Pandas - replace

replace() Metodu

Basitçe anlatmak gerekirse: replace() metodu, bir DataFrame (veri tablosu) içindeki belirli değerleri bulup, onları istediğiniz yeni değerlerle değiştirmenizi sağlar. Excel'deki "Bul ve Değiştir" (Find & Replace) özelliğinin kodla yapılan hali gibidir.

Sözdizimi:

DataFrame.replace(to_replace=None, value=<no_default>, *, 
                    inplace=False, limit=None, regex=False, 
method=<no_default>)

Parametreler:

Parametreler Arasındaki İlişkiye Dair İpuçları

Bu parametreler genellikle kombinasyon halinde kullanılır. En sık karşılaşacağınız 3 senaryo şudur:

1. Birebir Değiştirme (to_replace + value) Eski değer ve yeni değer ayrı ayrı verilir.

# -1'i bul, 0 yap
df.replace(to_replace=-1, value=0)

2. Sözlük ile Değiştirme (Sadece to_replace) Eğer sözlük (dictionary) kullanırsanız, value parametresini kullanmanıza gerek kalmaz. Pandas neyi ne yapacağını sözlükten anlar.

# A'yı 1, B'yi 2 yap (value parametresi yok!)
df.replace(to_replace={'A': 1, 'B': 2})

3. Regex ile Değiştirme (to_replace + value + regex) Kelime parçalarını bulup değiştirmek için regex=True şarttır.

# İçinde 'TL' geçen her şeyi sil (boşluk yap)
df.replace(to_replace='TL', value='', regex=True)

Bu parametreler arasında en çok to_replace, value ve inplace üçlüsünü kullanacaksınız.

Bu tabloda regex (Regular Expressions) kavramı geçti. Regex kullanımı veri temizliğinde çok güçlüdür.

Temel Fark: Bu işlem, belirli bir konumda (örneğin 3. satır ve A sütunu) güncelleme yapmanızı gerektiren .loc veya .iloc gibi yöntemlerden farklıdır; replace() metodu, belirlediğiniz değeri tüm DataFrame içinde dinamik olarak arar ve değiştirir.

Aşağıda bu metodu nasıl kullanabileceğinizi senaryolarla ve basit örneklerle açıklıyorum.

1. Tek Bir Değeri Değiştirmek

Diyelim ki tablonuzda hatalı girilmiş bir değer var (örneğin tüm -1'ler aslında 0 olmalı). Bunu tek bir hamlede düzeltebilirsiniz.

import pandas as pd

# Örnek bir tablo oluşturalım
df = pd.DataFrame({
    'Ogrenci': ['Ali', 'Ayse', 'Mehmet'],
    'Not': [85, -1, 90]  # Ayşe'nin notu yanlışlıkla -1 girilmiş
})
print(df)
# #Çıktı:
  # #Ogrenci  Not
# #0     Ali   85
# #1    Ayse   -1
# #2  Mehmet   90

-1 değerini 0 ile değiştirelim;

yeni_df = df.replace(-1, 0)

print(yeni_df)
# #Çıktı:
  # #Ogrenci  Not
# #0     Ali   85
# #1    Ayse    0
# #2  Mehmet   90

# Sonuç: Ayşe'nin notu artık 0 olur.

2. Birden Fazla Değeri Aynı Şeyle Değiştirmek

Bazen birden fazla farklı değeri tek bir standart değere çevirmek istersiniz. Örneğin, "Yok", "Bilinmiyor" ve "---" gibi girişlerin hepsini NaN (boş değer) veya 0 yapmak isteyebilirsiniz.

import pandas as pd

df = pd.DataFrame({
    'Durum': ['Aktif', 'Kapali', 'Yok', 'Bilinmiyor']})

print(df)

# #Çıktı:
        # #Durum
# #0       Aktif
# #1      Kapali
# #2         Yok
# #3  Bilinmiyor

Listelerle değiştirme; to_replace parametresinin liste veri tipi (köşeli parantezli) olduğuna dikkat edin.

# 'Yok' ve 'Bilinmiyor' değerlerini 'Belirsiz' yapalım
df = df.replace(['Yok', 'Bilinmiyor'], 'Belirsiz')
print(df)

# #Çıktı:
      # #Durum
# #0     Aktif
# #1    Kapali
# #2  Belirsiz
# #3  Belirsiz

3. Her Değeri Farklı Bir Şeyle Değiştirmek (Sözlük Yöntemi)

Bu, en sık kullanılan yöntemlerden biridir. Bir değer listesini, karşılık gelen başka bir listeyle değiştirirsiniz.

import pandas as pd

df = pd.DataFrame({
    'Kod': ['A', 'B', 'C', 'A']})

print(df)
# #Çıktı:
  # #Kod
# #0   A
# #1   B
# #2   C
# #3   A

A -> 1, B -> 2, C -> 3 olsun istiyoruz. Bunun için bir sözlük (dictionary) veri tipi kullanıyoruz:

df = df.replace({'A': 1, 'B': 2, 'C': 3})

print(df)
# #Çıktı:
   # #Kod
# #0    1
# #1    2
# #2    3
# #3    1

4. Sadece Belirli Bir Sütunda Değişiklik Yapmak

Bazen bir değer (örneğin 0) bir sütunda "Hata" anlamına gelirken, başka bir sütunda gerçek bir sayı olabilir. Bu durumda değişikliği sadece ilgili sütuna uygulayabilirsiniz.

import pandas as pd

df = pd.DataFrame({
    'A_Sutunu': [0, 1, 2],
    'B_Sutunu': [0, 5, 10]})

print(df)
# #Çıktı:
   # #A_Sutunu  B_Sutunu
# #0         0         0
# #1         1         5
# #2         2        10

Sadece 'A_Sutunu'ndaki 0'ları 100 yap, B sütununa dokunma;

df = df.replace({'A_Sutunu': 0}, 100)

print(df)
# #Çıktı:

   # #A_Sutunu  B_Sutunu
# #0       100         0
# #1         1         5
# #2         2        10

5. Regex (Düzenli İfade) Kullanımı

Regex (Düzenli İfadeler), veri temizliğinde Pandas'ın "süper gücüdür". Verilerinizde standart olmayan metinler olduğunda, bunları tek tek yazmak yerine bir kalıp/desen (pattern) tanımlayarak hepsini tek seferde düzeltebilirsiniz. Bu durumda regex=True parametresini kullanabilirsiniz.

1. Örnek: Dosya Uzantısına Göre Veri Değiştirme

import pandas as pd

df = pd.DataFrame({
    'Dosya': ['resim.jpg', 'resim.png', 'dokuman.pdf']})

print(df)
# #Çıktı:
         # #Dosya
# #0    resim.jpg
# #1    resim.png
# #2  dokuman.pdf

Sonu .jpg veya .png ile biten her şeyi 'Gorsel' olarak değiştir. (Burada biraz regex bilgisi gerekir)

df = df.replace(to_replace=r'.*\.(jpg|png)$', value='Gorsel', regex=True)

print(df)
# #Çıktı:
         # #Dosya
# #0       Gorsel
# #1       Gorsel
# #2  dokuman.pdf

2. Örnek: Sayıların Yanındaki Birimleri (TL, kg, m) Temizlemek

Veri setlerinde en sık karşılaşılan sorun, sayısal olması gereken sütunlara metin karışmasıdır (örneğin "100 TL"). Hesaplama yapabilmek için bu harfleri silmemiz gerekir.

Senaryo: Fiyat sütunundaki "TL", "tl" veya boşlukları silip sadece sayıları bırakmak istiyoruz.

import pandas as pd

df = pd.DataFrame({
    'Urun': ['Elma', 'Armut', 'Muz'],
    'Fiyat': ['20 TL', '35tl', '40  TL'] # Karışık formatlar
})

print(df)

# #Çıktı:
    # #Urun   Fiyat
# #0   Elma   20 TL
# #1  Armut    35tl
# #2    Muz  40  TL

Verileri Temizleyelim.

df['Fiyat'] = df['Fiyat'].replace(to_replace=r'[A-Za-z\s]', value='', regex=True)

print(df)

# #Çıktı:
     # #Urun Fiyat
# #0   Elma    20
# #1  Armut    35
# #2    Muz    40

Sonuç: Fiyatlar artık sadece sayısal veri ('20', '35', '40') oldu.

Regex Açıklaması: [A-Za-z] : Büyük veya küçük tüm harfleri bul. \s : Boşlukları bul. Bunları bul ve '' (hiçlik) ile değiştir.

3. Örnek: Belirli Bir Kelime ile Başlayan Her Şeyi Değiştirmek

Bazen kategorileri sadeleştirmek istersiniz. Örneğin, bir sürü farklı "Müdür" unvanı varsa (Satış Müdürü, İK Müdürü, Bölge Müdürü), hepsini sadece "Yönetici" yapmak isteyebilirsiniz.

Senaryo: İçinde "Müdür" kelimesi geçen veya "Müdür" ile biten her şeyi "Yönetici" yapalım. Orjinal Verimiz;

import pandas as pd

df = pd.DataFrame({
    'Isim': ['Ali', 'Veli', 'Ayşe'],
    'Unvan': ['Satış Müdürü', 'IT Uzmanı', 'Bölge Müdürü']})

print(df)
# #Çıktı:
   # #Isim         Unvan
# #0   Ali  Satış Müdürü
# #1  Veli     IT Uzmanı
# #2  Ayşe  Bölge Müdürü

Değişiklik yapalım;

df.replace(to_replace=r'.*Müdürü', value='Yönetici', regex=True, inplace=True)

print(df)
# #Çıktı:
   # #Isim      Unvan
# #0   Ali   Yönetici
# #1  Veli  IT Uzmanı
# #2  Ayşe   Yönetici

Sonuç: 'Satış Müdürü' ve 'Bölge Müdürü' -> 'Yönetici' olur. 'IT Uzmanı' değişmez.

Regex Açıklaması: .* : Öncesinde ne olursa olsun (nokta her karakter, yıldız hepsi demek) Müdürü : 'Müdürü' kelimesiyle bitenleri yakalar.

4. Örnek: Parantez İçindeki Gereksiz Bilgileri Silmek

Şehir isimlerinin yanında bazen parantez içinde bölge kodları veya eski isimler olur. "İstanbul (Avrupa)" gibi. Sadece şehir ismini bırakmak için regex harikadır.

Senaryo: Parantez açılan yerden sonrasını tamamen silmek istiyoruz.

import pandas as pd

df = pd.DataFrame({
    'Sehir': ['İstanbul (Avr)', 'Ankara (Merkez)', 'İzmir']})

print(df)
# #Çıktı:
             # #Sehir
# #0   İstanbul (Avr)
# #1  Ankara (Merkez)
# #2            İzmir

Değişikşiği gerçekleştirelim;

df.replace(to_replace=r'\(.*', value='', regex=True, inplace=True)

# Oluşan boşlukları da temizleyelim (strip)
df['Sehir'] = df['Sehir'].str.strip()

print(df)
# #Çıktı:
      # #Sehir
# #0  İstanbul
# #1    Ankara
# #2     İzmir

Sonuç: 'İstanbul', 'Ankara', 'İzmir' kalır.

Regex Açıklaması: \( : Parantez işaretini bul (Ters slash kaçış karakteridir). .* : Parantezden sonraki her şeyi seç.

Özetle; verinizdeki "kirli" veya istenmeyen değerleri temizlemek veya kodlamak için replace metodu, Pandas'ın İsviçre çakısı gibidir.

Küçük Regex Kopya Kağıdı :)

replace içinde kullanabileceğiniz en temel regex sembolleri şunlardır:

Düzenli İfadeler (Regular Expressions - Regex ) Konusunu detaylıca incelemek isterseniz BU SAYFAYI ziyaret edebilirsiniz.

Kaynaklar:

• pandas.DataFrame.replace — pandas 2.3.3 documentation

• Google Gemini

• cGoogle NotebookLM