri çerçevesi oluşturalım.

nba = pd.read_csv("Veri_Setleri/nba.csv")
print(nba)

458 rows × 9 columns

nba isimli veri çerçevemizde isminin içinde Jordan kelimesi bulunan kaç adet oyunucu olduğunu bulmaya çalışalım. Bunu, String Metotlarında contains() ile tespit etmeye çalışacağız.

print(nba["Name"].str.contains("Jordan").sum())

8

İsim-Soyisim içinde Jordan kelimesi bulunan oyuncuların hangi sütunda kaç adet verisi bulunuyor?

jordan = nba["Name"].str.contains("Jordan")
print(nba.groupby(jordan).count())

nba2 = nba.dropna()
print(nba2)

364 rows × 9 columns

isimler = nba2["Name"]
jrd = isimler.str.contains("Jordan")
print(nba2[jrd])

← Önceki Bölüm |