mhalil

3D Modelleme, Animasyon, Render, Vektör - Raster Grafik İşleme ve Python ile Programlama konularına meraklı Açık Kaynak Hayranı bir Makine Mühendisi

İlmin zekatı %100'dür. Bildiklerizi paylaşın.

Pandas - isna

Paz 23 Kasım 2025

isna() Metodu

isna(), veri analizi yaparken en sık kullanılan ve en temel fonksiyonlardan biridir. Bunu bir "Kayıp Veri Dedektifi" gibi düşünebilirsin.

isna

Sözdizimi:

pandas.isna(obj)

Parametreler:

pandas.isna fonksiyonu, diğer karmaşık pandas fonksiyonlarının aksine (örneğin read_csv gibi onlarca ayarı olanların aksine) çok sade ve net bir yapıya sahiptir.

Aslında teknik olarak sadece tek bir ana parametresi (girdisi) vardır.

Null veya eksik değerler için kontrol edilecek nesne. ("kontrol edilmesini istediğin veri" anlamına gelir.)

Parametrenin (obj) içine ne koyarsak, çıktı olarak ne alacağını şu tabloda özetleyebiliriz:

obj Parametresine Ne Verirsen Çıktı Olarak Ne Alırsın?
Tek bir değer (örn. None) Tek bir Boolean (True)
Liste (örn. [1, None]) Boolean Dizisi ([False, True])
DataFrame (Tablo) Boolean DataFrame (Aynı boyutta True/False tablosu)
Series (Sütun) Boolean Series (Aynı uzunlukta True/False sütunu)

Döndürdüğü değer:

bool veya bool dizisi benzeri

Skaler girdi için, skaler boolean döndürür. Dizi girdisi için, karşılık gelen her bir öğenin eksik olup olmadığını gösteren boolean dizisi döndürür.

1. pandas.isna() Nedir?

Bu fonksiyonun tek bir görevi vardır: "Bu verinin içi boş mu yoksa dolu mu?" sorusuna cevap vermek.

Veri dünyasında "boş" anlamına gelen birkaç terim vardır ve isna bunların hepsini yakalar:

2. Nasıl Çalışır? (Örneklerle)

Öncelikle pandas kütüphanesini pd olarak, numpy kütüphanesini de (boş değerler oluşturmak için) np olarak çağırdığımızı varsayalım.

Bilinmesi Gereken Küçük Bir Detay

Bu fonksiyonun başka gizli bir ayarı (örneğin axis veya inplace gibi) yoktur. Sadece veriyi alır, analiz eder ve sonucu söyler. Verinin kendisini değiştirmez veya silmez.

Mantık: Bilgisayar True'yu Sayı Olarak Görür

Python'da (ve çoğu programlama dilinde) mantıksal değerlerin sayısal karşılığı vardır:

Biz isna() komutunu çalıştırdığımızda, aslında arka planda 1 ve 0'lardan oluşan bir tablo oluştururuz. sum() (topla) fonksiyonunu kullandığımızda ise bilgisayar bu 1'leri toplar. Yani kaç tane 1 varsa, o kadar boş veri var demektir.

Örnek 1: Tek Bir Değeri Kontrol Etmek

En basit haliyle başlayalım. Elimizde tek bir değer var ve boş mu diye bakıyoruz.

import pandas as pd
import numpy as np

# "Merhaba" boş bir veri mi?
print(pd.isna("Merhaba"))
# Çıktı: False (Hayır, burada bir veri var)

# np.nan (Not a Number) boş bir veri mi?
print(pd.isna(np.nan))
# Çıktı: True (Evet, bu bir kayıp veri)

# None boş bir veri mi?
print(pd.isna(None))
# Çıktı: True (Evet, bu da boş)

Örnek 2: Bir Listeyi Kontrol Etmek

Genelde tek bir değerle değil, bir liste dolusu veriyle çalışırız. isna() her bir elemana tek tek bakıp rapor verir.

liste = ["Elma", "Armut", np.nan, "Muz", None]

print(pd.isna(liste))

# Çıktı:
# [False, False, True, False, True]

Örnek 3: Bir Tabloyu (DataFrame) Kontrol Etmek

Veri biliminde en çok karşılaşacağın senaryo budur. Elinde bir Excel tablosu gibi bir veri seti (DataFrame) var ve hangi hücrelerin boş olduğunu görmek istiyorsun.

import pandas as pd
import numpy as np

# Küçük bir öğrenci tablosu oluşturalım
veri = {
    'İsim': ['Ali', 'Ayşe', 'Mehmet'],
    'Not': [85, np.nan, 90],  # Ayşe'nin notu girilmemiş (NaN)
    'Şehir': ['Ankara', None, 'İzmir'] # Ayşe'nin şehri girilmemiş (None)}

df = pd.DataFrame(veri)

print("--- Orijinal Tablo ---")
print(df)

Çıktı:

--- Orijinal Tablo ---
     İsim   Not   Şehir
0     Ali  85.0  Ankara
1    Ayşe   NaN    None
2  Mehmet  90.0   İzmir

Tabloda boşluk var mı? denetleyelim;

print("\n--- Boş Değer Kontrolü (isna) ---")
print(pd.isna(df))

Çıktı:

--- Boş Değer Kontrolü (isna) ---
    İsim    Not  Şehir
0  False  False  False
1  False   True   True
2  False  False  False

Çıktı tablo olarak şöyle görünecektir:

İsim Not Şehir
0 False False False
1 False True True
2 False False False

Gördüğün gibi, 1 numaralı satırda (Ayşe) "Not" ve "Şehir" sütunları True döndü, yani buralarda veri eksik.

Örnek 4: Bir Tabloyu (DataFrame) ve Toplamı Kontrol Etmek

Orijinal verimiz:

import pandas as pd
import numpy as np

veri = {
    'İsim': ['Ali', 'Ayşe', 'Mehmet', 'Zeynep'],
    'Not': [85, np.nan, 90, np.nan],  # 2 tane boş not var
    'Şehir': ['Ankara', None, 'İzmir', 'Bursa'] # 1 tane boş şehir var
}

df = pd.DataFrame(veri)
print(df)

# #Çıktı:
     # #İsim   Not   Şehir
# #0     Ali  85.0  Ankara
# #1    Ayşe   NaN    None
# #2  Mehmet  90.0   İzmir
# #3  Zeynep   NaN   Bursa
Sütun Bazında Sayma (En Sık Kullanılan)

"Hangi sütunda kaç eksiğim var?" sorusunun cevabıdır.

eksik_sayisi = df.isna().sum()
print(eksik_sayisi)

# #Çıktı:
# #İsim     0
# #Not      2
# #Şehir    1
# #dtype: int64

Yorum:

Toplam Eksik Sayısı

"Bu tablonun tamamında toplam kaç tane hücre boş?" sorusunun cevabıdır. Bunun için peşpeşe iki kere topla (sum()) fonksiyonu kullanmamız gerekir.

toplam_eksik = df.isna().sum().sum()
print(f"Tabloda toplam {toplam_eksik} adet eksik veri var.")

# #Çıktı:
# #Tabloda toplam 3 adet eksik veri var.

Neden Bu Kadar Önemli?

Büyük bir veri setiyle (örneğin 100.000 satırlık bir müşteri listesiyle) çalıştığını düşün.

  1. Veriyi yükler yüklemez ilk yapacağın şey df.isna().sum() yazmaktır.

  2. Eğer "Telefon Numarası" sütununda 90.000 eksik varsa, o sütunu analizden çıkarırsın (çünkü çoğu boş).

  3. Eğer sadece 5 eksik varsa, o 5 kişiyi bulup veriyi silebilir veya düzeltebilirsin.

Neden Bunu Kullanıyoruz?

Veri temizliği (Data Cleaning) yaparken bu fonksiyon hayati önem taşır. Analize başlamadan önce şunları yapabilmek için isna() kullanırız:

  1. Eksikleri Saymak: df.isna().sum() diyerek her sütunda kaç tane eksik veri olduğunu bulabilirsin.

  2. Filtrelemek: Sadece eksik verisi olan satırları bulup inceleyebilirsin.

  3. Doldurmak: Boş olan yerleri bulup (True olanları), oralara 0 veya ortalama bir değer yazabilirsin.

Özetle; pandas.isna(), verindeki "çürük elmaları" (eksik bilgileri) bulmana yarayan en pratik araçtır.

Temizlik ve Veri Doldurma

Verideki boşlukları tespit ettik, saydık; şimdi sıra "Temizlik" aşamasında.

Bu aşamada iki ana stratejimiz vardır: Ya o veriyi gözden çıkarırız (sileriz) ya da tahmin ederek doldururuz.

İşte örnek senaryomuz için bir veri seti:

import pandas as pd
import numpy as np

# Senaryo: Bir şirketin çalışan verileri
veri = {
    'Çalışan': ['Ali', 'Veli', 'Ayşe', 'Fatma', 'Can'],
    'Maaş': [5000, np.nan, 7000, 4500, np.nan],  # Maaşlar eksik
    'Departman': ['İK', 'IT', np.nan, 'IT', 'Pazarlama'] # Bir departman eksik
}

df = pd.DataFrame(veri)
print("--- Orijinal Tablo ---")
print(df)

# #Çıktı:
# #--- Orijinal Tablo ---
  # #Çalışan    Maaş  Departman
# #0     Ali  5000.0         İK
# #1    Veli     NaN         IT
# #2    Ayşe  7000.0        NaN
# #3   Fatma  4500.0         IT
# #4     Can     NaN  Pazarlama

1. Boş Verileri Filtrelemek (Silmek) - dropna()

Eğer eksik veri çok fazlaysa veya o satır eksikken işimize yaramıyorsa, en temiz yol o satırı tamamen uçurmaktır.

Yöntem: dropna() (Drop Na - Yokları Düşür/At) fonksiyonunu kullanırız.

İçinde EN AZ bir tane bile boş veri olan satırları silmek için aşağıdaki kodu kullanabiliriz.

temiz_df = df.dropna()

print("\n--- Boşlukları Silinmiş Tablo ---")
print(temiz_df)

# #Çıktı:
# #--- Boşlukları Silinmiş Tablo ---
  # #Çalışan    Maaş Departman
# #0     Ali  5000.0        İK
# #3   Fatma  4500.0        IT

Sonuç: Veli, Ayşe ve Can listeden silinir. Sadece her şeyi tam olan Ali ve Fatma kalır. Bu biraz acımasız bir yöntemdir, çok veri kaybedebilirsiniz.

İpucu: Sadece belli bir sütuna bakarak da silme yapabiliriz. Örneğin "Departmanı boş olanı silme, ama Maaşı boş olanı sil" diyebiliriz: df.dropna(subset=['Maaş'])

2. Boş Verileri Doldurmak - fillna()

Veri bizim için kıymetliyse silmek istemeyiz. Bunun yerine mantıklı bir değerle "yama" yaparız.

A. Sabit Bir Değerle Doldurmak

Genelde metin (string) verilerinde kullanılır. Örneğin departmanı bilinmeyene "Bilinmiyor" yazmak gibi.

# Departman sütunundaki boşluklara "Bilinmiyor" yazalım
df['Departman'] = df['Departman'].fillna('Bilinmiyor')

print("\n--- Departmanı Doldurulmuş Tablo ---")
print(df)

# #Çıktı:
# #--- Departmanı Doldurulmuş Tablo ---
  # #Çalışan    Maaş   Departman
# #0     Ali  5000.0          İK
# #1    Veli     NaN          IT
# #2    Ayşe  7000.0  Bilinmiyor
# #3   Fatma  4500.0          IT
# #4     Can     NaN   Pazarlama

Sonuç: Ayşe'nin departmanı artık NaN değil, "Bilinmiyor" oldu.

B. Ortalama ile Doldurmak (En Popüler Yöntem)

Sayısal verilerde (Maaş, Yaş, Not gibi) boşluklara "0" yazmak genelde ortalamayı çok düşürür ve analizi bozar. Bunun yerine mevcut verilerin ortalamasını boşluklara yazmak en mantıklı yoldur.

Buna "Imputation" (Atama) denir.

  1. Önce mevcut maaşların ortalamasını bulalım;
ortalama_maas = df['Maaş'].mean()
print(f"\nOrtalama Maaş: {ortalama_maas}")

# #Çıktı:
# #Ortalama Maaş: 5500.0
  1. Boş maaş yerlerine bu ortalamayı yazalım;
df['Maaş'] = df['Maaş'].fillna(ortalama_maas)

print("\n--- Maaşları Ortalamayla Doldurulmuş Tablo ---")
print(df)

# #Çıktı:
# #--- Maaşları Ortalamayla Doldurulmuş Tablo ---
  # #Çalışan    Maaş   Departman
# #0     Ali  5000.0          İK
# #1    Veli  5500.0          IT
# #2    Ayşe  7000.0  Bilinmiyor
# #3   Fatma  4500.0          IT
# #4     Can  5500.0   Pazarlama

Sonuç: Veli ve Can'ın maaşı boştu. Pandas diğerlerinin ortalamasını (5500) hesapladı ve Veli ile Can'a 5500 maaş atadı. Böylece veri setini kaybetmeden analize devam edebilir hale geldik.

Özet: Hangisini Seçmeliyim?

  1. Silmek (dropna): Veri setin çok büyükse ve %1-2'lik bir kayıp seni üzmeyecekse silmek en güvenli yoldur. Yanlış tahmin yapma riskin olmaz.

  2. Doldurmak (fillna): Veri setin küçükse ve her satır değerliyse doldurmak daha iyidir. Sayısal verilerde genellikle ortalama (mean) veya ortanca (median) ile doldurulur.

Metot Detayları

dropna() ve fillna() metotlarının geniş anlatımlarına aşağıdaki bağlantılardan erişebilirsiniz;

Kaynaklar:

Tags: