Python Data Analysis: From Zero to Advanced with Pandas 2025 Guide

Today, data is one of the most valuable assets of businesses. Python's Pandas library is one of the most powerful tools for analyzing this data and extracting meaningful insights. In this comprehensive guide, you'll learn data analysis with Pandas from scratch.

🐼 What is Pandas and Why is it Important?

Pandas (Python Data Analysis Library) is an open-source data manipulation and analysis library developed for the Python programming language. You can think of it as the programming world's equivalent of Excel, but much more powerful!

Advantages of Pandas:

✅ Fast and Efficient: Can work with large datasets
✅ Flexible Data Structures: DataFrame and Series
✅ Easy Data Cleaning: Handling missing data
✅ Powerful Import/Export: CSV, Excel, JSON, SQL support
✅ Statistical Analysis: Descriptive statistics

🚀 Pandas Installation and First Steps

Installation

# Installation with pip
pip install pandas

# If using Anaconda
conda install pandas

# Additional libraries for visualization
pip install matplotlib seaborn

First Pandas Code

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

# Check Pandas version
print(f"Pandas version: {pd.__version__}")

# Creating a simple DataFrame
data = {
    'name': ['John', 'Sarah', 'Michael', 'Emma', 'David'],
    'age': [25, 30, 35, 28, 32],
    'salary': [5000, 6500, 7200, 5800, 6800],
    'city': ['New York', 'Boston', 'Chicago', 'New York', 'Boston']
}

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

Output:

      name  age  salary      city
0     John   25    5000  New York
1    Sarah   30    6500    Boston
2  Michael   35    7200   Chicago
3     Emma   28    5800  New York
4    David   32    6800    Boston

📊 Pandas Basic Data Structures

1. Series

One-dimensional data structure, similar to a column in Excel.

# Creating Series
ages = pd.Series([25, 30, 35, 28, 32], name='ages')
print(ages)

# Series with index
temperatures = pd.Series(
    [22, 25, 19, 30, 27],
    index=['Monday', 'Tuesday', 'Wednesday', 'Thursday', 'Friday'],
    name='temperature'
)
print(temperatures)

2. DataFrame

İki boyutlu veri yapısıdır, Excel tablosuna benzer.

# DataFrame oluşturmanın farklı yolları

# 1. Dictionary'den
sales_data = {
    'tarih': ['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04'],
    'urun': ['Laptop', 'Mouse', 'Klavye', 'Monitor'],
    'fiyat': [15000, 250, 800, 5200],
    'adet': [2, 10, 5, 3]
}
df_sales = pd.DataFrame(sales_data)

# 2. Liste listelerinden
data_list = [
    ['Laptop', 15000, 2],
    ['Mouse', 250, 10], 
    ['Klavye', 800, 5],
    ['Monitor', 5200, 3]
]
df_list = pd.DataFrame(data_list, columns=['urun', 'fiyat', 'adet'])

print("Satış Verileri:")
print(df_sales)

📁 Veri Okuma ve Yazma

CSV Dosyaları

# CSV okuma
df = pd.read_csv('sales_data.csv')

# Gelişmiş CSV okuma
df = pd.read_csv(
    'sales_data.csv',
    sep=';',                    # Ayırıcı
    encoding='utf-8',           # Karakter kodlaması
    parse_dates=['tarih'],      # Tarih sütununu datetime'a çevir
    index_col='id',             # Index sütunu
    na_values=['', 'NULL', 'N/A']  # Boş değer tanımları
)

# CSV yazma
df.to_csv('output.csv', index=False, encoding='utf-8')

Excel Dosyaları

# Excel okuma
df = pd.read_excel('data.xlsx', sheet_name='Sheet1')

# Birden fazla sheet okuma
all_sheets = pd.read_excel('data.xlsx', sheet_name=None)

# Excel yazma
df.to_excel('output.xlsx', sheet_name='Satış_Verileri', index=False)

# Birden fazla sheet'e yazma
with pd.ExcelWriter('multi_sheet.xlsx') as writer:
    df1.to_excel(writer, sheet_name='Sheet1')
    df2.to_excel(writer, sheet_name='Sheet2')

🔍 Veri Keşfi ve İnceleme

Temel Bilgi Alma

# DataFrame hakkında genel bilgi
print("DataFrame şekli:", df.shape)  # (satır, sütun)
print("Sütun isimleri:", df.columns.tolist())
print("Veri tipleri:")
print(df.dtypes)

# İlk ve son satırlar
print("İlk 5 satır:")
print(df.head())
print("Son 3 satır:")
print(df.tail(3))

# Detaylı bilgi
print(df.info())

# Tanımlayıcı istatistikler
print(df.describe())

# Boş değer kontrolü
print("Boş değerler:")
print(df.isnull().sum())

Gerçek Dünya Örneği: E-ticaret Veri Analizi

# Örnek e-ticaret verisi oluşturalım
import random
from datetime import datetime, timedelta

# Rastgele veri oluşturma
np.random.seed(42)
products = ['Laptop', 'Mouse', 'Klavye', 'Monitor', 'Kulaklık', 'Webcam']
cities = ['İstanbul', 'Ankara', 'İzmir', 'Bursa', 'Antalya']

data = []
for i in range(1000):
    date = datetime(2023, 1, 1) + timedelta(days=random.randint(0, 364))
    product = random.choice(products)
    price = random.randint(100, 5000)
    quantity = random.randint(1, 5)
    city = random.choice(cities)
    
    data.append({
        'tarih': date,
        'urun': product,
        'fiyat': price,
        'adet': quantity,
        'sehir': city,
        'toplam': price * quantity
    })

ecommerce_df = pd.DataFrame(data)
print("E-ticaret veri seti oluşturuldu:")
print(ecommerce_df.head())

🎯 Veri Seçme ve Filtreleme

Sütun Seçimi

# Tek sütun seçme
products = df['urun']  # Series döner
products = df[['urun']]  # DataFrame döner

# Birden fazla sütun
selected_cols = df[['urun', 'fiyat', 'toplam']]

# Sütun isimlerini kullanarak
numeric_cols = df.select_dtypes(include=[np.number])
text_cols = df.select_dtypes(include=['object'])

Satır Seçimi

# Index ile seçim
first_row = df.iloc[0]  # İlk satır
first_five = df.iloc[:5]  # İlk 5 satır
last_three = df.iloc[-3:]  # Son 3 satır

# Koşullu seçim
expensive_products = df[df['fiyat'] > 1000]
istanbul_sales = df[df['sehir'] == 'İstanbul']

# Birden fazla koşul
high_value_istanbul = df[
    (df['fiyat'] > 1000) & 
    (df['sehir'] == 'İstanbul')
]

# isin() metodu
big_cities = df[df['sehir'].isin(['İstanbul', 'Ankara', 'İzmir'])]

🧹 Veri Temizleme

Eksik Verilerle Başa Çıkma

# Eksik veri kontrol
print(df.isnull().sum())

# Eksik verileri doldurma
df['fiyat'].fillna(df['fiyat'].mean(), inplace=True)  # Ortalama ile
df['sehir'].fillna('Bilinmiyor', inplace=True)        # Sabit değer ile

# Eksik satırları silme
df_clean = df.dropna()  # Tüm eksik satırları sil
df_clean = df.dropna(subset=['fiyat', 'adet'])  # Belirli sütunlardaki eksikler

Duplikasyon Kontrolü

# Duplikat kontrol
print(f"Duplikat satır sayısı: {df.duplicated().sum()}")

# Duplikatları silme
df_unique = df.drop_duplicates()
df_unique = df.drop_duplicates(subset=['urun'], keep='first')

📈 Veri Manipülasyonu

Yeni Sütunlar Oluşturma

# Basit hesaplamalar
df['kar_marji'] = df['fiyat'] * 0.2
df['toplam_kar'] = df['kar_marji'] * df['adet']

# Koşullu sütun oluşturma
df['fiyat_kategorisi'] = df['fiyat'].apply(
    lambda x: 'Ucuz' if x < 500 else 'Orta' if x < 2000 else 'Pahalı'
)

# Tarih bilgilerini çıkarma
df['tarih'] = pd.to_datetime(df['tarih'])
df['yil'] = df['tarih'].dt.year
df['ay'] = df['tarih'].dt.month
df['haftanin_gunu'] = df['tarih'].dt.day_name()

📊 Gruplama ve Agregasyon

Temel Gruplama

# Tek sütuna göre gruplama
city_sales = df.groupby('sehir')['toplam'].sum()
print("Şehirlere göre toplam satış:")
print(city_sales.sort_values(ascending=False))

# Birden fazla sütuna göre gruplama
monthly_category_sales = df.groupby(['ay', 'urun'])['toplam'].sum()

# Farklı agregasyon fonksiyonları
city_stats = df.groupby('sehir').agg({
    'toplam': ['sum', 'mean', 'count'],
    'fiyat': ['min', 'max'],
    'adet': 'sum'
})
print(city_stats)

Pivot Tablolar

# Basit pivot tablo
monthly_sales = df.pivot_table(
    index='ay',
    columns='urun',
    values='toplam',
    aggfunc='sum',
    fill_value=0
)
print(monthly_sales)

# Çoklu agregasyon
detailed_pivot = df.pivot_table(
    index='sehir',
    columns='urun',
    values=['toplam', 'adet'],
    aggfunc={'toplam': 'sum', 'adet': 'mean'},
    fill_value=0
)

📊 Veri Görselleştirme

Matplotlib ile Temel Grafikler

import matplotlib.pyplot as plt

# Aylık satış trendi
monthly_sales = df.groupby('ay')['toplam'].sum()

fig, axes = plt.subplots(2, 2, figsize=(15, 12))

# Line plot - Aylık satış trendi
axes[0,0].plot(monthly_sales.index, monthly_sales.values, marker='o')
axes[0,0].set_title('Aylık Satış Trendi')
axes[0,0].set_xlabel('Ay')
axes[0,0].set_ylabel('Toplam Satış (TL)')

# Bar plot - Şehirlere göre satış
city_sales = df.groupby('sehir')['toplam'].sum().sort_values(ascending=False)
axes[0,1].bar(city_sales.index, city_sales.values)
axes[0,1].set_title('Şehirlere Göre Toplam Satış')
axes[0,1].tick_params(axis='x', rotation=45)

# Histogram - Fiyat dağılımı
axes[1,0].hist(df['fiyat'], bins=30, alpha=0.7)
axes[1,0].set_title('Fiyat Dağılımı')
axes[1,0].set_xlabel('Fiyat (TL)')

# Pie chart - Ürün payları
product_sales = df.groupby('urun')['toplam'].sum()
axes[1,1].pie(product_sales.values, labels=product_sales.index, autopct='%1.1f%%')
axes[1,1].set_title('Ürünlere Göre Satış Payı')

plt.tight_layout()
plt.show()

🔄 İleri Seviye Teknikleri

Apply ve Transform

# Apply ile satır bazlı işlemler
def calculate_profit_margin(row):
    if row['urun'] == 'Laptop':
        return row['fiyat'] * 0.15
    else:
        return row['fiyat'] * 0.25

df['kar_marji'] = df.apply(calculate_profit_margin, axis=1)

# Transform ile grup bazlı işlemler
df['sehir_ortalama'] = df.groupby('sehir')['fiyat'].transform('mean')
df['sehir_siralaması'] = df.groupby('sehir')['toplam'].transform(
    lambda x: x.rank(ascending=False)
)

Window Functions

# Rolling window hesaplamaları
df_sorted = df.sort_values('tarih')
df_sorted['7gun_ortalama'] = df_sorted['toplam'].rolling(window=7).mean()
df_sorted['30gun_toplam'] = df_sorted['toplam'].rolling(window=30).sum()

# Shift işlemleri
df_sorted['onceki_gun'] = df_sorted['toplam'].shift(1)
df_sorted['degisim'] = df_sorted['toplam'] - df_sorted['onceki_gun']

💼 Gerçek Proje Örneği

E-ticaret Satış Analizi

class ECommerceAnalyzer:
    def __init__(self, data_path):
        self.df = pd.read_csv(data_path)
        self.prepare_data()
    
    def prepare_data(self):
        """Veriyi analiz için hazırla"""
        self.df['tarih'] = pd.to_datetime(self.df['tarih'])
        self.df['yil'] = self.df['tarih'].dt.year
        self.df['ay'] = self.df['tarih'].dt.month
        self.df['sehir'] = self.df['sehir'].astype('category')
    
    def sales_summary(self):
        """Satış özeti"""
        return {
            'toplam_satis': self.df['toplam'].sum(),
            'ortalama_satis': self.df['toplam'].mean(),
            'satis_adedi': len(self.df),
            'benzersiz_urun': self.df['urun'].nunique()
        }
    
    def top_products(self, n=10):
        """En çok satan ürünler"""
        return self.df.groupby('urun').agg({
            'toplam': 'sum',
            'adet': 'sum'
        }).sort_values('toplam', ascending=False).head(n)
    
    def city_analysis(self):
        """Şehir bazlı analiz"""
        return self.df.groupby('sehir').agg({
            'toplam': ['sum', 'mean', 'count'],
            'fiyat': ['min', 'max']
        })
    
    def generate_report(self):
        """Kapsamlı rapor oluştur"""
        print("=== E-TİCARET SATIŞ ANALİZİ ===\n")
        
        summary = self.sales_summary()
        print("GENEL ÖZET:")
        for key, value in summary.items():
            if isinstance(value, float):
                print(f"  {key}: {value:,.2f}")
            else:
                print(f"  {key}: {value:,}")
        
        print("\nEN ÇOK SATAN ÜRÜNLER:")
        top_products = self.top_products(5)
        for product, data in top_products.iterrows():
            print(f"  {product}: {data['toplam']:,.0f} TL")

# Kullanım
# analyzer = ECommerceAnalyzer('data.csv')
# analyzer.generate_report()

🎯 Performans İpuçları

Hızlı Pandas Kullanımı

# Vectorized işlemler kullanın
# Yavaş:
# df['expensive'] = df['fiyat'].apply(lambda x: x > 1000)

# Hızlı:
df['expensive'] = df['fiyat'] > 1000

# Categorical veri kullanın
df['sehir'] = df['sehir'].astype('category')

# Memory usage kontrol edin
print(df.memory_usage(deep=True))

# Büyük dosyalar için chunk okuma
for chunk in pd.read_csv('big_file.csv', chunksize=10000):
    # Her chunk'ı işle
    processed = chunk[chunk['toplam'] > 1000]

📈 Sonuç ve Kariyer Fırsatları

Pandas ile veri analizi öğrenmek size şu fırsatları açar:

💰 Kariyer Yolları:

Veri Analisti: 40,000-70,000 TL
Veri Bilimci: 60,000-120,000 TL
Business Intelligence: 45,000-85,000 TL
Finans Analisti: 50,000-90,000 TL

🚀 Sonraki Adımlar:

İstatistik: Scipy, Statsmodels
Görselleştirme: Seaborn, Plotly
Makine Öğrenmesi: Scikit-learn
Big Data: Dask, PySpark

📊 Önemli Resim Promptları:

"Pandas DataFrame structure visualization with rows, columns and data types"
"Data analysis workflow diagram from raw data to insights"
"Python data science ecosystem infographic with pandas, numpy, matplotlib"
"Data cleaning process flowchart showing missing values handling"
"Business intelligence dashboard showing sales analytics charts"

💡 Practical Tips

Daily Data Analysis Routine:

Data Exploration (15 min): .head(), .info(), .describe()
Data Cleaning (30 min): Missing values, duplicates
Analysis (45 min): Grouping, aggregation, pivot
Visualization (30 min): Charts and tables
Reporting (30 min): Summarizing findings

With this guide, you've discovered the power of Pandas. Now you can work with real datasets and perform professional analyses!

This article was prepared by the Zumenzu data science team. Visit the Zumenzu platform for interactive Pandas lessons.