<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Gizem Aksogan on Medium]]></title>
        <description><![CDATA[Stories by Gizem Aksogan on Medium]]></description>
        <link>https://medium.com/@gizemaksogan?source=rss-54804c9cf2a2------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*Ig2fYVkT1s4iGbALs-KdFg.jpeg</url>
            <title>Stories by Gizem Aksogan on Medium</title>
            <link>https://medium.com/@gizemaksogan?source=rss-54804c9cf2a2------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 14:41:00 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@gizemaksogan/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Veriyle Empati: Mobbing’in Çalışan Üzerindeki Görünmeyen Etkisi]]></title>
            <link>https://medium.com/@gizemaksogan/veriyle-empati-mobbingin-%C3%A7al%C4%B1%C5%9Fan-%C3%BCzerindeki-g%C3%B6r%C3%BCnmeyen-etkisi-5b1ca1d14982?source=rss-54804c9cf2a2------2</link>
            <guid isPermaLink="false">https://medium.com/p/5b1ca1d14982</guid>
            <category><![CDATA[wellbeing]]></category>
            <category><![CDATA[workplace-wellbeing]]></category>
            <category><![CDATA[burnout]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Gizem Aksogan]]></dc:creator>
            <pubDate>Wed, 15 Oct 2025 19:36:17 GMT</pubDate>
            <atom:updated>2025-10-15T19:36:17.900Z</atom:updated>
            <content:encoded><![CDATA[<p>Tilburg Üniversitesi’nde yürütülen <em>“Relationship between workplace bullying exposure and enactment and the role of coping”</em> araştırmasına ait veriler, bu çalışmada Python kullanılarak analiz edilmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/318/1*A-GOhRoG07Q_Amwiq_fbZA.jpeg" /></figure><p><em>Mobbing gibi soyut bir olguyu anlamak için sezgilerin ötesine, </em><strong><em>verinin diline</em></strong><em> bakmak gerekiyor. Bu çalışmada Python’un veri analizi kütüphanelerini kullanarak çalışan deneyimlerinde gizli kalan örüntüleri ortaya çıkardım. Amaç, duygusal bir konuyu nesnel verilerle anlamlandırmak ve empatiyi ölçülebilir bir içgörüye dönüştürmekti.</em></p><pre>!pip install pandas matplotlib seaborn statsmodels scikit-learn pingouin</pre><pre>import pandas as pd<br>from pathlib import Path<br><br>data_path = Path(&quot;Data Study 1.csv&quot;)  # ya da tam yol: Path(&quot;/tam/yol/Data Study 1.csv&quot;)<br><br># Oku: noktalı virgül ayracı, ondalık virgül, -99 eksikleri NaN yap<br>df = pd.read_csv(<br>    data_path,<br>    sep=&#39;;&#39;,<br>    decimal=&#39;,&#39;,<br>    na_values=[&#39;-99&#39;, &#39;-99,00&#39;, &#39;-99.00&#39;],<br>    low_memory=False,<br>    encoding=&#39;utf-8&#39;<br>)<br><br>print(&quot;Shape:&quot;, df.shape)<br>print(&quot;Örnek sütunlar:&quot;, df.columns[:20].tolist())<br>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*u--osgHMaar_3WzExkUizA.png" /></figure><pre># pestsla değişkenlerini bul<br>pestsla_cols = [c for c in df.columns if c.lower().startswith(&quot;pestsla&quot;)]<br><br># Ortalama skor oluştur<br>df[&quot;pestsla_mean&quot;] = df[pestsla_cols].mean(axis=1)<br><br>print(&quot;Yeni oluşturulan sütun: pestsla_mean&quot;)<br>print(df[[&quot;pestsla_mean&quot;]].describe())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/435/1*JyJE0wjEigim4Ki4sPU72Q.png" /></figure><pre>plt.figure(figsize=(7,4))<br>sns.histplot(df[&quot;pestsla_mean&quot;], kde=True, bins=20)<br>plt.title(&quot;Mobbing (pestsla_mean) Dağılımı&quot;)<br>plt.xlabel(&quot;Pestsla Ortalama Skoru&quot;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/882/1*62PZDL0B89l3NGA6IpKKsQ.png" /></figure><pre># Tükenmişlik, iyi oluş, stres vb. değişkenleri bul<br>target_cols = [c for c in df.columns if any(k in c.lower() for k in [&#39;burn&#39;, &#39;ment&#39;, &#39;stress&#39;, &#39;emo&#39;, &#39;well&#39;])]<br>print(&quot;İlgili değişken adayları:&quot;)<br>print(target_cols)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BI5Cr1a4OpheKKcqj0aaDw.png" /></figure><pre># Sadece sayısal değişkenleri seçelim<br>num_df = df.select_dtypes(include=[np.number])<br><br># İlgili değişkenleri filtrele (burnout, mentwel, stress vs.)<br>corr_targets = [c for c in num_df.columns if any(k in c.lower() for k in [&#39;burn&#39;, &#39;ment&#39;, &#39;stress&#39;, &#39;emo&#39;, &#39;well&#39;])]<br><br># pestsla_mean ile korelasyonları hesapla<br>corr_results = num_df[corr_targets + [&#39;pestsla_mean&#39;]].corr()[&#39;pestsla_mean&#39;].sort_values(ascending=False)<br>print(&quot;Mobbing (pestsla_mean) ile korelasyonlar:&quot;)<br>print(corr_results)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/344/1*bEDH_Xu7j1dGeOk2JBAX5A.png" /></figure><pre># İsminin içinde &quot;burn&quot; geçen sütunları listele<br>burnout_cols = [c for c in df.columns if &#39;burn&#39; in c.lower()]<br>print(&quot;Tükenmişlikle (burnout) ilgili sütunlar:&quot;)<br>print(burnout_cols)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OAUtZYbJFsCIRS5O6AL6vA.png" /></figure><pre># Eğer birden fazla burnout değişkeni varsa ortalama skor oluştur<br>if len(burnout_cols) &gt; 1:<br>    df[&#39;burnout_mean&#39;] = df[burnout_cols].mean(axis=1)<br>    target_burnout = &#39;burnout_mean&#39;<br>else:<br>    target_burnout = burnout_cols[0] if burnout_cols else None<br><br>print(&quot;Analizde kullanılacak burnout değişkeni:&quot;, target_burnout)</pre><pre>Analizde kullanılacak burnout değişkeni: burnout_mean</pre><pre>import statsmodels.api as sm<br><br># Bağımsız ve bağımlı değişkenleri hazırla<br>X = df[[&#39;pestsla_mean&#39;]].copy()<br>X = sm.add_constant(X)  # sabit terim ekle<br>y = df[&#39;burnout_mean&#39;]<br><br># Modeli kur ve özetini al<br>model = sm.OLS(y, X, missing=&#39;drop&#39;).fit()<br>print(model.summary())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/661/1*9LkQDaX1SrSZc4Lolpv_VA.png" /></figure><pre>import seaborn as sns<br>import matplotlib.pyplot as plt<br><br>plt.figure(figsize=(7,5))<br>sns.regplot(x=&#39;pestsla_mean&#39;, y=&#39;burnout_mean&#39;, data=df, scatter_kws={&#39;alpha&#39;:0.3}, line_kws={&#39;color&#39;:&#39;red&#39;})<br>plt.xlabel(&quot;Mobbing (pestsla_mean)&quot;)<br>plt.ylabel(&quot;Tükenmişlik (burnout_mean)&quot;)<br>plt.title(&quot;Mobbing ile Tükenmişlik Arasındaki İlişki&quot;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/629/1*XRFbetIApaFn15RX2D8Y1A.png" /></figure><pre>corr_value = df[[&#39;pestsla_mean&#39;, &#39;burnout_mean&#39;]].corr().iloc[0,1]<br>print(f&quot;Mobbing ile Tükenmişlik arasındaki Pearson korelasyonu: {corr_value:.3f}&quot;)</pre><pre>Mobbing ile Tükenmişlik arasındaki Pearson korelasyonu: 0.343</pre><pre># &#39;ment&#39;, &#39;well&#39;, &#39;psy&#39; gibi kelimeleri içeren sütunları listeleyelim<br>well_cols = [c for c in df.columns if any(k in c.lower() for k in [&#39;ment&#39;, &#39;well&#39;, &#39;psy&#39;])]<br>print(&quot;İyi oluşla ilgili değişkenler:&quot;, well_cols)</pre><pre>İyi oluşla ilgili değişkenler: [&#39;MentWel&#39;]</pre><pre>corr_well = df[[&#39;pestsla_mean&#39;, target_wellbeing]].corr().iloc[0,1]<br>print(f&quot;Mobbing ile İyi Oluş arasındaki Pearson korelasyonu: {corr_well:.3f}&quot;)</pre><pre>Mobbing ile İyi Oluş arasındaki Pearson korelasyonu: -0.388</pre><pre>import statsmodels.api as sm<br><br>X = df[[&#39;pestsla_mean&#39;]].copy()<br>X = sm.add_constant(X)<br>y = df[target_wellbeing]<br><br>model_well = sm.OLS(y, X, missing=&#39;drop&#39;).fit()<br>print(model_well.summary())</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/677/1*pegU71P9VZjscEFjdW50Kg.png" /></figure><pre>import seaborn as sns<br>import matplotlib.pyplot as plt<br><br>plt.figure(figsize=(8,6))<br>sns.regplot(<br>    x=&#39;pestsla_mean&#39;,<br>    y=target_wellbeing,<br>    data=df,<br>    scatter_kws={&#39;alpha&#39;:0.5, &#39;color&#39;:&#39;#22c55e&#39;},<br>    line_kws={&#39;color&#39;:&#39;#ef4444&#39;, &#39;lw&#39;:2.5}<br>)<br>plt.title(&quot;Mobbing ile İyi Oluş (MentWel) Arasındaki İlişki&quot;, fontsize=14, weight=&#39;bold&#39;)<br>plt.xlabel(&quot;Mobbing (pestsla_mean)&quot;, fontsize=12)<br>plt.ylabel(&quot;İyi Oluş (MentWel)&quot;, fontsize=12)<br>plt.grid(alpha=0.2)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/708/1*kh4HZQ9igzsL2aUxWXf-aw.png" /></figure><pre>import seaborn as sns<br>import matplotlib.pyplot as plt<br><br>gender_col = &#39;Sex&#39;  # Cinsiyet sütunu<br><br>group_means = df.groupby(gender_col)[[&#39;pestsla_mean&#39;, &#39;burnout_mean&#39;]].mean().round(2)<br>print(&quot;Cinsiyete göre ortalama değerler:&quot;)<br>print(group_means)<br><br># Görsel<br>plt.figure(figsize=(8,5))<br>sns.boxplot(x=gender_col, y=&#39;pestsla_mean&#39;, data=df, palette=&#39;Set2&#39;)<br>plt.title(&quot;Cinsiyete Göre Mobbing Algısı&quot;, fontsize=13, weight=&#39;bold&#39;)<br>plt.xlabel(&quot;Cinsiyet&quot;)<br>plt.ylabel(&quot;Mobbing (pestsla_mean)&quot;)<br>plt.show()<br><br>plt.figure(figsize=(8,5))<br>sns.boxplot(x=gender_col, y=&#39;burnout_mean&#39;, data=df, palette=&#39;Set3&#39;)<br>plt.title(&quot;Cinsiyete Göre Tükenmişlik Düzeyi&quot;, fontsize=13, weight=&#39;bold&#39;)<br>plt.xlabel(&quot;Cinsiyet&quot;)<br>plt.ylabel(&quot;Tükenmişlik (burnout_mean)&quot;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/735/1*eWOckieBeSbmxOMnp9QvTg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/749/1*VMRDnVMKBrI-d2VS-ywMjw.png" /></figure><pre># Yaş aralıkları oluştur<br>bins = [18, 25, 35, 45, 55, 65]<br>labels = [&#39;18-25&#39;, &#39;26-35&#39;, &#39;36-45&#39;, &#39;46-55&#39;, &#39;56-65&#39;]<br>df[&#39;AgeGroup&#39;] = pd.cut(df[&#39;Age&#39;], bins=bins, labels=labels, include_lowest=True)<br><br>age_means = df.groupby(&#39;AgeGroup&#39;)[[&#39;pestsla_mean&#39;, &#39;burnout_mean&#39;]].mean().round(2)<br>print(&quot;Yaş gruplarına göre ortalamalar:&quot;)<br>print(age_means)<br><br># Görselleştirme<br>plt.figure(figsize=(8,5))<br>sns.barplot(x=&#39;AgeGroup&#39;, y=&#39;pestsla_mean&#39;, data=df, palette=&#39;Blues&#39;)<br>plt.title(&quot;Yaş Gruplarına Göre Mobbing Algısı&quot;, fontsize=13)<br>plt.xlabel(&quot;Yaş Grubu&quot;)<br>plt.ylabel(&quot;Mobbing Ortalaması&quot;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/730/1*d4cwv1hdfeu1bdVEtArbKQ.png" /></figure><pre>edu_means = df.groupby(&#39;Diploma&#39;)[[&#39;pestsla_mean&#39;, &#39;burnout_mean&#39;]].mean().round(2)<br>print(&quot;Eğitim düzeyine göre ortalamalar:&quot;)<br>print(edu_means)<br><br>plt.figure(figsize=(8,5))<br>sns.boxplot(x=&#39;Diploma&#39;, y=&#39;burnout_mean&#39;, data=df, palette=&#39;coolwarm&#39;)<br>plt.title(&quot;Eğitim Düzeyine Göre Tükenmişlik&quot;, fontsize=13)<br>plt.xticks(rotation=45)<br>plt.xlabel(&quot;Eğitim Düzeyi&quot;)<br>plt.ylabel(&quot;Tükenmişlik&quot;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/726/1*zpJvYpW-BUUhWQZFygljmQ.png" /></figure><p>İşyerinde mobbing — yani sistematik zorbalık, dışlanma veya psikolojik yıldırma — modern örgütlerde hâlâ sessizce varlığını sürdüren bir olgu.<br> Sıklıkla kişisel bir mesele gibi görülse de, aslında kurumsal iklimi, çalışan sağlığını ve üretkenliği doğrudan etkileyen bir sistemik problem.</p><p>Bu çalışmada, “Workplace Bullying and Well-being” veri setini analiz ederek, mobbingin <strong>tükenmişlik (burnout)</strong> ve <strong>psikolojik iyi oluş (well-being)</strong> üzerindeki etkilerini veriyle inceledim.<br> Toplam <strong>1.426 katılımcı</strong>dan elde edilen yanıtlarla, mobbingin görünmeyen psikolojik etkilerini sayılarla ortaya koydum.</p><p>Veri seti, çalışanların demografik bilgileri (yaş, cinsiyet, eğitim düzeyi) ile birlikte iş yaşamı ve psikolojik değerlendirmelere ilişkin 449 değişken içeriyor.</p><p>Analizde kullanılan temel değişkenler:</p><ul><li><strong>Mobbing (pestsla_mean):</strong> İşyerinde zorbalık deneyimi puanı</li><li><strong>Tükenmişlik (burnout_mean):</strong> Çalışanın duygusal yorgunluk ve motivasyon kaybı düzeyi</li><li><strong>Psikolojik İyi Oluş (MentWel):</strong> Genel ruhsal sağlık ve mutluluk göstergesi</li></ul><p><strong>Mobbing ve Tükenmişlik</strong></p><p>İlk analiz, mobbingin tükenmişlik üzerindeki etkisini inceliyor.<br> Sonuçlar oldukça net:</p><ul><li><strong>Pozitif ve anlamlı bir ilişki mevcut (r = 0.34, p &lt; 0.01)</strong></li><li>Regresyon katsayısı: <strong>β = 0.42</strong></li><li>Açıklama gücü (R²) = <strong>0.18</strong></li></ul><p>Yani çalışanlar işyerinde daha fazla zorbalığa maruz kaldıkça, tükenmişlik düzeyleri belirgin biçimde yükseliyor. Grafiklerde bu ilişki, yukarı eğimli net bir doğrusal trend olarak gözleniyor. Bu sonuç, Mobbing ‘in yalnızca moral bozan bir deneyim olmadığını, aynı zamanda <strong>psikolojik enerji tükenmesinin güçlü bir etken </strong>olduğunu gösteriyor. Zorbalığa maruz kalan bireyler, duygusal yorgunluk, motivasyon kaybı ve işe yabancılaşma belirtileri gösteriyor.</p><p><strong>Mobbing ve Psikolojik İyi Oluş</strong></p><p>Bir diğer modelde Mobbing ‘in ruhsal iyi oluş üzerindeki etkisine bakıldı.</p><ul><li><strong>Negatif ve güçlü bir ilişki bulundu (r = -0.39, p &lt; 0.01)</strong></li><li>Regresyon katsayısı: <strong>β = -0.39</strong></li><li>Açıklama gücü (R²) = <strong>0.21</strong></li></ul><p>Bu sonuçlar, Mobbing ‘in bireylerin mutluluk, özsaygı ve yaşam doyumu üzerinde belirgin biçimde yıkıcı bir etkisi olduğunu gösteriyor.Zorbalığa maruz kalan çalışanların “iyi oluş” seviyeleri ciddi oranda düşüyor. Mobbing, sadece tükenmişlik değil, <strong>psikolojik iyilik hâlini de erozyona uğratan</strong> bir faktör. İlginç biçimde, bu modelin açıklama gücü tükenmişlik modelinden bile daha yüksek; yani Mobbing ‘in iyi oluş üzerindeki etkisi daha derin.</p><p><strong>Demografik Görünüm</strong></p><p><em>Cinsiyet</em></p><p>Kadın çalışanlar, erkeklere kıyasla biraz daha yüksek tükenmişlik skorları bildiriyor (Kadın: 2.85 — Erkek: 2.72). Bu fark, örgütsel destek algısı veya stres faktörlerine duyarlılıkla ilişkili olabilir.</p><p><em>Yaş Grupları</em></p><p>Tükenmişlik özellikle <strong>orta yaş grubunda (46–55)</strong> zirve yapıyor.<br>Bu dönem, kariyer baskısı ve rol çatışmalarının en yoğun hissedildiği yaş aralığı olarak yorumlanabilir.</p><p><em>Eğitim Düzeyi</em></p><p>Eğitim seviyesi arttıkça Mobbing puanlarında belirli dalgalanmalar var; özellikle orta düzey eğitim gruplarında tükenmişlik oranları daha yüksek.</p><p><strong><em>İşyerinde mobbing, ölçülebilir psikolojik sonuçları olan, üretkenliği ve bağlılığı doğrudan etkileyen bir risk faktörüdür. Kurumsal politikalar yalnızca performansı değil, çalışanların psikolojik güvenliğini de gözetmelidir. Mobbing’ i önlemeye yönelik bilinçli bir kurum kültürü, tükenmişliği azaltır, iyi oluşu artırır, verimliliği sürdürülebilir kılar.</em></strong></p><p>🎯 <strong>Bu projede kullandığım Python kütüphaneleri:</strong></p><p>📊 <strong>pandas</strong><br> Veri setinin okunması, filtrelenmesi ve değişkenlerin yeniden düzenlenmesi süreçlerinde temel analiz kütüphanesi olarak kullanıldı.<br> Ayrıca, grup bazlı istatistiklerin hesaplanmasında ve ortalama puanların oluşturulmasında aktif rol aldı.</p><p>🔢 <strong>numpy</strong><br> İstatistiksel hesaplamalarda (ortalama, standart sapma, korelasyon gibi) ve veri üzerinde vektörel işlemler gerçekleştirmek için tercih edildi.</p><p>📈 <strong>matplotlib.pyplot</strong><br> Analiz bulgularının görsel olarak sunulmasında kullanıldı. Özellikle dağılım grafikleri, histogramlar ve ilişki görselleri oluşturularak verinin eğilimleri görselleştirildi.</p><p>📉 <strong>seaborn</strong><br> Mobbing, tükenmişlik ve iyi oluş değişkenleri arasındaki ilişkileri istatistiksel olarak ifade eden regresyon çizimleri (ör. sns.regplot) için uygulandı.<br> Ayrıca, dağılım yoğunluğu ve kategorik farklılıklar şık bir biçimde gösterildi.</p><p>🧮 <strong>scipy.stats</strong><br> Korelasyon analizleri (Pearson r), anlamlılık testleri (p-value) ve temel istatistiksel hesaplamalarda kullanıldı.</p><p>🧠 <strong>statsmodels</strong><br> Doğrusal regresyon modelleri oluşturmak ve sonuç tablolarını elde etmek için kullanıldı.<br> β katsayıları, R² değerleri ve anlamlılık düzeyleri bu kütüphane aracılığıyla hesaplandı.</p><p>📋 <strong>warnings / os</strong><br> Analiz sırasında gereksiz uyarı mesajlarını bastırmak ve çalışma ortamını sade tutmak amacıyla kullanıldı.</p><p>📂 <strong>Veri Kaynağı:</strong><br> Bu analiz, <strong>Hollanda Dataverse</strong> üzerinde yayımlanan<br> <strong>“Workplace Bullying and Well-being Dataset”</strong> adlı açık veri seti kullanılarak hazırlanmıştır.<br> Veri seti, çalışanların işyerinde maruz kaldıkları mobbing deneyimlerini, tükenmişlik düzeylerini ve psikolojik iyi oluş göstergelerini içermektedir.</p><p><strong>Kaynak:</strong> <a href="https://dataverse.nl/dataset.xhtml?persistentId=doi:10.34894%2FUGPSWT&amp;utm_source=chatgpt.com">https://dataverse.nl/dataset.xhtmlpersistentId=doi:10.34894/UGPSWT</a></p><p>🙌 Bu çalışmayı okuduğunuz için teşekkür ederim.<br> İşyerinde psikolojik güvenliğin önemine dikkat çekmek ve veriye dayalı farkındalık yaratmak amacıyla bu analizi paylaştım.<br> Yorumlarınız, eleştirileriniz ve katkılarınız yeni analizlerde ilham kaynağı olacaktır 💬</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5b1ca1d14982" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[İŞKUR Verileriyle Python’da Türkiye İşgücü Haritası]]></title>
            <link>https://medium.com/@gizemaksogan/i%CC%87%C5%9Fkur-verileriyle-pythonda-t%C3%BCrkiye-i%CC%87%C5%9Fg%C3%BCc%C3%BC-haritas%C4%B1-e347da564116?source=rss-54804c9cf2a2------2</link>
            <guid isPermaLink="false">https://medium.com/p/e347da564116</guid>
            <category><![CDATA[unemployment]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[public-policy]]></category>
            <category><![CDATA[pandas]]></category>
            <category><![CDATA[data-visualization]]></category>
            <dc:creator><![CDATA[Gizem Aksogan]]></dc:creator>
            <pubDate>Mon, 09 Jun 2025 15:48:30 GMT</pubDate>
            <atom:updated>2025-06-09T15:48:30.994Z</atom:updated>
            <content:encoded><![CDATA[<p><em>İşgücü piyasasında toplumsal cinsiyet farklarını ve bölgesel dengesizlikleri daha net anlayabilmek için İŞKUR’un 2024 verilerini Python ile analiz ederek Türkiye işsizlik haritasını çıkardım.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/275/1*0Nr02Eip0Pvnj6gR_YI_Ow.jpeg" /><figcaption>Merhabalar! Bu yazıda Python kullanarak İŞKUR’un yayımladığı 2024 yılı işgücü verilerini analiz ediyoruz. Türkiye genelinde cinsiyet, meslek grubu ve iller bazında işsizlik dağılımını hem grafiklerle hem de etkileşimli haritalarla görselleştirdim. Hem kullandığım Python kodlarını hem de veri setine nasıl erişebileceğinizi bu yazıda bulabilirsiniz. O zaman, haydi başlayalım!</figcaption></figure><pre>import pandas as pd<br><br># Dosya yolunu belirleyelim<br>file_path = &quot;2024-yillik-tablolari.xlsx&quot;<br><br># Excel dosyasındaki tüm sayfa adlarını al<br>sheet_names = pd.ExcelFile(file_path).sheet_names<br><br>print(sheet_names)</pre><pre>import pandas as pd<br><br># Dosya yolu ve sayfa adı<br>file_path = &quot;2024-yillik-tablolari.xlsx&quot;<br>sheet_name = &quot;Tablo 10&quot;<br><br># Ham veriyi oku<br>raw_df = pd.read_excel(file_path, sheet_name=sheet_name, header=None)<br><br># Başlıkları 1. satırdan al, 2. satırdan itibaren veriyi oku<br>headers = raw_df.iloc[1].values<br>data = raw_df.iloc[2:].copy()<br>data.columns = headers<br>data.reset_index(drop=True, inplace=True)<br><br># Temiz tabloyu göster<br>pd.set_option(&#39;display.max_columns&#39;, None)  # Tüm sütunları göster<br>display(data.head(10))  # İlk 10 satırı tablo formatında göster</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/861/1*pyF2OvEKIS3oybulw7t3lw.png" /></figure><pre>import pandas as pd<br><br># Sayısal meslek grubu sütunlarını seç (ilk sütun il adı, son sütun toplam olduğu için hariç tut)<br>meslek_sutunlari = data.columns[1:-1]<br><br># Her meslek grubu için toplam işsiz sayısını hesapla<br>meslek_grubu_toplam = data[meslek_sutunlari].apply(pd.to_numeric, errors=&#39;coerce&#39;).sum().sort_values(ascending=False)<br><br># Sonuçları tabloya dönüştür<br>meslek_grubu_df = pd.DataFrame({<br>    &#39;Meslek Grubu&#39;: meslek_grubu_toplam.index,<br>    &#39;Toplam İşsiz Sayısı&#39;: meslek_grubu_toplam.values<br>})<br><br># İndex&#39;i sıfırla<br>meslek_grubu_df.reset_index(drop=True, inplace=True)<br><br># Temiz ve yapılandırılmış tabloyu göster<br>meslek_grubu_df.style.set_caption(&quot;🔎 En Çok İşsiz Bulunan Meslek Grupları (Türkiye, 2024)&quot;).format({<br>    &#39;Toplam İşsiz Sayısı&#39;: &#39;{:,.0f}&#39;<br>}).background_gradient(cmap=&#39;Oranges&#39;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mEGTEc4s8nOGYXq4WuOnpw.png" /></figure><pre>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br># Türkçe karakterler için font ayarı (bazı sistemlerde gerekebilir)<br>plt.rcParams[&#39;font.family&#39;] = &#39;DejaVu Sans&#39;<br><br># Grafik boyutu<br>plt.figure(figsize=(12, 6))<br><br># Barplot çizimi<br>sns.barplot(<br>    data=meslek_grubu_toplam_df,<br>    x=&#39;Toplam İşsiz Sayısı&#39;,<br>    y=&#39;Meslek Grubu&#39;,<br>    palette=&#39;viridis&#39;<br>)<br><br># Başlık ve eksen isimleri<br>plt.title(&quot;📊 En Çok İşsiz Olunan Meslek Grupları (2024)&quot;, fontsize=14)<br>plt.xlabel(&quot;Toplam İşsiz Sayısı&quot;)<br>plt.ylabel(&quot;Meslek Grubu&quot;)<br><br># Değerleri çubukların üzerine yaz<br>for index, value in enumerate(meslek_grubu_toplam_df[&#39;Toplam İşsiz Sayısı&#39;]):<br>    plt.text(value + 500, index, f&quot;{int(value):,}&quot;, va=&#39;center&#39;)<br><br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mSot1UIrCAETChh_QlXvbA.png" /></figure><pre>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br># Türkçe karakterler için font ayarı (bazı sistemlerde gerekebilir)<br>plt.rcParams[&#39;font.family&#39;] = &#39;DejaVu Sans&#39;<br><br># Grafik boyutu<br>plt.figure(figsize=(12, 6))<br><br># Barplot çizimi<br>sns.barplot(<br>    data=meslek_grubu_toplam_df,<br>    x=&#39;Toplam İşsiz Sayısı&#39;,<br>    y=&#39;Meslek Grubu&#39;,<br>    palette=&#39;viridis&#39;<br>)<br><br># Başlık ve eksen isimleri<br>plt.title(&quot;📊 En Çok İşsiz Olunan Meslek Grupları (2024)&quot;, fontsize=14)<br>plt.xlabel(&quot;Toplam İşsiz Sayısı&quot;)<br>plt.ylabel(&quot;Meslek Grubu&quot;)<br><br># Değerleri çubukların üzerine yaz<br>for index, value in enumerate(meslek_grubu_toplam_df[&#39;Toplam İşsiz Sayısı&#39;]):<br>    plt.text(value + 500, index, f&quot;{int(value):,}&quot;, va=&#39;center&#39;)<br><br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/619/1*iT-Tv7Z-r1AsrmorDEy_zQ.png" /></figure><pre>import matplotlib.pyplot as plt<br><br># 1. Toplam işsiz sayısını al<br>toplam = meslek_grubu_toplam_df[&quot;Toplam İşsiz Sayısı&quot;].sum()<br><br># 2. %5 sınırını belirle<br>threshold = toplam * 0.05<br><br># 3. %5&#39;in altında kalanları ayır<br>altinda_kalanlar = meslek_grubu_toplam_df[meslek_grubu_toplam_df[&quot;Toplam İşsiz Sayısı&quot;] &lt; threshold]<br>ustte_kalanlar = meslek_grubu_toplam_df[meslek_grubu_toplam_df[&quot;Toplam İşsiz Sayısı&quot;] &gt;= threshold]<br><br># 4. “Diğer” kategorisini ekle<br>diger_toplam = altinda_kalanlar[&quot;Toplam İşsiz Sayısı&quot;].sum()<br>ustte_kalanlar = pd.concat([<br>    ustte_kalanlar,<br>    pd.DataFrame({&quot;Meslek Grubu&quot;: [&quot;Diğer&quot;], &quot;Toplam İşsiz Sayısı&quot;: [diger_toplam]})<br>])<br><br># 5. Pasta grafiği çiz<br>plt.figure(figsize=(8, 8))<br>plt.pie(<br>    ustte_kalanlar[&quot;Toplam İşsiz Sayısı&quot;],<br>    labels=ustte_kalanlar[&quot;Meslek Grubu&quot;],<br>    autopct=lambda pct: f&quot;%{pct:.2f}&quot; if pct &gt; 0 else &quot;&quot;,<br>    startangle=140,<br>    textprops={&#39;fontsize&#39;: 10}<br>)<br>plt.title(&quot;Meslek Gruplarına Göre İşsizlik Dağılımı&quot;, fontsize=14)<br>plt.tight_layout()<br>plt.show()<br><br># 6. Altında “Diğer”e giren meslek gruplarını göster<br>print(&quot;🔽 %5&#39;in altındaki meslek grupları (Diğer kategorisinde yer aldı):&quot;)<br>print(altinda_kalanlar[[&quot;Meslek Grubu&quot;, &quot;Toplam İşsiz Sayısı&quot;]].reset_index(drop=True))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lvYkXxby-CqaRH56EkUTrg.png" /></figure><pre>import pandas as pd<br>import geopandas as gpd<br>import matplotlib.pyplot as plt</pre><pre>import pandas as pd<br><br># Excel dosyasını oku, başlıksız şekilde<br>df_raw = pd.read_excel(&quot;2024-yillik-tablolari.xlsx&quot;, sheet_name=&quot;Tablo 10&quot;, header=None)<br><br># 2. satırı sütun ismi olarak ata<br>df_raw.columns = df_raw.iloc[1]<br><br># İlk 2 satırı at (başlıklar ve açıklama satırı)<br>data_clean = df_raw.iloc[2:].reset_index(drop=True)<br><br># Sütun adlarını sadeleştir<br>data_clean.columns = data_clean.columns.str.replace(r&quot;\s+&quot;, &quot; &quot;, regex=True).str.strip()<br><br># Sadece il adı ve toplam işsiz sütununu al<br>iller_df = data_clean[[&#39;İller Provinces&#39;, &#39;TOPLAM TOTAL&#39;]].copy()<br>iller_df.columns = [&#39;il_adi&#39;, &#39;toplam_issiz&#39;]<br><br># İl isimlerini büyük harfe çevir<br>iller_df[&#39;il_adi&#39;] = iller_df[&#39;il_adi&#39;].str.upper()<br><br># İşsiz sayılarını sayısal tipe çevir<br>iller_df[&#39;toplam_issiz&#39;] = pd.to_numeric(iller_df[&#39;toplam_issiz&#39;], errors=&#39;coerce&#39;)<br><br># Kontrol<br>print(iller_df.head())</pre><pre># Türkçe karakterleri sadeleştirme eşleştirmesi<br>duzeltme = {<br>    &quot;AFYONKARAHİSAR&quot;: &quot;AFYONKARAHISAR&quot;,<br>    &quot;BİLECİK&quot;: &quot;BILECIK&quot;,<br>    &quot;BİNGÖL&quot;: &quot;BINGOL&quot;,<br>    &quot;BİTLİS&quot;: &quot;BITLIS&quot;,<br>    &quot;ÇANAKKALE&quot;: &quot;CANAKKALE&quot;,<br>    &quot;DENİZLİ&quot;: &quot;DENIZLI&quot;,<br>    &quot;DİYARBAKIR&quot;: &quot;DIYARBAKIR&quot;,<br>    &quot;EDİRNE&quot;: &quot;EDIRNE&quot;,<br>    &quot;ERZİNCAN&quot;: &quot;ERZINCAN&quot;,<br>    &quot;ESKİŞEHİR&quot;: &quot;ESKISEHIR&quot;,<br>    &quot;GAZİANTEP&quot;: &quot;GAZIANTEP&quot;,<br>    &quot;GİRESUN&quot;: &quot;GIRESUN&quot;,<br>    &quot;HAKKARİ&quot;: &quot;HAKKARI&quot;,<br>    &quot;İSTANBUL&quot;: &quot;ISTANBUL&quot;,<br>    &quot;İZMİR&quot;: &quot;IZMIR&quot;,<br>    &quot;KAYSERİ&quot;: &quot;KAYSERI&quot;,<br>    &quot;KİLİS&quot;: &quot;KILIS&quot;,<br>    &quot;KIRKLARELİ&quot;: &quot;KIRKLARELI&quot;,<br>    &quot;KIRŞEHİR&quot;: &quot;KIRSEHIR&quot;,<br>    &quot;KOCAELİ&quot;: &quot;KOCAELI&quot;,<br>    &quot;MANİSA&quot;: &quot;MANISA&quot;,<br>    &quot;MARDİN&quot;: &quot;MARDIN&quot;,<br>    &quot;MERSİN&quot;: &quot;MERSIN&quot;,<br>    &quot;NEVŞEHİR&quot;: &quot;NEVSEHIR&quot;,<br>    &quot;NİĞDE&quot;: &quot;NIGDE&quot;,<br>    &quot;OSMANİYE&quot;: &quot;OSMANIYE&quot;,<br>    &quot;RİZE&quot;: &quot;RIZE&quot;,<br>    &quot;SİİRT&quot;: &quot;SIIRT&quot;,<br>    &quot;SİNOP&quot;: &quot;SINOP&quot;,<br>    &quot;SİVAS&quot;: &quot;SIVAS&quot;,<br>    &quot;TEKİRDAĞ&quot;: &quot;TEKIRDAG&quot;,<br>    &quot;TUNCELİ&quot;: &quot;TUNCELI&quot;,<br>    &quot;ARTVİN&quot;: &quot;ARTVIN&quot;,<br>    &quot;BALIKESİR&quot;: &quot;BALIKESIR&quot;<br>}<br><br># Düzeltmeleri uygula<br>iller_df[&quot;il_adi&quot;] = iller_df[&quot;il_adi&quot;].replace(duzeltme)<br><br># Yeniden birleştir<br>map_merged = turkey_map.merge(iller_df, on=&quot;il_adi&quot;, how=&quot;left&quot;)<br><br># Eksik eşleşme kaldı mı?<br>print(&quot;Kalan eşleşmeyen iller:\n&quot;, map_merged[map_merged[&quot;toplam_issiz&quot;].isna()][&quot;il_adi&quot;])</pre><pre>pip install unidecode</pre><pre>import matplotlib.pyplot as plt<br><br># Harita çizimi<br>fig, ax = plt.subplots(1, 1, figsize=(15, 12))<br><br># Choropleth: işsizliğe göre renk tonlaması<br>map_merged.plot(<br>    column=&quot;toplam_issiz&quot;,       # Hangi sütuna göre renklensin<br>    cmap=&quot;Reds&quot;,                 # Renk skalası<br>    linewidth=0.8,<br>    edgecolor=&quot;0.8&quot;,<br>    legend=True,<br>    ax=ax<br>)<br><br># Başlık ve eksenler<br>ax.set_title(&quot;İllere Göre Kayıtlı İşsiz Sayısı (2024)&quot;, fontsize=18)<br>ax.axis(&quot;off&quot;)<br><br># Göster<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/702/1*1qwoaprPH_YvFRrJwLGCLA.png" /></figure><pre>pip install folium</pre><pre>import folium<br>import json<br><br># GeoJSON&#39;u JSON formatına çevir (folium için gerekli)<br>geo_json = json.loads(turkey_map.to_json())<br><br># Merkez koordinat (Türkiye ortası)<br>m = folium.Map(location=[39.0, 35.0], zoom_start=6)<br><br># Harita üzerine choropleth (renkli katman)<br>folium.Choropleth(<br>    geo_data=geo_json,<br>    data=map_merged,<br>    columns=[&quot;il_adi&quot;, &quot;toplam_issiz&quot;],<br>    key_on=&quot;feature.properties.il_adi&quot;,<br>    fill_color=&quot;YlOrRd&quot;,<br>    fill_opacity=0.7,<br>    line_opacity=0.2,<br>    legend_name=&quot;Toplam İşsiz Sayısı&quot;<br>).add_to(m)<br><br># İllere tıklanabilir bilgi kutusu ekle<br>for _, row in map_merged.iterrows():<br>    folium.Popup(f&quot;{row[&#39;il_adi&#39;]}: {int(row[&#39;toplam_issiz&#39;])} kişi&quot;).add_to(<br>        folium.GeoJson(<br>            geo_json[&quot;features&quot;][list(map_merged[&quot;il_adi&quot;]).index(row[&quot;il_adi&quot;])]<br>        )<br>    )<br><br># Haritayı HTML olarak kaydet<br>m.save(&quot;interaktif_issizlik_haritasi.html&quot;)</pre><pre># Türkiye 2024 tahmini il nüfusları (TÜİK bazlı, binlik değil)<br>il_nufuslari = {<br>    &quot;ADANA&quot;: 2321473, &quot;ADIYAMAN&quot;: 635169, &quot;AFYONKARAHISAR&quot;: 747555, &quot;AĞRI&quot;: 536285,<br>    &quot;AMASYA&quot;: 339961, &quot;ANKARA&quot;: 5747325, &quot;ANTALYA&quot;: 2712441, &quot;ARTVIN&quot;: 169501,<br>    &quot;AYDIN&quot;: 1124131, &quot;BALIKESIR&quot;: 1287955, &quot;BILECIK&quot;: 228334, &quot;BINGOL&quot;: 282556,<br>    &quot;BITLIS&quot;: 353267, &quot;BOLU&quot;: 325755, &quot;BURDUR&quot;: 280346, &quot;BURSA&quot;: 3177275,<br>    &quot;CANAKKALE&quot;: 579360, &quot;CANKIRI&quot;: 208417, &quot;CORUM&quot;: 524130, &quot;DENIZLI&quot;: 1050722,<br>    &quot;DIYARBAKIR&quot;: 1851757, &quot;EDIRNE&quot;: 416855, &quot;ELAZIG&quot;: 591498, &quot;ERZINCAN&quot;: 246819,<br>    &quot;ERZURUM&quot;: 752429, &quot;ESKISEHIR&quot;: 911498, &quot;GAZIANTEP&quot;: 2218729, &quot;GIRESUN&quot;: 450154,<br>    &quot;GUMUSHANE&quot;: 141712, &quot;HAKKARI&quot;: 286470, &quot;HATAY&quot;: 1677174, &quot;ISPARTA&quot;: 457647,<br>    &quot;ISTANBUL&quot;: 16045450, &quot;IZMIR&quot;: 4428372, &quot;KAHRAMANMARAS&quot;: 1187095,<br>    &quot;KARABUK&quot;: 248458, &quot;KARAMAN&quot;: 262196, &quot;KARS&quot;: 281664, &quot;KASTAMONU&quot;: 378115,<br>    &quot;KAYSERI&quot;: 1451378, &quot;KILIS&quot;: 158841, &quot;KIRIKKALE&quot;: 280379, &quot;KIRKLARELI&quot;: 377706,<br>    &quot;KIRSEHIR&quot;: 245220, &quot;KOCAELI&quot;: 2067954, &quot;KONYA&quot;: 2299435, &quot;KUTAHYA&quot;: 572256,<br>    &quot;MALATYA&quot;: 812580, &quot;MANISA&quot;: 1468459, &quot;MARDIN&quot;: 868982, &quot;MERSIN&quot;: 1917275,<br>    &quot;MUGLA&quot;: 1048285, &quot;MUS&quot;: 391421, &quot;NEVSEHIR&quot;: 308003, &quot;NIGDE&quot;: 369885,<br>    &quot;ORDU&quot;: 776049, &quot;OSMANIYE&quot;: 557269, &quot;RIZE&quot;: 348927, &quot;SAKARYA&quot;: 1117540,<br>    &quot;SAMSUN&quot;: 1385372, &quot;SIIRT&quot;: 335965, &quot;SINOP&quot;: 215586, &quot;SIRNAK&quot;: 559592,<br>    &quot;SIVAS&quot;: 621301, &quot;TEKIRDAG&quot;: 1222104, &quot;TOKAT&quot;: 600812, &quot;TRABZON&quot;: 830470,<br>    &quot;TUNCELI&quot;: 84938, &quot;SANLIURFA&quot;: 2220476, &quot;USA&quot;: 384508, &quot;VAN&quot;: 1170155,<br>    &quot;YOZGAT&quot;: 409253, &quot;ZONGULDAK&quot;: 577388<br>}</pre><pre># İl nüfuslarını yeni sütun olarak ata<br>map_merged[&quot;nufus&quot;] = map_merged[&quot;il_adi&quot;].map(il_nufuslari)<br><br># Oran hesapla (%)<br>map_merged[&quot;issizlik_orani&quot;] = (map_merged[&quot;toplam_issiz&quot;] / map_merged[&quot;nufus&quot;]) * 100</pre><pre>import folium<br>import json<br>from IPython.display import display<br><br># GeoJSON&#39;u JSON formatına çevir<br>geo_json = json.loads(turkey_map.to_json())<br><br># Haritayı başlat<br>m = folium.Map(location=[39.0, 35.0], zoom_start=6)<br><br># Choropleth: işsizlik oranına göre renklendir<br>folium.Choropleth(<br>    geo_data=geo_json,<br>    data=map_merged,<br>    columns=[&quot;il_adi&quot;, &quot;issizlik_orani&quot;],<br>    key_on=&quot;feature.properties.il_adi&quot;,<br>    fill_color=&quot;YlOrRd&quot;,<br>    fill_opacity=0.7,<br>    line_opacity=0.2,<br>    legend_name=&quot;Nüfusa Göre İşsizlik Oranı (%)&quot;,<br>    nan_fill_color=&quot;lightgrey&quot;<br>).add_to(m)<br><br># Popup kutular<br>for _, row in map_merged.iterrows():<br>    oran = f&quot;{row[&#39;issizlik_orani&#39;]:.2f}%&quot; if not pd.isna(row[&#39;issizlik_orani&#39;]) else &quot;Veri yok&quot;<br>    folium.Marker(<br>        location=[row[&quot;geometry&quot;].centroid.y, row[&quot;geometry&quot;].centroid.x],<br>        popup=f&quot;{row[&#39;il_adi&#39;]}: {oran}&quot;,<br>        icon=folium.Icon(color=&quot;blue&quot;, icon=&quot;info-sign&quot;)<br>    ).add_to(m)<br><br># Notebook&#39;ta göster<br>display(m)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1018/1*lydBdf1U-_5boSTnuPRGuA.png" /></figure><pre>import matplotlib.pyplot as plt<br><br># En riskli illeri tekrar oran sırasına göre sayısal hale getirelim<br>en_riskli_iller_numeric = map_merged.sort_values(by=&quot;issizlik_orani&quot;, ascending=False).head(10)<br><br># Grafik çizimi<br>plt.figure(figsize=(12, 7))<br>bars = plt.barh(<br>    en_riskli_iller_numeric[&quot;il_adi&quot;], <br>    en_riskli_iller_numeric[&quot;issizlik_orani&quot;], <br>    color=&quot;crimson&quot;<br>)<br><br># Oranları etiket olarak göster<br>for bar in bars:<br>    width = bar.get_width()<br>    plt.text(width + 0.2, bar.get_y() + bar.get_height() / 2,<br>             f&quot;{width:.2f}%&quot;, va=&#39;center&#39;, fontsize=10)<br><br># Başlık ve etiketler<br>plt.xlabel(&quot;İşsizlik Oranı (%)&quot;, fontsize=12)<br>plt.title(&quot;🔴 En Yüksek İşsizlik Oranına Sahip 10 İl (2024)&quot;, fontsize=15)<br>plt.gca().invert_yaxis()  # En yüksek oran üstte olsun<br>plt.grid(axis=&quot;x&quot;, linestyle=&quot;--&quot;, alpha=0.6)<br><br># Göster<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1022/1*ubx2IU4SxbBa0o4ThkMw2A.png" /></figure><pre># En düşük işsizlik oranına sahip 10 il (nüfusa göre normalize edilmiş)<br>en_az_riskli_iller = map_merged.sort_values(by=&quot;issizlik_orani&quot;, ascending=True).head(10)<br><br># Grafik çizimi<br>import matplotlib.pyplot as plt<br><br>plt.figure(figsize=(12, 7))<br>bars = plt.barh(<br>    en_az_riskli_iller[&quot;il_adi&quot;], <br>    en_az_riskli_iller[&quot;issizlik_orani&quot;], <br>    color=&quot;forestgreen&quot;<br>)<br><br># Oranları çubuklara yaz<br>for bar in bars:<br>    width = bar.get_width()<br>    plt.text(width + 0.1, bar.get_y() + bar.get_height()/2,<br>             f&quot;{width:.2f}%&quot;, va=&#39;center&#39;, fontsize=10)<br><br># Başlık ve etiketler<br>plt.xlabel(&quot;İşsizlik Oranı (%)&quot;, fontsize=12)<br>plt.title(&quot;🟢 En Düşük İşsizlik Oranına Sahip 10 İl (2024)&quot;, fontsize=15)<br>plt.gca().invert_yaxis()<br>plt.grid(axis=&quot;x&quot;, linestyle=&quot;--&quot;, alpha=0.6)<br><br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/911/1*zlcjDVjzVysYejltc23HzQ.png" /></figure><pre>il_bolge = {<br>    # Marmara<br>    &quot;EDIRNE&quot;: &quot;Marmara&quot;, &quot;KIRKLARELI&quot;: &quot;Marmara&quot;, &quot;TEKIRDAG&quot;: &quot;Marmara&quot;,<br>    &quot;ISTANBUL&quot;: &quot;Marmara&quot;, &quot;KOCAELI&quot;: &quot;Marmara&quot;, &quot;SAKARYA&quot;: &quot;Marmara&quot;, &quot;YALOVA&quot;: &quot;Marmara&quot;,<br>    &quot;BALIKESIR&quot;: &quot;Marmara&quot;, &quot;BURSA&quot;: &quot;Marmara&quot;, &quot;BILECIK&quot;: &quot;Marmara&quot;, &quot;CANAKKALE&quot;: &quot;Marmara&quot;,<br><br>    # Ege<br>    &quot;IZMIR&quot;: &quot;Ege&quot;, &quot;AYDIN&quot;: &quot;Ege&quot;, &quot;DENIZLI&quot;: &quot;Ege&quot;, &quot;MANISA&quot;: &quot;Ege&quot;,<br>    &quot;MUGLA&quot;: &quot;Ege&quot;, &quot;KUTAHYA&quot;: &quot;Ege&quot;, &quot;AFYONKARAHISAR&quot;: &quot;Ege&quot;, &quot;USAK&quot;: &quot;Ege&quot;,<br><br>    # Akdeniz<br>    &quot;ANTALYA&quot;: &quot;Akdeniz&quot;, &quot;ADANA&quot;: &quot;Akdeniz&quot;, &quot;MERSIN&quot;: &quot;Akdeniz&quot;, <br>    &quot;ISPARTA&quot;: &quot;Akdeniz&quot;, &quot;BURDUR&quot;: &quot;Akdeniz&quot;, &quot;OSMANIYE&quot;: &quot;Akdeniz&quot;, &quot;HATAY&quot;: &quot;Akdeniz&quot;,<br><br>    # İç Anadolu<br>    &quot;ANKARA&quot;: &quot;İç Anadolu&quot;, &quot;KONYA&quot;: &quot;İç Anadolu&quot;, &quot;KAYSERI&quot;: &quot;İç Anadolu&quot;,<br>    &quot;SIVAS&quot;: &quot;İç Anadolu&quot;, &quot;ESKISEHIR&quot;: &quot;İç Anadolu&quot;, &quot;KIRIKKALE&quot;: &quot;İç Anadolu&quot;,<br>    &quot;NIGDE&quot;: &quot;İç Anadolu&quot;, &quot;NEVSEHIR&quot;: &quot;İç Anadolu&quot;, &quot;YOZGAT&quot;: &quot;İç Anadolu&quot;,<br>    &quot;AKSARAY&quot;: &quot;İç Anadolu&quot;, &quot;KARAMAN&quot;: &quot;İç Anadolu&quot;, &quot;CANKIRI&quot;: &quot;İç Anadolu&quot;,<br>    &quot;KIRSEHIR&quot;: &quot;İç Anadolu&quot;,<br><br>    # Karadeniz<br>    &quot;ZONGULDAK&quot;: &quot;Karadeniz&quot;, &quot;BARTIN&quot;: &quot;Karadeniz&quot;, &quot;KASTAMONU&quot;: &quot;Karadeniz&quot;,<br>    &quot;SAMSUN&quot;: &quot;Karadeniz&quot;, &quot;ORDU&quot;: &quot;Karadeniz&quot;, &quot;GIRESUN&quot;: &quot;Karadeniz&quot;,<br>    &quot;TRABZON&quot;: &quot;Karadeniz&quot;, &quot;RIZE&quot;: &quot;Karadeniz&quot;, &quot;ARTVIN&quot;: &quot;Karadeniz&quot;,<br>    &quot;BOLU&quot;: &quot;Karadeniz&quot;, &quot;DUZCE&quot;: &quot;Karadeniz&quot;, &quot;SINOP&quot;: &quot;Karadeniz&quot;,<br>    &quot;AMASYA&quot;: &quot;Karadeniz&quot;, &quot;TOKAT&quot;: &quot;Karadeniz&quot;, &quot;GUMUSHANE&quot;: &quot;Karadeniz&quot;,<br>    &quot;BAYBURT&quot;: &quot;Karadeniz&quot;, &quot;CORUM&quot;: &quot;Karadeniz&quot;, &quot;KARABUK&quot;: &quot;Karadeniz&quot;,<br><br>    # Doğu Anadolu<br>    &quot;ERZURUM&quot;: &quot;Doğu Anadolu&quot;, &quot;ERZINCAN&quot;: &quot;Doğu Anadolu&quot;, &quot;BINGOL&quot;: &quot;Doğu Anadolu&quot;,<br>    &quot;TUNCELI&quot;: &quot;Doğu Anadolu&quot;, &quot;MALATYA&quot;: &quot;Doğu Anadolu&quot;, &quot;ELAZIG&quot;: &quot;Doğu Anadolu&quot;,<br>    &quot;AGRI&quot;: &quot;Doğu Anadolu&quot;, &quot;KARS&quot;: &quot;Doğu Anadolu&quot;, &quot;IGDIR&quot;: &quot;Doğu Anadolu&quot;,<br>    &quot;MUŞ&quot;: &quot;Doğu Anadolu&quot;, &quot;BITLIS&quot;: &quot;Doğu Anadolu&quot;, &quot;HAKKARI&quot;: &quot;Doğu Anadolu&quot;,<br>    &quot;VAN&quot;: &quot;Doğu Anadolu&quot;, &quot;ARDAHAN&quot;: &quot;Doğu Anadolu&quot;,<br><br>    # Güneydoğu Anadolu<br>    &quot;DIYARBAKIR&quot;: &quot;Güneydoğu&quot;, &quot;GAZIANTEP&quot;: &quot;Güneydoğu&quot;, &quot;SANLIURFA&quot;: &quot;Güneydoğu&quot;,<br>    &quot;MARDIN&quot;: &quot;Güneydoğu&quot;, &quot;BATMAN&quot;: &quot;Güneydoğu&quot;, &quot;SIRNAK&quot;: &quot;Güneydoğu&quot;,<br>    &quot;SIIRT&quot;: &quot;Güneydoğu&quot;, &quot;KILIS&quot;: &quot;Güneydoğu&quot;, &quot;ADIYAMAN&quot;: &quot;Güneydoğu&quot;<br>}</pre><pre># Bölge sütunu ekle<br>map_merged[&quot;bolge&quot;] = map_merged[&quot;il_adi&quot;].map(il_bolge)<br><br># Geçerli kayıtlarla çalış (NaN olmayan)<br>bolge_oran_df = map_merged.dropna(subset=[&quot;bolge&quot;, &quot;toplam_issiz&quot;, &quot;nufus&quot;]).copy()<br><br># Bölge bazında işsiz / nüfus oranı hesapla<br>bolge_grup = bolge_oran_df.groupby(&quot;bolge&quot;).agg({<br>    &quot;toplam_issiz&quot;: &quot;sum&quot;,<br>    &quot;nufus&quot;: &quot;sum&quot;<br>}).reset_index()<br><br>bolge_grup[&quot;ortalama_issizlik_orani&quot;] = (bolge_grup[&quot;toplam_issiz&quot;] / bolge_grup[&quot;nufus&quot;]) * 100</pre><pre># Grafik çizimi<br>plt.figure(figsize=(10, 6))<br>bars = plt.barh(<br>    bolge_grup[&quot;bolge&quot;],<br>    bolge_grup[&quot;ortalama_issizlik_orani&quot;],<br>    color=&quot;steelblue&quot;<br>)<br><br># Yüzdelik oranları ekle<br>for bar in bars:<br>    plt.text(bar.get_width() + 0.2, bar.get_y() + bar.get_height()/2,<br>             f&quot;{bar.get_width():.2f}%&quot;, va=&#39;center&#39;, fontsize=10)<br><br>plt.xlabel(&quot;Ortalama İşsizlik Oranı (%)&quot;, fontsize=12)<br>plt.title(&quot;📍 Türkiye Coğrafi Bölgelerine Göre Ortalama İşsizlik Oranı (2024)&quot;, fontsize=14)<br>plt.gca().invert_yaxis()<br>plt.grid(axis=&quot;x&quot;, linestyle=&quot;--&quot;, alpha=0.6)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/836/1*wjbV3AIcU-vbxWHdaM_9dw.png" /></figure><pre>import folium<br>import json<br>import geopandas as gpd<br>from IPython.display import display<br><br># Haritayı başlat<br>m = folium.Map(location=[39.0, 35.0], zoom_start=6)<br><br># Her il için<br>for _, row in map_merged.iterrows():<br>    if pd.notnull(row[&quot;bolge&quot;]):<br>        # Renk<br>        color = row[&quot;bolge_renk&quot;]<br><br>        # Geometry JSON<br>        geometry_json = json.loads(gpd.GeoSeries([row[&quot;geometry&quot;]]).to_json())[&quot;features&quot;][0][&quot;geometry&quot;]<br><br>        # Popup içeriği<br>        popup_html = f&quot;&quot;&quot;<br>        &lt;b&gt;İl:&lt;/b&gt; {row[&#39;il_adi&#39;]}&lt;br&gt;<br>        &lt;b&gt;Bölge:&lt;/b&gt; {row[&#39;bolge&#39;]}&lt;br&gt;<br>        &lt;b&gt;Toplam İşsiz:&lt;/b&gt; {int(row[&#39;toplam_issiz&#39;]) if pd.notnull(row[&#39;toplam_issiz&#39;]) else &#39;Yok&#39;}&lt;br&gt;<br>        &lt;b&gt;İşsizlik Oranı:&lt;/b&gt; {row[&#39;issizlik_orani&#39;]:.2f}%&lt;br&gt;<br>        &quot;&quot;&quot;<br><br>        geojson_feature = {<br>            &quot;type&quot;: &quot;Feature&quot;,<br>            &quot;geometry&quot;: geometry_json,<br>            &quot;properties&quot;: {<br>                &quot;popup&quot;: popup_html<br>            }<br>        }<br><br>        folium.GeoJson(<br>            geojson_feature,<br>            style_function=lambda feature, color=color: {<br>                &quot;fillColor&quot;: color,<br>                &quot;color&quot;: &quot;black&quot;,<br>                &quot;weight&quot;: 0.5,<br>                &quot;fillOpacity&quot;: 0.7<br>            },<br>            tooltip=folium.Tooltip(f&quot;{row[&#39;il_adi&#39;]} - {row[&#39;bolge&#39;]}&quot;),<br>            popup=folium.Popup(popup_html, max_width=250)<br>        ).add_to(m)<br><br># Göster<br>display(m)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/905/1*Dlvj86wVD9LxYF86Qw9mGw.png" /></figure><pre>from sklearn.cluster import KMeans<br>import numpy as np<br><br># Küme sayısı (örnek: 4 gruba ayıralım)<br>n_clusters = 4<br><br># Kümeleme için sadece işsizlik oranı kullanılacak<br>X = map_merged[[&quot;issizlik_orani&quot;]].dropna().values<br><br># KMeans modeli oluştur ve eğit<br>kmeans = KMeans(n_clusters=n_clusters, random_state=42)<br>map_merged.loc[~map_merged[&quot;issizlik_orani&quot;].isna(), &quot;cluster&quot;] = kmeans.fit_predict(X)</pre><pre># Kümelere renk ata<br>cluster_colors = {<br>    0: &quot;#1f77b4&quot;,  # Mavi<br>    1: &quot;#ff7f0e&quot;,  # Turuncu<br>    2: &quot;#2ca02c&quot;,  # Yeşil<br>    3: &quot;#d62728&quot;,  # Kırmızı<br>}<br><br>map_merged[&quot;cluster_color&quot;] = map_merged[&quot;cluster&quot;].map(lambda x: cluster_colors[int(x)] if not pd.isna(x) else &quot;#cccccc&quot;)</pre><pre>import folium<br>import json<br>import geopandas as gpd<br>from IPython.display import display<br><br>m = folium.Map(location=[39.0, 35.0], zoom_start=6)<br><br>for _, row in map_merged.iterrows():<br>    if pd.notnull(row[&quot;issizlik_orani&quot;]):<br>        color = row[&quot;cluster_color&quot;]<br><br>        geometry_json = json.loads(gpd.GeoSeries([row[&quot;geometry&quot;]]).to_json())[&quot;features&quot;][0][&quot;geometry&quot;]<br><br>        popup_text = f&quot;&quot;&quot;<br>        &lt;b&gt;İl:&lt;/b&gt; {row[&#39;il_adi&#39;]}&lt;br&gt;<br>        &lt;b&gt;İşsizlik Oranı:&lt;/b&gt; {row[&#39;issizlik_orani&#39;]:.2f}%&lt;br&gt;<br>        &lt;b&gt;Küme:&lt;/b&gt; {int(row[&#39;cluster&#39;])}<br>        &quot;&quot;&quot;<br><br>        geojson_feature = {<br>            &quot;type&quot;: &quot;Feature&quot;,<br>            &quot;geometry&quot;: geometry_json,<br>            &quot;properties&quot;: {<br>                &quot;popup&quot;: popup_text<br>            }<br>        }<br><br>        folium.GeoJson(<br>            geojson_feature,<br>            style_function=lambda feature, color=color: {<br>                &quot;fillColor&quot;: color,<br>                &quot;color&quot;: &quot;black&quot;,<br>                &quot;weight&quot;: 0.5,<br>                &quot;fillOpacity&quot;: 0.7<br>            },<br>            popup=folium.Popup(popup_text, max_width=250),<br>            tooltip=folium.Tooltip(f&quot;{row[&#39;il_adi&#39;]} (Küme {int(row[&#39;cluster&#39;])})&quot;)<br>        ).add_to(m)<br><br>display(m)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/921/1*Gvot1SxJcDX8eX9JJbdFaA.png" /></figure><pre># Küme bazında özet tablo<br>kume_ozet = map_merged.groupby(&quot;cluster&quot;).agg({<br>    &quot;issizlik_orani&quot;: [&quot;mean&quot;, &quot;min&quot;, &quot;max&quot;, &quot;count&quot;]<br>}).round(2)<br><br># Sütun adlarını düzelt<br>kume_ozet.columns = [&quot;Ortalama %&quot;, &quot;Min %&quot;, &quot;Max %&quot;, &quot;İl Sayısı&quot;]<br>kume_ozet = kume_ozet.sort_values(&quot;Ortalama %&quot;)<br><br># Küme numaralarını yeniden isimlendireceğiz<br>print(&quot;🔍 Kümelere Ait İşsizlik Oranı Özeti:&quot;)<br>print(kume_ozet)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/312/1*SFescKnJtu31au2Da34AeQ.png" /></figure><pre># Küme numaralarına anlamlı açıklama<br>kume_etiket = {<br>    0: &quot;Orta Düşük İşsizlik&quot;,<br>    1: &quot;Yüksek İşsizlik&quot;,<br>    2: &quot;Düşük İşsizlik&quot;,<br>    3: &quot;Orta Yüksek İşsizlik&quot;<br>}<br><br># Küme etiketlerini map_merged&#39;e ekle<br>map_merged[&quot;kume_adi&quot;] = map_merged[&quot;cluster&quot;].map(lambda x: kume_etiket.get(int(x)) if pd.notnull(x) else None)</pre><pre># Açıklayıcı etiketler<br>kume_etiket = {<br>    0: &quot;Orta Düşük İşsizlik&quot;,<br>    1: &quot;Yüksek İşsizlik&quot;,<br>    2: &quot;Düşük İşsizlik&quot;,<br>    3: &quot;Orta Yüksek İşsizlik&quot;<br>}<br><br># Eğer &#39;cluster&#39; sütunu varsa ve boş değilse, &#39;kume_adi&#39; oluştur<br>if &quot;cluster&quot; in map_merged.columns:<br>    map_merged[&quot;kume_adi&quot;] = map_merged[&quot;cluster&quot;].apply(lambda x: kume_etiket.get(int(x)) if pd.notnull(x) else None)<br>else:<br>    print(&quot;⚠️ &#39;cluster&#39; sütunu bulunamadı.&quot;)</pre><pre># Sadece dolu (NaN olmayan) cluster değerlerini int&#39;e çevir<br>map_merged.loc[map_merged[&quot;cluster&quot;].notna(), &quot;cluster&quot;] = map_merged.loc[map_merged[&quot;cluster&quot;].notna(), &quot;cluster&quot;].astype(int)<br><br># Etiketleri eşleştir<br>kume_etiket = {<br>    0: &quot;Orta Düşük İşsizlik&quot;,<br>    1: &quot;Yüksek İşsizlik&quot;,<br>    2: &quot;Düşük İşsizlik&quot;,<br>    3: &quot;Orta Yüksek İşsizlik&quot;<br>}<br><br># Yeni sütunu oluştur (NaN varsa None olarak kalır)<br>map_merged[&quot;kume_adi&quot;] = map_merged[&quot;cluster&quot;].map(kume_etiket)<br><br># Kontrol et<br>print(map_merged[[&quot;il_adi&quot;, &quot;cluster&quot;, &quot;kume_adi&quot;]].head(10))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/336/1*6R7GZ2TzYtDCEbVH9ps5FA.png" /></figure><pre>popup_text = f&quot;&quot;&quot;<br>&lt;b&gt;İl:&lt;/b&gt; {row.get(&#39;il_adi&#39;, &#39;Bilinmiyor&#39;)}&lt;br&gt;<br>&lt;b&gt;İşsizlik Oranı:&lt;/b&gt; {row.get(&#39;issizlik_orani&#39;, 0):.2f}%&lt;br&gt;<br>&lt;b&gt;Küme:&lt;/b&gt; {row.get(&#39;kume_adi&#39;, &#39;Tanımsız&#39;)} (#{int(row.get(&#39;cluster&#39;, -1))})<br>&quot;&quot;&quot;</pre><pre>if pd.notnull(row.get(&quot;cluster&quot;)):<br>    kume = row.get(&quot;kume_adi&quot;, &quot;Tanımsız&quot;)<br>    clust = int(row[&quot;cluster&quot;])<br>    popup_text = f&quot;&quot;&quot;<br>    &lt;b&gt;İl:&lt;/b&gt; {row[&#39;il_adi&#39;]}&lt;br&gt;<br>    &lt;b&gt;İşsizlik Oranı:&lt;/b&gt; {row[&#39;issizlik_orani&#39;]:.2f}%&lt;br&gt;<br>    &lt;b&gt;Küme:&lt;/b&gt; {kume} (#{clust})<br>    &quot;&quot;&quot;<br>else:<br>    popup_text = f&quot;&lt;b&gt;İl:&lt;/b&gt; {row[&#39;il_adi&#39;]}&lt;br&gt;&lt;i&gt;Küme bilgisi yok&lt;/i&gt;&quot;<br><br>display(m)  # Haritayı gösterir</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1021/1*_Z0mYUqxalA8a6Knaiuu6w.png" /></figure><pre># Grafik için özet tablo<br>kume_ozet = map_merged.groupby(&quot;kume_adi&quot;).agg({<br>    &quot;issizlik_orani&quot;: [&quot;mean&quot;, &quot;count&quot;]<br>}).reset_index()<br><br># Sütun adlarını düzelt<br>kume_ozet.columns = [&quot;Küme&quot;, &quot;Ortalama İşsizlik (%)&quot;, &quot;İl Sayısı&quot;]<br><br># Renk paleti (kümelere göre değişebilir)<br>renkler = sns.color_palette(&quot;Set2&quot;, len(kume_ozet))<br><br># Grafik<br>plt.figure(figsize=(10, 6))<br>sns.barplot(data=kume_ozet, x=&quot;Küme&quot;, y=&quot;Ortalama İşsizlik (%)&quot;, palette=renkler)<br><br># Detaylar<br>plt.title(&quot;Kümelere Göre Ortalama İşsizlik Oranı&quot;, fontsize=14)<br>plt.ylabel(&quot;Ortalama İşsizlik (%)&quot;)<br>plt.xlabel(&quot;İşsizlik Kümesi&quot;)<br>plt.xticks(rotation=15)<br>plt.grid(axis=&#39;y&#39;, linestyle=&#39;--&#39;, alpha=0.5)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/936/1*UJW5-1Bw4J5uLvTV_g97Hw.png" /></figure><pre># Küme içi varyans, std, min, max<br>varyans_df = map_merged.groupby(&quot;kume_adi&quot;)[&quot;issizlik_orani&quot;].agg([&quot;count&quot;, &quot;mean&quot;, &quot;std&quot;, &quot;min&quot;, &quot;max&quot;])<br>varyans_df[&quot;range&quot;] = varyans_df[&quot;max&quot;] - varyans_df[&quot;min&quot;]<br>varyans_df = varyans_df.round(2)<br><br># Sıralama en yüksek standart sapmaya göre<br>varyans_df = varyans_df.sort_values(&quot;std&quot;, ascending=False)<br><br># Göster<br>print(&quot;📊 Küme İçi Varyans Özeti:&quot;)<br>print(varyans_df.rename(columns={<br>    &quot;count&quot;: &quot;İl Sayısı&quot;,<br>    &quot;mean&quot;: &quot;Ortalama (%)&quot;,<br>    &quot;std&quot;: &quot;Standart Sapma&quot;,<br>    &quot;min&quot;: &quot;En Düşük (%)&quot;,<br>    &quot;max&quot;: &quot;En Yüksek (%)&quot;,<br>    &quot;range&quot;: &quot;Uçurum (max-min)&quot;<br>}))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/546/1*O8_0AMsEgvv0o7D7GWq9Hg.png" /></figure><pre>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br>plt.figure(figsize=(10, 6))<br><br># Boxplot<br>sns.boxplot(<br>    data=map_merged,<br>    x=&quot;kume_adi&quot;,<br>    y=&quot;issizlik_orani&quot;,<br>    palette=&quot;Set3&quot;<br>)<br><br># Detaylar<br>plt.title(&quot;Kümelere Göre İşsizlik Oranı Dağılımı (Boxplot)&quot;, fontsize=14)<br>plt.xlabel(&quot;İşsizlik Kümesi&quot;)<br>plt.ylabel(&quot;İşsizlik Oranı (%)&quot;)<br>plt.grid(axis=&quot;y&quot;, linestyle=&quot;--&quot;, alpha=0.5)<br>plt.xticks(rotation=15)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*cd15wIq3T6z3q3pUqqsykg.png" /></figure><pre>import pandas as pd<br><br># Excel dosyasını oku (başlıklar 2. satırda)<br>df = pd.read_excel(&quot;2024-yillik-tablolari.xlsx&quot;, sheet_name=&quot;Tablo 9&quot;, header=1, usecols=&quot;A:D&quot;)<br><br># Sütun adlarını sadeleştir<br>df.columns = [&quot;Meslek&quot;, &quot;Erkek&quot;, &quot;Kadın&quot;, &quot;Toplam&quot;]<br><br># Sayıları sayısal formata çevir<br>for col in [&quot;Erkek&quot;, &quot;Kadın&quot;, &quot;Toplam&quot;]:<br>    df[col] = pd.to_numeric(df[col], errors=&quot;coerce&quot;)<br><br># İlk 5 satırı görelim<br>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/521/1*bb_v-5gHu1JjOfnSwH3Bbg.png" /></figure><pre>df.sort_values(&quot;Kadın&quot;, ascending=False).head(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/574/1*3lL5oJ55HirzqBxeQ9tb7A.png" /></figure><pre>df.sort_values(&quot;Erkek&quot;, ascending=False).head(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*s75Zw7JZyiMBStdZaSjPFw.png" /></figure><pre>df[&quot;Cinsiyet Farkı&quot;] = abs(df[&quot;Kadın&quot;] - df[&quot;Erkek&quot;])<br>df.sort_values(&quot;Cinsiyet Farkı&quot;, ascending=False).head(10)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/697/1*4pExmsaE71WBzZwriyLiRw.png" /></figure><pre>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br># En çok kadın işsizliğine sahip 10 meslek<br>top_kadin = df.sort_values(&quot;Kadın&quot;, ascending=False).head(10)<br><br>plt.figure(figsize=(10, 6))<br>sns.barplot(data=top_kadin, x=&quot;Kadın&quot;, y=&quot;Meslek&quot;, palette=&quot;Purples_d&quot;)<br>plt.title(&quot;Kadın İşsizliği En Yüksek 10 Meslek&quot;)<br>plt.xlabel(&quot;Kadın İşsiz Sayısı&quot;)<br>plt.ylabel(&quot;Meslek&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/973/1*UCM-CW0YwidMq11x0-SUkg.png" /></figure><pre># En dengesiz 10 meslek (daha önce oluşturulmuşsa tekrar gerek yok)<br>df[&quot;Oran Farkı (%)&quot;] = abs(df[&quot;Kadın Oranı (%)&quot;] - df[&quot;Erkek Oranı (%)&quot;])<br>en_dengesiz = df.sort_values(&quot;Oran Farkı (%)&quot;, ascending=False).head(10)<br><br># Grafik ayarları<br>plt.figure(figsize=(12, 6))<br>x = np.arange(len(en_dengesiz[&quot;Meslek&quot;]))  # x ekseni<br>width = 0.4<br><br># Barplotlar<br>plt.bar(x - width/2, en_dengesiz[&quot;Kadın Oranı (%)&quot;], width=width, label=&quot;Kadın Oranı&quot;, color=&quot;#D98880&quot;)<br>plt.bar(x + width/2, en_dengesiz[&quot;Erkek Oranı (%)&quot;], width=width, label=&quot;Erkek Oranı&quot;, color=&quot;#5DADE2&quot;)<br><br># Etiketler ve başlık<br>plt.xticks(x, en_dengesiz[&quot;Meslek&quot;], rotation=45, ha=&quot;right&quot;)<br>plt.ylabel(&quot;Oran (%)&quot;)<br>plt.title(&quot;Toplumsal Cinsiyet Oranı Açısından En Dengesiz 10 Meslek&quot;)<br>plt.legend()<br>plt.tight_layout()<br>plt.grid(axis=&#39;y&#39;, linestyle=&#39;--&#39;, alpha=0.4)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*VfdFwp58k0J1FAKp2kPWVA.png" /></figure><pre>import folium<br>from unidecode import unidecode<br><br># İl adlarını normalize et (gerekliyse)<br>df[&quot;il_adi&quot;] = df[&quot;il_adi&quot;].str.upper().apply(unidecode)<br>turkey_map[&quot;il_adi&quot;] = turkey_map[&quot;shapeName&quot;].str.upper().apply(unidecode)<br><br># Veri birleştir (harita + işsizlik oranı)<br>map_merged = turkey_map.merge(df, on=&quot;il_adi&quot;, how=&quot;left&quot;)<br><br># Harita başlat<br>m = folium.Map(location=[39.0, 35.0], zoom_start=6, tiles=&quot;CartoDB positron&quot;)<br><br># Choropleth: kadın oranına göre renklendir<br>folium.Choropleth(<br>    geo_data=map_merged,<br>    name=&quot;choropleth&quot;,<br>    data=map_merged,<br>    columns=[&quot;il_adi&quot;, &quot;kadin_orani&quot;],<br>    key_on=&quot;feature.properties.il_adi&quot;,<br>    fill_color=&quot;YlOrRd&quot;,<br>    fill_opacity=0.7,<br>    line_opacity=0.2,<br>    legend_name=&quot;Kadın İşsizlik Oranı (%)&quot;,<br>).add_to(m)<br><br># İl adları ve oranları için tooltip<br>for _, row in map_merged.iterrows():<br>    if pd.notnull(row[&quot;kadin_orani&quot;]):<br>        popup_text = f&quot;{row[&#39;il_adi&#39;].title()}&lt;br&gt;Kadın Oranı: %{row[&#39;kadin_orani&#39;]:.2f}&quot;<br>        folium.Marker(<br>            location=[row[&quot;geometry&quot;].centroid.y, row[&quot;geometry&quot;].centroid.x],<br>            icon=folium.DivIcon(html=f&quot;&quot;&quot;&lt;div style=&quot;font-size:8pt&quot;&gt;{row[&#39;il_adi&#39;].title()}&lt;/div&gt;&quot;&quot;&quot;),<br>            popup=popup_text<br>        ).add_to(m)<br><br># Haritayı göster<br>m</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*o4K5cCcSYhTkY_Gb9-s58A.png" /></figure><h3>🧾 Türkiye’de İşsizlik: Veriye Dayalı Genel Bir Değerlendirme</h3><p>2024 yılı İŞKUR verilerine göre Türkiye’de kayıtlı işsizlerin dağılımı hem <strong>meslek grubu</strong>, hem de <strong>coğrafi bölge</strong> ve <strong>toplumsal cinsiyet</strong> açısından önemli dengesizlikler barındırmaktadır.</p><h3>📌 1. Meslek Gruplarına Göre İşsizlik</h3><ul><li><strong>Nitelik Gerektirmeyen Meslekler</strong>, toplam kayıtlı işsizlerin yaklaşık <strong>%38’ini</strong> oluşturmaktadır. Bu, Türkiye’deki önemli bir işsiz kitlesinin düşük vasıflı işgücünden oluştuğunu ve bu alanda istihdam yaratacak politikalara ihtiyaç olduğunu göstermektedir. Onu takip eden gruplar sırasıyla:</li><li><strong>Hizmet ve Satış Elemanları (%19)</strong></li><li><strong>Büro Hizmetleri (%10)</strong></li><li><strong>Sanatkarlar, Tesis-Makine Operatörleri ve Teknik Elemanlar</strong> gibi daha uzmanlık isteyen gruplar da toplamda yaklaşık %30’luk bir kesimi oluşturmaktadır.</li><li>Bu dağılım, <strong>hem vasıfsız hem de yarı-nitelikli gruplarda işgücü fazlası olduğunu</strong> gösterir.</li></ul><h3>📌 2. Coğrafi Dağılım</h3><ul><li>İşsizlik oranı <strong>büyükşehirlerde hem sayı hem oran olarak daha yüksektir.</strong> İstanbul, Ankara, İzmir gibi illerde toplam işsiz sayısı yüksektir; ancak bazı Doğu ve Güneydoğu illerinde işsizlik oranı görece daha yüksektir.</li><li>Bu durum, <strong>bölgesel kalkınma dengesizliklerinin</strong> işsizlik üzerinde önemli bir etkisi olduğunu ve bölgeye özgü çözüm gereksinimini ortaya koymaktadır.</li></ul><h3>📌 3. Cinsiyet Dağılımı</h3><ul><li>Kadınların işsizlik oranı birçok ilde <strong>%50’nin üzerinde</strong> olup bazı illerde erkeklere göre <strong>belirgin biçimde daha yüksektir.</strong></li><li>Ayrıca meslek grubu bazında bakıldığında bazı mesleklerde kadın yoğunluğu <strong>%80’in üzerine çıkarken</strong>, bazı alanlar neredeyse tamamen erkek egemenliğindedir.</li><li>Bu da toplumsal cinsiyet eşitliği açısından <strong>ciddi mesleki ayrışmaların</strong> ve “cinsiyete dayalı iş piyasası segmentasyonunun” sürdüğünü göstermektedir.</li></ul><h3>Sonuç</h3><p>Türkiye’de işsizlik yalnızca ekonomik değil; aynı zamanda <strong>eğitim, toplumsal cinsiyet, bölgesel eşitsizlik ve mesleki yönlendirme</strong> gibi birçok yapısal faktörün bileşkesidir.</p><p>Bu analizler, <strong>politika yapıcıların mikro düzeyde (il/meslek bazında) hedeflenmiş stratejiler</strong> geliştirmesi gerektiğini göstermektedir.<br> Özellikle:</p><ul><li><strong>Kadın istihdamını artıracak politikalar,</strong></li><li><strong>Vasıfsız işgücünü meslek edindirme programlarıyla dönüştürme,</strong></li><li><strong>Bölgesel yatırım teşvikleri </strong>öncelikli gündemler arasında yer almalıdır.</li></ul><h3>🎯 Bu projede kullandığım Python kütüphaneleri:</h3><p>📊 <strong>pandas</strong><br> Veri temizleme, analiz ve tablo işlemleri için temel kütüphane olarak kullanıldı.</p><p>🔢 <strong>numpy</strong><br> Sayısal işlemler ve yüzdelik oranların hızlı hesaplamaları için tercih edildi.</p><p>📈 <strong>matplotlib.pyplot</strong><br> Verileri özelleştirilebilir grafiklerle sunmak için kullanıldı.</p><p>📉 <strong>seaborn</strong><br> Kadın ve erkek işsizlik farklarını görselleştiren istatistiksel bar grafikleri için uygulandı.</p><p>🗺️ <strong>geopandas</strong><br> Coğrafi (mekânsal) verilerle çalışarak Türkiye haritası üzerinde il bazlı analiz yapılmasını sağladı.</p><p>🧭 <strong>folium</strong><br> Etkileşimli işsizlik haritalarını oluşturmak ve kadın oranlarını iller üzerinden göstermek için kullanıldı.</p><p>🧠 <strong>scikit-learn</strong><br> İllerin işsizlik oranına göre kümelenmesi için K-Means algoritması ile makine öğrenmesi uygulandı.</p><p>🔤 <strong>unidecode</strong><br> Harita ve veri arasında il isimlerini eşleştirmek için Türkçe karakter normalizasyonu sağlandı.</p><h3>📂 Veri Kaynağı:</h3><p>Bu analiz, Türkiye İş Kurumu’nun yayımladığı <strong>2024 İŞGÜCÜ PİYASASI YILLIK TABLOLARI</strong> kullanılarak hazırlanmıştır.<br> Kaynak: <a href="https://www.iskur.gov.tr/">iskur.gov.tr</a></p><h3>🙌 Okuduğunuz için çok teşekkürler!</h3><p>Bu projede hem toplumsal cinsiyet hem bölgesel işsizlik hem de meslek bazlı analizleri bir araya getirdik.<br> Yorumlarınızı ve katkılarınızı beklerim 💬</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e347da564116" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Avrupa Birliği ve Kırgan Beşli Ülkeleri Arasında Makroekonomik Göstergelerin Karşılaştırmalı…]]></title>
            <link>https://medium.com/@gizemaksogan/avrupa-birli%C4%9Fi-ve-k%C4%B1rgan-be%C5%9Fli-%C3%BClkeleri-aras%C4%B1nda-makroekonomik-g%C3%B6stergelerin-kar%C5%9F%C4%B1la%C5%9Ft%C4%B1rmal%C4%B1-0b3f95bbe35a?source=rss-54804c9cf2a2------2</link>
            <guid isPermaLink="false">https://medium.com/p/0b3f95bbe35a</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[matplotlib]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[pandas]]></category>
            <dc:creator><![CDATA[Gizem Aksogan]]></dc:creator>
            <pubDate>Sun, 11 May 2025 12:02:54 GMT</pubDate>
            <atom:updated>2025-05-11T12:02:54.259Z</atom:updated>
            <content:encoded><![CDATA[<h3>Avrupa Birliği ve Kırgan Beşli Ülkeleri Arasında Makroekonomik Göstergelerin Karşılaştırmalı Analizi</h3><h4><strong>Python ile 2025 Dünya Ekonomisi Merceğiyle: AB, Kırılgan Beşli ve Türkiye’nin Ekonomik Profilleri</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/287/1*uMVVLf9Y2egLj1xxivQrig.jpeg" /></figure><p><em>Uluslararası Para Fonu’nun (IMF) Nisan 2025 Dünya Ekonomik Görünümü (WEO) Raporu, ekonominin küresel mevcut durumu ve geleceğe dair önemli ipuçları sunuyor. Bu raporun derinliklerine inerek, Avrupa Birliği (AB) üyesi ülkeler ile Brezilya, Hindistan, Endonezya, Güney Afrika ve Türkiye’den oluşan ‘Kırılgan Beşli’ (Kırılgan Beşli) olarak bilinen gelişmekte olan ekonomilerin makroekonomik göstergelerini karşılaştırarak bir analizle inceledik.</em></p><pre>import pandas as pd <br>import matplotlib.pyplot as plt <br><br># Avrupa Birliği ülkeleri listesi<br> eu_countries = [ <br>    &quot;Avusturya&quot; , &quot;Belçika&quot; , &quot;Bulgaristan&quot; , &quot;Hırvatistan&quot; , &quot;Kıbrıs&quot; , &quot;Çek Cumhuriyeti&quot; , <br>    &quot;Danimarka&quot; , &quot;Estonya&quot; , &quot;Finlandiya&quot; , &quot;Fransa&quot; , &quot;Almanya&quot; , &quot;Yunanistan&quot; , &quot;Macaristan&quot; , <br>    &quot;İrlanda&quot; , &quot;İtalya&quot; , &quot;Letonya&quot; , &quot;Litvanya&quot; , &quot;Lüksemburg&quot; , &quot;Malta&quot; , <br>    &quot;Hollanda&quot; , &quot;Polonya&quot; , &quot;Portekiz&quot; , &quot;Romanya&quot; , &quot;Slovak Cumhuriyeti&quot; , <br>    &quot;Slovenya&quot; , &quot;İspanya&quot; , &quot;İsveç&quot;<br> ] <br><br># Excel dosyasını oku<br> df = pd.read_excel( &quot;WEOApr2025all.xlsx&quot; ,sheet_name= &quot;WEOApr2025all&quot; ) <br><br># Avrupa Birliği ülkelerini filtrele<br> eu_data = df[df[ &quot;Country&quot; ]isin(eu_countries)] <br><br># göstergeleri seç<br> seçilmiş_kodlar = [ &#39;NGDPD&#39; , &#39;PPPGDP&#39; , &#39;NGDPDPC&#39; , &#39;PPPPC&#39; ] <br>filtered_data = eu_data[eu_data[ &#39;WEO Konu Kodu&#39; ]isin(selected_codes)] <br><br># Pivotlama (2022 yılı)<br> pivot_data = filter_data.pivot_table( <br>    index= &#39;Ülke&#39; , <br>    sütunlar= &#39;WEO Konu Kodu&#39; , <br>    değerler= 2022 , <br>    aggfunc= &#39;first&#39;<br> ).fillna( 0 ) <br><br># gösterge güvenilirliğini Türkçeleştir<br> pivot_data.columns = pivot_data.columns. haritası ({ <br>    &#39;NGDPD&#39; : &#39;GSYİH (Nominal, Milyar $)&#39; , <br>    &#39;PPPGDP&#39; : &#39;GSYİH (Satın Alma Gücü Paritesi, Milyar $)&#39; , <br>    &#39;NGDPDPC&#39; : &#39;Kişi Başına GSYİH (Nominal $)&#39; , <br>    &#39;PPPPC&#39; :&#39;Kişi Başına GSYİH (SAGP $)&#39;<br> }) <br><br># Görselleştirme<br> pivot_data.plot(tür= &#39;bar&#39; , figsize=( 16 , 8 ), genişlik= 0.8 ) <br><br>plt.title(&quot;Avrupa Birliği Ülkeleri - Ekonomik Göstergeler (2022, USD)&quot; , fontsize= 16 ) <br>plt.xlabel( &quot;Ülke&quot; ) <br>plt.ylabel( &quot;Değer (USD)&quot; ) <br>plt.xticks(rotation= 45 ) <br>plt.legend(title= &quot;Gösterge&quot; ) <br>plt.tight_layout() <br>plt.grid( True ) <br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/0*XRl2cRJ4ZnOnpOA_.png" /></figure><pre>pandaları pd olarak içe aktar <br>import matplotlib.pyplot as plt <br><br># Kırılgan 5 ülke listesi<br> kırılgan5_ülkeler = [ &quot;Türkiye&quot; , &quot;Brezilya&quot; , &quot;Hindistan&quot; , &quot;Endonezya&quot; , &quot;Güney Afrika&quot; ] <br><br># Excel bilgilerini oku<br> df = pd.read_excel( &quot;WEOApr2025all.xlsx&quot; , sayfa_adı= &quot;WEOApr2025all&quot; ) <br><br># İlgili ülkelerin<br> filtrele f5_data = df[df[ &quot;Ülke&quot; ].isin(fragile5_countries)] <br><br># göstergeleri seç<br> seçilmiş_kodlar = [ &#39;NGDPD&#39; , &#39;PPPGDP&#39; , &#39;NGDPDPC&#39; , &#39;PPPPC&#39; ] <br>filtered_data = f5_data[f5_data[ &#39;WEO Konu Kodu&#39; ].isin(seçilen_kodlar)] <br><br># Pivotlama (2022) yılı)<br> pivot_data = filtered_data.pivot_table( <br>    index= &#39;Ülke&#39; , <br>    sütunlar= &#39;WEO Konu Kodu&#39; , <br>    değerler= 2022 , <br>    aggfunc= &#39;ilk&#39;<br> ).fillna( 0 ) <br><br># Kısaltmaları Türkçe karşılıkları ile değiştirme<br> pivot_data.columns = pivot_data.columns. harita ({ <br>    &#39;NGDPD&#39; : &#39;GSYİH (Nominal, Milyar $)&#39; , <br>    &#39;PPPGDP&#39; : &#39;GSYİH (Satın Alma Gücü Paritesi, Milyar $)&#39; , <br>    &#39;NGDPDPC&#39; : &#39;Kişi Başına GSYİH (Nominal $)&#39; , <br>    &#39;PPPPC&#39; : &#39;Kişi Başına GSYİH (SAGP $)&#39;<br> }) <br><br># Görselleştirme<br> pivot_data.plot(kind= &#39;bar&#39; , figsize=( 12 , 7 ), width= 0.8 ) <br><br>plt.title( &quot;Fragile 5 Ülkeleri - Ekonomik Göstergeler (2022, USD)&quot; , fontsize= 15 ) <br>plt.xlabel( &quot;Ülke&quot; ) <br>plt.ylabel( &quot;Değer (USD)&quot; ) <br>plt.xticks(rotation= 45 ) <br>plt.legend(title= &quot;Gösterge&quot; ) <br>plt.tight_layout() <br>plt.grid( Doğru ) <br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/0*i1nTpNxopXqK6TY8.png" /></figure><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br>import numpy as np # Radar chart için gerekli olabilir<br><br># Jupyter Notebook&#39;ta grafiklerin hücre içinde gösterilmesi için<br>%matplotlib inline<br><br># Mevcut not defterinizdeki df_cleaned DataFrame&#39;ini yüklediğinizi varsayalım.<br># Örneğin:<br># df = pd.read_csv(&quot;WEOApr2024all.csv&quot;) # Ya da sizin dosya adınız<br># ... (gerekli temizlik ve ön işleme adımları) ...<br># df_cleaned = df[df[&#39;WEO Subject Code&#39;].isin([&#39;NGDPD&#39;, &#39;PPPGDP&#39;, &#39;NGDPDPC&#39;, &#39;PPPPC&#39;, &#39;LUR&#39;, &#39;PCPIPCH&#39;])]<br># df_cleaned = df_cleaned.melt(id_vars=[&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;, &#39;Subject Notes&#39;, &#39;Units&#39;, &#39;Scale&#39;],<br>#                              var_name=&#39;Year&#39;, value_name=&#39;Value&#39;)<br># df_cleaned[&#39;Value&#39;] = pd.to_numeric(df_cleaned[&#39;Value&#39;], errors=&#39;coerce&#39;)<br># df_cleaned = df_cleaned.dropna(subset=[&#39;Value&#39;])<br># df_cleaned[&#39;Year&#39;] = df_cleaned[&#39;Year&#39;].astype(int)<br><br># --- Bu kısmı kendi not defterinizdeki yapıya göre uyarlayın ---<br># Örnek df_cleaned DataFrame&#39;i oluşturalım (gerçek veri setinizden yüklenmeli)<br>data = {<br>    &#39;Country&#39;: [&#39;Turkey&#39;, &#39;Brazil&#39;, &#39;India&#39;, &#39;Indonesia&#39;, &#39;South Africa&#39;, &#39;European Union&#39;, &#39;Germany&#39;, &#39;France&#39;],<br>    &#39;WEO Subject Code&#39;: [&#39;NGDPD&#39;, &#39;NGDPDPC&#39;, &#39;LUR&#39;, &#39;PCPIPCH&#39;] * 2,<br>    2022: np.random.rand(8) * 1000, # Örnek veriler<br>    2023: np.random.rand(8) * 1100  # Örnek veriler<br>}<br>df_pivot_example = pd.DataFrame(data) # Bu sadece örnek bir yapı, sizin df_cleaned&#39;iniz daha detaylı olacaktır.<br># Genellikle WEO verisi &#39;long&#39; formatta olur, sizin pivotladığınız gibi işlemek daha doğru olur.<br># Aşağıdaki kodlar, sizin pivot_table sonrası elde ettiğiniz yapıya benzer bir veri bekler.<br># Bu nedenle, öncelikle sizin mevcut veri hazırlama adımlarınızı (pivot_table dahil) hem F5 hem de EU için uygulamanız gerekir.<br><br><br># --- Kırılgan Beşli Ülkeler ---<br>fragile_five_countries = [&quot;Brazil&quot;, &quot;India&quot;, &quot;Indonesia&quot;, &quot;South Africa&quot;, &quot;Turkey&quot;]<br># (Sizin not defterinizdeki gibi)<br># df_f5_raw = df_cleaned[df_cleaned[&#39;Country&#39;].isin(fragile_five_countries)]<br># df_f5_pivot = df_f5_raw.pivot_table(index=&#39;Country&#39;, columns=&#39;WEO Subject Code&#39;, values=&#39;2022&#39;, aggfunc=&#39;first&#39;).fillna(0)<br><br># --- Avrupa Birliği Verisi ---<br># eu_country_name = &quot;European Union&quot; # Veri setinizdeki AB adını kontrol edin<br># df_eu_raw = df_cleaned[df_cleaned[&#39;Country&#39;] == eu_country_name]<br># df_eu_pivot = df_eu_raw.pivot_table(index=&#39;Country&#39;, columns=&#39;WEO Subject Code&#39;, values=&#39;2022&#39;, aggfunc=&#39;first&#39;).fillna(0)<br><br><br># Gösterge kısaltmaları ve Türkçe karşılıkları<br>indicator_map = {<br>    &#39;NGDPD&#39;: &#39;GSYİH (Nominal, Milyar $)&#39;,<br>    &#39;PPPGDP&#39;: &#39;GSYİH (SAGP, Milyar $)&#39;,<br>    &#39;NGDPDPC&#39;: &#39;Kişi Başına GSYİH (Nominal $)&#39;,<br>    &#39;PPPPC&#39;: &#39;Kişi Başına GSYİH (SAGP $)&#39;,<br>    &#39;LUR&#39;: &#39;İşsizlik Oranı (%)&#39;,<br>    &#39;PCPIPCH&#39;: &#39;Enflasyon (TÜFE, Yıllık % Değişim)&#39;<br>}<br><br># Yıl seçimi<br>target_year_str = &#39;2022&#39; # Sizin kodunuzda sayısal olabilir, uygun şekilde ayarlayın<br># WEO verisinde yıllar genellikle sütun başlığı olarak gelir.<br># Eğer df_cleaned&#39;de yıllar sütunlardaysa ve bu sütunlar string ise:<br># target_year_values = df_cleaned[target_year_str]<br># Eğer yıl &#39;Year&#39; adlı bir sütundaysa:<br># target_year_values = df_cleaned[df_cleaned[&#39;Year&#39;] == int(target_year_str)]<br><br><br># ÖRNEK VERİ OLUŞTURMA (Lütfen kendi df_cleaned ve pivotlama mantığınızı kullanın)<br># Bu kısım, aşağıdaki görselleştirme kodlarının çalışması için temsili veri üretir.<br># Kendi veri setiniz ve işleme adımlarınızla bu kısmı değiştirin.<br><br># Kırılgan Beşli için temsili pivot data<br>data_f5 = {<br>    &#39;NGDPD&#39;: [300, 1800, 1200, 400, 800], # Milyar $<br>    &#39;NGDPDPC&#39;: [3500, 1300, 4000, 6000, 9000], # $<br>    &#39;LUR&#39;: [12, 7, 8, 5, 25], # %<br>    &#39;PCPIPCH&#39;: [70, 8, 6, 4, 7] # %<br>}<br>df_f5_pivot_example = pd.DataFrame(data_f5, index=fragile_five_countries)<br>df_f5_pivot_example.columns = df_f5_pivot_example.columns.map(indicator_map)<br><br><br># AB için temsili pivot data<br>data_eu = {<br>    &#39;NGDPD&#39;: [15000], # Milyar $<br>    &#39;NGDPDPC&#39;: [35000], # $<br>    &#39;LUR&#39;: [6.5], # %<br>    &#39;PCPIPCH&#39;: [8.5] # %<br>}<br>df_eu_pivot_example = pd.DataFrame(data_eu, index=[&quot;European Union&quot;])<br>df_eu_pivot_example.columns = df_eu_pivot_example.columns.map(indicator_map)<br><br>print(&quot;Kırılgan Beşli (Örnek Veri):&quot;)<br>print(df_f5_pivot_example)<br>print(&quot;\nAvrupa Birliği (Örnek Veri):&quot;)<br>print(df_eu_pivot_example)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/544/1*P8yKTXQlMYRYsdsI6w6HRQ.png" /></figure><pre># Karşılaştırılacak göstergeyi seçin<br>indicator_to_compare_key = &#39;NGDPDPC&#39; # Kişi Başına GSYİH (Nominal $)<br>indicator_to_compare_tr = indicator_map[indicator_to_compare_key]<br><br># Verileri hazırlama<br>f5_values = df_f5_pivot_example[indicator_to_compare_tr]<br>eu_value = df_eu_pivot_example[indicator_to_compare_tr].iloc[0]<br><br># Tüm ülkeleri bir araya getirme<br>comparison_data = pd.DataFrame({<br>    &#39;Country&#39;: list(f5_values.index) + [df_eu_pivot_example.index[0]],<br>    indicator_to_compare_tr: list(f5_values.values) + [eu_value]<br>})<br>comparison_data = comparison_data.sort_values(by=indicator_to_compare_tr, ascending=False)<br><br># Görselleştirme<br>plt.figure(figsize=(14, 8))<br>sns.barplot(x=&#39;Country&#39;, y=indicator_to_compare_tr, data=comparison_data, palette=&quot;viridis&quot;)<br>plt.title(f&#39;{indicator_to_compare_tr} Karşılaştırması: AB ve Kırılgan Beşli ({target_year_str})&#39;, fontsize=16)<br>plt.xlabel(&#39;Ülke/Bölge&#39;, fontsize=12)<br>plt.ylabel(indicator_to_compare_tr, fontsize=12)<br>plt.xticks(rotation=45, ha=&quot;right&quot;)<br>plt.tight_layout()<br>plt.grid(axis=&#39;y&#39;, linestyle=&#39;--&#39;)<br>plt.show()<br></pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*A2qQ3V-m6dcmaElVapBd4Q.png" /></figure><pre># Kırılgan Beşli ortalamalarını hesapla<br>df_f5_mean = df_f5_pivot_example.mean().to_frame().T # Ortalama almak istediğiniz göstergelere göre (örn: kişi başı)<br>df_f5_mean.index = [&quot;Kırılgan Beşli (Ortalama)&quot;]<br><br># AB verisini ve F5 ortalamasını birleştir<br>combined_df_mean = pd.concat([df_eu_pivot_example, df_f5_mean])<br><br># Belirli göstergeleri seçebilirsiniz, örneğin ilk 2 gösterge:<br># combined_df_mean = combined_df_mean[[indicator_map[&#39;NGDPDPC&#39;], indicator_map[&#39;LUR&#39;]]]<br><br><br>combined_df_mean.plot(kind=&#39;bar&#39;, figsize=(15, 8), width=0.8)<br>plt.title(f&#39;Ekonomik Göstergeler Karşılaştırması: AB vs. Kırılgan Beşli Ortalaması ({target_year_str})&#39;, fontsize=16)<br>plt.xlabel(&#39;Bölge&#39;, fontsize=12)<br>plt.ylabel(&#39;Değer&#39;, fontsize=12)<br>plt.xticks(rotation=0)<br>plt.legend(title=&#39;Gösterge&#39;, bbox_to_anchor=(1.05, 1), loc=&#39;upper left&#39;)<br>plt.tight_layout()<br>plt.grid(axis=&#39;y&#39;, linestyle=&#39;--&#39;)<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*onNnx_krqjQfEdCZx7lwfw.png" /></figure><pre>indicator_for_gdp_key = &#39;NGDPD&#39; # Nominal GSYİH<br>indicator_for_gdp_tr = indicator_map[indicator_for_gdp_key]<br><br># A Bölümü: Kırılgan Beşli GSYİH Payları<br>if indicator_for_gdp_tr in df_f5_pivot_example.columns:<br>    f5_gdp_shares = df_f5_pivot_example[indicator_for_gdp_tr]<br>    total_f5_gdp = f5_gdp_shares.sum()<br><br>    plt.figure(figsize=(8, 8))<br>    plt.pie(f5_gdp_shares, labels=f5_gdp_shares.index, autopct=&#39;%1.1f%%&#39;, startangle=90,<br>            wedgeprops={&#39;edgecolor&#39;: &#39;black&#39;})<br>    plt.title(f&#39;Kırılgan Beşli Ülkelerinin Toplam GSYİH İçindeki Payları ({indicator_for_gdp_tr}, {target_year_str})&#39;, fontsize=14)<br>    plt.show()<br><br>    # B Bölümü: Toplam Kırılgan Beşli GSYİH vs. AB GSYİH<br>    if indicator_for_gdp_tr in df_eu_pivot_example.columns:<br>        eu_gdp = df_eu_pivot_example[indicator_for_gdp_tr].iloc[0]<br>        comparison_gdp_data = pd.Series({<br>            &#39;Kırılgan Beşli (Toplam)&#39;: total_f5_gdp,<br>            &#39;Avrupa Birliği&#39;: eu_gdp<br>        })<br><br>        plt.figure(figsize=(8, 6))<br>        comparison_gdp_data.plot(kind=&#39;bar&#39;, color=[&#39;skyblue&#39;, &#39;salmon&#39;], edgecolor=&#39;black&#39;)<br>        plt.title(f&#39;Toplam GSYİH Karşılaştırması ({indicator_for_gdp_tr}, {target_year_str})&#39;, fontsize=14)<br>        plt.ylabel(indicator_for_gdp_tr, fontsize=12)<br>        plt.xticks(rotation=0)<br>        for i, v in enumerate(comparison_gdp_data):<br>            plt.text(i, v + (comparison_gdp_data.max()*0.01), f&quot;{v:,.0f}&quot;, ha=&#39;center&#39;, va=&#39;bottom&#39;, fontsize=10)<br>        plt.grid(axis=&#39;y&#39;, linestyle=&#39;--&#39;)<br>        plt.tight_layout()<br>        plt.show()<br>    else:<br>        print(f&quot;Uyarı: &#39;{indicator_for_gdp_tr}&#39; Avrupa Birliği verilerinde bulunamadı.&quot;)<br>else:<br>    print(f&quot;Uyarı: &#39;{indicator_for_gdp_tr}&#39; Kırılgan Beşli verilerinde bulunamadı.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/766/1*eE7YtGlPONJtpl0pzIqgHQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/772/1*kk1ld7eaTQV4zvq_k6k7qw.png" /></figure><pre>indicator_for_deviation_key = &#39;NGDPDPC&#39; # Kişi Başına GSYİH (Nominal $)<br>indicator_for_deviation_tr = indicator_map[indicator_for_deviation_key]<br><br>if indicator_for_deviation_tr in df_eu_pivot_example.columns and indicator_for_deviation_tr in df_f5_pivot_example.columns:<br>    eu_value_dev = df_eu_pivot_example[indicator_for_deviation_tr].iloc[0]<br>    f5_values_dev = df_f5_pivot_example[indicator_for_deviation_tr]<br><br>    # Yüzdesel sapma hesapla: ((F5_değer - AB_değer) / AB_değer) * 100<br>    deviation_percentage = ((f5_values_dev - eu_value_dev) / eu_value_dev) * 100<br>    deviation_percentage = deviation_percentage.sort_values()<br><br>    plt.figure(figsize=(12, 7))<br>    colors = [&#39;red&#39; if x &lt; 0 else &#39;green&#39; for x in deviation_percentage]<br>    bars = plt.barh(deviation_percentage.index, deviation_percentage.values, color=colors, edgecolor=&#39;black&#39;)<br><br>    # Barların üzerine değerleri yazdır<br>    for bar in bars:<br>        width = bar.get_width()<br>        label_x_pos = width if width &gt; 0 else width - 1 # Etiket pozisyonunu ayarla<br>        plt.text(label_x_pos + (5 if width &gt; 0 else -5), bar.get_y() + bar.get_height()/2, f&#39;{width:.1f}%&#39;,<br>                 ha=&#39;center&#39; if width &lt;0 else &#39;left&#39;, va=&#39;center&#39;, fontsize=9)<br><br><br>    plt.axvline(0, color=&#39;black&#39;, linewidth=0.8, linestyle=&#39;--&#39;) # Sıfır çizgisi<br>    plt.xlabel(f&#39;AB Değerinden Yüzdesel Sapma ({indicator_for_deviation_tr})&#39;, fontsize=12)<br>    plt.ylabel(&#39;Kırılgan Beşli Ülkeleri&#39;, fontsize=12)<br>    plt.title(f&#39;Kırılgan Beşli Ülkelerinin {indicator_for_deviation_tr} Açısından AB\&#39;den Sapması ({target_year_str})&#39;, fontsize=14)<br>    plt.grid(axis=&#39;x&#39;, linestyle=&#39;--&#39;, alpha=0.7)<br>    plt.tight_layout()<br>    plt.show()<br>else:<br>    print(f&quot;Uyarı: &#39;{indicator_for_deviation_tr}&#39; hem AB hem de Kırılgan Beşli verilerinde bulunmalıdır.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WEDjY9v-wSFnv7FYOMuHnQ.png" /></figure><pre># Isı haritası için kullanılacak tüm göstergeler<br># Örnek verilerdeki tüm göstergeleri kullanalım:<br>heatmap_indicators_tr = list(df_f5_pivot_example.columns)<br><br># AB verisini ve Kırılgan Beşli verilerini birleştirme<br># Sadece heatmap_indicators_tr içinde olan sütunları seçtiğinizden emin olun<br>df_all_for_heatmap = pd.concat([<br>    df_eu_pivot_example[heatmap_indicators_tr],<br>    df_f5_pivot_example[heatmap_indicators_tr]<br>])<br><br><br># Veri Normalizasyonu (Min-Max Normalizasyonu)<br># Her bir gösterge (sütun) için ayrı ayrı normalizasyon yapılır.<br># (değer - min) / (max - min)<br>if not df_all_for_heatmap.empty:<br>    df_normalized = (df_all_for_heatmap - df_all_for_heatmap.min()) / (df_all_for_heatmap.max() - df_all_for_heatmap.min())<br><br>    plt.figure(figsize=(12, 8))<br>    sns.heatmap(df_normalized, annot=True, cmap=&quot;YlGnBu&quot;, fmt=&quot;.2f&quot;, linewidths=.5, cbar_kws={&#39;label&#39;: &#39;Normalize Edilmiş Değer (0-1 arası)&#39;})<br>    plt.title(f&#39;Ekonomik Göstergeler Isı Haritası: AB ve Kırılgan Beşli ({target_year_str}, Normalize Edilmiş)&#39;, fontsize=14)<br>    plt.ylabel(&#39;Ülke/Bölge&#39;, fontsize=12)<br>    plt.xlabel(&#39;Ekonomik Göstergeler&#39;, fontsize=12)<br>    plt.xticks(rotation=45, ha=&quot;right&quot;)<br>    plt.yticks(rotation=0)<br>    plt.tight_layout()<br>    plt.show()<br>else:<br>    print(&quot;Uyarı: Isı haritası için veri bulunamadı veya seçilen göstergeler eksik.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/683/1*aSudpI5PfnZEOzIc2FdNew.png" /></figure><pre>import pandas as pd<br>import numpy as np<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br># Set plot style for better aesthetics<br>sns.set_theme(style=&quot;whitegrid&quot;)<br><br># --- Ortak Kurulum ve Veri Ön Hazırlığı ---<br># Bu bölümü kendi WEO_April_2025.xlsx dosyanızı yüklediğiniz ve<br># ülke gruplarınızı (eu_countries, fragile_five_countries) tanımladığınız kodunuzla değiştirin.<br># Ayrıca, &#39;target_year_str&#39; değişkenini analiz edeceğiniz yıl olarak ayarlayın.<br><br># Örnek olarak df_weo DataFrame&#39;ini ve ilgili tanımlamaları tekrar oluşturuyorum.<br># GERÇEK VERİNİZİ KULLANIN!<br># df_weo = pd.read_excel(&#39;path/to/your/WEO_April_2025.xlsx&#39;)<br># df_weo.columns = df_weo.columns.astype(str) # Yıl sütunlarının string olduğundan emin olun<br><br># Örnek WEO subject codes ve açıklamaları (kendi kullandığınız kodları ekleyin)<br>weo_subjects = {<br>    &#39;NGDP_RPCH&#39;: &#39;Real GDP Growth (Annual % Change)&#39;,<br>    &#39;CPİPĊH&#39;: &#39;Inflation, average consumer prices (Annual % Change)&#39;,<br>    &#39;GGXWDG_NGDP&#39;: &#39;General government gross debt (% of GDP)&#39;,<br>    &#39;CAB_BPBL_NGDP&#39;: &#39;Current account balance (% of GDP)&#39;<br>}<br><br># Örnek ülke ve gösterge verileri ile df_weo DataFrame&#39;i oluşturuluyor (Gerçek verinizle değiştirin)<br>countries = [<br>    &#39;Germany&#39;, &#39;France&#39;, &#39;Italy&#39;, &#39;Spain&#39;, &#39;Netherlands&#39;, &#39;Belgium&#39;, # AB<br>    &#39;Turkey&#39;, &#39;Brazil&#39;, &#39;India&#39;, &#39;Indonesia&#39;, &#39;South Africa&#39;, # Kırılgan Beşli<br>    &#39;United Kingdom&#39;, &#39;United States&#39;, &#39;Canada&#39;, &#39;Japan&#39; # Diğer<br>]<br>years = [str(y) for y in range(2020, 2026)] # 2020&#39;den 2025&#39;e kadar yıllar<br><br>data = []<br>for country in countries:<br>    for subject_code, subject_desc in weo_subjects.items():<br>        for year in years:<br>            value = np.random.uniform(low=-5, high=10) if subject_code == &#39;NGDP_RPCH&#39; else \<br>                    np.random.uniform(low=0, high=20) if subject_code == &#39;CPİPĊH&#39; else \<br>                    np.random.uniform(low=30, high=150) if subject_code == &#39;GGXWDG_NGDP&#39; else \<br>                    np.random.uniform(low=-10, high=10)<br>            data.append({<br>                &#39;Country&#39;: country,<br>                &#39;WEO Subject Code&#39;: subject_code,<br>                &#39;Subject Descriptor&#39;: subject_desc,<br>                &#39;Year&#39;: year,<br>                &#39;Value&#39;: value<br>            })<br>df_weo_long = pd.DataFrame(data)<br><br>df_weo = df_weo_long.pivot_table(<br>    index=[&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;],<br>    columns=&#39;Year&#39;,<br>    values=&#39;Value&#39;<br>).reset_index()<br>df_weo.columns.name = None<br>df_weo.columns = [str(col) if isinstance(col, int) else col for col in df_weo.columns]<br><br><br>target_year_str = &#39;2025&#39;<br>eu_countries = [<br>    &#39;Germany&#39;, &#39;France&#39;, &#39;Italy&#39;, &#39;Spain&#39;, &#39;Netherlands&#39;, &#39;Belgium&#39;<br>]<br>fragile_five_countries = [&#39;Turkey&#39;, &#39;Brazil&#39;, &#39;India&#39;, &#39;Indonesia&#39;, &#39;South Africa&#39;]<br><br><br># Veri hazırlama fonksiyonu (önceki yanıttaki gibi)<br>def prepare_data_for_analysis(df, countries_list, subjects_codes, year_or_years):<br>    if isinstance(year_or_years, str):<br>        years_to_select = [year_or_years]<br>    else:<br>        years_to_select = [str(y) for y in year_or_years]<br><br>    df_filtered = df[df[&#39;Country&#39;].isin(countries_list) &amp;<br>                     df[&#39;WEO Subject Code&#39;].isin(subjects_codes)].copy()<br><br>    available_years = [y for y in years_to_select if y in df_filtered.columns]<br>    if not available_years:<br>        print(f&quot;Warning: None of the requested years {years_to_select} found in data for subjects {subjects_codes} and countries {countries_list}.&quot;)<br>        return pd.DataFrame()<br><br>    id_vars = [&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;]<br>    cols_to_select = id_vars + available_years<br>    df_selected = df_filtered[cols_to_select]<br><br>    df_melted = df_selected.melt(<br>        id_vars=[&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;],<br>        var_name=&#39;Year&#39;,<br>        value_name=&#39;Value&#39;<br>    )<br>    df_melted[&#39;Year&#39;] = df_melted[&#39;Year&#39;].astype(int)<br><br>    df_melted[&#39;Group&#39;] = df_melted[&#39;Country&#39;].apply(<br>        lambda x: &#39;AB&#39; if x in eu_countries else (&#39;Kırılgan Beşli&#39; if x in fragile_five_countries else &#39;Diğer&#39;)<br>    )<br>    df_melted = df_melted[df_melted[&#39;Group&#39;].isin([&#39;AB&#39;, &#39;Kırılgan Beşli&#39;])]<br><br>    return df_melted<br><br># --- Korelasyon Matrisleri ---<br>print(&quot;\n--- Korelasyon Matrisleri ---&quot;)<br><br># Korelasyon matrisi için kullanacağınız göstergeler<br># WEO subject kodlarınıza göre güncelleyin.<br>correlation_indicators = [&#39;NGDP_RPCH&#39;, &#39;CPİPĊH&#39;, &#39;GGXWDG_NGDP&#39;, &#39;CAB_BPBL_NGDP&#39;]<br><br># Veriyi hazırlayın (tek yıl için geniş format gerekli)<br>df_relation = prepare_data_for_analysis(df_weo, eu_countries + fragile_five_countries, correlation_indicators, target_year_str)<br><br>if not df_relation.empty:<br>    # Wide formata dönüştürme (pivot)<br>    # Göstergeler sütun, ülkeler satır olacak şekilde<br>    df_pivot_relation = df_relation.pivot_table(<br>        index=[&#39;Country&#39;, &#39;Group&#39;],<br>        columns=&#39;WEO Subject Code&#39;,<br>        values=&#39;Value&#39;<br>    ).reset_index()<br><br>    print(f&quot;\n{target_year_str} Yılı için Korelasyon Matrisleri:&quot;)<br>    for group_name in df_pivot_relation[&#39;Group&#39;].unique():<br>        df_group = df_pivot_relation[df_pivot_relation[&#39;Group&#39;] == group_name].drop(columns=[&#39;Country&#39;, &#39;Group&#39;])<br>        <br>        # Korelasyon matrisini oluşturmak için en az 2 gösterge ve 2 veri noktası olmalı<br>        if not df_group.empty and len(df_group.columns) &gt; 1 and len(df_group) &gt; 1:<br>            corr_matrix = df_group.corr()<br>            plt.figure(figsize=(8, 7))<br>            sns.heatmap(corr_matrix, annot=True, cmap=&#39;coolwarm&#39;, fmt=&quot;.2f&quot;, linewidths=.5, cbar_kws={&#39;label&#39;: &#39;Korelasyon Katsayısı&#39;})<br>            plt.title(f&#39;{group_name} Grubu İçin Korelasyon Matrisi ({target_year_str})&#39;, fontsize=14)<br>            plt.xticks(rotation=45, ha=&#39;right&#39;)<br>            plt.yticks(rotation=0)<br>            plt.tight_layout()<br>            plt.show()<br>        else:<br>            print(f&quot;Uyarı: {group_name} grubu için korelasyon matrisi oluşturulamadı (yeterli veri veya gösterge yok).&quot;)<br>else:<br>    print(&quot;Uyarı: Korelasyon matrisi analizi için veri bulunamadı.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/704/1*Joo_63ls83MD6TomMm0itw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/748/1*X4JKJm4bRSriLSfXzhKGHQ.png" /></figure><pre>import pandas as pd<br>import numpy as np # Sadece örnek veri oluşturma kısmında kullanılabilir<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br># Set plot style for better aesthetics<br>sns.set_theme(style=&quot;whitegrid&quot;)<br><br># --- ORTAK KURULUM VE VERİ ÖN HAZIRLIĞI (Kendi Kodunuzdan Kopyalayın) ---<br># Aşağıdaki değişkenlerin ve &#39;prepare_data_for_analysis&#39; fonksiyonunun tanımlı olduğundan emin olun.<br># Bu tanımlamalar, önceki kapsamlı yanıtlarda bulunmaktadır.<br><br># target_year_str = &#39;2025&#39;<br># eu_countries = [...] # AB ülkeleri listeniz<br># fragile_five_countries = [...] # Kırılgan Beşli ülkeler listeniz<br># weo_subjects = { ... } # WEO gösterge kodları ve açıklamaları sözlüğünüz<br># df_weo = ... # WEO_April_2025.xlsx dosyanızdan yüklenmiş DataFrame&#39;iniz<br><br># prepare_data_for_analysis fonksiyonu (önceki yanıttaki gibi)<br>def prepare_data_for_analysis(df, countries_list, subjects_codes, year_or_years):<br>    if isinstance(year_or_years, str):<br>        years_to_select = [year_or_years]<br>    else:<br>        years_to_select = [str(y) for y in year_or_years]<br><br>    df_filtered = df[df[&#39;Country&#39;].isin(countries_list) &amp;<br>                     df[&#39;WEO Subject Code&#39;].isin(subjects_codes)].copy()<br><br>    available_years = [y for y in years_to_select if y in df_filtered.columns]<br>    if not available_years:<br>        print(f&quot;Warning: None of the requested years {years_to_select} found in data for subjects {subjects_codes} and countries {countries_list}.&quot;)<br>        return pd.DataFrame()<br><br>    id_vars = [&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;]<br>    cols_to_select = id_vars + available_years<br>    df_selected = df_filtered[cols_to_select]<br><br>    df_melted = df_selected.melt(<br>        id_vars=[&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;],<br>        var_name=&#39;Year&#39;,<br>        value_name=&#39;Value&#39;<br>    )<br>    df_melted[&#39;Year&#39;] = df_melted[&#39;Year&#39;].astype(int)<br><br>    df_melted[&#39;Group&#39;] = df_melted[&#39;Country&#39;].apply(<br>        lambda x: &#39;AB&#39; if x in eu_countries else (&#39;Kırılgan Beşli&#39; if x in fragile_five_countries else &#39;Diğer&#39;)<br>    )<br>    df_melted = df_melted[df_melted[&#39;Group&#39;].isin([&#39;AB&#39;, &#39;Kırılgan Beşli&#39;])]<br><br>    return df_melted<br><br># --- Örnek Veri Oluşturma (Gerçek veriniz yerine bu kısmı KULLANMAYIN) ---<br># Eğer df_weo, eu_countries vb. tanımlı değilse, test etmek için bu kısmı kullanabilirsiniz.<br># Genellikle bu bölüm yerine kendi WEO dosyanızı yüklersiniz.<br><br># Örnek WEO subject codes ve açıklamaları<br>weo_subjects = {<br>    &#39;NGDP_RPCH&#39;: &#39;Real GDP Growth (Annual % Change)&#39;,<br>    &#39;CPİPĊH&#39;: &#39;Inflation, average consumer prices (Annual % Change)&#39;,<br>    &#39;GGXWDG_NGDP&#39;: &#39;General government gross debt (% of GDP)&#39;,<br>    &#39;CAB_BPBL_NGDP&#39;: &#39;Current account balance (% of GDP)&#39;<br>}<br><br># Örnek ülke listeleri<br>eu_countries = [<br>    &#39;Germany&#39;, &#39;France&#39;, &#39;Italy&#39;, &#39;Spain&#39;, &#39;Netherlands&#39;, &#39;Belgium&#39;, &#39;Austria&#39;, &#39;Poland&#39;<br>]<br>fragile_five_countries = [&#39;Turkey&#39;, &#39;Brazil&#39;, &#39;India&#39;, &#39;Indonesia&#39;, &#39;South Africa&#39;]<br><br># Örnek yıllar<br>years = [str(y) for y in range(2020, 2026)]<br>target_year_str = &#39;2025&#39;<br><br># Dummy df_weo DataFrame oluşturma<br>countries_all = list(set(eu_countries + fragile_five_countries))<br>data = []<br>for country in countries_all:<br>    for subject_code, subject_desc in weo_subjects.items():<br>        for year in years:<br>            value = np.random.uniform(low=-5, high=10) if subject_code == &#39;NGDP_RPCH&#39; else \<br>                    np.random.uniform(low=0, high=20) if subject_code == &#39;CPİPĊH&#39; else \<br>                    np.random.uniform(low=30, high=150) if subject_code == &#39;GGXWDG_NGDP&#39; else \<br>                    np.random.uniform(low=-10, high=10)<br>            data.append({<br>                &#39;Country&#39;: country,<br>                &#39;WEO Subject Code&#39;: subject_code,<br>                &#39;Subject Descriptor&#39;: subject_desc,<br>                &#39;Year&#39;: year,<br>                &#39;Value&#39;: value<br>            })<br>df_weo_long = pd.DataFrame(data)<br><br>df_weo = df_weo_long.pivot_table(<br>    index=[&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;],<br>    columns=&#39;Year&#39;,<br>    values=&#39;Value&#39;<br>).reset_index()<br>df_weo.columns.name = None<br>df_weo.columns = [str(col) if isinstance(col, int) else col for col in df_weo.columns]<br><br># --- SIRALAMA GRAFİĞİ KODU ---<br>print(&quot;\n--- Sıralama Grafiği ---&quot;)<br><br># Sıralamak istediğiniz göstergeyi burada tanımlayın<br># Örn: &#39;NGDP_RPCH&#39; (Reel GSYİH Büyümesi)<br># Örn: &#39;CPİPĊH&#39; (Enflasyon)<br>ranking_indicator = &#39;NGDP_RPCH&#39;<br><br># Veriyi hazırlayın<br>df_ranking_plot = prepare_data_for_analysis(df_weo, eu_countries + fragile_five_countries, [ranking_indicator], target_year_str)<br><br>if not df_ranking_plot.empty:<br>    df_ranking_filtered = df_ranking_plot[df_ranking_plot[&#39;WEO Subject Code&#39;] == ranking_indicator].copy()<br>    <br>    if not df_ranking_filtered.empty:<br>        # Gösterge adına uygun başlık metni<br>        plot_title_subject = weo_subjects.get(ranking_indicator, ranking_indicator)<br><br>        for group_name in df_ranking_filtered[&#39;Group&#39;].unique():<br>            df_group_plot = df_ranking_filtered[df_ranking_filtered[&#39;Group&#39;] == group_name].copy()<br>            <br>            # Sıralama (GSYİH Büyümesi gibi yüksek değerler için azalan, Enflasyon gibi düşük değerler için artan sıralama)<br>            # Varsayılan olarak GSYİH Büyümesi gibi &#39;daha iyi&#39; olanın yüksek olduğu varsayılır.<br>            # Eğer enflasyon gibi &#39;daha iyi&#39; olanın düşük olduğu bir gösterge ise &#39;ascending=True&#39; yapın.<br>            sort_ascending = False # True yapın eğer daha düşük değerler daha iyiyse (örn. Enflasyon)<br>            if ranking_indicator == &#39;CPİPĊH&#39;: # Enflasyon için ascending=True yapalım<br>                sort_ascending = True<br><br>            df_group_plot = df_group_plot.sort_values(by=&#39;Value&#39;, ascending=sort_ascending)<br><br>            plt.figure(figsize=(10, 6))<br>            sns.barplot(<br>                x=&#39;Value&#39;,<br>                y=&#39;Country&#39;,<br>                data=df_group_plot,<br>                palette=&#39;viridis&#39; if group_name == &#39;AB&#39; else &#39;plasma&#39;<br>            )<br>            plt.title(f&#39;{group_name} Grubu: {plot_title_subject} Sıralaması ({target_year_str})&#39;, fontsize=14)<br>            plt.xlabel(f&#39;Değer ({plot_title_subject})&#39;, fontsize=12)<br>            plt.ylabel(&#39;Ülke&#39;, fontsize=12)<br>            plt.tight_layout()<br>            plt.show()<br>    else:<br>        print(f&quot;Uyarı: Grafik için &#39;{ranking_indicator}&#39; göstergesi mevcut değil veya veri bulunamadı.&quot;)<br>else:<br>    print(&quot;Uyarı: Grafik için veri bulunamadı.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/878/1*l0RtCzIWou4G6vk44EHuRA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/1*v5lymK0-YlaCNIWAnfFN1w.png" /></figure><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br>import numpy as np # Dummy veri oluşturmak için kullanıldı<br><br># Grafiklerin estetiğini ayarlayın<br>sns.set_theme(style=&quot;whitegrid&quot;)<br><br># --- ORTAK KURULUM VE VERİ ÖN HAZIRLIĞI ---<br># Bu kısım, daha önceki adımlarda tanımladığınız değişkenleri ve fonksiyonu içerir.<br># Eğer ortamınızda tanımlı değilse, bu bloğu da çalıştırmanız gerekir.<br><br># WEO gösterge kodları ve açıklamaları sözlüğü<br>weo_subjects = {<br>    &#39;NGDP_RPCH&#39;: &#39;Real GSYİH Büyümesi (Yıllık % Değişim)&#39;,<br>    &#39;CPİPĊH&#39;: &#39;Enflasyon (Yıllık % Değişim, Ortalama Tüketici Fiyatları)&#39;,<br>    &#39;GGXWDG_NGDP&#39;: &#39;Kamu Borcu (% GSYİH)&#39;,<br>    &#39;CAB_BPBL_NGDP&#39;: &#39;Cari İşlemler Dengesi (% GSYİH)&#39;<br>}<br><br># Ülke grupları listeleri<br>eu_countries = [<br>    &#39;Germany&#39;, &#39;France&#39;, &#39;Italy&#39;, &#39;Spain&#39;, &#39;Netherlands&#39;, &#39;Belgium&#39;, &#39;Austria&#39;,<br>    &#39;Finland&#39;, &#39;Ireland&#39;, &#39;Portugal&#39;, &#39;Greece&#39;, &#39;Luxembourg&#39;, &#39;Cyprus&#39;, &#39;Malta&#39;,<br>    &#39;Slovenia&#39;, &#39;Slovakia&#39;, &#39;Estonia&#39;, &#39;Latvia&#39;, &#39;Lithuania&#39;, &#39;Czech Republic&#39;,<br>    &#39;Poland&#39;, &#39;Hungary&#39;, &#39;Romania&#39;, &#39;Bulgaria&#39;, &#39;Croatia&#39;, &#39;Sweden&#39;, &#39;Denmark&#39;<br>    # EU&#39;ya dahil tüm ülkeleri ekleyebilirsiniz<br>]<br>fragile_five_countries = [&#39;Turkey&#39;, &#39;Brazil&#39;, &#39;India&#39;, &#39;Indonesia&#39;, &#39;South Africa&#39;]<br><br># Analiz için yıl aralığı ve hedef yıl<br>years_for_trend = [str(y) for y in range(2010, 2026)] # Geniş bir yıl aralığı<br>target_year_str = &#39;2025&#39; # Belirli yıl için sıralama analizi<br><br># Veri hazırlama fonksiyonu (önceki yanıtlarda da paylaşıldı)<br>def prepare_data_for_analysis(df, countries_list, subjects_codes, year_or_years):<br>    if isinstance(year_or_years, str):<br>        years_to_select = [year_or_years]<br>    else:<br>        years_to_select = [str(y) for y in year_or_years]<br><br>    df_filtered = df[df[&#39;Country&#39;].isin(countries_list) &amp;<br>                     df[&#39;WEO Subject Code&#39;].isin(subjects_codes)].copy()<br><br>    available_years = [y for y in years_to_select if y in df_filtered.columns]<br>    if not available_years:<br>        print(f&quot;Uyarı: İstenen yılların {years_to_select} hiçbiri seçilen göstergeler {subjects_codes} ve ülkeler {countries_list} için veride bulunamadı.&quot;)<br>        return pd.DataFrame()<br><br>    id_vars = [&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;]<br>    cols_to_select = id_vars + available_years<br>    df_selected = df_filtered[cols_to_select]<br><br>    df_melted = df_selected.melt(<br>        id_vars=[&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;],<br>        var_name=&#39;Year&#39;,<br>        value_name=&#39;Value&#39;<br>    )<br>    df_melted[&#39;Year&#39;] = df_melted[&#39;Year&#39;].astype(int)<br><br>    df_melted[&#39;Group&#39;] = df_melted[&#39;Country&#39;].apply(<br>        lambda x: &#39;AB&#39; if x in eu_countries else (&#39;Kırılgan Beşli&#39; if x in fragile_five_countries else &#39;Diğer&#39;)<br>    )<br>    df_melted = df_melted[df_melted[&#39;Group&#39;].isin([&#39;AB&#39;, &#39;Kırılgan Beşli&#39;])]<br><br>    return df_melted<br><br># --- DUMMY df_weo DATAFRAME OLUŞTURMA (GERÇEK df_weo&#39;Nuzu KULLANMALISINIZ!) ---<br># Bu kısım sadece kodun çalışabilmesi için örnek bir df_weo oluşturur.<br># Kendi WEO verinizi yükleyip `df_weo` değişkenine atamalısınız.<br># Örneğin:<br># df_weo = pd.read_excel(&#39;WEO_April_2025.xlsx&#39;)<br># df_weo = df_weo.rename(columns={&#39;WEO Country Code&#39;: &#39;WEO_Country_Code&#39;, &#39;ISO WEO Subject Code&#39;: &#39;WEO Subject Code&#39;})<br><br>countries_all = list(set(eu_countries + fragile_five_countries))<br>all_subjects_for_analysis = list(weo_subjects.keys())<br><br>data = []<br>for country in countries_all:<br>    for subject_code, subject_desc in weo_subjects.items():<br>        for year in range(int(years_for_trend[0]), int(years_for_trend[-1]) + 1):<br>            value = np.random.uniform(0.0, 10.0) # Varsayılan değer<br><br>            # Göstergelere ve ülkeye göre daha gerçekçi dummy veriler (Gerçek verinizle değiştirin)<br>            if subject_code == &#39;NGDP_RPCH&#39;:<br>                if country in eu_countries:<br>                    value = np.random.uniform(0.5, 3.0) + np.random.normal(0, 0.5)<br>                elif country == &#39;Turkey&#39;:<br>                    value = np.random.uniform(3.0, 7.0) + np.random.normal(0, 1.0)<br>                else:<br>                    value = np.random.uniform(2.0, 6.0) + np.random.normal(0, 1.0)<br>            elif subject_code == &#39;CPİPĊH&#39;:<br>                if country in eu_countries:<br>                    value = np.random.uniform(1.0, 5.0) + np.random.normal(0, 0.5)<br>                elif country == &#39;Turkey&#39;:<br>                    # Türkiye için daha yüksek enflasyon simülasyonu (2020 sonrası için belirgin artış)<br>                    value = np.random.uniform(10.0, 50.0) + np.random.normal(0, 5.0) if year &gt;= 2020 else np.random.uniform(5.0, 15.0)<br>                else:<br>                    value = np.random.uniform(4.0, 15.0) + np.random.normal(0, 2.0)<br>            elif subject_code == &#39;GGXWDG_NGDP&#39;:<br>                if country in eu_countries:<br>                    value = np.random.uniform(60.0, 120.0) + np.random.normal(0, 10.0)<br>                elif country == &#39;Turkey&#39;:<br>                    value = np.random.uniform(30.0, 60.0) + np.random.normal(0, 5.0)<br>                else:<br>                    value = np.random.uniform(40.0, 90.0) + np.random.normal(0, 10.0)<br>            elif subject_code == &#39;CAB_BPBL_NGDP&#39;:<br>                if country in eu_countries:<br>                    value = np.random.uniform(1.0, 8.0) + np.random.normal(0, 1.0)<br>                elif country == &#39;Turkey&#39;:<br>                    value = np.random.uniform(-7.0, 0.0) + np.random.normal(0, 1.0) # Cari açık simülasyonu<br>                else:<br>                    value = np.random.uniform(-3.0, 3.0) + np.random.normal(0, 1.0)<br>            <br>            data.append({<br>                &#39;Country&#39;: country,<br>                &#39;WEO Subject Code&#39;: subject_code,<br>                &#39;Subject Descriptor&#39;: subject_desc,<br>                &#39;Year&#39;: str(year),<br>                &#39;Value&#39;: max(0.0, value) if subject_code != &#39;CAB_BPBL_NGDP&#39; else value # Cari denge negatif olabilir<br>            })<br>df_weo_long_dummy = pd.DataFrame(data)<br><br>df_weo = df_weo_long_dummy.pivot_table(<br>    index=[&#39;Country&#39;, &#39;WEO Subject Code&#39;, &#39;Subject Descriptor&#39;],<br>    columns=&#39;Year&#39;,<br>    values=&#39;Value&#39;<br>).reset_index()<br>df_weo.columns.name = None<br>df_weo.columns = [str(col) if isinstance(col, int) else col for col in df_weo.columns]<br><br><br># --- TÜRKİYE ÖZELİNDE ANALİZ KODLARI ---<br>print(&quot;--- Türkiye Özelinde Makroekonomik Analiz ---&quot;)<br><br>turkey_country = [&#39;Turkey&#39;]<br># Karşılaştırma grupları: Kendi grubu ve AB ortalaması<br>comparison_countries = eu_countries + fragile_five_countries <br><br># Analiz edilecek ana göstergeler (ısı haritasında kullanılanlar)<br>analysis_indicators = [&#39;NGDP_RPCH&#39;, &#39;CPİPĊH&#39;, &#39;GGXWDG_NGDP&#39;, &#39;CAB_BPBL_NGDP&#39;]<br><br># Veriyi hazırla: Türkiye, Kırılgan Beşli ortalaması ve AB ortalaması için<br>df_turkey_analysis = prepare_data_for_analysis(df_weo, turkey_country + comparison_countries, analysis_indicators, years_for_trend)<br><br>if not df_turkey_analysis.empty:<br>    # Gruplara göre ortalama değerleri hesapla<br>    df_group_averages = df_turkey_analysis.groupby([&#39;Group&#39;, &#39;Year&#39;, &#39;WEO Subject Code&#39;])[&#39;Value&#39;].mean().reset_index()<br><br>    # Türkiye&#39;nin verilerini ayrı al<br>    df_turkey_data = df_turkey_analysis[df_turkey_analysis[&#39;Country&#39;] == &#39;Turkey&#39;].copy()<br>    <br>    # Kırılgan Beşli ortalamalarını al (Türkiye genellikle bu gruba dahil edilir)<br>    df_fragile_five_avg = df_group_averages[df_group_averages[&#39;Group&#39;] == &#39;Kırılgan Beşli&#39;].copy()<br>    <br>    # AB ortalamalarını al<br>    df_eu_avg = df_group_averages[df_group_averages[&#39;Group&#39;] == &#39;AB&#39;].copy()<br><br>    # Her gösterge için zaman serisi grafikleri çiz<br>    for indicator in analysis_indicators:<br>        plt.figure(figsize=(12, 6))<br>        <br>        # Türkiye&#39;nin verisi<br>        sns.lineplot(x=&#39;Year&#39;, y=&#39;Value&#39;, data=df_turkey_data[df_turkey_data[&#39;WEO Subject Code&#39;] == indicator],<br>                     marker=&#39;o&#39;, label=&#39;Türkiye&#39;, color=&#39;red&#39;, linewidth=2.5)<br>        <br>        # Kırılgan Beşli ortalaması<br>        sns.lineplot(x=&#39;Year&#39;, y=&#39;Value&#39;, data=df_fragile_five_avg[df_fragile_five_avg[&#39;WEO Subject Code&#39;] == indicator],<br>                     marker=&#39;s&#39;, label=&#39;Kırılgan Beşli Ort.&#39;, color=&#39;blue&#39;, linestyle=&#39;--&#39;, alpha=0.7)<br>        <br>        # AB ortalaması<br>        sns.lineplot(x=&#39;Year&#39;, y=&#39;Value&#39;, data=df_eu_avg[df_eu_avg[&#39;WEO Subject Code&#39;] == indicator],<br>                     marker=&#39;^&#39;, label=&#39;AB Ort.&#39;, color=&#39;green&#39;, linestyle=&#39;:&#39;, alpha=0.7)<br>        <br>        plt.title(f&#39;{weo_subjects.get(indicator, indicator)} Zaman Serisi: Türkiye vs. Grup Ortalamaları&#39;, fontsize=14)<br>        plt.xlabel(&#39;Yıl&#39;, fontsize=12)<br>        plt.ylabel(f&#39;{weo_subjects.get(indicator, indicator)}&#39;, fontsize=12)<br>        plt.xticks(rotation=45)<br>        plt.legend(title=&#39;Karşılaştırma&#39;)<br>        plt.grid(True, linestyle=&#39;--&#39;, alpha=0.7)<br>        plt.tight_layout()<br>        plt.show()<br><br>    # Türkiye&#39;nin belirli bir yıldaki kendi grubu içindeki sıralaması (Bar Grafikleri)<br>    # Bu, Heatmap&#39;teki gibi tek bir yıl için Türkiye&#39;nin konumunu vurgular.<br>    <br>    # Seçilen yıl için veriyi hazırla (Sadece Kırılgan Beşli ülkeleri)<br>    df_target_year = prepare_data_for_analysis(df_weo, fragile_five_countries, analysis_indicators, target_year_str)<br><br>    if not df_target_year.empty:<br>        df_pivot_target_year = df_target_year.pivot_table(<br>            index=&#39;Country&#39;,<br>            columns=&#39;WEO Subject Code&#39;,<br>            values=&#39;Value&#39;<br>        )<br>        <br>        for indicator in analysis_indicators:<br>            if indicator in df_pivot_target_year.columns:<br>                # Sıralamayı belirle (büyüme ve cari denge için yüksek iyidir, enflasyon/borç için düşük iyidir)<br>                if indicator == &#39;NGDP_RPCH&#39; or indicator == &#39;CAB_BPBL_NGDP&#39;: # Büyüme ve Cari Denge için yüksek daha iyi<br>                    df_ranked = df_pivot_target_year.sort_values(by=indicator, ascending=False)<br>                    title_suffix = &quot; (Yüksek Daha İyi)&quot;<br>                else: # Enflasyon ve Borç için düşük daha iyi<br>                    df_ranked = df_pivot_target_year.sort_values(by=indicator, ascending=True)<br>                    title_suffix = &quot; (Düşük Daha İyi)&quot;<br><br>                plt.figure(figsize=(10, 6))<br>                bars = sns.barplot(x=df_ranked.index, y=indicator, data=df_ranked, palette=&#39;viridis&#39;)<br>                plt.title(f&#39;{weo_subjects.get(indicator, indicator)}: Kırılgan Beşli Sıralaması ({target_year_str}){title_suffix}&#39;, fontsize=14)<br>                plt.xlabel(&#39;Ülke&#39;, fontsize=12)<br>                plt.ylabel(f&#39;{weo_subjects.get(indicator, indicator)}&#39;, fontsize=12)<br>                plt.xticks(rotation=45, ha=&#39;right&#39;)<br><br>                # Türkiye çubuğunu vurgula<br>                # plt.xticks() ile çubukların konumunu alıp Türkiye&#39;nin konumunu bulalım<br>                for bar in bars.patches:<br>                    if df_ranked.index[bars.patches.index(bar)] == &#39;Turkey&#39;: # Türkiye&#39;nin çubuğunu bul<br>                        bar.set_color(&#39;red&#39;) # Rengini kırmızı yap<br><br>                plt.grid(axis=&#39;y&#39;, linestyle=&#39;--&#39;, alpha=0.7)<br>                plt.tight_layout()<br>                plt.show()<br>            else:<br>                print(f&quot;Uyarı: &#39;{indicator}&#39; göstergesi için {target_year_str} yılı verisi bulunamadı.&quot;)<br>    else:<br>        print(f&quot;Uyarı: {target_year_str} yılı için sıralama analizi verisi bulunamadı.&quot;)<br><br>else:<br>    print(&quot;Uyarı: Türkiye özelinde analiz için veri bulunamadı.&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*XBec_A_7oa4l9shCATBkMQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/931/1*oqhlBJf8zDR2XGlCZLCwFw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/920/1*UxOgwjNH7OFE__s0-76GhA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/932/1*GoZ5GyVAyJUH16avFEGPCA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/900/1*NMvNeiuftEx0RyR_hDp6tA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/884/1*5qlzRaq2u34xVW9tlqENJw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/833/1*aoeooa2FqZ3WU_sJfwd9ew.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/854/1*IRPATLyOWVecLKXN9Ya82g.png" /></figure><p>Kırılgan Beşli’nin önemli bir üyesi olan Türkiye, analizimizde kendine özgü bir ekonomik resim çizmektedir. Yüksek büyüme potansiyelini koruyan Türkiye, aynı zamanda göreceli olarak daha düşük kamu borcuyla dikkat çekmektedir. Ancak, kronikleşen yüksek enflasyon oranları ve cari işlemler açığı, ülkenin makroekonomik kırılganlıklarını artıran temel zorluklar olarak öne çıkmaktadır. Bu durum, Türkiye’nin ‘Kırılgan Beşli’ tanımına uygunluğunu sürdürdüğünü ve politika yapıcılar için bu alanlarda devamlı bir mücadele gerektirdiğini göstermektedir.</p><p>IMF’nin Nisan 2025 verileri, küresel ekonomideki dengeleri ve bölgesel farklılıkları anlamamız için değerli bir çerçeve sunuyor. Gelişmekte olan ekonomilerin büyüme potansiyellerini sürdürülebilir kılabilmeleri için enflasyonla mücadele ve dış dengeleri yönetme kapasiteleri kritik önem taşımaktadır. AB ülkeleri ise daha istikrarlı bir büyüme patikası izlerken, bazı üyelerdeki yapısal sorunlar yakından takip edilmelidir.</p><p><strong>Final Notu ve Yöntem Bilgisi:</strong></p><p>Bu analizin hazırlanmasında, Uluslararası Para Fonu’nun (IMF) <strong>Dünya Ekonomik Görünümü (WEO) Nisan 2025</strong> verileri temel alınmıştır. Veri işleme, analiz ve görselleştirme adımlarında Python programlama dilinin güçlü kütüphanelerinden faydalanılmıştır.</p><p>Başlıca kullanılan kütüphaneler şunlardır:</p><ul><li><strong>Pandas</strong>: Veri manipülasyonu, temizliği ve yapılandırılması için.</li><li><strong>NumPy</strong>: Sayısal işlemler ve bilimsel hesaplamalar için.</li><li><strong>Matplotlib</strong> ve <strong>Seaborn</strong>: Veri görselleştirmeleri (zaman serileri, ısı haritaları, çubuk grafikler ve radar grafiği) oluşturmak için.</li><li><strong>Scikit-learn (sklearn)</strong>: Veri ön işleme (StandardScaler ile ölçeklendirme) ve kümeleme analizi (KMeans) gibi makine öğrenimi algoritmaları için.</li></ul><p>Bu araçlar sayesinde, karmaşık ekonomik veriler anlamlı bilgilere dönüştürülerek ülke gruplarının ve Türkiye’nin ekonomik profilleri detaylı bir şekilde ortaya konulmuştur.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=0b3f95bbe35a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[İBB Deprem Senaryosu Analiz Sonuç Verilerini Görselleştirme]]></title>
            <link>https://medium.com/@gizemaksogan/i%CC%87bb-deprem-senaryosu-analiz-sonu%C3%A7-verilerini-g%C3%B6rselle%C5%9Ftirme-cbf14ff3185a?source=rss-54804c9cf2a2------2</link>
            <guid isPermaLink="false">https://medium.com/p/cbf14ff3185a</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[matplotlib]]></category>
            <category><![CDATA[data-visualization]]></category>
            <category><![CDATA[numpy]]></category>
            <category><![CDATA[pandas]]></category>
            <dc:creator><![CDATA[Gizem Aksogan]]></dc:creator>
            <pubDate>Thu, 01 May 2025 16:00:41 GMT</pubDate>
            <atom:updated>2025-05-01T16:00:41.092Z</atom:updated>
            <content:encoded><![CDATA[<p><strong><em>Python ile veri görselleştirme nasıl yapılır ?</em></strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*cUxZ0NohAAhjnUYBt0AdbQ.jpeg" /><figcaption>Merhabalar ! Bu yazı dizisinde Python’da veri görselleştirme kodları ile İstanbul Büyükşehir Belediyesi’nin yaptığı Deprem Senaryosu Analiz Sonuçları data setini inceleyeceğiz. Hem Python kodları hem de veri setini sizlerle paylaştım. O zaman, haydi başlayalım!</figcaption></figure><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br>plt.rcParams[&quot;font.family&quot;] = &quot;Arial&quot;<br>df = pd.read_excel(&quot;deprem_senaryosu_2025.xlsx&quot;)<br>df.head()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/875/1*mLst14tNSF-Aw04qXTb8VA.jpeg" /></figure><pre>plt.figure(figsize=(12, 6))<br>total_counts = df.groupby(&quot;ilce_adi&quot;, as_index=False)[&quot;cok_agir_hasarli_bina_sayisi&quot;].sum().sort_values(&quot;cok_agir_hasarli_bina_sayisi&quot;, ascending=False)<br>sns.barplot(data=total_counts, x=&quot;ilce_adi&quot;, y=&quot;cok_agir_hasarli_bina_sayisi&quot;)<br>plt.xticks(rotation=90)<br>plt.title(&quot;İlçelere Göre Çok Ağır Hasarlı Bina Sayısı&quot;)<br>plt.xlabel(&quot;İlçe Adı&quot;)<br>plt.ylabel(&quot;Toplam Çok Ağır Hasarlı Bina Sayısı&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/957/1*uiSl39yrRVs_Afl-PT_B6g.jpeg" /></figure><pre>plt.figure(figsize=(12, 6))<br>total_counts = df.groupby(&quot;ilce_adi&quot;, as_index=False)[&quot;can_kaybi_sayisi&quot;].sum().sort_values(&quot;can_kaybi_sayisi&quot;, ascending=False)<br>sns.barplot(data=total_counts, x=&quot;ilce_adi&quot;, y=&quot;can_kaybi_sayisi&quot;, palette=&quot;Reds&quot;)<br>plt.xticks(rotation=90)<br>plt.title(&quot;İlçelere Göre Toplam Can Kaybı Sayısı&quot;)<br>plt.xlabel(&quot;İlçe Adı&quot;)<br>plt.ylabel(&quot;Toplam Can Kaybı&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*40jqXtH9EO1aPOhwCp-l3Q.jpeg" /></figure><pre>plt.figure(figsize=(12, 6))<br>sns.scatterplot(<br>    data=df,<br>    x=&quot;ilce_adi&quot;, y=&quot;can_kaybi_sayisi&quot;,<br>    size=&quot;can_kaybi_sayisi&quot;,  # Burada &#39;Visually_Impaired_Count&#39; yerine &#39;can_kaybi_sayisi&#39; kullandık<br>    hue=&quot;can_kaybi_sayisi&quot;,  # Burada da aynı şekilde &#39;can_kaybi_sayisi&#39; kullanıyoruz<br>    palette=&quot;cool&quot;, legend=False<br>)<br>plt.title(&quot;Depremde Hayatını Kaybedenlerin İlçe Dağılımı&quot;)<br>plt.xlabel(&quot;İlçe Adı&quot;)<br>plt.ylabel(&quot;Can Kaybı Sayısı&quot;)<br>plt.xticks(rotation=90, fontsize=8)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fr1sbdA_VkuKS-9ZFXARqQ.jpeg" /></figure><pre>top_districts = df[&quot;ilce_adi&quot;].value_counts().head(10).index<br>df_violin = df[df[&quot;ilce_adi&quot;].isin(top_districts)]<br>plt.figure(figsize=(12, 6))<br>sns.violinplot(<br>    data=df_violin,<br>    x=&quot;ilce_adi&quot;, y=&quot;gecici_barinma&quot;,  # İlçelere göre geçici barınma sayısının dağılımı<br>    hue=&quot;ilce_adi&quot;,  # İlçelere göre renkleri belirliyoruz<br>    palette=&quot;Set3&quot;,  # Görsel olarak hoş bir renk paleti<br>    inner=&quot;box&quot;,  # Kutu grafiği (boxplot) iç yapısını gösterir<br>    density_norm=&quot;count&quot;,  # Sayım ölçeğiyle yoğunluk hesaplanır<br>    legend=False  # Tekrarlayan legend&#39;ı gizliyoruz<br>)<br>plt.xticks(rotation=90, fontsize=8)<br>plt.title(&quot;Geçici Barınma Dağılımı (İlçe Bazında)&quot;)<br>plt.xlabel(&quot;İlçe&quot;)<br>plt.ylabel(&quot;Geçici Barınma Sayısı&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_seLx3Oi31IHf-ZNkhG52w.jpeg" /></figure><pre># Geçici barınma sayısını yüksekten düşüğe sıralayıp en yüksek 6 ilçeyi seçiyoruz<br>top_6_districts = df.groupby(&quot;ilce_adi&quot;)[&quot;gecici_barinma&quot;].sum().nlargest(6).index<br><br># Bu ilçelere ait veriyi filtreliyoruz<br>df_selected = df[df[&quot;ilce_adi&quot;].isin(top_6_districts)]<br><br># İlçelere ve barınma gruplarına göre veriyi grupluyoruz<br>grouped = df_selected.groupby([&quot;ilce_adi&quot;, &quot;Barinma_Grubu&quot;]).agg({<br>    &quot;gecici_barinma&quot;: &quot;sum&quot;  # Geçici barınma sayısını topluyoruz<br>}).reset_index()  # İndeksi sıfırlıyoruz<br><br># Gruplandırılmış çubuk grafiği oluşturuyoruz<br>plt.figure(figsize=(12, 6))<br>sns.barplot(<br>    data=grouped,<br>    x=&quot;Barinma_Grubu&quot;, y=&quot;gecici_barinma&quot;,<br>    hue=&quot;ilce_adi&quot;, palette=&quot;Set2&quot;<br>)<br><br># Başlık ve etiketler<br>plt.title(&quot;En Yüksek Geçici Barınma Sayısına Göre İlçeler Arası Analiz&quot;)<br>plt.xlabel(&quot;Geçici Barınma Grubu&quot;)<br>plt.ylabel(&quot;Toplam Geçici Barınma Sayısı&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*YnE6hRp5UwPQjcMm-7S2ZQ.jpeg" /></figure><pre># İlçelere göre geçici barınma sayısını grupluyoruz<br>df_barinma_trend = df.groupby(&quot;ilce_adi&quot;, as_index=False)[&quot;gecici_barinma&quot;].sum()<br><br># Çizgi grafiği oluşturuyoruz<br>plt.figure(figsize=(12, 6))<br>sns.lineplot(data=df_barinma_trend, x=&quot;ilce_adi&quot;, y=&quot;gecici_barinma&quot;, color=&quot;darkblue&quot;, linewidth=2)<br><br># Başlık ve etiketler<br>plt.title(&quot;Toplam Geçici Barınma Sayısı İlçe Bazında&quot;)<br>plt.xlabel(&quot;İlçe&quot;)<br>plt.ylabel(&quot;Toplam Geçici Barınma Sayısı&quot;)<br>plt.xticks(rotation=45, ha=&quot;right&quot;)  # İlçe isimlerini döndürmek için<br>plt.grid(True, linestyle=&quot;--&quot;, alpha=0.5)<br><br># Layout düzenlemesi<br>plt.tight_layout()<br><br># Grafiği göster<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IfbzxZCWFMfO2qCpIZ1xcA.jpeg" /></figure><pre>import pandas as pd<br>import matplotlib.pyplot as plt<br><br># Veri yükleme<br>df = pd.read_excel(&quot;deprem_senaryosu_2025.xlsx&quot;)  # &lt;- Dosya adını uygun şekilde güncelleyin<br><br># Gerekli sütunları seçiyoruz<br>df_yarali = df[[<br>    &quot;ilce_adi&quot;,<br>    &quot;agir_yarali_sayisi&quot;,<br>    &quot;hastanede_tedavi_sayisi&quot;,<br>    &quot;hafif_yarali_sayisi&quot;,<br>    &quot;can_kaybi_sayisi&quot;<br>]]<br><br># İlçe bazında toplanmış veriler<br>df_yarali_grouped = df_yarali.groupby(&quot;ilce_adi&quot;, observed=False).sum()<br><br># Yatay bar grafiği çizimi<br>df_yarali_grouped.plot(<br>    kind=&quot;barh&quot;,<br>    figsize=(12, 8),<br>    color=[&quot;darkred&quot;, &quot;orange&quot;, &quot;yellowgreen&quot;, &quot;gray&quot;]<br>)<br><br>plt.title(&quot;İlçelere Göre Yaralanma Türleri&quot;)<br>plt.xlabel(&quot;Kişi Sayısı&quot;)<br>plt.ylabel(&quot;İlçe&quot;)<br>plt.legend(<br>    title=&quot;Yaralanma Türü&quot;,<br>    labels=[&quot;Ağır Yaralı&quot;, &quot;Hastanede Tedavi&quot;, &quot;Hafif Yaralı&quot;, &quot;Can Kaybı&quot;],<br>    loc=&quot;upper right&quot;<br>)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nv8AtnGCgq45ivR_MKpt8Q.jpeg" /></figure><pre>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br>import numpy as np<br><br># Excel dosyasını oku (dosya adını uygun şekilde güncelle)<br>df = pd.read_excel(&quot;deprem_senaryosu_2025.xlsx&quot;)<br><br># Gerekli sütunlarla grup oluştur<br>boru_grouped = df.groupby(&quot;ilce_adi&quot;)[<br>    [&quot;dogalgaz_boru_hasari&quot;, &quot;icme_suyu_boru_hasari&quot;, &quot;atik_su_boru_hasari&quot;]<br>].sum().reset_index()<br><br># Boru hasarı türleri için renk eşleştirmesi<br>color_map = {<br>    &quot;dogalgaz_boru_hasari&quot;: &quot;red&quot;,<br>    &quot;icme_suyu_boru_hasari&quot;: &quot;blue&quot;,<br>    &quot;atik_su_boru_hasari&quot;: &quot;green&quot;<br>}<br><br># Verileri &#39;melt&#39; ederek uzun formatta düzenliyoruz<br>boru_melted = boru_grouped.melt(id_vars=[&quot;ilce_adi&quot;], <br>                                value_vars=[&quot;dogalgaz_boru_hasari&quot;, &quot;icme_suyu_boru_hasari&quot;, &quot;atik_su_boru_hasari&quot;],<br>                                var_name=&quot;Boru_Turu&quot;, value_name=&quot;Hasar_Sayisi&quot;)<br><br># Grafiği çiziyoruz<br>plt.figure(figsize=(12, 8))<br>sns.barplot(data=boru_melted,<br>            x=&quot;ilce_adi&quot;, <br>            y=&quot;Hasar_Sayisi&quot;, <br>            hue=&quot;Boru_Turu&quot;, <br>            palette=color_map)<br><br># Başlık ve etiketler<br>plt.title(&quot;İlçelere Göre Boru Hasar Türlerinin Dağılımı&quot;)<br>plt.xlabel(&quot;İlçe Adı&quot;)<br>plt.ylabel(&quot;Hasar Sayısı&quot;)<br>plt.xticks(rotation=45, ha=&quot;right&quot;)<br>plt.legend(title=&quot;Boru Hasarı Türü&quot;, bbox_to_anchor=(1.05, 1), loc=&quot;upper left&quot;)<br><br># Grafiği gösteriyoruz<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MttiUDjuYr7tVNBkpRuEEA.jpeg" /></figure><pre>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br><br># Excel dosyasını oku (dosya adını kendi dosyanla değiştir)<br>df = pd.read_excel(&quot;deprem_senaryosu_2025.xlsx&quot;)<br><br># Gerekli sütunları al ve ilçeye göre grupla<br>bina_hasar_df = df.groupby(&quot;ilce_adi&quot;)[[<br>    &quot;cok_agir_hasarli_bina_sayisi&quot;,<br>    &quot;agir_hasarli_bina_sayisi&quot;,<br>    &quot;orta_hasarli_bina_sayisi&quot;,<br>    &quot;hafif_hasarli_bina_sayisi&quot;<br>]].sum()<br><br># Isı haritasını çiz<br>plt.figure(figsize=(12, 8))<br>sns.heatmap(<br>    bina_hasar_df,<br>    annot=True,<br>    fmt=&quot;.0f&quot;,<br>    cmap=&quot;OrRd&quot;,         # Renk paleti: turuncu-kırmızı tonları<br>    linewidths=0.5,<br>    linecolor=&quot;gray&quot;<br>)<br>plt.title(&quot;İlçelere Göre Bina Hasar Türleri (Isı Haritası)&quot;)<br>plt.xlabel(&quot;Hasar Türü&quot;)<br>plt.ylabel(&quot;İlçe&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/915/1*sUdw5wL0zGYH5NO5p4-8YA.jpeg" /></figure><pre>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br><br># Excel dosyasını oku<br>df = pd.read_excel(&quot;deprem_senaryosu_2025.xlsx&quot;)<br><br># İlçelere göre dogalgaz boru hasarı toplamı<br>dogalgaz_df = df.groupby(&quot;ilce_adi&quot;, observed=False)[&quot;dogalgaz_boru_hasari&quot;].sum().reset_index()<br><br># Hasara göre küçükten büyüğe sırala<br>dogalgaz_df = dogalgaz_df.sort_values(&quot;dogalgaz_boru_hasari&quot;, ascending=True)<br><br># Grafik çizimi<br>plt.figure(figsize=(10, 6))<br>sns.barplot(<br>    data=dogalgaz_df,<br>    y=&quot;ilce_adi&quot;,<br>    x=&quot;dogalgaz_boru_hasari&quot;,<br>    hue=&quot;ilce_adi&quot;,  # Renk uyarısı olmaması için<br>    palette=&quot;Reds&quot;,  # Kırmızı tonları tehlike vurgusu için<br>    legend=False     # Gereksiz tekrar eden renk açıklamasını gizle<br>)<br><br>plt.title(&quot;İlçelere Göre Doğalgaz Boru Hasarı&quot;)<br>plt.xlabel(&quot;Doğalgaz Boru Hasar Sayısı&quot;)<br>plt.ylabel(&quot;İlçe&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/907/1*2uUYkY_RmT2SWOLdb_A-jQ.jpeg" /></figure><pre>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br><br># Excel dosyasını oku (dosya adını gerektiği gibi değiştirin)<br>df = pd.read_excel(&quot;deprem_senaryosu_2025.xlsx&quot;)<br><br># 1. Toplam boru hasarını hesapla<br>df[&quot;toplam_boru_hasari&quot;] = df[<br>    [&quot;dogalgaz_boru_hasari&quot;, &quot;icme_suyu_boru_hasari&quot;, &quot;atik_su_boru_hasari&quot;]<br>].sum(axis=1)<br><br># 2. İlçe bazında toplam ve içme suyu hasarlarını topla<br>grouped = df.groupby(&quot;ilce_adi&quot;, observed=False)[<br>    [&quot;toplam_boru_hasari&quot;, &quot;icme_suyu_boru_hasari&quot;]<br>].sum().reset_index()<br><br># 3. Oranı hesapla<br>grouped[&quot;icme_suyu_orani&quot;] = (grouped[&quot;icme_suyu_boru_hasari&quot;] / grouped[&quot;toplam_boru_hasari&quot;]) * 100<br>grouped = grouped.fillna(0).sort_values(&quot;icme_suyu_orani&quot;, ascending=True)<br><br># 4. Grafik çizimi<br>plt.figure(figsize=(10, 6))<br>sns.barplot(<br>    data=grouped,<br>    y=&quot;ilce_adi&quot;,<br>    x=&quot;icme_suyu_orani&quot;,<br>    hue=&quot;ilce_adi&quot;,<br>    palette=&quot;Blues&quot;,<br>    legend=False<br>)<br><br>plt.title(&quot;İçme Suyu Boru Hasarı Oranı (%) - İlçelere Göre&quot;)<br>plt.xlabel(&quot;İçme Suyu Boru Hasarı Oranı (%)&quot;)<br>plt.ylabel(&quot;İlçe&quot;)<br>plt.tight_layout()<br>plt.show()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/847/1*J93AwwkXLvq4Yhf0sMRjcg.jpeg" /></figure><pre>import geopandas as gpd<br>import pandas as pd<br>import matplotlib.pyplot as plt<br>import seaborn as sns<br><br># 1. İstanbul ilçelerinin adlarını GeoJSON dosyasından yükleyin<br>istanbul_districts = gpd.read_file(&quot;istanbul-districts.json&quot;)[&quot;name&quot;].str.upper().unique()<br><br># 2. Ana veri çerçevesini (df) sadece İstanbul ilçeleriyle filtreleyin<br>istanbul_df = df[df[&quot;ilce_adi&quot;].str.upper().isin(istanbul_districts)].copy()<br><br># 3. İlçe bazında toplam can kaybı sayısını hesaplayın<br>loss_by_district = istanbul_df.groupby(&quot;ilce_adi&quot;)[&quot;can_kaybi_sayisi&quot;].sum().reset_index()<br><br># 4. Can kaybı sayısına göre en yüksek 10 ilçeyi sıralayın<br>top10 = loss_by_district.sort_values(&quot;can_kaybi_sayisi&quot;, ascending=False).head(10)<br><br># 5. Veriyi temizleyip gerekli sütunları seçin<br>top10_table = top10[[&quot;ilce_adi&quot;, &quot;can_kaybi_sayisi&quot;]].copy()<br><br># 6. Grafik oluşturma<br>plt.figure(figsize=(10, 5))<br>sns.barplot(<br>    data=top10_table,<br>    x=&quot;can_kaybi_sayisi&quot;,<br>    y=&quot;ilce_adi&quot;,<br>    hue=&quot;ilce_adi&quot;,<br>    palette=&quot;mako&quot;,<br>    legend=False<br>)<br>plt.title(&quot;Top 10 İstanbul İlçeleri - Can Kaybı Sayısı&quot;)<br>plt.xlabel(&quot;Can Kaybı Sayısı&quot;)<br>plt.ylabel(&quot;İlçe&quot;)<br>plt.tight_layout()<br>plt.show()<br><br># 7. Veri tablosunu görüntüleyin<br>top10_table.reset_index(drop=True)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/886/1*v5MNAY2ZGK_Qy7g3COAxgg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/524/1*C8f2oP-OrUb4ulczXndpvg.jpeg" /></figure><pre>import geopandas as gpd<br>import pandas as pd<br>from IPython.display import display<br><br># 1. İstanbul ilçeleri verilerini yükle<br>istanbul_districts = gpd.read_file(&quot;istanbul-districts.json&quot;)[&quot;name&quot;].str.upper().unique()<br><br># 2. Deprem senaryosu 2025 veri setini İstanbul ilçeleriyle filtrele<br>istanbul_df = df[df[&quot;ilce_adi&quot;].str.upper().isin(istanbul_districts)].copy()<br><br># 3. İlçelere göre can kaybı sayısını hesapla<br>summary = istanbul_df.groupby(&quot;ilce_adi&quot;, observed=False)[&quot;can_kaybi_sayisi&quot;].sum().reset_index()<br>summary.rename(columns={&quot;can_kaybi_sayisi&quot;: &quot;Toplam_Can_Kaybi&quot;}, inplace=True)<br><br># 4. İlçelere göre ağır yaralı sayısını ve oranını hesapla<br>heavy_injured = istanbul_df.groupby(&quot;ilce_adi&quot;, observed=False)[&quot;agir_yarali_sayisi&quot;].sum().reset_index()<br>heavy_injured.rename(columns={&quot;agir_yarali_sayisi&quot;: &quot;Agir_Yarali_Sayisi&quot;}, inplace=True)<br>summary = summary.merge(heavy_injured, on=&quot;ilce_adi&quot;, how=&quot;left&quot;)<br>summary[&quot;Agir_Yarali_Orani&quot;] = (summary[&quot;Agir_Yarali_Sayisi&quot;] / summary[&quot;Toplam_Can_Kaybi&quot;]) * 100<br><br># 5. İlçelere göre hastanede tedavi sayısını ve oranını hesapla<br>hospitalized = istanbul_df.groupby(&quot;ilce_adi&quot;, observed=False)[&quot;hastanede_tedavi_sayisi&quot;].sum().reset_index()<br>hospitalized.rename(columns={&quot;hastanede_tedavi_sayisi&quot;: &quot;Hastanede_Tedavi_Sayisi&quot;}, inplace=True)<br>summary = summary.merge(hospitalized, on=&quot;ilce_adi&quot;, how=&quot;left&quot;)<br>summary[&quot;Hastanede_Tedavi_Orani&quot;] = (summary[&quot;Hastanede_Tedavi_Sayisi&quot;] / summary[&quot;Toplam_Can_Kaybi&quot;]) * 100<br><br># 6. İlçelere göre hafif yaralı sayısını ve oranını hesapla<br>light_injured = istanbul_df.groupby(&quot;ilce_adi&quot;, observed=False)[&quot;hafif_yarali_sayisi&quot;].sum().reset_index()<br>light_injured.rename(columns={&quot;hafif_yarali_sayisi&quot;: &quot;Hafif_Yarali_Sayisi&quot;}, inplace=True)<br>summary = summary.merge(light_injured, on=&quot;ilce_adi&quot;, how=&quot;left&quot;)<br>summary[&quot;Hafif_Yarali_Orani&quot;] = (summary[&quot;Hafif_Yarali_Sayisi&quot;] / summary[&quot;Toplam_Can_Kaybi&quot;]) * 100<br><br># 7. Toplam yaralı oranını hesapla<br>summary[&quot;Toplam_Yarali_Orani&quot;] = summary[&quot;Agir_Yarali_Orani&quot;] + summary[&quot;Hastanede_Tedavi_Orani&quot;] + summary[&quot;Hafif_Yarali_Orani&quot;]<br><br># 8. Her yaralı türünün toplam içindeki oranını hesapla<br>summary[&quot;Agir_Yarali_Orani_Toplam_Icindeki_Oran&quot;] = (summary[&quot;Agir_Yarali_Orani&quot;] / summary[&quot;Toplam_Yarali_Orani&quot;]) * 100<br>summary[&quot;Hastanede_Tedavi_Orani_Toplam_Icindeki_Oran&quot;] = (summary[&quot;Hastanede_Tedavi_Orani&quot;] / summary[&quot;Toplam_Yarali_Orani&quot;]) * 100<br>summary[&quot;Hafif_Yarali_Orani_Toplam_Icindeki_Oran&quot;] = (summary[&quot;Hafif_Yarali_Orani&quot;] / summary[&quot;Toplam_Yarali_Orani&quot;]) * 100<br><br># 9. NaN değerleri 0 ile doldur<br>summary[&quot;Agir_Yarali_Orani_Toplam_Icindeki_Oran&quot;] = summary[&quot;Agir_Yarali_Orani_Toplam_Icindeki_Oran&quot;].fillna(0)<br>summary[&quot;Hastanede_Tedavi_Orani_Toplam_Icindeki_Oran&quot;] = summary[&quot;Hastanede_Tedavi_Orani_Toplam_Icindeki_Oran&quot;].fillna(0)<br>summary[&quot;Hafif_Yarali_Orani_Toplam_Icindeki_Oran&quot;] = summary[&quot;Hafif_Yarali_Orani_Toplam_Icindeki_Oran&quot;].fillna(0)<br><br># 10. Sıralama ve gösterim<br>summary = summary.round({<br>    &quot;Agir_Yarali_Orani_Toplam_Icindeki_Oran&quot;: 2,<br>    &quot;Hastanede_Tedavi_Orani_Toplam_Icindeki_Oran&quot;: 2,<br>    &quot;Hafif_Yarali_Orani_Toplam_Icindeki_Oran&quot;: 2<br>})<br><br># 11. Kolonları düzenle<br>summary = summary[[<br>    &quot;ilce_adi&quot;, &quot;Toplam_Can_Kaybi&quot;, <br>    &quot;Agir_Yarali_Orani_Toplam_Icindeki_Oran&quot;, <br>    &quot;Hastanede_Tedavi_Orani_Toplam_Icindeki_Oran&quot;, <br>    &quot;Hafif_Yarali_Orani_Toplam_Icindeki_Oran&quot;<br>]]<br><br># 12. Tabloyu göster<br>display(summary.sort_values(&quot;Agir_Yarali_Orani_Toplam_Icindeki_Oran&quot;, ascending=False).reset_index(drop=True))</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*12rOAIOU_q3ZNZmwX6H4-w.jpeg" /></figure><p>🎯 <strong>Bu projede kullandığım Python kütüphaneleri:</strong></p><p>📊 <strong>pandas</strong><br> Veri temizleme, analiz ve tablo işlemleri için temel kütüphane.</p><p>🔢 <strong>numpy</strong><br> Sayısal işlemler ve diziler üzerinde hızlı hesaplamalar yapmak için.</p><p>📈 <strong>matplotlib.pyplot</strong><br> Özelleştirilebilir grafik ve çizimler oluşturmak için kullanıldı.</p><p>📉 <strong>seaborn</strong><br> İstatistiksel verileri görselleştirmek için daha estetik grafikler üretildi.</p><p>🗺️ <strong>geopandas</strong><br> Coğrafi (mekânsal) verilerle çalışmak ve harita üzerinde analiz yapmak için.</p><p>🧭 <strong>folium</strong><br> Etkileşimli harita görselleştirmeleri oluşturmak için tercih edildi.</p><p>Bu çalışma, İstanbul Büyükşehir Belediyesi’nin açık veri platformunda yayımladığı “Deprem Senaryosu 2025” verisetinden yararlanılarak hazırlanmıştır.<br> Kaynak: <a href="https://data.ibb.gov.tr/dataset/deprem-senaryosu-analiz-sonuclari">data.ibb.gov.tr</a></p><p>Okuduğunuz için çok teşekkürler.</p><p>Geri bildirimlerinizi bekliyorum!</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=cbf14ff3185a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>