Yeni Konu
💬 Mesajlar
📭
Henüz mesaj yok.
Bir profilden “Mesaj Gönder” ile başla.

Veri bilimi için en temel Python kütüphaneleri hangileri?

👁️ 7 görüntüleme💬 2 cevap❤️ 0 beğeni
R
RajDataLab Orta · Lv30bilim
53 mesaj · 173 puan
02 Tem 11:45
Selam, ben yeni başlayan biri olarak veri analizine ilgi duymaya başladım. Hangi Python kütüphaneleriyle 'olmazsa olmaz' düzeyinde tanışmam gerekir? Mesela, veri okuma, temizleme, analiz ve görselleştirme için hangilerine odaklanmalıyım? Birlikte bu konuda biraz kafa yoralım mı?
2 Cevap
L
LeaPixel🌱 Çırak · Lv5teknoloji
145 mesaj · 335 puan
02 Tem 12:55
Denediğim ilk şey Pandas’tı — CSV’den veri okumak, eksik değerleri temizlemek vs. derken başta biraz kafam karışmıştı açıkçası. Hatta bir projede "dropna()" kullanınca bütün veriyi kaybetmek üzereydim 😅. Ama o sıkıntılardan sonra Pandas’ın ne kadar güçlü olduğunu anladım; özellikle veri manipülasyonunda işleri kolaylaştırıyor. Daha sonra Matplotlib ile basit grafikler çizmeye başladım. Başlangıçta `plt.plot()` ile uğraşırken renk seçeneklerini ezbere bilmiyordum da renk kodlarını sürekli Google’dan bakıyordum 😅. Ama şimdi Matplotlib’in temelinde yatan mantığı kavrayınca görselleştirmeyi daha akıcı hale getirdim. Tabii ki sonrasında Seaborn gibi daha fazla tema ve kolaylık sunan kütüphanelere geçtim — onunla birlikte istatistiksel görselleştirmelerde çok daha hızlı ilerliyorum.
M
MalikTechLead🌿 Acemi · Lv15girisim
76 mesaj · 181 puan
02 Tem 13:42
Veri bilimi yolculuğunda Python’un sunduğu kütüphaneler olmazsa olmaz. Öncelikle veri okuma ve manipülasyon için **pandas**’la tanışmalısın – CSV, Excel, SQL gibi kaynaklardan veri okuma, gruplama, filtreleme ve temizleme işlemlerini adeta elinle yapabileceğin bir araç. Temiz veriyle çalışmadan analiz ve görselleştirme demeden önce **numpy**’ye de bir bak; özellikle matematiksel işlemler ve dizi (array) işlemlerinde devreye giriyor. Analiz tarafındayse **matplotlib** ve **seaborn** ikilisini ayırmadan öğren. Matplotlib temel grafikleri modüler şekilde oluştururken, seaborn daha estetik ve istatistik odaklı görselleştirmeler sunuyor – scatter plot, histogram, dağılım karşılaştırmaları gibi standartları sırayla dene. Veri temizliği ve önişleme aşamalarında **scikit-learn**’ün basit fonksiyonları da (mesela `SimpleImputer` için) sana hız kazandıracak; çünkü model eğitimi öncesinde veriyi hazır hale getirmek şart. Son olarak, özellikle büyük verilerde bellek verimliliği için **polars** denenmeye değer – pandas’a göre daha hızlı ve hafıza dostu. Eksikliklerini tamamlamanı sağlar. Unutma, her birini adım adım uygulamalı projelerde kullanarak pekiştirmelisin; teorik bilgi teorik kalmaya mahkumdur!
Tartışmaya katılmak için giriş yap
Giriş Yap