Pandas - add

add() Metodu

pandas.DataFrame.add metodu, bir DataFrame ile başka bir nesneyi öğe bazında (element-wise) toplamak için kullanılan ikili bir operatör sarmalayıcısıdır.

Sözdizimi:

DataFrame.add(other, axis='columns', level=None, fill_value=None)

Aşama 1: Temel Amaç ve Eşdeğerlik

1. Basit Toplama: Bu metodun temel amacı, bir DataFrame'in her bir hücresini (elementini) başka bir değerle (skaler, Seri veya başka bir DataFrame) toplamaktır.

2. Operatör Eşdeğerliği: DataFrame.add metodu, Python'daki standart dataframe + other operatörüne eşdeğerdir.

3. Esnek Sarmalayıcılar: Bu metot, +, -, *, /, % gibi aritmetik operatörler için oluşturulmuş esnek sarmalayıcılar (flexible wrappers) grubuna aittir (sub, mul, div, pow gibi diğer işlemler de bu gruba dahildir)

Aşama 2: Esnekliğin Anlamı (Neden + yerine add kullanılır?)

Standart + operatörü ile toplama yapabilirsiniz, ancak add gibi esnek sarmalayıcıları kullanmanın en büyük avantajı, eksik veriler (NaN) için bir doldurma değeri (*fill_value*) belirleme desteği sunmasıdır.

1. Hizalama (Alignment): İki DataFrame'i veya bir DataFrame ile bir Seriyi topladığınızda, Pandas otomatik olarak uyumsuz dizinleri birleştirir (unioned together). Yani, her iki veri yapısında da mevcut olmayan satır veya sütunlar varsa, bunlar sonuç DataFrame'e eklenir.

2. Eksik Veri Doldurma (fill_value): Eğer topladığınız iki girişten birinde veri eksikse (NaN), hesaplama yapılmadan önce bu eksik değerlerin yerine bir fill_value koyabilirsiniz.

Önemli Not: Eğer her iki girişin de aynı konumdaki verileri eksikse (NaN ise), doldurma değeri uygulansa bile sonuç yine eksik (NaN) olacaktır.

Aşama 3: Parametreler (İşlemi Nasıl Yönlendirirsiniz?)

add metodu, toplama işlemini kontrol etmenizi sağlayan birkaç önemli parametre alır:

axis parametresi için kullanabileceği iki ana değer vardır:

Önemli Not: DataFrame.add metodunda varsayılan (default) değer 'columns' (yani 1) olarak ayarlanmıştır.

Aşama 4: Basit Uygulama Örnekleri

Örnek Veri Çerçevemiz;

import pandas as pd

df = pd.DataFrame({'angles': [0, 3, 4],
                    'degrees': [360, 180, 360]},
                    index=['circle', 'triangle', 'rectangle'])
print(df)

Çıktı:

           angles  degrees
circle          0      360
triangle        3      180
rectangle       4      360

1. Skaler Değer ile Matematiksel İşlemler

TOPLAMA İŞLEMİ

Bir DataFrame'e sabit bir değer eklemek istediğinizde, hem toplama (+) operatörü hem de add metodunu kullanabilirsiniz ve sonuçlar aynı olacaktır.

Girdi (Örnek DataFrame df):

• 'angles' (Açılar) sütununda 0, 3, 4 değerleri.

• İşlem: df + 1 veya df.add(1).

• Sonuç: DataFrame'deki her bir değer 1 artar (0 olur 1, 360 olur 361 vb.).

Kod ve Çıktısı:

print(df.add(1))    # print(df + 1) işlemi ile eşdeğer 

Çıktı:

           angles  degrees
circle          1      361
triangle        4      181
rectangle       5      361

ÇIKARMA İŞLEMİ:

İlk sütundan (angles) 1 değerini, ikinci sütundan (degrees) 2 değerini çıkaralım.

df.sub([1, 2], axis='columns')    #  print(df - [1, 2]) işlemi ile eşdeğer

Çıktı:

          angles  degrees
circle         -1      358
triangle        2      178
rectangle       3      358

axis parametresi ile eksenlere göre liste ve seriyi çıkaralım;

print(df.sub(pd.Series([1, 3, 5], 
            index=['circle', 'triangle', 'rectangle']), 
            axis='index'))

Çıktı:

           angles  degrees
circle         -1      359
triangle        0      177
rectangle      -1      355

Görüldüğü gibi, circle satırından 1, triangle satırından 3 ve rectangle satırından 5 değerleri çıkarıldı.

BÖLME İŞLEMİ:

Orjinal Veri çerçevesindeki tüm değerleri 10'a bölelim;

print(df.div(10))    # print(df / 10) işlemi ile eşdeğer

Çıktı:

           angles  degrees
circle        0.0     36.0
triangle      0.3     18.0
rectangle     0.4     36.0

ÇARPMA İŞLEMİ:

Basit çarpma işlemi yapalım;

print(df.mul(5))    # print(df * 5) ile eşdeğer

Çıktı:

           angles  degrees
circle          0     1800
triangle       15      900
rectangle      20     1800

Eksenleri (sütunları) bir Sözlük yapısı ile belirtilen değerğerle çarpalım;

print(df.mul({'angles': 0, 'degrees': 2}))

Çıktı:

           angles  degrees
circle          0      720
triangle        0      360
rectangle       0      720

angles sütununu0 ile degrees sütununu 2 değeri ile çarpmış olduk.

Bir de satırlara göre farklı değerlerle çarpma işlemi uygulayalım;

print(df.mul({'circle': 0, 
            'triangle': 2, 
            'rectangle': 3}, 
            axis='index'))

Çıktı:

           angles  degrees
circle          0        0
triangle        6      360
rectangle      12     1080

circle satırı 0 ile, triangle satırı 2 ile, rectangle satırı da 3 ile çarpıldı.

2. Uyumsuz Şekillerle Çalışma ve fill_value** Kullanımı**

fill_value parametresinin kullanımı, add metodunun (ve diğer mul, sub ve div gibi esnek sarmalayıcıların) gücünü gösterir. Farklı şekillerdeki iki DataFrame'i çarptığımızı varsayalım.

• Senaryo: iki sütunlu df ile sadece tek bir sütunu olan other isimli başka bir DataFrame'i çarpmak (mul) istiyoruz.

• Operatör Kullanımı (df other): Eğer other'da olmayan bir sütun varsa (örneğin 'degrees'), bu sütundaki sonuçlar NaN (Not a Number - Eksik değer) olarak döner.

• Esnek Metot Kullanımı (df.mul(other, fill_value=0)): Eğer fill_value=0 olarak ayarlanırsa, ikinci DataFrame'de (other) eksik olan yerler hesaplama yapılmadan önce 0 ile doldurulur. Böylece, normalde NaN olacak çarpma sonuçları (çünkü 0 ile çarpılır), 0.0 olarak döner.

Bu, add metodu için de geçerlidir. Eğer toplama işleminde eksik verilerinizi 0 ile doldurursanız, o verilerin kaybolmasını engellemiş olursunuz.

İKİ FARKLI VERİ ÇERÇEVESİNİ ÇARPALIM:

Öncelikle other adında angles adında tek sütundan oluşan bir veri çerçevesi oluşturalım.

other = pd.DataFrame({'angles': [0, 3, 4]},
                     index=['circle', 'triangle', 'rectangle'])

print(other)

Çıktı:

           angles
circle          0
triangle        3
rectangle       4

Şimdi df ile other tablolarını çarpalım;

print(df.mul(other))    # print(df * other) ile eşdeğer

Çıktı:

           angles  degrees
circle          0      NaN
triangle        9      NaN
rectangle      16      NaN

other tablomuzda degrees sütunu olmadığı için çarpma işlemi sonucundaki degrees sütunu değerleri NaN olarak karşımıza çıktı.

Bu sorunu çözmek için fill_value parametresinden yararlanabiliriz;

print(df.mul(other, fill_value=0))

Çıktı:

           angles  degrees
circle          0      0.0
triangle        9      0.0
rectangle      16      0.0

İKİ FARKLI VERİ ÇERÇEVESİNİ TOPLAMAYALIM:

Önce df2 isimli angles adında tek sütundan oluşan bir veri çerçevesi oluşturalım. Hem df hem de df2 tablomuza bakalım;

df2 = pd.DataFrame({'angles': [50, 60, 70]},
                     index=['circle', 'triangle', 'rectangle'])

print("df:\n", df)
print("df2:\n", df2)

Çıktı:

df:
            angles  degrees
circle          0      360
triangle        3      180
rectangle       4      360

df2:
            angles
circle         50
triangle       60
rectangle      70

Şimdi bu iki tablomuzu add metodu ile toplayalım;

print(df.add(df2))

Çıktı:

           angles  degrees
circle         50      NaN
triangle       63      NaN
rectangle      74      NaN

df2 tablomuzda degrees sütunu olmadığı için toplama işlemi sonucundaki degrees sütunu değerleri NaN olarak karşımıza çıktı.

Bu sorunu çözmek için yine fill_value parametresinden yararlanıyoruz;

print(df.add(df2, fill_value=0))

Çıktı:

           angles  degrees
circle         50    360.0
triangle       63    180.0
rectangle      74    360.0

fill_value=0 olarak ayarlandığı için, ikinci DataFrame'de (df2) eksik olan yerler hesaplama yapılmadan önce 0 ile dolduruldu. Böylece, normalde NaN olacak toplama işlemi sonuçları, (0 ile toplandığı için) geçerli bir değer olarak döndü.

Kaynaklar:

• pandas.DataFrame.add — pandas 2.3.3 documentation
• Google NotebookLM