<?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 Sevgi Yılmaz on Medium]]></title>
        <description><![CDATA[Stories by Sevgi Yılmaz on Medium]]></description>
        <link>https://medium.com/@sevgi.yilmaz?source=rss-b24bd50a5998------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*F3nvUNP9re0RYNG-z3bdgQ.jpeg</url>
            <title>Stories by Sevgi Yılmaz on Medium</title>
            <link>https://medium.com/@sevgi.yilmaz?source=rss-b24bd50a5998------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 03:48:40 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@sevgi.yilmaz/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[Penalizer Coefficient]]></title>
            <link>https://medium.com/@sevgi.yilmaz/penalizer-coefficient-d18cd01d6406?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/d18cd01d6406</guid>
            <category><![CDATA[penalized]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Mon, 02 Feb 2026 10:05:24 GMT</pubDate>
            <atom:updated>2026-02-02T10:05:24.230Z</atom:updated>
            <content:encoded><![CDATA[<h3>Penalizer Coefficient (penalizer_coef)</h3><p>penalizer_coef, BG/NBD (BetaGeoFitter) ve Gamma-Gamma modellerinde kullanılan bir regularization (cezalandırma) parametresidir.</p><p>🏁<strong><em>Amaç:</em></strong></p><p>Modelin aşırı öğrenmesini (overfitting) engelleyerek daha stabil ve gerçekçi CLTV tahminleri üretmektir.</p><p>🤔<strong><em>Neden Kullanılır?</em></strong></p><p>Veri setlerinde bazı müşteriler çok sık alışveriş yapabilir veya çok yüksek harcama yapabilir.</p><p>Bu uç değerler modelin parametrelerini aşırı büyütebilir ve tahminleri şişirebilir.</p><p>❓<strong><em>penalizer_coef Ne Yapar?</em></strong></p><ul><li>Aşırı büyük CLTV değerlerini azaltır</li><li>Modelin genelleme gücünü artırır</li><li>Tahminleri dengeler</li></ul><p>🛠<strong><em>Değerlerin Etkisi:</em></strong></p><p><strong>penalizer_coef = 0.0 → </strong>Ceza yok, model esnek ama overfitting riski yüksek</p><p><strong>penalizer_coef = 0.001 →</strong> En yaygın başlangıç değeri, dengeli tahminler</p><p><strong>penalizer_coef = 0.01 →</strong> Daha kontrollü, uç değerleri bastırır</p><p><strong>penalizer_coef = 0.1+ →</strong> Çok fazla ceza, underfitting riski oluşabilir</p><p><strong><em>Kullanım Örneği:</em></strong></p><p>BG/NBD Modeli:</p><pre>bgf = BetaGeoFitter(penalizer_coef=0.001)<br>bgf.fit(frequency, recency, T)</pre><p>Gamma-Gamma Modeli:</p><pre>ggf = GammaGammaFitter(penalizer_coef=0.001)<br>ggf.fit(frequency, monetary)</pre><p>🔮<strong><em>Özet:</em></strong></p><p>penalizer_coef, modelin uç müşteri davranışlarına aşırı duyarlı olmasını engelleyerek daha gerçekçi ve dengeli CLTV tahminleri üretmesini sağlar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d18cd01d6406" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[CRM Analitiği (Python ile RFM Analizi, CLTV Analizi, CLTV Tahmini)]]></title>
            <link>https://medium.com/@sevgi.yilmaz/crm-analiti%C4%9Fi-python-ile-rfm-analizi-cltv-analizi-cltv-tahmini-9bc9f9afab78?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/9bc9f9afab78</guid>
            <category><![CDATA[rfm-analysis]]></category>
            <category><![CDATA[prediction-markets]]></category>
            <category><![CDATA[crm]]></category>
            <category><![CDATA[cltv]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Mon, 02 Feb 2026 07:01:03 GMT</pubDate>
            <atom:updated>2026-02-08T13:01:01.898Z</atom:updated>
            <content:encoded><![CDATA[<h3>🎯<strong>CRM Analitiği</strong></h3><p><strong>CRM (Müşteri İlişkileri Yönetimi / Customer Relationship Management):</strong></p><p>Ürün veya hizmet sağlayıcısının (satıcının) müşteri portföyünü tanıması, tanımlaması ve müşterinin mutluluğunu artırarak karlı satışlar yapmayı amaçlayan süreçler ve teknolojilerdir.</p><p>Bu tanıma istinaden sık kullanılan bazı kavramlar;</p><p><strong>Müşteri Yaşam Döngüsü Optimizasyonları (Customer Lifecycle / Journey / Funnel):</strong></p><p>Satıcı ile müşteri arasındaki sürecin görsel tekniklerle ifade edilerek takibinin sağlanması için gerekli çalışmalardır.</p><p><strong>İletişim: </strong>Hedef ve mevcut müşteri ile nasıl temasa geçilmesi gerektiğinin saptanması çalışmalarıdır. İletişim dili müşteri portföyüne göre değişmektedir.</p><p>Yeni nesili yakalamak için “sen dili”nin hakim olduğu reklamlar, bazı içecek reklamlarının nostalji iletişimini benimseyerek aileden biri, tanıdık imajı vermesi gibi..</p><p><strong>Müşteri Edinme / Bulma: </strong>Çeşitli iletişim kanalları ile yeni müşteri bulma çalışmalarıdır. Mevcut müşterinin artması ve müşteri portföyünün genişlemesi amaçlanır.</p><p><strong>Müşteri Elde Tutma (Terk / Churn):</strong> Mevcut müşterinin azalmaması, iletişim kanallarını terk etmemesi için yapılması amaçlanan çalışmalardır. Genelde müşteri edinme çalışmalarından daha maliyetli olduğu vurgulanır.</p><p><strong>Cross-Sell:</strong> Müşterinin aldığı ürüne ek olarak o ürünü tamamladığına inandırılan diğer yan ürünlerin satılması çalışmalarıdır.</p><p>Hamburger isteyen müşteriye patates ve içeceğin ayrıca satılması..</p><p><strong>Up-Sell:</strong> Müşteriye aldığı üründen daha fazla ürün satışının yapılması çalışmalarıdır.</p><p>İçeceğin küçük bir ücret farkıyla büyütülmesi..</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yC38CF8gwmi-pZi6jK-5xA.png" /><figcaption>cross-sell &amp; upsell</figcaption></figure><p><strong>Müşteri Segmentasyonu:</strong> Müşteri ile etkileşim(iletişim) sağlarken bunun en etkili şekilde yapılabilmesi için gerekli gruplamanın yapılması çalışmalarıdır.</p><p><strong>KPI</strong></p><p><strong>KPI (Temel Performans Göstergeleri / Key Performance Indicators):</strong></p><p>Bir şirketin, birimlerinin, çalışanlarının, makinelerinin performanslarını değerlendirmek amacıyla belirlenmiş, takip edilebilir matematiksel göstergeleridir.</p><p>Örneğin Satış Birimleri için bazı KPI’lar;</p><p><em>Ciro (Revenue):</em> Toplam Satış Geliri</p><p><em>Satış Adedi</em></p><p>Üretim Birimleri için bazı KPI’lar;</p><p><em>Üretim Süresi (Cycle Time): </em>Bir ürünün üretimi için harcanan toplam süre</p><p><em>Kapasite Kullanım Oranı:</em> Gerçek Üretim Adedi / Teorik Kapasite Adedi</p><p>Gelelim CRM metriklerimize yani CRM ile ilişkili genel kabul görmüş KPI’larımıza;</p><p><em>Müşteri Kazanma Oranı (Customer Acquisition Rate):</em> Kazanılan yeni müşteri sayısının toplam müşteri sayısına oranıdır.</p><p><em>Müşteri Elde Tutma Oranı (Customer Retention Rate):</em> Mevcut müşterilerin belirli bir süre içerisinde mevcudiyetini koruma oranıdır.</p><p><em>Müşteri Terk Oranı (Customer Churn Rate):</em> Mevcut müşterilerin sistemi terk etme oranıdır.</p><p><em>Dönüşüm Oranı (Conversion Rate): </em>Müşteri kazanımı veya satış amacıyla yapılan çalışmaların müşteriyi çekme oranı denebilir. Örneğin verilen bir Google reklamlarından kaç kişinin gördüğü ve görenlerinin kaçının satınalma amacıyla aksiyon aldığının oranıdır. Etkileşimlerin takibi amaçlanır.</p><p><em>Büyüme Oranı (Growth Rate):</em> Diğerlerine nispeten daha makro ve kapsayıcı bir KPI’dır. Büyüme Oranı firmanın satışlarının ve cirosunun bir çıktısı olacaktır. Yani şirketin doğru müşterileri çekip çekemediğini ve bu müşterilerle sürdürülebilir bir ilişki kurup kuramadığını gösterir.</p><p>📊<strong>Kohort Analizi</strong></p><p><strong>Kohort: </strong>Benzer özelliklere sahip insan topluluğudur.</p><p><strong>Kohort Analizi: </strong>Benzer özelliklere sahip insan topluluklarının benzer özellikleri üzerinden analizlerinin yapılmasıdır.</p><p>Örneğin:</p><p>Belirli bir dönem içerisinde sisteme ilk defa gelen müşteri kitlesi.</p><p>Bir mobil uygulamanın indirildikten sonraki 1 hafta içerisinde tekrar kullanılma oranları.</p><p>Sepete ürün ekleyen müşterilerin sipariş oluşturma oranı.</p><p>📊<strong>RFM Analizi</strong></p><p><strong>Recency — Frequency — Monetary</strong> kelimelerinden oluşan bir tekniktir. Bu teknik müşteri segmentasyonu için kullanılmaktadır. Müşterileri belirli metrikler altında gruplayarak, grup özelliklerine göre müşteri stratejileri geliştirmeye olanak tanır.</p><p>RFM’i oluşturan (adı üstünde) 3 temel metrik bulunmaktadır.</p><p><strong>Recency: </strong>Müşterilerin bir hizmet veya ürün karşılığında yaptığı son satınalmaya uzaklıktır. Yani Analiz Tarihi — Son Satınalma Tarihi’dir</p><p><strong>Frequency:</strong> Müşterinin bu zamana kadarki tüm satınalmalarının toplamıdır. Yani sipariş sayısıdır.</p><p><strong>Monetary: </strong>Müşterinin bugüne kadar yapmış olduğu tüm satınalmalar için ödemiş olduğu toplam paradır.</p><p><strong>RFM ile müşteri segmentasyonu</strong></p><p>Bu metrikler üzerinden, elimizdeki veriseti ile örnek bir hesaplama yapalım..</p><p>NOT: BU ÇALIŞMA GOOGLE COLAB ÜZERİNDE GERÇEKLEŞTİRİLMİŞTİR.</p><p><strong>1: Verinin hazırlaması</strong></p><p>Toplanan verilerin çalışma ortamına aktarılması: Örnek RFM çalışmamı yaparken elimde CSV formatında bir verisetim vardı. Bu verisetimi geliştirme yaptığım Python çalışma ortamıma yükledim, sonrasında hesaplamalara geçildi.</p><p>Yüklenen verilerin <strong><em>Shape</em></strong>’ini ve <strong><em>Info</em></strong>’sunu değişkenleri inceleyelim</p><p>Bu esnada eksik değer kontrolü yapılmalı, aksiyon alınmalı(veri sayımız yeterli ise eksik verilerin bulunduğu satırlar silinebilir veya başka bir değer ile doldurulabilir, bu tamamen verisetinin niteliğine bağlıdır)</p><p>Veri — Değişken eşlemelerini inceleyerek formata uygunluk kontrolü yapılarak aksiyon alınmalı</p><p><em>NOT: Python ile veri hazırlığı işlemlerine daha önceki Python yazılarımızda değinildiği için bu yazımızda not olarak eklenmiştir.</em></p><p><strong>2: RFM metriklerinin hesaplanması</strong></p><p><strong>Önemli Not: </strong>RFM Metrikleri’nin hesaplanması için temel olan nokta analiz tarihinin belirlenmesi ve sabitlenmesidir. Analiz Tarihi genellikle verinin alındığı tarihten 1 gün sonrası olarak alınır.</p><p>Verilerimizin içindeki en yakın tarihi alarak bu tarihten sonraki bir tarihi sabit bir değişkene <strong><em>datatime</em></strong> formatı ile atarız.</p><pre>#datetime kullanımı<br><br>df[&quot;InvoiceDate&quot;].max()<br>analysis_date = dt.datetime(2025, 12, 09)</pre><p><strong>Önemli Not:</strong> Verilerimizi anladıktan sonra, format kontrollerimizi yaptığımızı ve gerektiği noktalarda veri temizliği işlemi uyguladığımızı varsayarak;</p><p>İşlem tarihimizi de belirledik.. Bundan sonraki matematiksel hesaplama işlemlerimizde ana hatlarıyla “<strong><em>groupby</em></strong>” metodumuzu kullanacağız</p><p><strong>3: RFM skorlarının hesaplanması</strong></p><p>RFM Analizi’nde ortaya çıkarılan değerlere göre bir yorum yapılması beklenir. Bu yorumların yapılabilmesi ve akabinde aksiyon alınabilmesi için RFM metriklerinin skorlaştırılması gerekmektedir.</p><p>Skorlaştırma demek bu üç metriğimizi <em>1–5</em> arası rakamlarla ifade edebilmemiz demek.</p><p>Skorlaştırılan metriklere göre yorumlama yapacağız ancak buradaki en önemli kıstas; Frequency ve Monetary skorlarının yüksek olması, sonuca olumlu yönde etkilerken, Recency skorunun küçük olması sonuca olumlu etkileyecektir.</p><p>Skorlama işlemleri için çoğu zaman <strong>“<em>qcut</em>” </strong>fonksiyonu kullanımı yardımcı olacaktır.</p><p><strong>3.1: Recency:</strong></p><p>Recency değerlerimiz 0–100 arası değişiyor olsun.</p><pre>rfm[&quot;recency_score&quot;] = pd.qcut(rfm[&quot;recency&quot;], 5, labels=[5, 4, 3, 2, 1])</pre><p>yukarıdaki gibi bir kod satırı ile recency skoru hesapladığımızda değerleri şu şekilde skorlamış oluyoruz;</p><p>0–20 → 5</p><p>20–40 → 4</p><p>40–60 → 3</p><p>60–80 → 2</p><p>80–100 →1</p><p>Bizim için recency skoru 5 olan müşteriler “<strong>sıcak müşteri</strong>” olarak nitelendirilebilir ve en yeni satınalma yapmış müşteriler demektir.</p><p><strong>3.2: Monetary:</strong></p><p>Monetary değerlerimiz 0–100 arası değişiyor olsun.</p><pre>df[&quot;monetary_score&quot;] = pd.qcut(df[&quot;monetary &quot;], 5, labels=[1, 2, 3, 4, 5])</pre><p>yukarıdaki gibi bir kod satırı ile monetary skoru hesapladığımızda değerleri şu şekilde skorlamış oluyoruz;</p><p>0–20 → 1</p><p>20–40 → 2</p><p>40–60 → 3</p><p>60–80 → 4</p><p>80–100 → 5</p><p>Bizim için monetary skoru 5 olan müşteriler “<strong>kıymetli müşteri</strong>” olarak nitelendirilebilir ve en çok tutarda satınalma yapmış müşteriler demektir.</p><p><strong>3.3: Frequency:</strong></p><p>Bu metriğimizin hesaplanmasında ufak bir farklılık sözkonusudur. Frequency metriğinde müşterinin kaç farklı satınalma gerçekleştirdiğini araştırıyoruz ve konu irdelendiğinde bu sorunun cevabı olarak önümüze çok fazla tekrar eden değer dönecektir.</p><p>1, 1, 1, 2, 2, 2, 3, 3, 5, 10, 25 gibi..</p><p>Frequency skoru hesaplanırken elimizdeki tekrar eden verilerden ziyade elimizdeki verilerin <strong><em>uniq</em></strong> değerlerini alıp o değerler arasında skorlama yapmalıyız. Bunun için <strong><em>Rank metodu</em></strong> ile sıralama yapıp Rank metodu içine vereceğimiz parametre ile sınıflandıracağız.</p><p>Yani örnekteki gibi bir veri dönmüş olsun; skorlama yaparken 1, 2, 3, 5, 10, 25 değerleri sınıflandırılarak aynı skor içinde yer almalıdır.</p><pre>#Müşterileri en az alışveriş yapandan en çok alışveriş yapana doğru sırala, sonra bu sıralamayı 5 eşit gruba böl ve herkese 1–5 arası bir puan ver<br><br>df[&quot;frequency_score&quot;] = pd.qcut(df[&quot;frequency&quot;].rank(method=&quot;first&quot;), 5,<br>                                                labels=[1, 2, 3, 4, 5])</pre><p>Yukarıdaki gibi bir kod satırı ile frequency skoru hesapladığımızda değerleri şu şekilde skorlamış oluyoruz;</p><p>0–20 → 1</p><p>20–40 → 2</p><p>40–60 → 3</p><p>60–80 → 4</p><p>80–100 → 5</p><p>Bizim için frequency skoru 5 olan müşteriler “<strong>sadık müşteri</strong>” olarak nitelendirilebilir ve en çok satınalma işlemi yapmış müşteriler demektir.</p><p>RFM Analizi’nde RFM Skoru için Recency ve Frequency değerleri string olarak toplanmalıdır.</p><pre>df[&quot;RFM_SCORE&quot;] = df[&quot;recency_score&quot;].astype(str) + <br>                  df[&quot;frequency_score&quot;].astype(str)</pre><p><strong>NOT:</strong> Monetary değeri gözlem için hesaplanıyor olup RF değerlerini destekleyici niteliktedir. Eklenebilir.</p><p>Yani;</p><p>Segmentasyon → <strong>RF</strong></p><p>Önceliklendirme → <strong>M</strong></p><p>göre yapılır.</p><p><strong>4: RFM segmentlerinin oluşturulması</strong></p><p>R ve F skorlarının string olarak toplanarak elde edilen RF değerlerimizin bazı genel geçer tanımları vardır.</p><p>Öncelikle bu tanımları sözlük (<strong><em>dictionary</em></strong>) olarak içeri alalım.</p><pre>seg_map = {r&#39;[1-2][1-2]&#39;: &#39;hibernating&#39;,<br>           r&#39;[1-2][3-4]&#39;: &#39;at_risk&#39;,<br>           r&#39;[1-2]5&#39;: &#39;cant_loose&#39;,<br>           r&#39;3[1-2]&#39;: &#39;about_to_sleep&#39;,<br>           r&#39;33&#39;: &#39;need_attention&#39;,<br>           r&#39;[3-4][4-5]&#39;: &#39;loyal_customers&#39;,<br>           r&#39;41&#39;: &#39;promising&#39;,<br>           r&#39;51&#39;: &#39;new_customers&#39;,<br>           r&#39;[4-5][2-3]&#39;: &quot;potential_loyalists&quot;,<br>           r&#39;5[4-5]&#39;: &#39;champions&#39;}<br><br>df[&quot;segment&quot;] = df[&quot;RFM_SCORE&quot;].replace(seg_map, regex=True)<br><br>#Regex (Regular Expression): Metinlerde belirli bir deseni (pattern) bulmak, eşleştirmek veya değiştirmek için kullanılan bir kurallar dizisi</pre><pre>#RFM_SCORE&#39;u tek tek eşleştirme, bir desene uyanları aynı segmente koy<br><br>df[[&quot;segment&quot;, <br>    &quot;recency&quot;, <br>    &quot;frequency&quot;, <br>    &quot;monetary&quot;]].groupby(&quot;segment&quot;).agg([&quot;mean&quot;, &quot;count&quot;])</pre><p>Burada skorlarımızı segmentlere ayırdık ve isimlendirdik. Artık müşteri verilerimiz standart bir RFM analizine tabii tutuldu ve gruplandırıldı.</p><p>Bu skorların grafik üzerindeki gruplamalarını bir görselle gösterebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rT3LxzZrMXqxhLCqDLfzJg.png" /><figcaption>RFM Metrics and Segmentation Visualization</figcaption></figure><p>Bu işlemlerden sonra elimizdeki çıktı ile departmanla iletişime geçtik diyelim. Departman elimizdeki bu verilerle anlamlı bir sonuç elde edemeyebilir, bizden dikkat gerektiren müşterilerin listesini talep edebilir.</p><pre>df[df[&quot;segment&quot;] == &quot;need_attention&quot;].head()</pre><p>Daha kullanılabilir bir liste oluşturulmak istenirse;</p><p>Müşteri id, müşteri adı, müşteri iletişim no listesini csv veya xlx formatında hazırlayabiliriz.</p><p><strong>5: Fonksiyonlaştırma</strong></p><p>RFM metriklerini hesapladık, Skorladık, Segmentasyon yaptık. Burada bir eksiğimiz yok, aslında analiz tamamlandı. Fakat yaptığımız tüm işlemleri sabit bir veriseti için gerçekleştirmiş olduk. Yani verisetindeki herhangi bir güncelleme, revize, iyileştirme sonrası(veri ekleme, çıkarma, veri değiştirme..) yaptığımız analizi baştan yapmamız gerekecek.</p><p>Bu gereksiz işyükünü ve manuelliği ortadan kaldırabilmek için yaptığımız işlemleri bir fonksiyon üzerinde tanımlayarak, gerektiğinde yalnızca bu fonksiyonumuzu yenileyerek analizimizi tekrardan yapabilmiş olacağız.</p><p>Tek yapmamız gereken RFM Analizi için yazdığımız tüm kod parçalarını tek bir fonksiyon içine almaktır.</p><p>💰<strong>Müşteri Yaşam Boyu Değeri (Customer Lifetime Value) Analizi</strong></p><p>Bir müşterinin firmanızın ekosistemine dahil olduğu süre zarfında firmaya kazandırdığı parasal değerin ölçüsüdür.</p><p>Projelerimizde bu değerin ölçülmesi veya tahminlemesi istenebilir. İkisi farklı sonuçlara hizmet eder. Tahminleme ile, sisteminize dahil olması beklenen müşterinin potansiyel kazanç değeri daha sisteminize dahil olmadan tahmin edilebilir ve yeni müşteri kazanma maliyetlerinizi bu yönde şekillendirmenize fayda sağlar.</p><p>Ölçümleme ile ise mevcut müşterinizin CLTV değeri artırma çalışmalarına katkı sağlayabilirsiniz.</p><p><em>En temel hesaplama = Müşteri Değeri = satınalma başına ort kazanç * satınalma sayısı</em></p><p>Bazı önemli detay hesaplamalar:</p><p><strong><em>CLTV = (Customer Value / Churn Rate) * Profit Marjin</em></strong></p><p><strong><em>Customer Value = Average Order Value * Purchase Frequency</em></strong></p><p><strong><em>Churn Rate: Müşteri terk oranı = 1 — Repeat Rate</em></strong></p><p><strong><em>Repeat Rate = +1 satınalma yapan müşteri sayısı / tüm müşteri sayısı</em></strong></p><p><strong><em>Profit Marjin: Satınalma başına varsayılan kar marjı = Total Price * 0.10</em></strong></p><p><strong><em>Average Order Value = Total Price / Total Transaction</em></strong></p><p><strong><em>Purchase Frequency = Total Transaction / Total Number of Customers</em></strong></p><p><strong>CLTV ile müşteri segmentasyonu</strong></p><p>Elimizde bir online satış veriseti olduğunu varsayalım</p><p>Örnek veriseti aşağıdaki URL’den, İngiltere’deki online bir satış kanalının Online Retail II isimli verisinden alınmıştır.</p><p><strong><em>URL: </em></strong><a href="https://archive.ics.uci.edu/dataset/502/online+retail+ii"><em>https://archive.ics.uci.edu/dataset/502/online+retail+ii</em></a></p><p>Bu analizimizin sonucunda çıktı olarak CLTV değerleri elde etmek istiyoruz. Bu sebeple ilk olarak verimizi analizimize uygun hale getirebilmeliyiz.</p><p>Artık elimizde bir verisetinin olduğunu ve bu verisetini çalışma ortamımıza yüklediğimizi varsayıyorum ve verilerle uğraşmaya hazırız!</p><p><strong>1:Veriyi hazırlama (Data Preparation)</strong></p><p>Gerekli ayarlamaları yapıp verilerimizin ilk haline bakalım</p><p>Gerekli ayarlamalar ⬇️</p><pre>import pandas as pd<br>from sklearn.preprocessing import MinMaxScaler<br>pd.set_option(&#39;display.max_columns&#39;, None)<br>pd.set_option(&#39;display.max_rows&#39;, None)<br>pd.set_option(&#39;display.float_format&#39;, lambda x: &#39;%.5f&#39; % x)<br><br>df_ = pd.read_excel(<br>    &quot;/content/online_retail_II.xlsx&quot;,<br>    sheet_name=&quot;Year 2010-2011&quot;   # sayfa adı<br>)<br><br>df = df_.copy()</pre><p><strong>NOT:</strong> Veri seti büyük olduğu için, olası hatalarda tüm süreci baştan yapmak zorunda kalmamak adına dataframe’i df_ olarak tanımlayıp <strong><em>df = df_.copy()</em></strong> ile bir kopya oluşturuyoruz.</p><p>Veriyi çağıralım ⬇️</p><pre>df.info()<br>df.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*DhmrdJhyDgoqDxwPibq8Mw.png" /></figure><p>Sütunlarımız fatura numarası, stok kodu, stok(ürün) adı, satılan adet, fatura tarihi, birim fiyat, müşteri numarası ve ülke bilgilerinden oluşmaktadır.</p><p>İlk olarak anlamamız gerekenler:</p><p><strong>1.</strong> Öncelikle fatura numaraları tekrarlı olarak görünmektedir. Bu aynı fatura içerisinde birden fazla ürün alındığı anlamına gelir.</p><p><strong>1.1.</strong> Bu bir sorun olmadığı için bu duruma müdahale edilmeyecek.</p><p><strong>2.</strong> İlgili üründen kaç adet alındığı mevcut, birim fiyat mevcut, ancak o ürüne toplamda ne kadar ödeme yapıldığı verisetinde bulunmamaktadır.</p><p>2.1. Verisetimize<em> Total_Price</em> adında bir değişken eklememiz gerekir.</p><pre>Total_Price = Quantity * Price<br><br>df[&quot;TotalPrice&quot;] = df[&quot;Quantity&quot;] * df[&quot;Price&quot;]<br>df.head()</pre><p><strong>3. </strong>Bazı fatura numaralarının başında “c” ibaresi yer almaktadır. Bu iade edilen faturaları temsil eder. CLTV analizine iade edilen ürünlerin işlenmemesi gerekmektedir.</p><p><strong>3.1. </strong>“c” içeren fatura numaralarının olduğu satırın silinmesi gerekmektedir. Veri sayısı fazla olduğu için aykırı ve uygunsuz değerleri silebiliriz.</p><pre>df = df[~df[&quot;Invoice&quot;].str.contains(&quot;C&quot;, na = False)]</pre><p><strong>4. </strong>Verisetimizde eksik verilerimiz mevcut.</p><p><strong>4.1. </strong>Veri sayısı yeterli sayıda olduğu için eksik değer içeren satırları da silebiliriz.</p><pre>df.dropna(inplace=True)</pre><p><strong>5. </strong>Verisetimizin describe’ını aldığımızda bazı negatif değerli veriler(Quantity ve Price) görüyoruz ancak bu verisetinde negatif değerlerin bulunması olanaksızdır.</p><p><strong>5.1. </strong>Negatif değerlerin de verisetinden silinmesi gerekir.</p><pre>df = df[(df[&quot;Quantity&quot;] &gt; 0) &amp; (df[&quot;Price&quot;] &gt; 0)]<br>df.describe().T</pre><p><strong>2: Ortalama Sipariş Değeri hesaplama (Average Order Value)</strong></p><p>Ortalama sipariş değeri formülünü hatırlayalım: <em>toplam ücret / toplam satınalma sayısı (Total Price / Total Transaction)</em></p><p>Verimizin son halinde <em>TotalPrice</em> isimli bir değişkenimiz var ancak bu ürün özelinde ödenen toplam ücreti temsil eder, biz ürüne bakmaksızın müşteri özelinde bize yapmış olduğu toplam ücreti arıyoruz.</p><p>Bunun için elimizdeki verisetinde <strong><em>CustomerID</em></strong> ‘ye göre <em>groupby</em>’a alıp ardından <strong><em>TotalPrice</em></strong>’ın sum’ını almamız gerekir.</p><p>Total Transaction için elimizde doğrudan bir veri yok ancak onu hesaplayabilmek için de müşterilerin fatura sayılarını saydırabiliriz. Bunun için yine <em>CustomerID</em>’ye göre <em>groupby </em>yapıp <strong><em>Invoice</em></strong><em> </em>sütununda eşsiz kaç değer olduğunu saydırabiliriz.</p><pre>cltv_calculator =df.groupby(&quot;Customer ID&quot;).agg({<br>                   &quot;Invoice&quot;: lambda x: x.nunique(),<br>                   &quot;TotalPrice&quot;: lambda x: x.sum()<br>                                     })<br><br>cltv_calculator.columns = [&quot;TotalTransaction&quot;, &quot;Total_Price&quot;]<br><br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/673/1*FN6Yr2XRYa0RgJ2j6bVnNQ.png" /></figure><p>İhtiyacımız olan 2 değişkeni de elde ettik ve artık hesaplama yapabiliriz.</p><pre>cltv_calculator[&quot;average_order_value&quot;] = cltv_calculator[&quot;Total_Price&quot;] <br>                                        / cltv_calculator[&quot;TotalTransaction&quot;]<br><br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uYVFuEDGvl2a582Nm9IhHQ.png" /></figure><p>Müşteri bazlı ortalama sipariş değerlerimizi bulmuş olduk.</p><p><strong>3: Satınalma Sıklığı hesaplama (Purchase Frequency)</strong></p><p>Satınalma sıklığı formülünü hatırlayalım:<em> toplam satınalma sayısı / toplam müşteri sayısı (Total Transaction / Total Number of Customer)</em></p><p>Elimizde<em> TotalTransaction</em> verisi mevcut.</p><p>Total number of Customer değeri için; verisetimizin son halinde <em>CustomerID</em> sütununu tekrarsız olacak şekilde düzenlemiştik. Bu sütundaki toplam satır sayısına erişmemiz yeterli olacaktır. Bunun için verimizin <strong><em>shape</em></strong>’inin <strong><em>0. İndeksi</em></strong>ne erişmemiz yeterli olacaktır.</p><pre>cltv_calculator.shape[0]<br><br>#çıktı 4338 olacaktır.</pre><pre>cltv_calculator[&quot;purchase_frequency&quot;] = <br>               cltv_calculator[&quot;TotalTransaction&quot;] / cltv_calculator.shape[0]<br><br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3vWIwjntMFXSV7LOU6DiTQ.png" /></figure><p><strong>4: Tekrarlı Müşteri &amp; Kayıp Müşteri Oranları hesaplama (Repeat Rate &amp; Churn Rate)</strong></p><p>Tekrarlı müşteri formülünü hatırlayalım: <em>birden fazla satınalım yapan müşteri sayısı / toplam müşteri sayısı (Repeat Customers) / Total Number of Customer)</em></p><p>Elimizde <em>TotalTransaction </em>verisi mevcut. Bu verinin 1’den büyük olanlarının sayısı ile işlem yapacağız.</p><pre>cltv_calculator[&quot;purchase_frequency&quot;] = <br>               cltv_calculator[&quot;TotalTransaction&quot;] / cltv_calculator.shape[0]<br><br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fSPqDCQL9xYwcJqdv7Au-w.png" /></figure><p>Kaybetmiş olma ihtimalimizin olduğu müşterimizin oranı tekrarlı olmayan müşteri oranımızdır. Yani;</p><p>Churn Rate = 1 — Repeat Rate</p><pre>churn_rate = 1 - cltv_calculator[&quot;repeat_rate&quot;]<br>cltv_calculator[&quot;churn_rate&quot;] = churn_rate<br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WPmv4GX0t6taUnJIBEbX8A.png" /></figure><p><strong>5: Kar Marjı hesaplama (Profit Marjin)</strong></p><p>Kar marjı formülünü hatırlayalım: <em>toplam ciro * sabit kar oranı (Total Price * Fixed Profit Margin)</em></p><p>Sabit Kar Oranı firmanın belirlediği bir orandır.</p><p>Örneğimizde %10 alalım.</p><pre>cltv_calculator[&quot;profit_margin&quot;] = cltv_calculator[&quot;Total_Price&quot;] * 0.10<br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_XOLrAuZYO5uvAK23i4pVw.png" /></figure><p><strong>6: Müşteri Değeri hesaplama (Customer Value)</strong></p><p>Müşteri değeri formülünü hatırlayalım:<em> ortalama satınalma değeri * satınalma sıklığı (Avarage Order Value * Purchase Frequency)</em></p><p>Tüm değerlerimizi hesaplamıştır. Formülde yerine koyabiliriz.</p><pre>cltv_calculator[&quot;customer_value&quot;] = cltv_calculator[&quot;average_order_value&quot;]<br>                                    * cltv_calculator[&quot;purchase_frequency&quot;]<br><br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gpJ9kiI-_uYSEzHOPaJHJA.png" /></figure><p><strong>7: Müşteri Yaşam Boyu Değeri hesaplama (Customer Lifetime Value)</strong></p><p>Müşteri yaşam boyu değeri formülünü hatırlayalım: <em>(müşteri değeri / kayıp müşteri oranı) * kar marjı ((Customer Value / Churn Rate) * Profit Margin)</em></p><pre>cltv_calculator[&quot;cltv&quot;] = (cltv_calculator[&quot;customer_value&quot;] <br>                          / churn_rate) * cltv_calculator[&quot;profit_margin&quot;]<br><br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CQjL7YX1PoOcHmGQJiBaaw.png" /></figure><p>Son olarak bir de bizim için en değerli müşterilerimizi görmek için CLTV değerimizi sıralayalım.</p><pre>cltv_calculator.sort_values(by=&quot;cltv&quot;, ascending=False).head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kBiUdNe7hjjKugbGIv2Dfw.png" /></figure><p><strong>8: Segmentlerin oluşturulması</strong></p><p>Hesapladığımız CLTV değerlerimizin çıktısına göre aksiyonlar alabilmek için bu değerleri gruplayarak müşteri segmenti oluşturabiliriz.</p><pre>cltv_calculator.sort_values(by=&quot;cltv&quot; , ascending=False).tail()<br><br>cltv_calculator[&quot;segment&quot;] = pd.qcut(cltv_calculator[&quot;cltv&quot;], <br>                                     4,<br>                                     labels=[&quot;D&quot;, &quot;C&quot;, &quot;B&quot;, &quot;A&quot;])<br><br>cltv_calculator.head()</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MWTQS8BcQ7tHtH5TGmPV5A.png" /></figure><p>Müşterileri ayırdığımız segmentleri yorumlamamız ve doğru sonuçlar elde edip edemediğimize karar vermek için segmentlerin detaylı incelemesi yapılmalıdır.</p><pre>cltv_calculator.sort_values(by=&quot;cltv&quot;, ascending=False).head()<br>cltv_calculator.groupby(&quot;segment&quot;).agg({&quot;count&quot;, &quot;mean&quot;, &quot;sum&quot;})</pre><p>Çıktı ⬇️</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rCpJ4eoZZqs7B-9HTGNIFw.png" /></figure><p>Nihai çıktımız ile değerli aksiyonlar alabilmek ve raporlamalarımızda kullanabilmek için sonuç verimizi csv formatına çevirerek dışarı aktarabiliriz.</p><pre>cltv_calculator.to_csv(&quot;cltv.csv&quot;)</pre><p><strong>9: Fonksiyonlaştırma</strong></p><p>RFM Analizi’nde yapılan Fonksiyonlaştırma açıklaması aynen geçerlidir.</p><p>Hatırlayalım:</p><p>CLTV için gerekli hesaplamaları tamamladık, Skorladık, Segmentasyon yaptık. Burada bir eksiğimiz yok, aslında analiz tamamlandı. Fakat yaptığımız tüm işlemleri sabit bir veriseti için gerçekleştirmiş olduk. Yani verisetindeki herhangi bir güncelleme, revize, iyileştirme sonrası(veri ekleme, çıkarma, veri değiştirme..) yaptığımız analizi baştan yapmamız gerekecek.</p><p>Bu gereksiz işyükünü ve manuelliği ortadan kaldırabilmek için yaptığımız işlemleri bir fonksiyon üzerinde tanımlayarak, gerektiğinde yalnızca bu fonksiyonumuzu yenileyerek analizimizi tekrardan yapabilmiş olacağız.</p><p>Tek yapmamız gereken CLTV Analizi için yazdığımız tüm kod parçalarını tek bir fonksiyon içine almaktır.</p><p>🔮<strong>CLTV tahmini</strong></p><p>CLTV tahmini, bir müşterinin <strong>önümüzdeki belirli bir zaman diliminde</strong> şirket için yaratması beklenen <strong>toplam parasal değeri</strong> hesaplamaktır.</p><p>Bu tahmin yapılırken müşterinin:</p><ul><li>gelecekte kaç kez satın alma yapacağı</li><li>her satınalmada ortalama ne kadar harcayacağı</li></ul><p>gibi davranışları dikkate alınır.</p><p>CLTV formülümüzü bir hatırlayalım;</p><p><em>CLTV = (Customer Value / Churn Rate) * Profit Margin</em></p><p>Bu formül geçmiş verilerle genel bir hesaplama sağlar. Ancak bizim amacımız, yeni bir müşteri geldiğinde, onun özelliklerini kullanarak geleceğe dönük CLTV tahmini yapabilmektir.</p><p>Bu nedenle CLTV’yi daha tahmine dayalı bir yapıya dönüştürürüz.</p><p><em>CLTV(tahmini) = Expected Number of Transaction * Expected Average Profit</em></p><p>Tahmini CLTV hesaplaması genellikle iki modelin birleşimiyle yapılır:</p><p><strong><em>CLTV = BG / NBD Model * Gamma Gamma Submodel</em></strong></p><p>🧠 <strong>→ BG / NBD (Beta Geometric / Negative Binominal Distribution):</strong> Bir müşterinin gelecekte kaç kez satınalım yapacağını tahmin eder.</p><p><strong>1: BG / NBD ile Expected Number og Transaction:</strong></p><p>Bu model 2 süreç mantığı ile ilerler(Buy Till You Die)</p><p><strong>1.1: Transaction Process (Buy)</strong></p><p>Belirli bir zamanda bir müşterinin gerçekleştireceği işlem sayısı transaction rate ile poisson dağılır. Transaction Rate’ler müşteriye özel değişkenlik gösterir. Tüm örneklem için gamma dağılır.</p><p><strong>1.2: Dropout Process (Till You Die)</strong></p><p>Her müşterinin p olasılığı ile dropout rate’i vardır. Yani p olasılığı ile satınalmayı bırakabilir. Dropout Rate’ler müşteriye özel değişkenlik gösterir. Tüm örneklem için beta dağılır.</p><p>🧠 <strong>→ Gamma Gamma Submodel:</strong> Bir müşterinin ortalama ne kadar harcama yapacağını tahmin eder.</p><p>Bir müşterinin satınalmalarının parasal değeri transaction değerlerinin ortalaması etrafında rastgele dağılır.</p><p><strong><em>Sonuç olarak;</em></strong></p><p><strong><em>Tahmini CLTV, müşterilerin gelecekteki satın alma sıklığını (BG/NBD) ve harcama tutarını (Gamma-Gamma) olasılıksal olarak modelleyerek toplam yaşam boyu değerini hesaplamaktır.</em></strong></p><p>💵📉<strong>BG — NBD ve GAMMA GAMMA ile CLTV Tahmini(Prediction)</strong></p><p><strong>1: Verinin hazırlanması (Data Preparation)</strong></p><p><strong>NOT: </strong>Analiz edeceğimiz veriseti bir önceki konumuz olan CLTV Analizi’nde incelenen verisetinin aynısıdır. Veriye ilk bakış, inceleme, düzenleme için aynı işlemler yapılır. Verimiz işlenebilir hale gelmiştir ancak tahmin analizi yapacağımız için bazı ekstra düzenlemelere ihtiyacı olabilir. İnceleyelim..</p><p>Bir tahmin analizi yapacağımız ve BG — NBD ile Gamma Gamma modelleriyle işlem yapacağımız için bazı farklı kütüphane ve fonksiyonları tanımlayalım.</p><p>Öncelikle kütüphanemizi indirelim, terminale “<strong>pip install lifetimes</strong>” diyerek lifetimes kütüphanemizi kuralım. Kütüphane kurulduktan sonra aşağıdaki kod ile ayarlamalarımızı tamamlayalım.</p><pre>import datetime as dt                                     # Tarih ve zaman işlemleri yapabilmek<br>import pandas as pd<br>import matplotlib.pyplot as plt                           # Grafik ve görselleştirme yapmak<br>from lifetimes import BetaGeoFitter                       # BG/NBD modeli ile satın alma sıklığını tahmini<br>from lifetimes import GammaGammaFitter                    # Gamma modeli ile harcama değerlerini modellemek<br>from lifetimes.plotting import plot_period_transactions   # Lifetimes modellerinin sonuçlarını görselleştirmek<br><br>pd.set_option(&#39;display.max_columns&#39;, None)                   # Tüm sütunların ekranda görünmesi<br>pd.set_option(&#39;display.width&#39;, 500)                          # Okunabilir çıktı<br>pd.set_option(&#39;display.float_format&#39;, lambda x: &#39;%.4f&#39; % x)  # virgülden sonra 4 basamak<br>from sklearn.preprocessing import MinMaxScaler               # Verileri 0-1 aralığına ölçeklendirmek</pre><p>Ön tanımlamalarımızın yanı sıra bu konu özelinde 2 farklı fonksiyonumuzu da tanımlamamız ve anlamamız önemlidir. Bu 2 fonksiyon <em>Aykırı Değerleri</em> baskılayabilmek ve verisetimize uygun hale getirebilmek için kullanılırlar.</p><p>Bunlardan biri aykırı değer belirlemek için kullanacağımız <strong><em>outlier_thresholds</em></strong>’dur.</p><pre>def outlier_thresholds(dataframe, variable):<br><br>  quartile1 = dataframe[variable].quantile(0.01)<br>  quartile3 = dataframe[variable].quantile(0.99)<br><br>  interquantile_range = quartile3 - quartile1<br><br>  up_limit = quartile3 + 1.5 * interquantile_range<br>  low_limit = quartile1 - 1.5 * interquantile_range<br><br>  return low_limit, up_limit</pre><p>Bu kodda;</p><p><strong>1-</strong> Q1 ve Q3 çeyreklikleri %25 — %75 yerine %1 — %99 olarak belirlememizin sebebi, verisetimizi tanıyor olmamız ve verimizdeki fazla sayıdaki aykırı değerleri temizlerken yanlışlıkla aykırı gibi gözüküp aykırı olmayan değerleri baskılamamak/silmemektir.</p><p><strong>2- </strong>Kodumuzun çıktısı verisetimiz için belirlenen alt ve üst aykırı değer sınırlarımız olacaktır.</p><p><strong>3-</strong> Alt ve üst aykırı değer sınırlarımızın formülü genel kabul görmüş bir hesaplamadır.</p><p>Bir diğer kullanacağımız fonksiyonumuz <strong><em>replace_with_thresholds</em></strong>’dur. Bu fonksiyonumuzda<em> outlier_thresholds</em> fonksiyonunun çıktılarını kullanacağız.</p><pre>def replace_with_thresholds(dataframe, variable):<br><br>  low_limit, up_limit = outlier_thresholds(dataframe, variable)<br><br>  #dataframe.loc[(dataframe[variable] &lt; low_limit), variable] = low_limit <br>  #zaten alt limitin altında değerimizin olmadığını varsayarak bu satırı çalıştırmadık<br><br>  dataframe.loc[(dataframe[variable] &gt; up_limit), variable] = up_limit</pre><p>Bu kodda;</p><p><strong>1- </strong>Verisetimizdeki aykırı değerlerin baskılanması için tanımlanır.</p><p><strong>2-</strong> Alt limitin altında kalan değerler alt limite, üst limitin üstünde kalan değerler üst limite eşitlenir.</p><p><strong>3- </strong>Verisetimizde alt limitin altında kalan değer olma ihtimali olmadığı için(bunu kontrol edebiliriz) alt limite baskılama işini çalıştırmayabiliriz.</p><p>Bir diğer sebebi ise; verisetimizdeki değerlerimizde negatif değer olmasının imkanı olmadığı için(veri temizleme işleminden sonra) risk almamak adına bu satırı çalıştırmayız.</p><p><strong>2: Lifetime veri yapısının hazırlanması (Preparatin of the Data Structure)</strong></p><p>Bu aşamada BG-NBD ve Gamma Gamma modellerinin talep ettiği veri formatının bazı farklılıklar taşıdığını bilmemiz gerekmektedir.</p><p>Örneğin RFM için hesapladığımız metriklerimizin çıktıları, tahminlemede kullanacağımız metriklerimizin çıktılarından farklı anlamlar taşıdığını bilmeliyiz.</p><p><strong><em>Recency →</em></strong> Her müşteri için özel hesaplanır. Son satınalma tarihi ile ilk satınalma tarihi arasındaki hafta sayısıdır.</p><p><strong><em>T →</em></strong> Müşterinin yaşıdır. Analiz tarihi ile ilk satınalma tarihi arasındaki hafta sayısıdır.</p><p><strong><em>Frequency →</em></strong> Tekrar eden satınalma sayıdır ve 1’den büyük olmalıdır.</p><p><strong><em>Monetary →</em> </strong>Satınalma başına ortalama kazançtır.</p><p>Metrik hesaplamalarımızı yapalım</p><pre>cltv_df = df.groupby(&quot;Customer ID&quot;).agg(recency=(&quot;InvoiceDate&quot;, lambda x: (x.max() - x.min()).days),<br>                                        T=(&quot;InvoiceDate&quot;, lambda x: (today_date - x.min()).days),<br>                                        frequency=(&quot;Invoice&quot;, lambda x: x.nunique()),<br>                                        monetary=(&quot;TotalPrice&quot;, lambda x: x.sum()))<br><br># Monetary değerini işlem başına ortalama harcama haline getir<br>cltv_df[&quot;monetary&quot;] = cltv_df[&quot;monetary&quot;] / cltv_df[&quot;frequency&quot;]<br><br># CLTV modelleri için en az 2 alışveriş yapan müşteriler seç<br>cltv_df = cltv_df[cltv_df[&quot;frequency&quot;] &gt; 1]<br><br># Gün bazlı değerleri haftaya çevir<br>cltv_df[&quot;recency&quot;] = cltv_df[&quot;recency&quot;] / 7<br>cltv_df[&quot;T&quot;] = cltv_df[&quot;T&quot;] / 7</pre><p>Kullandığımız modeller hazır bir kütüphane içinde kullanılabilir olduğu için Veri Hazırlama sürecinde harcadığımız zamandan çok daha kısa sürede modelimizi kurmuş olacağız.</p><p><strong>NOT:</strong> Eğer projemiz çok geniş çaplı ve önem derecesi çok yüksek, uzun soluklu bir proje ise hazır modelin kendi projemiz için uygulanabilirliğini test edip modeli geliştirme yoluna gidebiliriz.</p><p><strong>3: BG-NBD modelinin kurulması (Establish the BG-NBD Model)</strong></p><p>Kullanacağımız sınıfa biraz değinelim,</p><p><strong><em>BetaGeoFitter:</em></strong> bu sınıf Lifetimes kütüphanesi içerisinde kullanılan ve BG-NBD modelinin uygulanabilmesi için yazılmıştır.</p><p>Yani bir müşterinin gelecekte <strong>kaç kez satın alma yapacağını</strong> tahmin etmek amacıyla kullanılır.</p><p>Çıktı alabilmemiz için<em> Recency, T, Frequency ve Monetary</em> metriklerini bu sınıfa vermemiz gerekir.</p><p><strong>NOT:</strong> Bu model ve modelin uygulanabilirliği olan <em>BetaGeoFitter</em> ile bir müşterinin gelecekte aktif olup olmayacağı ve aktif olacaksa kaç kez satınalma yapacağı çıktısı alınır. Aynı müşteriden ne kadar kazanç sağlayacağımız bilgi için Gamma Gamma modeli ile desteklenmesi gerekir.</p><p>Modelimizin uygulamasına devam edelim..</p><pre>bgnbd = BetaGeoFitter(penalizer_coef=0.001)<br><br>bgnbd.fit(cltv_df[&quot;frequency&quot;],<br>          cltv_df[&quot;T&quot;],<br>          cltv_df[&quot;recency&quot;],<br>          cltv_df[&quot;monetary&quot;])</pre><p><strong>NOT: </strong>Kodumuzdaki <strong>penalizer_coef</strong> değeri, modelin aşırı öğrenmesini ve aykırı değerlerin model çıktısına etkisini düşürmek için kullanılan bir ceza parametresidir. Modeli çıktı bakımından daha dengeli ve genele yakın olacak şekilde öğrenilmesini sağlar. Sık kullanılan değeri <strong>0.001</strong> ‘dir.</p><p><strong>penalizer_coef</strong> için detaylı bilgiye aşağıdaki kısa yazımızdan ulaşabilirsiniz</p><p>➷ <a href="https://medium.com/@sevgi.yilmaz/penalizer-coefficient-d18cd01d6406?postPublishedType=initial">Penalizer Coefficient</a></p><p><a href="https://medium.com/@sevgi.yilmaz/penalizer-coefficient-d18cd01d6406">Penalizer Coefficient</a></p><p>1 hafta içerisinde en fazla satınalma gerçekleştirecek olan 5 müşteri kimdir ve kaç kez satınalım yapabilir?</p><pre>bgnbd.conditional_expected_number_of_purchases_up_to_time(1,<br>                                                            cltv_df[&quot;frequency&quot;],<br>                                                            cltv_df[&quot;recency&quot;],<br>                                                            cltv_df[&quot;T&quot;]).sort_values(ascending=False).head(5)</pre><p>Burada kütüphanede hazır olan bir fonksiyon kullanacağız ve bu fonksiyonun girdileri, BG-NBD metriklerimiz ve talep edilen süre(hafta bazında) bilgisidir.</p><p>Çıktısı şu şekilde olacaktır;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/300/1*T8bLPZ7OOzzmTJq3UirvCg.png" /></figure><p>Elde ettiğimiz çıktıları direkt verisetimize sütun olarak ekleyip müşteri bazlı bakabiliriz.</p><p>Belirli bir zaman periyodunda toplam satış hacmimizi(adet bazlı) tahmin edebiliriz.</p><p><strong>NOT: </strong>BG-NBD modeli için kullanılan conditional_expected_number_of_purchases_up_to_time fonksiyonu yerine direkt predict fonksiyonunu da kullanabiliriz.</p><p>Model çıktılarımızın başarısını şu şekilde gözlemleyebiliriz;</p><pre>plot_period_transaction(bgnbd)<br>plt.show()</pre><p>Çıktı grafiği;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/481/1*oa_kUcq8Cy2DEU7QiYAErA.png" /></figure><p>Bu grafikte gerçekleşen değerleri ve tahmin değerlerimizi görüyoruz. Peki gelecekteki gerçekleşen değerleri nasıl buldu? Makine öğrenmesi mantığı dahilinde verilerimizin bir kısmını öğrenmek bir kısmını ise test etmek amacıyla kullandı.</p><p>Grafikten şunu anlıyoruz, tahmin başarımız aşırıya kaçmamak koşulu ile başarılı gözüküyor gibi.</p><p><strong>4: Gamma Gamma modelinin kurulması (Establish the Gamma Gamma Model)</strong></p><p>Kullanacağımız sınıfa biraz değinelim,</p><p>GammaGammaFitter: bu sınıf Lifetimes kütüphanesi içerisinde kullanılan ve Gamma Gamma modelinin uygulanabilmesi için yazılmıştır.</p><p>Yani bir müşterinin gelecekte yapacağı satınalımlarda<strong> yapacağı ortalama harcamayı</strong> tahmin etmek amacıyla kullanılır.</p><p>Çıktı alabilmemiz için <em>Frequency ve Monetary</em> metriklerini bu sınıfa vermemiz gerekir.</p><p>Modelimizin uygulamasına devam edelim..</p><pre>gg = GammaGammaFitter(penalizer_coef = 0.01)<br><br>gg.fit(cltv_df[&quot;frequency&quot;], cltv_df[&quot;monetary&quot;])</pre><p>Veriseti içerisinde en fazla satınalma gerçekleştirecek olan 5 müşteri kimdir ve ne kadarlık satınalım yapabilir?</p><pre>gg.conditional_expected_average_profit(cltv_df[&quot;frequency&quot;],<br>                                       cltv_df[&quot;monetary&quot;])sort_values(ascending=False).head(5)</pre><p>Burada kütüphanede hazır olan bir fonksiyon kullanacağız ve bu fonksiyonun girdileri, Gamma Gamma metriklerimizdir.</p><p>Çıktısı şu şekilde olacaktır;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/290/1*k_u3Td7Y2ugxgokZOVMDoQ.png" /></figure><p>Elde ettiğimiz çıktıları direkt verisetimize sütun olarak ekleyip müşteri bazlı bakabiliriz.</p><p>Belirli bir zaman periyodunda toplam satış hacmimizi(kazanç bazlı) tahmin edebiliriz.</p><p><strong>5: BG-NBD ve GG modelleri ile CLTV tahmini</strong></p><p><strong>(CLTV Prediction with BG-NBD and GG models)</strong></p><p>CLTV hesaplamalarımı yaparken doğru tahminlere yaklaşabilmek için anlatılan 2 modeli birlikte kullanmalıyız. Örnek kod yapısı aşağıda verilmiştir.</p><p>Sonrasında bu hesapladığımız değeri verisetimize ekleyerek yorumlar yapabilir, analizimizin çıktılarına göre aksiyon alma noktasında harekete geçebiliriz.</p><pre>cltv_predict = gg.customer_lifetime_value(bgnbd,<br>                                          cltv_df[&quot;frequency&quot;],<br>                                          cltv_df[&quot;recency&quot;],<br>                                          cltv_df[&quot;T&quot;],<br>                                          cltv_df[&quot;monetary&quot;],<br>                                          time=4, #4 haftalık<br>                                          freq=&quot;w&quot;, #T&#39;nin frekansı haftalık olmalı<br>                                          discount_rate=0.01)<br><br> cltv_final = cltv_df.merge(cltv_predict, on=&quot;Customer ID&quot;, how=&quot;left&quot;)<br> cltv_final.sort_values(by=&quot;cltv&quot;, ascending=False).head(5)</pre><p>Geldiğimiz noktada müşterilerimizin gelecekte yapacakları hareketleri hakkında yalnızca RFM metrikleri ile yorum yapacak olsaydık her bir metriğin çıktısı çok farklı müşterileri işaret edecekti.</p><p>Örneğin bir müşteri RFM analizinde kaybedilmemesi gerekenler sınıfına dahil edilmiş olabilir ancak ileride kazançlı bir müşteri olması muhtemel olabilir. Bu şekilde binlerce müşterimizin olduğunu varsayarsak her biri hakkında tahminleme yapmak oldukça zahmetli olacaktır.</p><p>Ancak mantığını anladığımız birkaç satır kod ile bize yalnızca çıktıları yorumlamak kalıyor. Bu da işimizin en keyifli kısmına daha fazla vakit ayırabiliriz demek oluyor😊</p><p>Müşterilerimizin CLTV tahminlerini yaptığımızı varsayalım. Daha iyi bir müşteri kazanımı için bu çıktıya göre müşterilerimizi gruplamamız, segmentlere ayırmamız gerekir.</p><p><strong>6:</strong> <strong>CLTV’ye göre segmentlerin oluşturulması</strong></p><p>Yine qcut fonksiyonunu kullanacağız</p><pre>cltv_final[&quot;segment&quot;] = pd.qcut(cltv_final[&quot;cltv&quot;], 4, labels=[&quot;D&quot;, &quot;C&quot;, &quot;B&quot;, &quot;A&quot;]) #4 ayrı segment olsun<br><br>cltv_final.sort_values(by=&quot;cltv&quot;, ascending=False).head(30)<br><br>cltv_final.groupby(&quot;segment&quot;).agg(<br>    {&quot;count&quot;, &quot;mean&quot;, &quot;sum&quot;})</pre><p>İlk ayırdığımız segmentleri birebirde kullanmak zorunda değiliz, describe alıp sonuçlara göre segment birleştirme veya bölme yapabiliriz. Bu tamamen verimizi doğru biliyor olmamıza ve sonuçlara göre değişkenlik gösterecektir.</p><p><strong>7:</strong> <strong>Fonksiyonlaştırma</strong></p><p>CLTV Tahmini için veri yapımızı 2 modelde kullanılabilmesi için uygun hale getirdik, metriklerimiz farklı anlamlar ifade ediyordu bu konu özelinde anlamlarına uygun hesapladık, segmentasyon yaptık. Burada bir eksiğimiz yok, aslında tahmin analizimiz tamamlandı. Fakat yaptığımız tüm işlemleri sabit bir veriseti için gerçekleştirmiş olduk. Yani verisetindeki herhangi bir güncelleme, revize, iyileştirme sonrası (veri ekleme, çıkarma, veri değiştirme…) yaptığımız analizi baştan yapmamız gerekecek.</p><p>Bu gereksiz işyükünü ve manuelliği ortadan kaldırabilmek için yaptığımız işlemleri bir fonksiyon üzerinde tanımlayarak, gerektiğinde yalnızca bu fonksiyonumuzu yenileyerek analizimizi tekrardan yapabilmiş olacağız.</p><p>Tek yapmamız gereken CLTV Tahmini için yazdığımız tüm kod parçalarını tek bir fonksiyon içine almaktır.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9bc9f9afab78" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python II]]></title>
            <link>https://medium.com/@sevgi.yilmaz/python-ii-faa1c9841e38?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/faa1c9841e38</guid>
            <category><![CDATA[veri-bilimi]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Sun, 29 Jun 2025 23:43:26 GMT</pubDate>
            <atom:updated>2025-06-29T23:43:26.860Z</atom:updated>
            <content:encoded><![CDATA[<p>Veri Bilimi için Python Öğreniyoruuz!</p><p>“Python I” özet bilgi için şu yazıma göz atabilirsiniz. 👇🏽</p><p><a href="https://medium.com/@sevgi.yilmaz/python-i-1047f9299d8c">Python I</a></p><p><strong>NumPy: </strong>Matematik ve istatistik işlemleri için geliştirilmiş bir kütüphanedir</p><p>Verimli veri saklama<br> Yüksek seviyeli işlemler (vektörel işlemler)<br> Verileri sabit yapıda saklama<br> Döngüye gerek duymadan işlem, imkanı sağlar</p><p><strong>Listeler vs NumPy:</strong> Listeler içerdikleri elemanların tiplerini tek tek tutarken;<br> Numpy verileri sabit tipte tutarak verimliliği ve hızlılığı sağlar.</p><p>Örnek: 2 ayrı listenin elemanlarını birbiri ile çarpalım</p><p>Klasik Python Yolu ile;</p><pre>a = [1, 2, 3, 4]<br>b = [2, 3, 4, 5]<br><br>ab = []<br><br>for i in range(0, len(a)):<br>    ab.append(a[i] * b[i])<br>print(ab)<br>&gt;&gt;&gt;[2, 6, 12, 20]</pre><p>NumPy Yolu ile;</p><pre>import numpy as np #numpy kütüphanesini içeriye aldık ve ismini kısaltarak np dedik<br><br>a = np.array([1, 2, 3, 4])<br>b = np.array([2, 3, 4, 5])<br>a * b<br>&gt;&gt;&gt;array([ 2,  6, 12, 20])</pre><p><strong>NumPy Array’i oluşturmak</strong></p><p>NumPy’ın kendi veri yapıları vardır. Bunlara “NumPy Array”leri veya “ndarray” adı verilir.<br>NumPy’da işlem yapabilmek için bu NumPy Array’lerine ihtiyaç vardır.<br><strong>Genellikle sıfırdan oluşturulmaz</strong>, diğer veri yapılarından dönüştürülerek elde edilir.<br>sıfırdan array oluşturma(NumPy kütüphanesi import edilmişti)</p><pre>np.array([1, 2, 3, 4])<br>&gt;&gt;&gt;array([1, 2, 3, 4])<br>type(np.array([1, 2, 3, 4]))<br>&gt;&gt;&gt;numpy.ndarray</pre><p><strong>Bazı Metodlar</strong></p><p>Girilen sayı kadar 0 içeren ve tipi integer olan, array oluşturalım</p><pre>np.zeros(10, dtype = int)<br>&gt;&gt;&gt;array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])</pre><p>0&#39;la 10 arasından 4 tane sayı üretelim</p><pre>np.random.randint(0, 10, size = 4)<br>&gt;&gt;&gt;array([1, 2, 4, 3])</pre><p>Ortalaması 8, standart sapması 2 olan 2–3&#39;lük array oluşturalım</p><pre>np.random.normal(8, 2, (2, 3))<br>&gt;&gt;&gt;array([[6.5173588 , 4.52995186, 8.75111197],<br>          [8.81995446, 5.74669622, 6.59878456]])</pre><p>0&#39;dan 30&#39;a kadar 3&#39;er 3&#39;er artan array oluşturalım</p><pre>ar = np.arange(0, 3, 30)</pre><p><strong>NumPy Özellikleri</strong></p><p>ndim: boyut sayısı, matris boyutu olarak düşünülebilir<br>shape:boyut bilgisi<br>size: toplam eleman sayısı<br>dtype: array veri tipi</p><p>Bir Array’in özelliklerini inceleyelim</p><pre>a = np.random.randint(2, 10, size = 5)<br>b = np.random.randint(2, 10, size = (2, 2))<br><br>a.ndim #çıktı 1 olacaktır. Bu tek boyutlu olduğu anlamına gelir<br>b.ndim #çıktı 2 olacaktır. 2&#39;ye 2&#39;lik bir array oluşturduk<br><br>a.shape #çıktı (5, ) olacaktır.<br>b.shape #çıktı (2, 2) olacaktır.<br><br>a.size #çıktı 5 olacaktır<br>b.size #çıktı 4 olacaktır<br><br>a.dtype #çıktı dtype(&#39;int32&#39;) olacaktır<br>b.dtype #çıktı dtype(&#39;int32&#39;) olacaktır</pre><p><strong>Reshaping</strong></p><p>NumPy Array’inin boyutunu değiştirmek için kullanılır</p><pre>ar1 = np.random.randint(1, 10, size = 9)<br>ar1.shape<br><br>ar1.reshape(3, 3)<br><br>&gt;&gt;&gt;array([[6, 7, 3],<br>          [4, 9, 4],<br>          [5, 5, 7]])<br><br>#Burada 10 elemanlı bir array&#39;i 3&#39; 3&#39;lük bir boyuta dönüştüremezdik!!</pre><p><strong>Index Seçimi</strong></p><p>Bir Array’in herhangi bir Index’inde işlem yapmak istediğimizde ilgili Index’e kolayca erişebiliriz</p><p>Tek boyutlu bir Array’de işlem</p><pre>ar2 = np.random.randint(10, size = 10)<br>print(ar2)<br>&gt;&gt;&gt;[6 3 6 9 7 2 2 0 4 0]<br><br>ar2[1] = 5698<br>print(ar2)<br>&gt;&gt;&gt;[6 5698 6 9 7 2 2 0 4 0]</pre><p>2 boyutlu bir Array’de işlem</p><pre><br>ar3 = np.random.randint(10, size = (2, 3))<br>print(ar3)<br>&gt;&gt;&gt;[[5 0 8]<br>    [2 1 2]]<br><br>ar3[0, 1] #çıktı 0 olacaktır<br><br>ar3[0, 1] = 20<br>print(ar3)<br>&gt;&gt;&gt;[[5 20 8]<br>    [2 1 2]]</pre><p><strong>Fancy Index</strong></p><p>Birden fazla index seçimi için kullanılır</p><pre>ar = np.arange(0, 30, 3)<br>print(ar)<br>&gt;&gt;&gt;[ 0  3  6  9 12 15 18 21 24 27]</pre><p>Elimizde ulaşmamız gereken bir dizi index varsa;</p><pre>index_yakala = [1, 3, 4]<br>ar[index_yakala]<br>&gt;&gt;&gt;array([ 3,  9, 12])</pre><p><strong>Koşullu İşlemler</strong></p><p>Mevcutta var olan array içerisindeki elemanlara koşullu şekilde ulaşmak</p><pre>ar4 = np.array([5, 6, 7, 8, 9])<br><br>#Array&#39;den, 7&#39;den büyük elemanları getir<br>ar4[ar4 &gt; 7]<br>&gt;&gt;&gt;array([8, 9])<br><br>#Array&#39;den, 7&#39;den küçük elemanları getir<br>ar4[ar4 &lt; 7]<br>&gt;&gt;&gt;array([5, 6])<br><br>#Array&#39;den, değeri 7 olan elemanı getir<br>ar4[ar4 == 7]<br>&gt;&gt;&gt;array([7])<br><br>#Array&#39;den, değeri 7 olmayan elemanları getir<br>ar4[ar4 != 7]<br>&gt;&gt;&gt;array([5, 6, 8, 9])</pre><p><strong>Matematiksek İşlemler</strong></p><p>Operatör yardımıyla işlemler yapılabildiği gibi(toplama, çıkarma, kare alma…) bazı hazır metodlarla(max, min, sum… da array üzerinde çalışılabilir. Ayrıca trigonometrik, türev alma ve integral gibi işlemler de yapılabilmektedir</p><pre>#Array&#39;in tüm elemanlarını 3&#39;e bölelim<br>ar5 = np.array([4, 6, 10, 24])<br>ar5 / 3<br>&gt;&gt;&gt;array([1.33333333, 2.0 , 3.33333333, 8.0])<br><br>#Array&#39;in tüm elemanlarının karesini alalım<br>ar5 = np.array([4, 6, 10, 24])<br>ar5 ** 2<br>&gt;&gt;&gt;array([ 16,  36, 100, 576])<br><br>#Array&#39;in ortalamasını bulalım<br>np.mean(ar5)<br>&gt;&gt;&gt;11.0</pre><p>Bonus: “concatinate” dizileri uç uca birleştirme, “sort” dizi sıralama işlemlerinde kullanılır.</p><p><strong>Pandas:</strong> Veri Manipülasyonu veya Veri Analizi işlemleri için kullanılan kütüphanedir.<br>Ekonometri ve Finans için geliştirilmiş olsa da şuanda Veri Analitiği konusunda sık kullanılır hale gelmiştir.</p><p>Veri ve Python varsa, bu kütüphane mutlaka kullanılır diyebiliriz.</p><p><strong>Pandas Serileri</strong></p><p>En yaygın veri yapılarından biridir. Diğer yaygın kullanılan veri yapısı ise Pandas DataFrame’leri denebilir</p><p>Pandas Series vs Pandas DataFrames: Seriler tek boyutlu ve index bilgisi barındıran bir veri yapısı iken;<br>Frame’ler çok boyutlu ve index bilgisi barındıran bir veri yapısıdır</p><pre><br>import pandas as pd #pandas kütüphanesini içeriye aldık ve ismini kısaltarak pd dedik<br><br>pd.Series([10, 45, 85, 6, 22]) #rastgele bir listeyi pandas serisine dönüştür dedik. Çıktı index bilgisi ile gelmelidir.<br>&gt;&gt;&gt;<br>    0    10<br>    1    45<br>    2    85<br>    3     6<br>    4     22<br>    dtype: int64</pre><p>Tek boyutlu olduğunu söylemiştik, boyut metodu ile bakalım;</p><pre><br>s = pd.Series([10, 45, 85, 6, 22]) #s diye bir değişkene atayalım<br>s.ndim<br>&gt;&gt;&gt;1</pre><p>!!!!Pandas serilerinde “values” metodunu kullandığımızda, index ile işimiz yok değerlere ihtiyacımız var dediğimiz için çıktıyı “array” olarak dönecektir</p><pre><br>s.values<br>&gt;&gt;&gt;array([10, 45, 85, 6, 22], dtype=int64)</pre><p>Serimizin ilk 3 ve son 2 örneklerini getirelim</p><pre>s.head(3)<br> &gt;&gt;&gt;<br> 0 10<br> 1 45<br> 2 85<br> dtype: int64<br><br>s.tail(2)<br> &gt;&gt;&gt;<br>    3     6<br>    4    22<br>    dtype: int64</pre><p><strong>Veri Okuma</strong></p><p>Pandas dış kaynaktan gelen verileri metodlar aracılığıyla okur ve üzerinde işlem yapabilir.<br>CSV, TXT, Excel Dosyaları(XLS, XLSX), JSON … tipindeki dosyalardan veri okuyabilir. <br><br><strong>CSV Dosyasından Veri Okuma</strong><br> <br>pd.read_csv(“okunacak_dosyanın_dizini”) ile kullanılır</p><p>Eğer PyCharm kullanıyorsanız diğer dosya tiplerinden veri okumak için;<br>tanımlı herhangi bir pd ifadesinin üzerinde CTRL + Click yaparsanız bir __init__,py dosyası açılacaktır<br>Bu dosyada istediğiniz dosya tipinden veri okumanın nasıl yapılacağı özetlenmiştir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*96jiOvWje4HuDH4Jk7w0rQ.jpeg" /><figcaption>Görsel -1</figcaption></figure><p><strong>Pandas ve Seaborn</strong></p><p>Elimizde bir Pandas Dataframe’i olduğunu düşünelim ve bu Dataframe’e hangi metodlar uygulanabilir bakalım</p><pre>import pandas as pd<br>import seaborn as sns #Seaborn kütüphanesini içeriye alalım<br><br>df = sns.load_dataset(&quot;titanic&quot;) #Seaborn içinde hazır haldeki &quot;titanic&quot; verisetini çağırdık (Seaborn içerisinde bazı hazır verisetleri barındırır)<br>&gt;&gt;&gt;<br>survived  pclass     sex   age  ...  deck  embark_town  alive  alone<br>0           0       3    male  22.0  ...   NaN  Southampton     no  False<br>1           1       1  female  38.0  ...     C    Cherbourg    yes  False<br>2           1       3  female  26.0  ...   NaN  Southampton    yes   True<br>3           1       1  female  35.0  ...     C  Southampton    yes  False<br>4           0       3    male  35.0  ...   NaN  Southampton     no   True<br>..        ...     ...     ...   ...  ...   ...          ...    ...    ...<br>886         0       2    male  27.0  ...   NaN  Southampton     no   True<br>887         1       1  female  19.0  ...     B  Southampton    yes   True<br>888         0       3  female   NaN  ...   NaN  Southampton     no  False<br>889         1       1    male  26.0  ...     C    Cherbourg    yes   True<br>890         0       3    male  32.0  ...   NaN   Queenstown     no   True<br>[891 rows x 15 columns]<br><br><br>df.head() #baştaki 5 değere bakalım<br>df.tail() #sondan 5 değere bakalım<br>df.shape  #dataframe&#39;in boyut bilgisini almak istersek<br>df.info() #değişkenler hakkında detay bilgi almak istersek<br>&gt;&gt;&gt;<br>&lt;class &#39;pandas.core.frame.DataFrame&#39;&gt;<br>RangeIndex: 891 entries, 0 to 890<br>Data columns (total 15 columns):<br> #   Column       Non-Null Count  Dtype   <br>---  ------       --------------  -----   <br> 0   survived     891 non-null    int64   <br> 1   pclass       891 non-null    int64   <br> 2   sex          891 non-null    object  <br> 3   age          714 non-null    float64 <br> 4   sibsp        891 non-null    int64   <br> 5   parch        891 non-null    int64   <br> 6   fare         891 non-null    float64 <br> 7   embarked     889 non-null    object  <br> 8   class        891 non-null    category<br> 9   who          891 non-null    object  <br> 10  adult_male   891 non-null    bool    <br> 11  deck         203 non-null    category<br> 12  embark_town  889 non-null    object  <br> 13  alive        891 non-null    object  <br> 14  alone        891 non-null    bool    <br>dtypes: bool(2), category(2), float64(2), int64(4), object(5)<br>memory usage: 80.7+ KB<br><br><br>df.columns #değişken isimlerine erişmek için<br>df.index #index bilgilerine erişmek için<br>df.describe().T #Değişkenlerin özet bilgileri getirdik ve daha rahat okunabilmesi için transpozesini aldık(.T)<br><br>&gt;&gt;&gt;<br> count       mean        std   min      25%      50%   75%       max<br>survived  891.0   0.383838   0.486592  0.00   0.0000   0.0000   1.0    1.0000<br>pclass    891.0   2.308642   0.836071  1.00   2.0000   3.0000   3.0    3.0000<br>age       714.0  29.699118  14.526497  0.42  20.1250  28.0000  38.0   80.0000<br>sibsp     891.0   0.523008   1.102743  0.00   0.0000   0.0000   1.0    8.0000<br>parch     891.0   0.381594   0.806057  0.00   0.0000   0.0000   0.0    6.0000<br>fare      891.0  32.204208  49.693429  0.00   7.9104  14.4542  31.0  512.3292<br><br><br>#Verilerde hiç eksik değer var mı diye bakalım<br><br>df.isnull().values.any() #Çıktı True dönerse eksik değer var demektir<br><br>#boş değer içeren değerlerin kaç tane olduğuna bakalım<br><br>df.isnull().sum()<br><br>&gt;&gt;&gt;<br>survived         0<br>pclass           0<br>sex              0<br>age            177<br>sibsp            0<br>parch            0<br>fare             0<br>embarked         2<br><br>#Cinsiyet değişkenin değerlerini saydıralım<br><br>df[&quot;sex&quot;].value_counts()<br><br>&gt;&gt;&gt;<br>sex<br>male      577<br>female    314<br>Name: count, dtype: int64</pre><p><strong>Pandas Seçim İşlemleri</strong></p><p>DataFrame’lere erişmek ve onlarla işlemler yapmak önemlidir<br>Hazırda Pandas’ı ve Seaborn kütüphanelerini import etmiştik, Seaborn içerisindeki hazır “titanic” verisini de içeri almıştık<br>Bu veriler üzerinde işlemler yapalım</p><p>Verinin belirli bir index aralığını almak için slice işlemi uygulayalım;</p><pre>df[0:13]</pre><pre><br>df.drop(0, axis = 0).head()<br>&gt;&gt;&gt;<br>   survived  pclass     sex   age  ...  deck  embark_town  alive  alone<br>1         1       1  female  38.0  ...     C    Cherbourg    yes  False<br>2         1       3  female  26.0  ...   NaN  Southampton    yes   True<br>3         1       1  female  35.0  ...     C  Southampton    yes  False<br>4         0       3    male  35.0  ...   NaN  Southampton     no   True<br>5         0       3    male   NaN  ...   NaN   Queenstown     no   True<br>[5 rows x 15 columns]</pre><p>.drop index’lerden bir veriyi silmek için kullanılır. Axis =0 ise satırlardan sileceğimizin göstergesidir. Göstermesi için de .head() dedik</p><p><strong>NOT:</strong> Yapılan işlem kalıcı değildir. Kalıcı hale getirmek için; <br> 1- Tekrardan df değişkenine atama yapılabilir<br> 2- df.drop(0, axis = 0, inplace = True) denebilir. <br> Inplace argümanı metodları kalıcı olarak çalıştırmak istediğimizde sıklıkla kullanılan bir metoddur.</p><p><strong>Değişkeni Index’e Çevirmek</strong></p><pre>df[&quot;age&quot;].head() #&quot;age&quot; değişkenini seçtik<br>#df.age.head() ile de değişken seçilebilir<br><br>df.index = df[&quot;age&quot;] #index yerine yaş bilgisini getirdik<br>df.drop(&quot;age&quot;, axis = 1, inplace = True) #artık yaş bilgisine değişken olarak ihtiyacımız yoktur ve onu değişkenlerden sileriz<br>df.head()<br>&gt;&gt;&gt;<br>      survived  pclass     sex  sibsp  ...  deck  embark_town alive  alone<br>age                                    ...                                <br>22.0         0       3    male      1  ...   NaN  Southampton    no  False<br>38.0         1       1  female      1  ...     C    Cherbourg   yes  False<br>26.0         1       3  female      0  ...   NaN  Southampton   yes   True<br>35.0         1       1  female      1  ...     C  Southampton   yes  False<br>35.0         0       3    male      0  ...   NaN  Southampton    no   True<br>[5 rows x 14 columns]</pre><p><strong>Index’i Değişkene Çevirmek</strong></p><ol><li>Yol:</li></ol><p>Şuanda “age” adında bir değişkenimiz yok önce onu eklememiz gerekiyor</p><pre>df.index<br>df[&quot;age&quot;] = df.index<br>df.head()<br>&gt;&gt;&gt;<br>      survived  pclass     sex  sibsp  ...  embark_town  alive  alone   age<br>age                                    ...                                 <br>22.0         0       3    male      1  ...  Southampton     no  False  22.0<br>38.0         1       1  female      1  ...    Cherbourg    yes  False  38.0<br>26.0         1       3  female      0  ...  Southampton    yes   True  26.0<br>35.0         1       1  female      1  ...  Southampton    yes  False  35.0<br>35.0         0       3    male      0  ...  Southampton     no   True  35.0<br>[5 rows x 15 columns]</pre><p>2. Yol:</p><pre>df.reset.index().head()<br>&gt;&gt;&gt;<br>   age  survived  pclass     sex  ...  deck  embark_town  alive  alone<br>0  22.0         0       3    male  ...   NaN  Southampton     no  False<br>1  38.0         1       1  female  ...     C    Cherbourg    yes  False<br>2  26.0         1       3  female  ...   NaN  Southampton    yes   True<br>3  35.0         1       1  female  ...     C  Southampton    yes  False<br>4  35.0         0       3    male  ...   NaN  Southampton     no   True<br>[5 rows x 15 columns]</pre><p><strong>Değişkenler Üzerinde İşlemler</strong></p><pre>&quot;age&quot; in df #&quot;age&quot; değişkeni bu dataframe içerisinde var mı? varsa çıktı True dönecektir<br><br>type(df[&quot;age&quot;].head) #Bu sorgunun çıktısı Pandas Series olacaktır.<br>type(df[[&quot;age&quot;]].head) #çift köşeli parantez içerisine alırsak DataFrame veri yapısı bozulmadan çıktıya yansır<br><br>df[&quot;age2&quot;] = df[&quot;age&quot;] ** 2 #yeni bir değişken ekledik<br><br>#içerisinde belirli bir string ifade geçen değişkenleri seçelim ve bu değişkenler dışındaki diğer değişkenleri silelim<br><br>df.loc[:, ~df.columns.str.contains(&quot;age&quot;)].head() # ~:dışında kalanları, loc:isime göre aratmayı, contains:string aramayı ifade eder</pre><p><strong>Loc &amp; Iloc</strong></p><p>DataFrame’lerde seçim işlemi için kullanılırlar</p><ol><li>Loc index’lerdeki label’lardan seçim yaptırırken</li><li>Iloc listeden index bilgisi ile seçim yaptırır</li></ol><pre>#iloc<br>df = df.reset_index(drop=True)<br>df.iloc[0:2] #0&#39;dan 2&#39;ye kadar olan verileri getirir<br>&gt;&gt;&gt;<br>      survived  pclass     sex  sibsp  ...  alive  alone   age    age2<br>0         0       3    male      1  ...     no  False  22.0   484.0<br>1         1       1  female      1  ...    yes  False  38.0  1444.0<br>[2 rows x 16 columns]<br>df.iloc[0, 0] #Sıfırıncı satırın sıfırıncı sütunundaki elemanı getirir<br><br><br>#loc<br>df = df.reset_index(drop=True)<br>df.loc[0:2] #index değeri 2 olana kadar getirir<br>&gt;&gt;&gt;<br>   survived  pclass     sex  sibsp  ...  alive  alone   age    age2<br>0         0       3    male      1  ...     no  False  22.0   484.0<br>1         1       1  female      1  ...    yes  False  38.0  1444.0<br>2         1       3  female      0  ...    yes   True  26.0   676.0<br>[3 rows x 16 columns]</pre><p><strong>Koşullu Seçimler</strong></p><p>Veri setinde yaşı 50&#39;den büyük olanları seçelim</p><pre>df[df[&quot;age&quot;] &gt; 50].head()</pre><p>Veri setinde yaşı 50&#39;den büyük kaç kişi var</p><pre>df[df[&quot;age&quot;] &gt; 50][&quot;age&quot;].count()</pre><p>Veri setinde yaşı 50&#39;den büyük kişilerin “class”ı nedir?</p><pre>df.loc[df[&quot;age&quot;] &gt; 50, [&quot;age&quot;, &quot;class&quot;]].head()<br>&gt;&gt;&gt;<br>     age   class<br>6   54.0   First<br>11  58.0   First<br>15  55.0  Second<br>33  66.0  Second<br>54  65.0   First</pre><p>Veri setinde yaşı 50&#39;den büyük olan erkekleri getirelim</p><pre>df.loc[(df[&quot;age&quot;] &gt; 50) &amp; (df[&quot;sex&quot;] == &quot;male&quot;), [&quot;age&quot;, &quot;class&quot;]].head() # &quot;&amp;&quot; işareti &quot;ve&quot; anlamındadır, &quot;veya&quot; için &quot;|&quot; kullanılır<br>&gt;&gt;&gt;<br>    age   class<br>6   54.0   First<br>33  66.0  Second<br>54  65.0   First<br>94  59.0   Third<br>96  71.0   First</pre><p><strong>Toplulaştırma ve Gruplama</strong></p><p>Toplulaştırma fonksiyonları:<br>count()<br>first()<br>last()<br>mean()<br>median()<br>min()<br>max()<br>std()<br>var()<br>sum()<br>pivot table<br>örnek veri setimizdeki yaş bilgisinin ortalamasını alalım</p><pre>df[&quot;age&quot;].mean()</pre><p>veri setindeki erkek ve kadınların yaş ortalamalarını ayrı ayrı getirelim, bunun için “groupby” kullanacağız</p><pre>df.groupby(&quot;sex&quot;)[&quot;age&quot;].mean()</pre><p>Pivot Table: Excel’deki pivot tablolar gibi çalışarak veri çerçevelerini özetleme, gruplama ve yeniden düzenleme işlemlerini kolaylaştırır</p><pre>import pandas as pd<br>import seaborn as sns<br>pd.set_option(&#39;display.max_columns&#39;, None)<br>df = sns.load_dataset(&quot;titanic&quot;)<br>df.head()<br>df.pivot_table(&quot;survived&quot;, &quot;sex&quot;, &quot;embarked&quot;)<br>&gt;&gt;&gt;<br>embarked         C         Q         S<br>sex                                   <br>female    0.876712  0.750000  0.689655<br>male      0.305263  0.073171  0.174603</pre><p>Burada “values” kesişimdir, “index” satırda istenen veriyi, “columns” ise sütunda verilmek istenen veriyi ifade eder.<br>Kesişim değerleri ise ön tanımlı olarak ortalamayı getirir<br>df.pivot_table(“survived”, “sex”, “embarked”, aggfunc = “std”) deseydik kesişim değerleri için standar sapmayı getir demiş olurduk</p><p>Yapılandırılan pivot tabloya yaş değişkenini de kırılım olarak eklemek istiyorum ancak sayısal değer olduğu için bu değerleri kategorik değer haline getirmem gerekir. Bunun için de <strong>“cut”</strong> ve <strong>“qcut”</strong> fonksiyonları kullanılır.<br>1. Kategorik fonksiyona çevrilmek istenen değişkenlerin bilgisi varsa <strong>cut</strong> fonk, <br>2. değişkenlerin tanınmadığı durumlarda çeyrekliğe göre ayrılması için <strong>qcut</strong> kullanılır.</p><p>Yaş aralığına göre hayatta kalma oranlarına bakalım</p><pre>df[&quot;new_age&quot;] = pd.cut(df[&quot;age&quot;], [0, 10, 18, 25, 40, 90])<br>df.pivot_table(&quot;survived&quot;, &quot;sex&quot;, &quot;new_age&quot;)<br>&gt;&gt;&gt;<br>new_age   (0, 10]  (10, 18]  (18, 25]  (25, 40]  (40, 90]<br>sex                                                      <br>female   0.612903  0.729730  0.759259  0.802198  0.770833<br>male     0.575758  0.131579  0.120370  0.220930  0.176471</pre><p><strong>Apply &amp; Lambda</strong><br><strong>Apply: </strong>istenen satır veya sütunda fonksiyon uygulanmasına yarayan metoddur<br><strong>Lambda: </strong>Fonksiyon tanımlama şeklidir ancak Lambda ile kullanılan fonksiyon kullanıldıktan sonra kaydedilmez</p><pre>import pandas as pd<br>import seaborn as sns<br>pd.set_option(&#39;display.expand_frame_repr&#39;, False) #çıktı olarak gelmesi beklenen tablonun değişkenlerinin tek satırda görebilmek için<br>df = sns.load_dataset(&quot;titanic&quot;)<br>df.head()<br>&gt;&gt;&gt;<br> survived  pclass     sex   age  sibsp  parch     fare embarked  class    who  adult_male deck  embark_town alive  alone<br>0         0       3    male  22.0      1      0   7.2500        S  Third    man        True  NaN  Southampton    no  False<br>1         1       1  female  38.0      1      0  71.2833        C  First  woman       False    C    Cherbourg   yes  False<br>2         1       3  female  26.0      0      0   7.9250        S  Third  woman       False  NaN  Southampton   yes   True<br>3         1       1  female  35.0      1      0  53.1000        S  First  woman       False    C  Southampton   yes  False<br>4         0       3    male  35.0      0      0   8.0500        S  Third    man        True  NaN  Southampton    no   True</pre><p>Birden fazla “age” değişkeni ekleyelim</p><pre>df[&quot;age2&quot;] = df[&quot;age&quot;]*5<br>df[&quot;age3&quot;] = df[&quot;age&quot;]**2<br>df.head()<br>&gt;&gt;&gt;<br> survived  pclass     sex   age  sibsp  parch     fare embarked  class    who  adult_male deck  embark_town alive  alone   age2    age3<br>0         0       3    male  22.0      1      0   7.2500        S  Third    man        True  NaN  Southampton    no  False  110.0   484.0<br>1         1       1  female  38.0      1      0  71.2833        C  First  woman       False    C    Cherbourg   yes  False  190.0  1444.0<br>2         1       3  female  26.0      0      0   7.9250        S  Third  woman       False  NaN  Southampton   yes   True  130.0   676.0<br>3         1       1  female  35.0      1      0  53.1000        S  First  woman       False    C  Southampton   yes  False  175.0  1225.0<br>4         0       3    male  35.0      0      0   8.0500        S  Third    man        True  NaN  Southampton    no   True  175.0  1225.0</pre><p>”age, age2 ve age3&quot; değişkenlerimize bir fonksiyon uygulamak istiyoruz, nasıl yaparız?</p><p>Klasik Yol(döngüler ile)</p><pre>for col in df.columns:<br>    if &quot;age&quot; in col:<br>       df[col] = df[col]/10<br><br>df.head()<br>&gt;&gt;&gt;<br>   survived  pclass     sex    age  sibsp  parch     fare embarked  class    who  adult_male deck  embark_town alive  alone   age2   age3<br>0         0       3    male  0.022      1      0   7.2500        S  Third    man        True  NaN  Southampton    no  False  0.110  0.484<br>1         1       1  female  0.038      1      0  71.2833        C  First  woman       False    C    Cherbourg   yes  False  0.190  1.444<br>2         1       3  female  0.026      0      0   7.9250        S  Third  woman       False  NaN  Southampton   yes   True  0.130  0.676<br>3         1       1  female  0.035      1      0  53.1000        S  First  woman       False    C  Southampton   yes  False  0.175  1.225<br>4         0       3    male  0.035      0      0   8.0500        S  Third    man        True  NaN  Southampton    no   True  0.175  1.225</pre><p>Apply ve Lambda ile</p><pre>df[[&quot;age&quot;, &quot;age2&quot;, &quot;age3&quot;]].apply(lambda x: x/10).head()<br>&gt;&gt;&gt;<br> age    age2    age3<br>0  0.0022  0.0110  0.0484<br>1  0.0038  0.0190  0.1444<br>2  0.0026  0.0130  0.0676<br>3  0.0035  0.0175  0.1225<br>4  0.0035  0.0175  0.1225</pre><p>Hangi değişkenlere işlem yapılacağını daha sitematik şekilde dile getirelim ve “age” içeren değişkenleri 10&#39;a böl diyelim</p><pre>df.loc[:, df.columns.str.contains(&quot;age&quot;)].apply(lambda x: x/10).head()</pre><p>Değişkene uyguladığımız işlrmi daha anlamlı hale getirelim ve standartlaştırma uygulayalım</p><pre>df.loc[:, df.columns.str.contains(&quot;age&quot;)].apply(lambda x: (x - x.mean()) / x.std()).head()</pre><p>Burada Lambda yerine def ile tanımlanmış bir fonksiyon kullanabilir miyiz? Evet!</p><pre>def standart_scaler(col_name):<br>    return(col_name - col_name.mean()) / col_name.std()<br><br>df.loc[:, df.columns.str.contains(&quot;age&quot;)].apply(standart_scaler).head()</pre><p>Yaptığımız işlemleri kalıcı hale getirmek için atama yapmamız lazım</p><pre>df.loc[:, df.columns.str.contains(&quot;age&quot;)] = df.loc[:, df.columns.str.contains(&quot;age&quot;)].apply(standart_scaler).head()</pre><p><strong>Birleştirme İşlemleri: Concat ve Merge<br>Concat ile birleştirme</strong></p><pre><br>import numpy as np<br>import pandas as pd<br>m = np.random.randint(1, 30, size = (5, 3))<br>df1 = pd.DataFrame(m, columns=[&quot;var1&quot;, &quot;var2&quot;, &quot;var3&quot;])<br>print(df1)<br>df2 = df1 + 100<br><br>#Oluşturulan 2 Dataframe&#39;i alt alta birleştirmek için;<br>pd.concat([df1, df2])<br>&gt;&gt;&gt;<br>   var1  var2  var3<br>0     9    23    23<br>1    19     5    12<br>2    12    17     8<br>3    24     9    14<br>4    16     9    11<br>0   109   123   123<br>1   119   105   112<br>2   112   117   108<br>3   124   109   114<br>4   116   109   111</pre><p>Çıktıda farkedildiği üzere indexler Dataframe geçişlerinde başa sarmıştır, bunun önüne geçebilmek için, <br>“pd.concat([df1, df2], ignore_index=True)” şeklinde düzenleme yapabiliriz<br>Verileri alt alta yerine yan yana birleştirebilmek için axis değerini 1 tanımlı göndermemiz gerekmektedir.<br><br><strong>Merge ile birleştirme</strong></p><pre>import pandas as pd<br>df1 = pd.DataFrame({&#39;employees&#39;: [&#39;john&#39;, &#39;dennis&#39;, &#39;mark&#39;, &#39;maria&#39;], &#39;group&#39;: [&#39;accounting&#39;, &#39;engineering&#39;, &#39;engineering&#39;, &#39;hr&#39;]})<br>df2 =pd.DataFrame({&#39;employees&#39;: [&#39;john&#39;, &#39;dennis&#39;, &#39;mark&#39;, &#39;maria&#39;], &#39;start_date&#39;: [2010, 2009, 2014, 2019]})<br><br>df3 = pd.merge(df1, df2)<br>&gt;&gt;&gt;<br>  employees        group  start_date<br>0      john   accounting        2010<br>1    dennis  engineering        2009<br>2      mark  engineering        2014<br>3     maria           hr        2019</pre><p>Her çalışanın müdürünün kim olduğunu gösteren bir dataframe oluşturmak istiyoruz</p><pre><br>df4 = pd.DataFrame({&#39;group&#39;: [&#39;accounting&#39;, &#39;engineering&#39;, &#39;hr&#39;], &#39;manager&#39;: [&#39;Caner&#39;, &#39;Mustafa&#39;, &#39;Berkcan&#39;]})<br>df5 = pd.merge(df3, df4)<br>&gt;&gt;&gt;<br> employees        group  start_date  manager<br>0      john   accounting        2010    Caner<br>1    dennis  engineering        2009  Mustafa<br>2      mark  engineering        2014  Mustafa<br>3     maria           hr        2019  Berkcan</pre><p><strong><em>Seaborn ve Matplotlib</em></strong> notları için şu yazıma göz atabilirsiniz. 👇🏽</p><p><a href="https://medium.com/@sevgi.yilmaz/python-ile-veri-g%C3%B6rselle%C5%9Ftirme-4003a789f741">Python ile Veri Görselleştirme</a></p><p><strong><em>Gelişmiş Fonksiyonel Keşifçi Veri Analizi</em></strong> notları için şu yazıma göz atabilirsiniz. 👇🏽</p><p><a href="https://medium.com/@sevgi.yilmaz/python-ile-veri-analizi-d7315a13d07f">Python ile Veri Analizi</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=faa1c9841e38" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Veri Analizi]]></title>
            <link>https://medium.com/@sevgi.yilmaz/python-ile-veri-analizi-d7315a13d07f?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/d7315a13d07f</guid>
            <category><![CDATA[keşifçi-veri-analizi]]></category>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Sun, 29 Jun 2025 23:40:20 GMT</pubDate>
            <atom:updated>2025-06-29T23:40:20.700Z</atom:updated>
            <content:encoded><![CDATA[<p>Gelişmiş Fonksiyonel Keşifçi Veri Analizi</p><p><strong>1.Kategorik Değişken Analizi:</strong><br>Kategorik veriler; sayısal anlam taşımayan, sınıflara veya etiketlere ayrılan verileridir.<br>Örnekler:<br>Cinsiyet: Erkek / Kadın<br>Renk: Kırmızı / Mavi / Yeşil<br>Şehir: İstanbul / Ankara / İzmir</p><p>Kategorik veriler ikiye ayrılır:<br>Nominal: Sıralama yok (örneğin: şehir, renk)<br>Ordinal: Sıralama var (örneğin: düşük / orta / yüksek)</p><p>Uygun ortamlarımızı dahil edelim;</p><pre>import numpy as np<br>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br>pd.set_option(&#39;display.max_columns&#39;, None)<br>pd.set_option(&#39;display.width&#39;, 500)<br>df = sns.load_dataset(&quot;titanic&quot;)<br>df.head()</pre><p>Örneğin cinsiyet değişkeni için kaç eşsiz değer olduğunu soralım</p><pre>df[&quot;sex&quot;].nunique()<br>&gt;&gt;&gt;2</pre><p>Örneğin cinsiyet değişkeni için eşsiz değerlerin ne olduğunu soralım</p><pre>df[&quot;sex&quot;].unique<br>&gt;&gt;&gt;array([&#39;male&#39;, &#39;female&#39;], dtype=object)</pre><p>Kategorik değişken analizi yaparken bu şekilde tek tek her değişkeni sorgulayabiliriz.<br>Ancak verimizdeki değişken sayımızın çok sayıda olduğunu ve her değişken hakkında bilgi sahibi olmadığımızı varsayarsak<br>bu şekilde tek tek sorgulamak pek mantıklı olmayacaktır.<br>Bu sebeple de bazı metodlar geliştirmemiz gerekecektir.<br>“titanic” verisetimizdeki kategorik verileri bazı sorgularla bulmaya çalışalım;<br>Öncelikle veritipi kategori olan değişkenlerimizi yakalayalım</p><pre>cat_cols = [col for col in df.columns if str(df[col].dtypes) in [&quot;object&quot;, &quot;category&quot;, &quot;bool&quot;]]<br>&gt;&gt;&gt;<br>[&#39;sex&#39;,<br> &#39;embarked&#39;,<br> &#39;class&#39;,<br> &#39;who&#39;,<br> &#39;adult_male&#39;,<br> &#39;deck&#39;,<br> &#39;embark_town&#39;,<br> &#39;alive&#39;,<br> &#39;alone&#39;]</pre><p>Peki bizim verisetimizde tipi kategorik değişken olmayan, aslında kategorik değişkenlerden oluşan değişkenimiz yok mudur?<br>Bunu bilemeyiz ve varlığını bilemediğimiz için yakalamaya çalışmalıyız.<br>Örneğin: Verisetindeki “Survived” değişkenini incelediğimizde 0 ve 1 verilerinden oluştuğunu ve veritipinin integer olduğunu görüyoruz.<br>Yani hayatta kalanlar ve kalamayanların değerleri.<br>Mantık olarak baktığımızda hayatta kalma durumu bir kategorik değişkendir ve bunu da listemize dahil etmemiz gerekmektedir.<br>Bunu nasıl bir mantık yürüterek yakalayabiliriz? Bu sorunun çok sayıda cevabı olabilir, biz veritipi integer veya float olan ve<br>eşsiz değeri belirli sayının altındaki değişkenleri listeleyerek yakalamaya çalışalım.</p><pre>num_but_cat = [col for col in df.columns if df[col].nunique() &lt; 8 and str(df[col].dtypes) in [&quot;int64&quot;, &quot;float64&quot;]] #8 değerini verisetimize göre biz belirledik<br>&gt;&gt;&gt;[&#39;survived&#39;, &#39;pclass&#39;, &#39;sibsp&#39;, &#39;parch&#39;]</pre><p>Veritipi sayısal olup aslında kategorik olarak değerlendirilmesi gereken değişken olmadığını gördük.<br>Peki kategorik veri tipinde gözüküp kategorik olarak değerlendirilmemesi gereken değişkenler var mıdır?<br>Yani; örneğin isim-soyisim değişkeni anlamlandırılamayacak kadar eşsiz değer taşıdığı için bu değişkeni kategorik olarak modele dahil etmememiz gerekebilir.<br>Bu durumdaki değerlere kardinal değişkenler diyoruz.<br>Kardinal değişken, çok sayıda benzersiz (unique) kategoriye sahip kategorik değişkendir.</p><p>Kardinal = yüksek ayırt ediciliğe sahip değerlerdir</p><p>Düşük Kardinalite<br>Cinsiyet → Erkek, Kadın → 2 farklı değer<br>Eğitim → İlkokul, Lise, Üniversite → 3 değer</p><p>Yüksek Kardinalite (high cardinality)<br>Kullanıcı ID → 10.000 kişi = 10.000 farklı değer<br>E-posta adresi<br>Ürün isimleri<br>IP adresleri</p><p>Onları da yakalamaya çalışalım;</p><pre>cat_but_car = [col for col in df.columns if df[col].nunique() &gt; 15  and str(df[col].dtypes) in [&quot;category&quot;, &quot;object&quot;]] # 15 değerini kendimiz belirledik<br>&gt;&gt;&gt;[]<br><br>cat_cols = cat_cols + num_but_cat #tüm kategorik değişkenleri listeledik<br><br>df[cat_cols] #kategorik değişkenlerimizi yazdırdık<br>&gt;&gt;&gt;<br>        sex embarked   class    who  adult_male deck  embark_town alive  alone  survived  pclass  sibsp  parch<br>0      male        S   Third    man        True  NaN  Southampton    no  False         0       3      1      0<br>1    female        C   First  woman       False    C    Cherbourg   yes  False         1       1      1      0<br>2    female        S   Third  woman       False  NaN  Southampton   yes   True         1       3      0      0<br>3    female        S   First  woman       False    C  Southampton   yes  False         1       1      1      0<br>4      male        S   Third    man        True  NaN  Southampton    no   True         0       3      0      0<br>..      ...      ...     ...    ...         ...  ...          ...   ...    ...       ...     ...    ...    ...<br>886    male        S  Second    man        True  NaN  Southampton    no   True         0       2      0      0<br>887  female        S   First  woman       False    B  Southampton   yes   True         1       1      0      0<br>888  female        S   Third  woman       False  NaN  Southampton    no  False         0       3      1      2<br>889    male        C   First    man        True    C    Cherbourg   yes   True         1       1      0      0<br>890    male        Q   Third    man        True  NaN   Queenstown    no   True         0       3      0      0</pre><p>Bir fonksiyon tanımlayarak elimizdeki kategorik değişkenleri analiz edelim</p><pre>def cat_summary(dataframe, col_name):<br>    print(pd.DataFrame({col_name:dataframe[col_name].value_counts(),<br>                        &quot;Ratio&quot;: 100 * dataframe[col_name].value_counts() / len(dataframe)}))<br>    print(&quot;*************************&quot;)<br><br>cat_summary(df, &quot;sex&quot;) #cinsiyet değişkeninin özetine bakalım<br>&gt;&gt;&gt;<br>        sex      Ratio<br>sex                   <br>male    577  64.758698<br>female  314  35.241302<br>*************************<br><br>for col in cat_cols:<br>    cat_summary(df, col)  #kategorik olarak yakaladığımız tüm değişkenlerin özetlerine bakalım<br>    &gt;&gt;&gt;<br>      embarked      Ratio<br>embarked                     <br>S              644  72.278339<br>C              168  18.855219<br>Q               77   8.641975<br>*************************<br>        class      Ratio<br>class                   <br>Third     491  55.106622<br>First     216  24.242424<br>Second    184  20.650954<br>*************************<br>       who      Ratio<br>who                  <br>man    537  60.269360<br>woman  271  30.415264<br>child   83   9.315376<br>...<br><br><br>def cat_summary(dataframe, col_name, plot = False):<br>    print(pd.DataFrame({col_name:dataframe[col_name].value_counts(),<br>                        &quot;Ratio&quot;: 100 * dataframe[col_name].value_counts() / len(dataframe)}))<br>    print(&quot;*************************&quot;)<br><br>    if plot:<br>        sns.countplot(x=dataframe[col_name], data=dataframe)<br>        plt.show(block=True)<br>cat_summary(df, &quot;sex&quot;, plot=True)</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/634/1*oIuvVPd7GeofTVpo0C8D_w.jpeg" /></figure><p><strong>2.Nümerik Değişken Analizi:</strong><br>Sayısal değişkenlerin analizidir.<br>Öncelikle nümerik sütunları seçelim;</p><pre>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br>pd.set_option(&#39;display.max_columns&#39;, None)<br>pd.set_option(&#39;display.width&#39;, 500)<br>df = sns.load_dataset(&quot;titanic&quot;)<br>df.head()<br>num_cols = [col for col in df.columns if df[col].dtypes in [&quot;int64&quot;, &quot;float64&quot;]]<br>&gt;&gt;&gt;[&#39;survived&#39;, &#39;pclass&#39;, &#39;age&#39;, &#39;sibsp&#39;, &#39;parch&#39;, &#39;fare&#39;]<br><br>num_cols = [col for col in num_cols if col not in catch_cols]<br>&gt;&gt;&gt;[&#39;age&#39;, &#39;fare&#39;]</pre><p>Sayısal değişkenlerimiz için bir fonksiyon yazalım</p><pre>def num_summary(dataframe, num_cols):<br>    quantiles = [0.10, 0.40, 0.70, 0.99]<br>    print(dataframe[num_cols].describe(quantiles).T)<br>num_summary(df, &quot;age&quot;)<br>&gt;&gt;&gt;<br>count    714.000000<br>mean      29.699118<br>std       14.526497<br>min        0.420000<br>10%       14.000000<br>40%       25.000000<br>50%       28.000000<br>70%       36.000000<br>99%       65.870000<br>max       80.000000<br>Name: age, dtype: float64</pre><p>Bu fonksiyonu tüm değişkenlere uygulayalım</p><pre><br>for col in num_cols:<br>    num_summary(df, col)<br>&gt;&gt;&gt;<br>count    714.000000<br>mean      29.699118<br>std       14.526497<br>min        0.420000<br>10%       14.000000<br>40%       25.000000<br>50%       28.000000<br>70%       36.000000<br>99%       65.870000<br>max       80.000000<br>Name: age, dtype: float64<br>count    891.000000<br>mean       0.383838<br>std        0.486592<br>min        0.000000<br>10%        0.000000<br>40%        0.000000<br>50%        0.000000<br>70%        1.000000<br>99%        1.000000<br>max        1.000000<br>Name: survived, dtype: float64<br>count    891.000000<br>mean       2.308642<br>std        0.836071<br>min        1.000000<br>10%        1.000000<br>40%        2.000000<br>50%        3.000000<br>70%        3.000000<br>99%        3.000000<br>max        3.000000<br>...<br></pre><p>Grafikleştirelim</p><pre>def num_summary(dataframe, num_cols, plot=False):<br>    quantiles = [0.10, 0.40, 0.70, 0.99]<br>    print(dataframe[num_cols].describe(quantiles).T)<br>    if plot:<br>        dataframe[num_cols].hist()<br>        plt.xlabel(num_cols)<br>        plt.title(num_cols)<br>        plt.show(block = True)<br>num_summary(df, &quot;age&quot;, plot=True)</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/630/1*RMD1jpnV0QjQBLqWFrseqg.jpeg" /></figure><p><strong>Değişken Yakalama: </strong>bu bölüm ile verisetimizdeki kategorik görünümlü kardinal değişkenleri yakalayıp kategorik ve nümerik değişkenleri listelemeye çalışalım</p><pre>def grab_col_names(dataframe, cat_th = 8, car_th = 15): #eşsiz değer sayısı 8&#39;den küçük olanlar kategorik değişken, 15&#39;ten büyük olanlar kardinal değişken olsun<br>#docstring oluşturalım<br>&quot;&quot;&quot; Verisetindeki kategorik görünümlü kardinal değişkenleri yakalayıp, kategorik ve nümerik değişkenleri listeler<br><br>    Parameters<br>    ----------<br>    dataframe: dataframe<br>        değişken isimleri alınmak istenen dataframe&#39;dir.<br>    cat_th: int, float<br>        nümerik tipte ancak kategorik olan değişkenlerin sınıf eşik değeri<br>    car_th: int, float<br>        kategorik tipte ancak kardinal olan değişkenlerin sınıf eşik değeri<br><br>    Returns<br>    -------<br>    cat_cols: list<br>        Kategorik değişken listesi<br>    num_cols: list<br>        Nümerik değişken listesi<br>    cat_but_car: list<br>        Kategorik tipte ancak kardinal değişken listesi<br><br>    Notes<br>    -------<br>    cat_cols + num_cols + cat_but_car = toplam değişken sayısı<br>    num_but_car , cat_cols&#39;un içerisinde<br>    &quot;&quot;&quot;<br><br>    cat_cols = [col for col in df.columns if str(df[col].dtypes) in [&quot;object&quot;, &quot;category&quot;, &quot;bool&quot;]]<br>    num_but_cat = [col for col in df.columns if df[col].nunique() &lt; 8 and str(df[col].dtypes) in [&quot;int64&quot;, &quot;float64&quot;]]<br>    cat_but_car = [col for col in df.columns if df[col].nunique() &gt; 15  and str(df[col].dtypes) in [&quot;category&quot;, &quot;object&quot;]]<br>    cat_cols = cat_cols + num_but_cat<br>    cat_cols = [col for col in cat_cols if col not in cat_but_car]<br><br>    num_cols = [col for col in df.columns if df[col].dtypes in [&quot;int64&quot;, &quot;float64&quot;]]<br>    num_cols =  [col for col in num_cols if col not in cat_cols]<br><br>    print(f&quot;observations: {df.shape[0]}&quot;)<br>    print(f&quot;variables: {df.shape[1]}&quot;)<br>    print(f&quot;cat_cols: {len(cat_cols)}&quot;)<br>    print(f&quot;num_cols: {len(num_cols)}&quot;)<br>    print(f&quot;cat_but_car: {len(cat_but_car)}&quot;)<br>    print(f&quot;num_but_cat: {len(num_but_cat)}&quot;)<br><br>    return cat_cols, num_cols, cat_but_car&quot;&quot;&quot;<br><br>cat_cols, num_cols, cat_but_car = grab_col_names(df)<br>&gt;&gt;&gt;<br>observations: 891<br>variables: 15<br>cat_cols: 13<br>num_cols: 2<br>cat_but_car: 0<br>num_but_cat: 4<br>Out[7]: <br>([&#39;sex&#39;,<br>  &#39;embarked&#39;,<br>  &#39;class&#39;,<br>  &#39;who&#39;,<br>  &#39;adult_male&#39;,<br>  &#39;deck&#39;,<br>  &#39;embark_town&#39;,<br>  &#39;alive&#39;,<br>  &#39;alone&#39;,<br>  &#39;survived&#39;,<br>  &#39;pclass&#39;,<br>  &#39;sibsp&#39;,<br>  &#39;parch&#39;],<br> [&#39;age&#39;, &#39;fare&#39;],<br> [])</pre><p><strong>3.Hedef Değişken Analizi</strong><br>Bir verisetinde analiz edilen ve verisetini analiz etme hedefi verilen değişkendir.<br>Örneğin müşteri kaybı analizi için churn değişkeni, ev fiyat tahmini verisetinde fiyat….<br>incelediğimiz “titanic” veriseti için hayatta kalma değişkeni(survived) hedef değişkenimizdir</p><pre>for col in df.columns:<br>    if df[col].dtypes == &quot;bool&quot;:<br>        df[col] = df[col].astype(int)<br><br>cat_summary(df, &quot;survived&quot;) #hayatta kalma değişkenini etkileyen durumlar nelerdir sorusuna cevap arıyoruz. O sebeple tek başına bu fonksiyonu çalıştırmak işimize yaramayabilir</pre><p>survived” değişkeninin kategorik değişkenler ile analizi</p><pre><br>df.groupby(&quot;sex&quot;)[&quot;survived&quot;].mean()<br>&gt;&gt;&gt;<br>sex<br>female    0.742038<br>male      0.188908<br>Name: survived, dtype: float64</pre><p>bu sonuca göre cinsiyet ile hayatta kalma arasında bir bağlam olabilir<br>bu işlemi bir fonksiyon ile yapalım</p><pre>def target_summary_with_cat(dataframe, target, categorical_col):<br>    print(pd.DataFrame({&quot;Target_Mean&quot;: dataframe.groupby(categorical_col)[target].mean()}))</pre><p>tüm kategorik değişkenler ile hedef değişkeni çarpıştıralım</p><pre><br>for col in cat_cols:<br>    target_summary_with_cat(df, &quot;survived&quot;, col)<br>&gt;&gt;&gt;<br>Target_Mean<br>pclass             <br>1          0.629630<br>2          0.472826<br>3          0.242363<br>       Target_Mean<br>sibsp             <br>0         0.345395<br>1         0.535885<br>2         0.464286<br>3         0.250000<br>4         0.166667<br>5         0.000000<br>8         0.000000<br>       Target_Mean<br>parch             <br>0         0.343658<br>1         0.550847<br>2         0.500000<br>3         0.600000<br>4         0.000000<br>5         0.200000<br>6         0.000000<br>...</pre><p>”survived” değişkeninin nümerik değişkenler ile analizi</p><pre>df.groupby(&quot;survived&quot;)[&quot;age&quot;].mean() #df.groupby(&quot;survived&quot;).agg({&quot;age&quot;: &quot;mean&quot;}) de kullanabilirdik çıktı daha düzgün görünür<br>&gt;&gt;&gt;<br>survived<br>0    30.626179<br>1    28.343690</pre><p>bu işlemi bir fonksiyon ile yapmaya çalışalım</p><pre>def target_summary_with_num(dataframe, target, numerical_col):<br>    print(dataframe.groupby(target).agg({numerical_col: &quot;mean&quot;}), end =&quot;\n\n\n&quot;)<br>target_summary_with_num(df, &quot;survived&quot;, &quot;age&quot;)</pre><p>tüm kategorik değişkenler ile hedef değişkeni çarpıştıralım</p><pre><br>for col in num_cols:<br>    target_summary_with_num(df, &quot;survived&quot;, col)<br>    &gt;&gt;&gt;<br>    pclass<br>survived          <br>0         2.531876<br>1         1.950292<br>                age<br>survived           <br>0         30.626179<br>1         28.343690<br>...</pre><p><strong>4.Korelasyon Analizi:</strong><br>Birden fazla değişken arasındaki ilişkiyi incelemek için yapılır.<br>Bu ilişki pozitif, negatif olabilir veya ilişki yoktur.</p><p>Korelasyon Katsayısı Anlamı<br>Bu katsayı -1 ile +1 arasında bir değer alır:</p><p>+1 Pozitif ilişki<br>0 Hiçbir ilişki yok<br>-1 Negatif ilişki</p><p>Elimizde meme kanseri ile ilgili bir veriseti var. Verisetinin olduğu csv dosyasını kopyalayıp projenin üzerine yapıştırdık. <br>Ardından aşağıdaki kodu okutarak dosyayı okuduk</p><pre>import numpy as np<br>import pandas as pd<br>import seaborn as sns<br>import matplotlib.pyplot as plt<br>pd.set_option(&#39;display.max_columns&#39;, None)<br>pd.set_option(&#39;display.width&#39;, 500)<br><br><br>df = pd.read_csv(&quot;breast_cancer.csv&quot;)<br>print(df.head())<br>&gt;&gt;&gt;<br>         id diagnosis  radius_mean  texture_mean  perimeter_mean  area_mean  smoothness_mean  compactness_mean  concavity_mean  concave points_mean  symmetry_mean  fractal_dimension_mean  radius_se  texture_se  perimeter_se  area_se  smoothness_se  compactness_se  concavity_se  concave points_se  symmetry_se  fractal_dimension_se  radius_worst  texture_worst  perimeter_worst  area_worst  smoothness_worst  compactness_worst  concavity_worst  concave points_worst  symmetry_worst  \<br>0    842302         M        17.99         10.38          122.80     1001.0          0.11840           0.27760          0.3001              0.14710         0.2419                 0.07871     1.0950      0.9053         8.589   153.40       0.006399         0.04904       0.05373            0.01587      0.03003              0.006193         25.38          17.33           184.60      2019.0            0.1622             0.6656           0.7119                0.2654          0.4601   <br>1    842517         M        20.57         17.77          132.90     1326.0          0.08474           0.07864          0.0869              0.07017         0.1812                 0.05667     0.5435      0.7339         3.398    74.08       0.005225         0.01308       0.01860            0.01340      0.01389              0.003532         24.99          23.41           158.80      1956.0            0.1238             0.1866           0.2416                0.1860          0.2750   <br>2  84300903         M        19.69         21.25          130.00     1203.0          0.10960           0.15990          0.1974              0.12790         0.2069                 0.05999     0.7456      0.7869         4.585    94.03       0.006150         0.04006       0.03832            0.02058      0.02250              0.004571         23.57          25.53           152.50      1709.0            0.1444             0.4245           0.4504                0.2430          0.3613   <br>3  84348301         M        11.42         20.38           77.58      386.1          0.14250           0.28390          0.2414              0.10520         0.2597                 0.09744     0.4956      1.1560         3.445    27.23       0.009110         0.07458       0.05661            0.01867      0.05963              0.009208         14.91          26.50            98.87       567.7            0.2098             0.8663           0.6869                0.2575          0.6638   <br>4  84358402         M        20.29         14.34          135.10     1297.0          0.10030           0.13280          0.1980              0.10430         0.1809                 0.05883     0.7572      0.7813         5.438    94.44       0.011490         0.02461       0.05688            0.01885      0.01756              0.005115         22.54          16.67           152.20      1575.0            0.1374             0.2050           0.4000                0.1625          0.2364   <br>   fractal_dimension_worst  Unnamed: 32  <br>0                  0.11890          NaN  <br>1                  0.08902          NaN  <br>2                  0.08758          NaN  <br>3                  0.17300          NaN  <br>4                  0.07678          NaN  </pre><p>Id ve unnamed yazan değişkeni istemediğimiz için;<br>df = df.iloc[:, 1: -1] kodunu ekleyelim</p><pre>df = df.iloc[:, 1: -1]<br>print(df.head())</pre><p>Nümerik değişkenlerimizi getirelim</p><pre>num_cols = [col for col in df.columns if df[col].dtype in [int, float]]</pre><p>korelasyon hesaplama için corr fonksiyonu kullanılır</p><pre>corr = df[num_cols].corr()</pre><p>ısı haritasını da ayarlayalım</p><pre>sns.set(rc = {&quot;figure.figsize&quot;: (12, 12)})<br>sns.heatmap(corr, cmap = &quot;RdBu&quot;)<br>plt.show()</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/616/1*HT4B-ceIW6X7aTktiaYUJw.jpeg" /></figure><p>Bazı verisetlerinde yüksek korelasyonlu değişkenlerin silinmesi elzem bir durum olabiliyor.<br>Burada ilişkilerin negatif pozitifliği farketmez, o sebeple mutlak değer almalıyız</p><pre>cor_matrix = df.drop(columns=[&#39;diagnosis&#39;]).corr().abs()</pre><p>Bu kodun çıktısı tüm değişkenlerin birbiri ile olan ilişkisini gösteren matris olacaktır.<br>Ancak çıktı aşağıdaki örnekteki gibi tüm karşılaşmaların çift gösterildiği bir matris olacaktır.</p><pre><br>    A        B          C<br>  A 1.00    0.95       0.22<br>  B 0.95    1.00       0.12<br>  C 0.22    0.12       1.00</pre><p>örneğin A ve B’nin ilişkisi 2 kez gösterilmiş. Burada köşegenlerin altını görme diyebiliriz.</p><pre>upper_triangle_matrix = cor_matrix.where(np.triu(np.ones(cor_matrix.shape), k =1).astype(bool))</pre><p>yukarıdaki kodu çalıştırdığımızda verisetimiz şu şekilde görünecektir;</p><pre>      A        B          C<br>  A 1.00    0.95       0.22<br>  B NaN     1.00       0.12<br>  C NaN     NaN        1.00</pre><p>çıktıya istinaden bazı verisetlerinde korelasyonu %90 üstü olan verilerin silinmesi istenebilir. <br>Örneğin B değişkeninin kaldırılması işimizi kolaylaştıracak olabilir. Onu temsil eden A değişkeni var zaten. çok sayıda değişkenimiz varsa bu değişkenleri indirgeyebiliriz.</p><pre>drop_list =[col for col in upper_triangle_matrix.columns if any(upper_triangle_matrix[col] &gt; 0.90)]</pre><p>Çıktı bize B değişkeninin olduğu listeyi getirecektir ve B sütununu drop ederek verisetini sadeleştirmiş oluruz.</p><p>Bu işlemleri bir fonksiyon ile kaydedelim</p><pre>def high_correlated_cols(dataframe, plot = False, corr_th = 0.90):<br>    corr = dataframe.corr()<br>    cor_matrix = df.drop(columns=[&#39;diagnosis&#39;]).corr().abs() #cor_matrix = corr.abs()<br>    upper_triangle_matrix = cor_matrix.where(np.triu(np.ones(cor_matrix.shape), k =1).astype(bool))<br>    drop_list = [col for col in upper_triangle_matrix.columns if any(upper_triangle_matrix[col] &gt; corr_th)]<br>    if plot:<br>        import seaborn as sns<br>        import matplotlib.pyplot as plt<br>        sns.set(rc={&quot;figure.figsize&quot;: (12, 12)})<br>        sns.heatmap(corr, cmap=&quot;RdBu&quot;)<br>        plt.show()<br>    return drop_list<br><br>high_correlated_cols(df)</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d7315a13d07f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python ile Veri Görselleştirme]]></title>
            <link>https://medium.com/@sevgi.yilmaz/python-ile-veri-g%C3%B6rselle%C5%9Ftirme-4003a789f741?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/4003a789f741</guid>
            <category><![CDATA[veri-görselleştirme]]></category>
            <category><![CDATA[matplotlib]]></category>
            <category><![CDATA[seaborn]]></category>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Sun, 29 Jun 2025 23:17:47 GMT</pubDate>
            <atom:updated>2025-06-30T08:42:10.607Z</atom:updated>
            <content:encoded><![CDATA[<p>Seaborn &amp; Matplotlib</p><p><strong>Veri Görselleştirme: MATPLOTLIB &amp; SEABORN</strong></p><p>Matplotlib veri görselleştirme için kült bir kütüphanedir. Seaborn’a göre Low level bir kütüphanedir<br><strong>Matplotlib: </strong>veri görselleştirme kütüphanelerinin çoğu ile etkilşim içindedir</p><p>Kategorik değişkenler için sütun grafiği- Seaborn içerisindeki “countplot” fonksiyonu ile Matplotlib içerisindeki “bar” fonksiyonu ile yapabiliriz<br>Sayısal değişkenler için histogram grafiği veya kutu grafiği(boxplot)- Seaborn içerisindeki “histplot” fonksiyonu ile Matplotlib içerisindeki “hist” fonksiyonu ile yapabiliriz.</p><p><strong>MATPLOTLIB KÜTÜPHANESİ<br>Kategorik Değişken Görselleştirme</strong></p><pre>import matplotlib.pyplot as plt<br>pd.set_option(&#39;display.width&#39;, 500)<br>df = sns.load_dataset(&quot;titanic&quot;)<br>df.head()<br><br>df[&quot;sex&quot;].value_counts().plot(kind = &quot;bar&quot;) #cinsiyet değerlerini saydırır ve bar grafiği olarak gösterir<br>plt.show #print gibi çalışır, grafiği gösterir</pre><p><strong>&gt;&gt;&gt;</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/409/1*rAmrP_UPQnWDNYV7CHnFuQ.png" /></figure><p><strong>Sayısal Değişken Görselleştirme-Histogram</strong></p><pre>plt.hist(df[&quot;age&quot;])<br>plt.show()</pre><p><strong>&gt;&gt;&gt;</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/399/1*PpVcFXnxR3MNABZCYFL3IQ.png" /></figure><p><strong>Sayısal Değişken Görselleştirme-Boxplot</strong></p><pre>plt.boxplot(df[&quot;fare&quot;])<br>plt.show</pre><p><strong>&gt;&gt;&gt;</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*zXXjfxQxI6n1nQ6IPGMQUQ.png" /></figure><p><strong>Matplotlib’in Özellikleri:</strong></p><p>plot özelliği: grafik çizmek için kullanılır</p><pre>x = np.array([1,8])<br>y = np.array([0,150])<br><br>plt.plot(x, y)<br>plt.show()</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/407/1*TPAe_8gX5oRtLhKLDEAPhw.png" /></figure><pre>x = np.array([1,8])<br>y = np.array([0,150])<br><br>plt.plot(x, y, &#39;o&#39;) #o nokta, - çizgi, -- noktalı çizgi ile ifade eder<br>plt.show()</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/469/1*_ahrmuDbT8vvQC8U-6_VMw.png" /></figure><p>marker özelliği: noktaların konumunu belirler</p><pre>y = np.array([13, 28, 11, 100])<br><br>plt.plot(y, marker = &#39;o&#39;) #&#39;o&#39; yerine diğer semboller de kullanılabilir (örn: &#39;*&#39;, &#39;.&#39;, &#39;,&#39;, &#39;x&#39;, &#39;+&#39;, &#39;P&#39;, &#39;s&#39;, &#39;D&#39;, &#39;d&#39;, &#39;p&#39;, &#39;H&#39;, &#39;h&#39;)<br>plt.show</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/405/1*Cq9kbVVj8gerpgB-Pe8KgQ.png" /></figure><p>line özelliği: çizgi özelliklerini belirler</p><pre>y = np.array([13, 28, 11, 100])<br>plt.plot(y)<br>plt.show() #normal çizgi ile grafik çizer</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/472/1*Yjw9MEEyyApOouIV2_VFBw.png" /></figure><p>NOT:</p><ul><li>plt.plot(y, linestyle = ‘dotted’) dotted yerine diğer çizgi özellikleri de kullanılabilir (örn: ‘dashed’, ‘dashdot’)</li><li>plt.plot(y, Linestyle = ‘dotted’, color = ‘r’) r yerine diğer renkler de kullanılabilir (örn: ‘g’, ‘b’, ‘c’, ‘m’, ‘y’, ‘k’, ‘w’))</li></ul><p>Multiple Lines: birden fazla çizgi çizmek için, katmanlı yapı sayesinde birden fazla plt.plot() fonksiyonu kullanabiliriz</p><pre>x = np.array([23, 18, 31, 10])<br>y = np.array([13, 28, 11, 100])<br><br>plt.plot(x)<br>plt.plot(y)<br>plt.show()</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/470/1*2gf0W6v2jRheRCMN900OhA.png" /></figure><p>Labels: grafiğe etiket eklemek için kullanılır</p><pre>plt.tittle(&quot;Bu ana başlıktır&quot;)<br>plt.xlabel(&quot;X ekseni&quot;)<br>plt.ylabel(&quot;Y ekseni&quot;)<br>plt.grid() #grafiğe ızgara ekler<br>plt.show()</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/476/1*eVvXFrt71umxZI_li5Ki9g.png" /></figure><p>Sunplot: birden fazla grafiği bir arada göstermek için kullanılır</p><pre>#plot 1<br>x = np.array([0, 1, 2, 3])<br>y = np.array([3, 8, 1, 10])<br><br>plt.subplot(1, 2, 1) #1 satır, 2 sütun, 1. grafik<br>plt.tittle(&quot;1&quot;)<br>plt.plot(x, y)<br><br>#plot 2<br>x = np.array([0, 9, 12, 8])<br>y = np.array([3, 8, 1, 18])<br><br>plt.subplot(1, 2, 2) #1 satır, 2 sütun, 2. grafik<br>plt.tittle(&quot;2&quot;)<br>plt.plot(x, y)</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/472/1*KyoPb6LPEl5Y50ydjiZvuQ.png" /></figure><p><strong>SEARBORN KÜTÜPHANESİ</strong></p><p><strong>Kategorik Değişken Görselleştirme</strong></p><pre>import pandas as<br>import seaborn as sns<br>from matplotlib import pyplot as plt<br>df = sns.load_dataset(&quot;tips&quot;) #tips veri setini içeri aldık<br>df.head<br><br>df[&quot;sex&quot;].value_counts()<br>sns.countplot(x = df[&quot;sex&quot;], data = df) #x ve data argümanlarının belirtilmesi gerekir<br>plt.show() #cinsiyet değerlerini saydırır ve bar grafiği olarak gösterir</pre><p><strong>&gt;&gt;&gt;</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/465/1*AnWkAmQleF69h8RJXfwgWQ.png" /></figure><p><strong>Sayısal Değişken Görselleştirme-Boxplot</strong></p><pre>sns.boxplot(x = df[&quot;total_bill&quot;])<br>plt.show()</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/464/1*ayaEnwJypST3uJn5d8woTg.png" /></figure><p><strong>Sayısal Değişken Görselleştirme-Histogram</strong></p><pre>df[&quot;total_bill&quot;].hist()<br>plt.show()</pre><p>&gt;&gt;&gt;</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/468/1*4qLYh2NSSZcqjE_YeT-kvA.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4003a789f741" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python — Docstring]]></title>
            <link>https://medium.com/@sevgi.yilmaz/python-docstring-45b0b569d59c?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/45b0b569d59c</guid>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Sat, 24 May 2025 15:23:53 GMT</pubDate>
            <atom:updated>2025-06-30T07:53:24.390Z</atom:updated>
            <content:encoded><![CDATA[<h3>Python — Docstring</h3><p><strong>Docstring: </strong>Fonksiyonlara eklenen bilgi notudur. “”” docstring tanımlaması””” veya ‘’’ docstring tanımlaması’’’ olarak kullanılır.</p><p><strong>help(fonksiyon_ismi) </strong>ile görüntülenir.</p><p>3 temel bölümü vardır ancak ekstra örnek veya not eklemeleri de yapılabilir;</p><blockquote>1- Fonksiyonun ne yaptığı</blockquote><blockquote>2- Argümanları/Parametreleri</blockquote><blockquote>3- Return nedir?</blockquote><blockquote>4- Örnekler eklenebilir.</blockquote><blockquote>5- Diğer Notlar</blockquote><p><strong>NOT-1:</strong> PEP 257 olarak adlandırılan bir standart vardır. Docstring’ler bu standarda uygun yazılıyor olmalıdır.</p><p><em>OpenAI çıktısı:</em></p><p><em>PEP: Python Enhancement Proposal (Python Geliştirme Önerisi)<br> 🔹 257: Docstring formatlama standartlarını tanımlar<br> 🔹 Amaç: Tutarlı, okunabilir, ve anlamlı açıklamalarla kodun belgelenmesini sağlamak</em></p><p>Temel Kurallar şöyledir:</p><p><em>🔹</em>Üç tırnak arasına yazılır</p><pre>&quot;&quot;&quot;Bu bir docstring örneğidir&quot;&quot;&quot;</pre><p><em>🔹</em> İlk satır kısa ve özet bir açıklama olmalıdır</p><pre>def topla(a, b):<br>&quot;&quot;&quot;İki sayıyı toplar.&quot;&quot;&quot;</pre><p><em>🔹</em>Detay bilgi ile özet arasında bir boş satır koyulmalıdır</p><pre>def topla(a, b):<br><br>&quot;&quot;&quot;<br>İki sayıyı toplar.<br><br>Parametreler:<br>a - birinci sayı<br>b - ikinci sayı<br>&quot;&quot;&quot;</pre><p><em>🔹</em>Docstring fonksiyonun,sınıfın,metodun tanımının hemen altına konumlandırılmalıdır</p><pre>def selamla(isim):<br><br>&quot;&quot;&quot;Kullanıcıyı ismiyle selamlar.&quot;&quot;&quot;<br><br>print(f&quot;Merhaba {isim}&quot;)</pre><p>Örnek bir Docstring:</p><pre>def faktoriyel(n):<br><br>&quot;&quot;&quot;<br>n sayısının faktöriyelini hesaplar.<br><br>Args:<br>  n (int): Pozitif bir tam sayı.<br><br>Returns:<br>  int: n faktöriyeli.<br>&quot;&quot;&quot;<br><br>if n == 0:<br>  return 1<br>return n * faktoriyel(n - 1)</pre><p><strong>NOT-2: </strong>Python’da docstring ile açıklama yazmanın 3 farklı yolu vardır. Bunlar birbiri ile benzerdir ancak birkaç küçük farklılıkları vardır.</p><blockquote>1. Google tarzı</blockquote><blockquote>2. Numpy tarzı</blockquote><blockquote>3. reStructuredText(RST / Sphinx) à Bu modelden şimdilik bahsedilmeyecektir.</blockquote><p><strong>Google tarzı</strong></p><p>Basit, okunabilir ve yaygın kullanılan stildir.</p><p>Kolay okunur, Args, Returns, Raises gibi başlıklar içerir.</p><p>Az kompleks projeler için ideal denebilir.</p><p>Örnek:</p><pre>def kare_al(sayi):<br><br>&quot;&quot;&quot;<br>Verilen sayının karesini döndürür.<br><br>Args:<br>  sayi (int or float): Karesi alınacak sayı.<br><br>Returns:<br>  int or float: Sayının karesi.<br>&quot;&quot;&quot;<br>return sayi ** 2</pre><p><strong>Numpy tarzı</strong></p><p>NumPy, SciPy, pandas gibi bilimsel kütüphanelerde tercih edilir.</p><p>Daha detaylıdır.</p><p>Büyük projeler için idealdir.</p><p>Örnek:</p><pre>def kare_al(sayi):<br><br>&quot;&quot;&quot;<br>Verilen sayının karesini döndürür.<br><br>Parameters<br> - - - - - <br>sayi : int or float<br>  Karesi alınacak sayı.<br>Returns<br> - - - -<br>int or float<br>  Sayının karesi.<br>&quot;&quot;&quot;<br>return sayi ** 2</pre><p><strong>NOT-3:</strong>Numpy ve Google tarzı docstring arasındaki görünüşteki temel fark yazım biçimleridir. Ancak kullanım olarak biri basit dokümanlar için kullanılırken diğeri daha kompleks işler için tercih edilir.</p><p><strong>NOT-4: </strong>Pycharm’da kullanmak istediğiniz Docstring yolunu şu şekilde ayarlayabilirsiniz;</p><p>1- Menü → Ayarlar → Arama kutusuna docstring yazın → Tools başlığı altındaki Docstring alanına tıklayın</p><p>2- Docstring format: alanından Numpy veya istediğiniz diğer yollardan birini seçin</p><p>3- Bu sayfayı uygula diyin ve kapatın</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=45b0b569d59c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Python I]]></title>
            <link>https://medium.com/@sevgi.yilmaz/python-i-1047f9299d8c?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/1047f9299d8c</guid>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Sat, 24 May 2025 15:15:16 GMT</pubDate>
            <atom:updated>2025-05-24T16:01:09.831Z</atom:updated>
            <content:encoded><![CDATA[<p>Veri Bilimi için Python Öğreniyoruuz!</p><p><strong>Python: </strong>Nesne yönelimli (OOP), yüksek seviyeli, nispeten kolay anlaşılabilir bir yazılım dilidir. Çoğunlukla veri analizi, yapay zeka uygulamaları gibi güncelliğini koruyan ve bunun gibi birçok alanda kullanılabilir.</p><p><strong>Python dili için gerekli optimum kullanımlar:</strong></p><p><strong>Veri Tipleri</strong></p><p><strong>String (str): </strong>Metinsel ifadeleri tutar.</p><p>“Örnek Metin ” veya ‘ Örnek Metin’ şeklinde kullanılırlar.</p><pre>print(&quot;Örnek Metin&quot;)<br>&gt;&gt;&gt;Örnek Metin</pre><p><strong>Integer (int): </strong>Tamsayı ifadelerini tutar.</p><pre>sayi = 10<br>print(sayi)<br>&gt;&gt;&gt;10</pre><p><strong>Boolean (bool): </strong>True ve False ifadelerini tutar.</p><pre>birinci_deger = True<br>ikinci_deger = False<br><br>print(type(birinci_deger))<br>&gt;&gt;&gt; &lt;class &#39;bool&#39;&gt;</pre><p><strong>Veri Yapıları</strong></p><p><strong>Liste (list): </strong>Birden fazla ve karışık türden veriyi sıralı şekilde tutar. [ ] içerisinde tanımlanır. Veriler değiştirilebilir ve sıralıdır.</p><pre>bos_liste = [ ]<br>sayi_listesi = [1, 2, 3, 4]<br>karisik = [1, &quot;merhaba&quot;, True, 3.14]<br>ic_ice_liste = [[1, 3], [2, 4]]</pre><p><strong>Dictionary (dict): </strong>Bir anahtar(key) ve bir değer(value) ile eşleşerek verileri ilişkilendirmek için kullanılır. Verileri eşleyerek hızlı erişim sağlarlar. { } içerisinde tanımlanır.</p><pre>bos_sozluk = { }<br><br>kişi_bilgileri = {&quot;ad&quot;: &quot;Sevgi&quot;,<br>                  &quot;yas&quot;: 28,<br>                  &quot;sehir&quot;: &quot;İstanbul&quot; }<br>print(kisi_bilgileri[&quot;ad&quot;])<br>&gt;&gt;&gt;Sevgi</pre><p><strong>Tuple: </strong>Listelere benzer ancak verilerin sabit kalması için kullanılır. ( ) içerisinde tanımlanır. Veriler değiştirilemez ve sıralıdır.</p><pre>renkler = (&quot;kırmızı&quot;, &quot;yeşil&quot;, &quot;mavi&quot;)</pre><p><strong>NOT:</strong></p><pre>tek_sayi = (5, ) # Bu bir tuple&#39;dır<br>tek_sayi2 = (5) # Bu sadece bir sayıdır</pre><p><strong>Set: </strong>Küme işlemlerinde kullanılır. Tekrarlı elemanlara izin vermez. ( ) veya { } içerisinde tanımlanırlar. Veriler sırasız ve benzersizdir.</p><pre>bos_kume = set()<br>meyveler = {&quot;erik&quot;, &quot;çilek&quot;, &quot;armut&quot;}</pre><p><strong>NOT:</strong> yinelenen elemanlar çıktıda silinerek yazılır</p><pre>sinav_notlari = {38, 42, 42, 42, 87, 92, 92}<br>print(sinav_notlari)<br>&gt;&gt;&gt;{42, 92, 38, 87}</pre><p><strong>Fonksiyonlar</strong></p><p>Bir fonksiyon, tanımlanan işlemi tekrarlı kullanmak için tanımlanır. Bağımsız iş yapar.</p><p><strong>def + fonksiyon_adı + (parametre1, parametre2):</strong> olarak kullanılır</p><pre>def kare_al(sayi):<br>  return sayi ** 2<br>print(kare_al(4))<br>&gt;&gt;&gt;16</pre><p><strong>NOT:</strong> Sınıf (Class): nesne tanımlama kalıbıdır.</p><p><strong>Class + nesne_adı:</strong> olarak kullanılır.</p><p><strong>Metod:</strong>Bir sınıf içerisinde tanımlanmış fonksiyonlardır.<strong> </strong>Önceden tanımlanmış metodları görmek için <strong>dir(“ ”)</strong> komutunu çalıştırabiliriz.</p><p>String metodları:</p><p><strong>.lower() → </strong>tüm harfleri küçültür</p><p><strong>.upper() →</strong> tüm harfleri büyütür</p><p><strong>.replace(old, new) → </strong>eski değeri yeni değerle değiştirir</p><p>Liste metodları:</p><p><strong>.append(x) → </strong>liste sonuna x elemanını ekler</p><p><strong>.pop([i]) →</strong> listeden i indeksindeki elemanı çıkarır</p><p><strong>.insert(i, x) → </strong>listenin i indeksine x elemanını ekler</p><p><strong>Docstring: </strong>Fonksiyonlara eklenen bilgi notudur. “”” doctstring tanımlası””” veya ‘’’ doctstring tanımlası’’’ olarak kullanılır.</p><p>Doctstring’lerin tanımlaması ve kullanımıyla alakalı detaylı bilgi için şu yazıma göz atabilirsiniz. 👇🏽</p><p><a href="https://medium.com/@sevgi.yilmaz/python-docstring-45b0b569d59c">Python — Docstring</a></p><p><strong>Return: </strong>Kısaca bir fonksiyonun çıktısını<strong> </strong>çağırıldığı yere girdi olarak döndürür. Yani fonksiyonun bir sonuç üretmesini sağlar. Ayrıca bir sonucu başka bir işlemde kullanmamızı sağlar.</p><p><strong>NOT:</strong> Return sonrasındaki kodlar çalışmaz.</p><pre>def topla(a, b):<br>  return a + b #bir sonraki işlemde kullanılmak üzere, a + b işlemini yap ve tut<br>print(topla(3, 5))<br>&gt;&gt;&gt; 8</pre><p>Return olmazsa:</p><pre>def topla(a, b):<br>  sonuc = a + b<br>print(topla(3, 5))<br>&gt;&gt;&gt;None</pre><p><strong>Local &amp; Global Değişkenler</strong></p><p>Local Değişkenler fonksiyon içinde tanımlanırsa sadece o fonksiyon içinde geçerlidir.</p><p>Global Değişkenler fonksiyon dışında tanımlanırsa tüm program boyunca her yerden erişilebilir.</p><p><strong>Koşullar ve Döngüler</strong></p><p><strong>If: </strong>Koşul yapısıdır.</p><p><strong>If + koşul: </strong>olarak çalışır</p><pre>sinav_notu = 47<br><br>if sinav_notu &lt; 55:<br>  print(&quot;dersten kaldınız&quot;)<br>&gt;&gt;&gt;dersten kaldınız</pre><p><strong>Else / Elif</strong></p><p><strong>Else: </strong>if koşullu ifadesinin dışında kalan durumları ifade eder (örnekte verilen notun &gt;= 55 olduğu durumlar gibi)</p><pre>sinav_notu = 67<br><br>if sinav_notu &lt; 55:<br>  print(&quot;dersten kaldınız&quot;)<br>else:<br>  print(&quot;geçtiniz&quot;)<br>&gt;&gt;&gt;geçtiniz</pre><p><strong>Elif: </strong>2’den fazla koşulun olduğu durumlarda ilk if’ten sonra elif denilerek farklı koşullar çalıştırılır.(örnekte verilen koşulun 55’ten küçük, 55’e eşit veya büyük olduğu koşullarının incelenmesi gibi)</p><pre>sinav_notu = 55<br><br>if sinav_notu &lt; 55:<br>  print(&quot;dersten kaldınız&quot;)<br>elif sinav_notu == 55:<br>  print(&quot;sınırdan geçtiniz&quot;)<br>else:<br>  print(&quot;geçtiniz&quot;)<br>&gt;&gt;&gt;sınırdan geçtiniz</pre><p><strong>For &amp; While &amp; Break &amp; Continue</strong></p><p>For: Yinelenebilir, iteratif veri yapısı üzerinde gezinmek için kullanılır.</p><p><strong>for + eleman + in + tanımlı veri: </strong>olarak çalışır</p><pre>for i in range(1, 6):<br>  print(i)<br>&gt;&gt;&gt;1 2 3 4 5</pre><p>While: Program belirli bir koşul doğru (true) olduğu sürece çalışır. Bunu while döngüsü ile sağlarız.</p><p><strong>while + koşul: </strong>olarak çalışır</p><pre>sayi = 1<br><br>while sayi &lt;= 5:<br>  print(sayi)<br>  sayi += 1 #sayı 1&#39;den başlar ve 1 artarak 5 olana kadar dönmeye devam eder</pre><pre>while True:<br>  print(&quot;Bu döngü sonsuz!&quot;) #yalnızca break komutu ile sonlanır</pre><p>Break: Bir döngü içerisindeki break program tarafından görüldüğü anda sonlanır.</p><p>Continue: For ve While döngüleri içerisinde kullanılır. Program Continue gördüğünde o adımı atlayarak çalışmaya devam eder.</p><pre>for sayi in range(1, 6):<br>    if sayi == 3:<br>       continue<br>    print(sayi)<br>&gt;&gt;&gt;1 2 4 5 #sayı 3 olduğunda continue çalıştığı için 3 çıktısı atlanır ve döngüye devam edilir</pre><p><strong>Enumerate() :</strong> liste, tüple veya string gibi yinelenebilir nesnelerin hem indeksini hem o indeksin değerini tutar.</p><pre>for i, harf in enumerate(&quot;SY&quot;):<br>print(i, harf)<br>&gt;&gt;&gt;0 S<br>   1 Y</pre><p><strong>Zip: </strong>Birden fazla yinelebilir nesnenin(liste, tuple, set vs) elemanlarını indekslerine göre eşleştirir.</p><pre>ogrenci = [&quot;Sevgi&quot;, &quot;Mert&quot;]<br>sinav_notu = [42, 78]<br><br>for eleman1, eleman2 in zip(ogrenci, sinav_notu):<br>  print(eleman1, eleman2)<br>&gt;&gt;&gt;Sevgi 42 Mert 78</pre><p><strong>Lambda &amp; Map &amp; Filter &amp; Reduce</strong></p><p>Lambda: Daha önce tanımlanmamış ve anlık tanımlanmak istenen fonksiyonları tanımlar. Yani geçici kullanımlar için idealdir.</p><p><strong>Lambda + argümanlar: fonksiyon işlevi</strong> olarak kullanılır.</p><pre>zam = lambda x, y: (x*y/100) + x<br>print(zam(22000, 20))<br>&gt;&gt;&gt;26400.0</pre><p>Map(): İstenilen işlemi, yinelenebilir nesnenin(liste, tuple, set vs) tüm elemanlarına uygular.</p><pre>a = [1, 2, 3]<br>b = [4, 5, 6]<br><br>sonuc = map(lambda x, y: x + y, a, b)<br>print(list(sonuc))<br>&gt;&gt;&gt;[5, 7, 9]</pre><p>Filter(): map() fonksiyonun yaptığı işlemi yapar ancak sadece true olanları çıktısına alır.</p><pre>sayilar = [1, 2, 3, 4, 5, 6]<br><br>ciftler = filter(lambda x: x % 2 == 0, sayilar)<br>print(list(ciftler))<br>&gt;&gt;&gt;[2, 4, 6]</pre><p>Reduce(): Yinelenebilir nesnenin elemanlarını birleştirerek tek bir sonuç döner. Kullanmak için programa önce “ from functools import reduce” ifadesi girilir.</p><pre>from functools import reduce<br><br>sayilar = [2, 3, 4]<br><br>carpim = reduce(lambda x, y: x * y, sayilar)<br>print(carpim)<br>&gt;&gt;&gt;24</pre><p>Koşullar → mantıksal akışı sağlarken; Döngüler → DRY prensibi için çalışır</p><p><strong>NOT:</strong> DRY Prensibi(Don’t Repeat Yourself): Kod içinde aynı şeyi <strong>tekrar tekrar yazmak yerine bir kez tanımla ve tekrar kullan.</strong></p><p><strong>Comprehensions</strong></p><p>Birden fazla satır ve kod yapısı ile yapılan programları tek satırda yapılmasını sağlayan yani kod blok ve sayısının indirgemeye yarayan yapılardır.</p><p><strong>List Comprehension</strong></p><p>Bir liste üzerinde gezdiğimizi ve gezdiğimiz elemanlara işlemler uyuguladığımızı düşünelim. Aynı zamanda işlem uyguladığımız elemanları bir listede çıktı olarak almak isteyelim;</p><p>Örnek: 1’den 10’a kadar sayıların karelerini içeren bir liste çıktısı istiyoruz..</p><pre>#Uzun Yol:<br><br>kareler = [ ] #boş liste tanımladık<br><br>for i in range(1, 11):<br>  kareler.append(i**2)<br><br>print(kareler)<br>&gt;&gt;&gt;[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]</pre><pre>#Comprehension Yolu:<br><br>kareler = [i**2 for i in range(1, 11)]<br>print(kareler)<br>&gt;&gt;&gt;[1, 4, 9, 16, 25, 36, 49, 64, 81, 100]</pre><p>Örnek: 1’den 10’a kadar sayıların sadece çift olanların karelerini içeren bir liste çıktısı istiyoruz..</p><pre>#Uzun Yol:<br><br>cift_kareler = [ ]<br><br>for i in range(1,11):<br>  if i % 2 == 0:<br>    cift_kareler.append(i**2)<br>print(cift_kareler)<br>&gt;&gt;&gt;[4, 16, 36, 64, 100]</pre><pre>#Comprehension Yolu:<br><br>cift_kareler = [i**2 for i in range(1,11) if i % 2 == 0]<br>print(cift_kareler)<br>&gt;&gt;&gt;[4, 16, 36, 64, 100]</pre><p>NOT: List comprehension’da if koşulu for döngüsünün sonuna yazılır.</p><p>Eğer if ve else <strong>birlikte</strong> kullanılacaksa, bu yapı <strong>for döngüsünün önüne</strong> yazılır.</p><p><strong>Dict Comprehension</strong></p><p>Çıktımızın sözlük olmasını istediğimizi düşünelim;</p><p>Örnek: 1’den 5’e kadar sayıların karelerini içeren bir sözlük oluşturmak istiyoruz..</p><pre>#Uzun Yol:<br><br>kareler = { } #boş dictionary tanımladık<br><br>for x in range(1, 6):<br>  kareler[x] = x ** 2<br>print(kareler)<br>&gt;&gt;&gt;{1: 1, 2: 4, 3: 9, 4: 16, 5: 25}</pre><pre>#Comprehension Yolu:<br><br>kareler = {x: x ** 2 for x in range(1, 6)}<br>print(kareler)<br>&gt;&gt;&gt;{1: 1, 2: 4, 3: 9, 4: 16, 5: 25}</pre><p>Örnek: Sadece çift sayıların karelerini sözlüğe eklemek isteyelim..</p><pre>#Comprehension Yolu:<br><br>cift_kareler ={x: x ** 2 for x in range(1, 6) if x % 2 == 0}<br>print(cift_kareler)<br>&gt;&gt;&gt;{2: 4, 4: 16}</pre><p><strong>BONUS 1:</strong></p><p><em>Metod ve Fonksiyon arasındaki fark nedir?</em></p><p>Fonksiyonlar bağımsızdırlar ancak metodlar nesneye bağlıdır ve bir sınıf içerisinde tanımlanmış fonksiyonlar olarak karımıza çıkar.</p><p><strong>BONUS 2:</strong></p><p><em>Argüman ve Parametre arasındaki fark nedir?</em></p><p>Parametreler fonksiyon tanımlanırken aldığı değişkenlerdir ancak argümanlar fonksiyon çağırılırken<strong> </strong>kullanılan gerçek değerlerdir.</p><pre>#Örnek:<br>#Fonksiyon tanımı: burada a ve b parametrelerdir<br><br>def carpma(a, b):<br>  return a * b<br><br># Fonksiyon çağrısı: 4 ve 5 argümanlardır<br>sonuc = carpma(4, 5)<br>print(sonuc) # Çıktı: 20</pre><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1047f9299d8c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A.1.1. Veritabanı]]></title>
            <link>https://medium.com/@sevgi.yilmaz/a-1-1-veritaban%C4%B1-882b9f39985f?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/882b9f39985f</guid>
            <category><![CDATA[veritabanı]]></category>
            <category><![CDATA[mssql]]></category>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Mon, 07 Apr 2025 13:25:27 GMT</pubDate>
            <atom:updated>2025-04-10T07:22:38.367Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>A.1.1. Veritabanı</strong></p><p><strong>→Veritabanlarının Temel Bileşenleri:</strong></p><p><strong>Veri:</strong> Veritabanı içinde saklanan ham bilgiler (müşteri adı, ürün id, satış adedi vb.)</p><p><strong>Tablolar:</strong> Verilerin düzenli bir şekilde depolanabilmesi için oluşturulması gereken yapılardır. Her tablo, satırlar (kayıtlar) ve sütunlardan (alanlar) oluşur.</p><p><strong>→Veri Tabanı Yönetim Sistemi (DBMS):</strong> Veritabanı ile etkileşim kurmanızı sağlayan yazılım sistemidir. Veritabanına veri eklemek, veri sorgulamak, verileri düzenlemek, güvenliği sağlamak gibi işlemleri yönetir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/606/1*SlCfQfMaMUmonxxkSD8uZw.jpeg" /><figcaption>Şekil 1. Popüler Veritabanı Yönetim Sistemi Örnekleri</figcaption></figure><p><strong>→Veritabanı Türleri:</strong></p><ul><li><strong>İlişkisel Veritabanı (RDBMS):</strong> Veriler tablolarda saklanır ve ilişkiler üzerinden sorgulanır. SQL (Structured Query Language) kullanarak veri ekleme, silme ve sorgulama işlemleri yapılır.</li></ul><p>Örnekler: MySQL, PostgreSQL, Oracle, SQL Server</p><ul><li><strong>NoSQL Veritabanı:</strong> İlişkisel olmayan veritabanlarıdır. Genellikle büyük veri, esneklik ve hız gereksinimlerini karşılamak için kullanılır. Veriler genellikle JSON veya benzeri formatlarda saklanır.</li></ul><p>Örnekler: MongoDB, Cassandra, Redis</p><p>Biz Veritabanı konu başlığı altında MS SQL Server’ın kullanımına değineceğiz ve kısa kısa örnekler vereceğiz.</p><h3>✔️<strong>MS SQL Server konusunda temelden ileri seviye bilgi sahibi olmak isteyenler için öneri;</strong></h3><p><strong>Eğitim Platformu: BTK Akademi</strong></p><p><strong>Eğitimin Adı: Uygulamalarla SQL Öğreniyorum</strong></p><p><strong>Eğitmen: Ömer Faruk Çolakoğlu</strong></p><p><strong>Eğitim Süresi: 10 saat</strong></p><p>Gerekli yüklemelerin tamamlandığı ve çalışma ortamlarının makinelerinizde çalışır durumda olduğunu varsayarak ilk MSSQL çalışmalarımıza ve örneklerimize başlayabiliriz <strong>🐝</strong></p><pre>-- MSSQL&#39;de açıklama satırı &quot;--&quot; ile sağlanır.<br>-- MSSQL Temel Komutları<br>SELECT   --Veriyi ekrana getirmek için kullanılır<br>INSERT   --Var olan tabloya veri eklemek için kullanılır<br>UPDATE   --Tablodaki herhangi bir veriyi güncellemek için kullanılır<br>DELETE   --Tablodaki herhangi bir veriyi komuta bağlı silebilmek için kullanılır<br>TRUNCATE --Bir tablonun içini tamamen boşaltmak(silmek) için kullanılır<br>CREATE   --Olmayan veritabanı veya tablonun oluşturulabilmesi için kullanılır<br>DROP     --Tablo silmek için kullanılır.<br></pre><p><strong>BÖLÜM 1:</strong> Veritabanı oluşturalım ve üzerinde çalışmak için ekrana getirelim;</p><pre>CREATE DATABASE IsAnalizDB;  --F5 ile çalıştıralım<br><br>USE IsAnalizDB;              --Veritabanımızı getirelim</pre><p><strong>BÖLÜM 2:</strong> İlk tablomuzu oluşturalım;</p><pre>CREATE TABLE Customers       (<br><br>CustomerID    INT PRIMARY KEY,<br>Name          NVARCHAR(50),<br>Surname       NVARCHAR(50),<br>City          NVARCHAR(50),<br>RecordDate    DATE           );</pre><p><strong>BÖLÜM 3:</strong> Tablomuza veri ekleyelim;</p><pre>INSERT INTO Customers(CustomerID, Name, Surname, City, RecardDate) VALUES<br><br>(12345, &#39;Sevgi&#39;, &#39;Yılmaz&#39;, &#39;İstanbul&#39;, &#39;2025-04-08&#39;),<br>(12346, &#39;Mert&#39;, &#39;Yılmaz&#39;, &#39;İstanbul&#39;, &#39;2024-05-09&#39;),<br>(32145, &#39;Ayşe&#39;, &#39;Kaya&#39;, &#39;Bursa&#39;, &#39;2025-02-27&#39;),<br>(21345, &#39;Mehmet&#39;, &#39;Kartal&#39;, &#39;Adana&#39;, &#39;2024-08-16&#39;);</pre><p><strong>BÖLÜM 4: </strong>Verilerimizi görüntüleyelim;</p><pre>SELECT * FROM Customers; -- * kullandığımızda tüm satırlar gelir</pre><p>❓Yalnızca Müşteri Soyadı ve Şehir sütunlarını getirmek isteseydik sorgu nasıl olmalıydı?</p><p><em>SELECT CustomerID, City FROM Customers;</em></p><p><strong>BÖLÜM 5:</strong></p><p>❓Bölüm 4&#39;de eğer sadece şehri “İstanbul” olan müşterileri getirmek isteseydik nasıl getirebilirdik?</p><p>Bu sorunun cevabı için, filtreleme ( WHERE ), sıralama( ORDER BY ), gruplama ( GROUP BY ) konularına bakalım;</p><pre>--Verileri filtreleme için WHERE kullanılır<br>--İstanbul&#39;daki müşterileri getirelim <br>SELECT * FROM Customers<br>WHERE City = &#39;İstanbul&#39;;<br><br><br>--Verileri sıralamak için ORDER BY kullanalım<br>--Kayıt tarihine göre en eski müşteriden yeniye doğru sıralayalım<br><br>SELECT * FROM Customers<br>ORDER BY RecordDate DESC; --DESC: Azalan sıralama ASC: artan sıralama<br><br><br>--Verileri gruplamak için GROUP BY kullanılır<br>--Şehir başına kaç müşteri olduğuna bakalım<br>SELECT City, COUNT(*) AS CustomerNumber FROM Customers<br>GROUP BY City;  --Burada City sütunundaki verileri grupla ve City bazlı say dedik</pre><p>❓2024–07–16 tarihinden sonra kayıt olan müşterilerimizi nasıl görebiliriz?</p><p><em>SELECT * FROM Customers WHERE RecordDate &gt; ‘2024–07–16’ ;</em></p><p>❓Müşterilerimizin soyisimlerini A’dan Z’ye doğru sıralayabilir miyiz?</p><p><em>SELECT * FROM Customers ORDER BY Surname ASC;</em></p><p><strong>BÖLÜM 6:</strong></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=882b9f39985f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[A.1. SDLC /Software Development Life Cycle):]]></title>
            <link>https://medium.com/@sevgi.yilmaz/a-1-sdlc-software-development-life-cycle-4e058b8b1ca2?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/4e058b8b1ca2</guid>
            <category><![CDATA[sdlc]]></category>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Mon, 07 Apr 2025 08:31:05 GMT</pubDate>
            <atom:updated>2025-04-14T08:42:42.584Z</atom:updated>
            <content:encoded><![CDATA[<p><strong>A.1. SDLC /Software Development Life Cycle):</strong></p><p><em>Bir İş Analisti’nin kod geliştirmesi beklenmese de ihtiyaca yönelik, kullanılan teknolojilerin çalışma mantığının bilinmesi ve kod geliştirme sürecinde uygulanan geliştirmenin birbiri ile bağlantılarının kurulabilmesi beklenir.</em></p><p><em>Bu konu başlığımızı hazırlamış olduğum bir özet şema ile netleştirelim.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/525/1*NbpzDaogGAWlSqRkKCTirg.png" /><figcaption>Şekil 1. SDLC süreçlerinde İş Analisti’nin rolü</figcaption></figure><p><em>SDLC konu başlığımızdaki bilgi derinliğimiz tabii ki firmaya ve sektöre göre değişiklik gösterecektir. Bu durum sizin çalışmak istediğiniz alana, sektöre vs. göre şekillenecektir.</em></p><p><em>Örneğin: E-Ticaret firmasında çalışan İş analisti ile Bankacılık sektöründe çalışan İş Analisti’nin teknik uzmanlıkları farklılık gösterecektir. Aynı şekilde ERP İş Analisti ve CRM İş Analisti arasında uzmanlık farklılıkları elbette olacaktır.</em></p><p><em>Ancak temel anlamda bir İş Analisti, yetileri gereği birçok sektöre ve arayüze hızlıca adapte olup hakimiyet kurabileceği için uzmanlıklarını değiştirebilir ve şirketlerin ihtiyaçlarını kısa sürede karşılayabilir hale gelecektir.</em></p><p><strong>A.1.1 Veritabanı konu başlığımıza aşağıdaki linkten erişebilirsiniz.</strong></p><p><a href="https://medium.com/@sevgi.yilmaz/a-1-1-veritaban%C4%B1-882b9f39985f">A.1.1. Veritabanı</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4e058b8b1ca2" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[İŞ ANALİZİ KAPSAMI ]]></title>
            <link>https://medium.com/@sevgi.yilmaz/i%CC%87%C5%9F-anali%CC%87zi%CC%87-kapsami-4f9a9359fe9c?source=rss-b24bd50a5998------2</link>
            <guid isPermaLink="false">https://medium.com/p/4f9a9359fe9c</guid>
            <dc:creator><![CDATA[Sevgi Yılmaz]]></dc:creator>
            <pubDate>Wed, 29 Jan 2025 14:47:58 GMT</pubDate>
            <atom:updated>2025-04-14T08:13:08.304Z</atom:updated>
            <content:encoded><![CDATA[<p><strong><em>İŞ ANALİZİ KAPSAMI </em></strong>🔍</p><p><em>Yazımıza İş Analisti’nin en kalıp tanımı ile başlayalım;</em></p><p><em>“İş analisti, iş ihtiyaçlarını analiz ederek, teknik ekiplerle iş birimleri arasında köprü kuran ve doğru çözümlerin geliştirilmesini sağlayan kişidir.”</em></p><p><em>Bu tanımı tecrübe ve araştırmalarıma istinaden biraz daha özelleştirelim;</em></p><p><em>İş analizi kavramı ve bir iş analistinin çalışma alanı, sektör ve firma bazlı değişkenlik gösterebiliyor. Bazen firmalar iş analizinin çalışma alanını süreç analizi, veri analizi gibi çalışma dinamikleri ile karıştırabiliyorlar. Bunun için mülakatlarda detaylı soruyoruz ki sonrasında küçük şoklara uğramayalım. :)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WHz5P8s0L7kW4yHErpcWJw.png" /><figcaption>Şekil 1.1. İş Analizi 8 ana konusu diyagramı</figcaption></figure><p><em>Yukarıdaki şekilde İş Analizi’nin 8 ana konusunu görmekteyiz. Bu konular bir İş Analisti’nin bilmesi gereken miktarda detaylandırılacaktır. Ayrıca bazı teknik alanlarda (uzun arayışlar sonucunda seçerek faydalandığım) kaynaklar da eklenecektir.</em></p><p><em>Belirtilen başlık ve onunla ilişkili alt başlıklara düzenli olarak değinecek ve bilgi sahibi olabileceğiz. Umarım sizler için keyifli ve öğretici bir süreç olur. :)</em></p><p><strong>A.1. SDLC ( Software Development Life Cycle) konu başlığımıza aşağıdaki linkten erişebilirsiniz.</strong></p><p><a href="https://medium.com/@sevgi.yilmaz/a-1-sdlc-software-development-life-cycle-4e058b8b1ca2">A.1. SDLC (Software Development Life Cycle):</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4f9a9359fe9c" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>