EduBot 2.0 - Profil 3: Python ile Veri Bilimi (Gün 6-10)

# NumPy ve Pandas temel kullanımı
import numpy as np
import pandas as pd

# NumPy array oluşturma
arr = np.array([1, 2, 3, 4, 5])
print("NumPy Array:", arr)

# Pandas DataFrame oluşturma
data = {'İsim': ['Ali', 'Ayşe', 'Mehmet', 'Zeynep'],
        'Yaş': [25, 30, 35, 40],
        'Şehir': ['İstanbul', 'Ankara', 'İzmir', 'Bursa']}
df = pd.DataFrame(data)
print("\nPandas DataFrame:")
print(df)

import matplotlib.pyplot as plt
import numpy as np

# Veri oluşturma
x = np.linspace(0, 10, 100)
y = np.sin(x)

# Çizgi grafiği oluşturma
plt.figure(figsize=(8, 4))
plt.plot(x, y, label='sin(x)', color='blue', linewidth=2)
plt.title('Sinüs Fonksiyonu Grafiği')
plt.xlabel('X Değerleri')
plt.ylabel('sin(X)')
plt.grid(True)
plt.legend()
plt.show()

# Çubuk grafik örneği
meyveler = ['Elma', 'Portakal', 'Muz', 'Üzüm']
satislar = [45, 30, 55, 20]

plt.figure(figsize=(6, 4))
plt.bar(meyveler, satislar, color=['red', 'orange', 'yellow', 'purple'])
plt.title('Meyve Satışları')
plt.ylabel('Satış Miktarı')
plt.show()

import pandas as pd
import matplotlib.pyplot as plt

# Veri setini yükleme
df = pd.read_csv('https://raw.githubusercontent.com/robotoryo/datasets/main/real_estate.csv')

# İlk 5 satırı görüntüleme
print("İlk 5 Kayıt:")
print(df.head())

# Temel istatistikler
print("\nTemel İstatistikler:")
print(df.describe())

# Sütun bilgileri
print("\nSütunlar ve Veri Tipleri:")
print(df.info())

# Fiyat dağılımı histogramı
plt.figure(figsize=(10, 5))
plt.hist(df['price'], bins=30, color='skyblue', edgecolor='black')
plt.title('Konut Fiyat Dağılımı')
plt.xlabel('Fiyat')
plt.ylabel('Frekans')
plt.show()

# Oda sayısına göre ortalama fiyat
oda_fiyat = df.groupby('bedrooms')['price'].mean()
plt.figure(figsize=(8, 4))
oda_fiyat.plot(kind='bar', color='green')
plt.title('Oda Sayısına Göre Ortalama Fiyat')
plt.xlabel('Oda Sayısı')
plt.ylabel('Ortalama Fiyat')
plt.xticks(rotation=0)
plt.show()

# Korelasyon matrisi
corr = df.corr()

# Isı haritası ile görselleştirme
import seaborn as sns
plt.figure(figsize=(10, 8))
sns.heatmap(corr, annot=True, cmap='coolwarm', center=0)
plt.title('Değişkenler Arası Korelasyon Isı Haritası')
plt.show()

# Eksik veri analizi
import pandas as pd
import numpy as np

# Örnek veri oluşturma
data = {'İsim': ['Ali', 'Ayşe', 'Mehmet', 'Zeynep', 'Can'],
        'Yaş': [25, np.nan, 35, 40, 28],
        'Şehir': ['İstanbul', 'Ankara', np.nan, 'Bursa', 'İzmir']}
df = pd.DataFrame(data)

print("Orijinal Veri:")
print(df)

# Eksik verileri sayma
print("\nEksik Veri Sayısı:")
print(df.isnull().sum())

# Eksik verileri ortalama yaş ile doldurma
df['Yaş'].fillna(df['Yaş'].mean(), inplace=True)

# Kategorik verileri mod ile doldurma
df['Şehir'].fillna(df['Şehir'].mode()[0], inplace=True)

print("\nTemizlenmiş Veri:")
print(df)

# Aykırı değer tespiti
import seaborn as sns
import matplotlib.pyplot as plt

# Örnek veri
np.random.seed(42)
data = np.random.normal(100, 20, 200)
data = np.append(data, [250, 300, -50])  # Aykırı değerler ekleme

# Boxplot ile görselleştirme
plt.figure(figsize=(8, 4))
sns.boxplot(data)
plt.title('Aykırı Değerlerin Tespiti')
plt.show()

# IQR yöntemi ile aykırı değerleri belirleme
Q1 = np.percentile(data, 25)
Q3 = np.percentile(data, 75)
IQR = Q3 - Q1
alt_sinir = Q1 - 1.5 * IQR
ust_sinir = Q3 + 1.5 * IQR

aykirilar = [x for x in data if x < alt_sinir or x > ust_sinir]
print("Aykırı Değerler:", aykirilar)

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# COVID veri setini yükleme
url = 'https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv'
covid_df = pd.read_csv(url)

# Veriyi inceleme
print("Veri Seti Boyutu:", covid_df.shape)
print("\nİlk 5 Satır:")
print(covid_df.head())

# Tarih sütunlarını işleme
# Ülke bazında toplam vaka sayılarını hesaplama
covid_df = covid_df.groupby('Country/Region').sum().reset_index()
covid_df = covid_df.drop(['Lat', 'Long'], axis=1)

# Son 5 günün verilerini görüntüleme
print("\nSon 5 Günün Vakaları:")
print(covid_df.iloc[:, -5:].head())

# En çok vaka görülen 10 ülke
top_10 = covid_df.melt(id_vars=['Country/Region'], 
                      var_name='Tarih', 
                      value_name='Vaka').groupby('Country/Region')['Vaka'].max().nlargest(10)

plt.figure(figsize=(10, 6))
top_10.plot(kind='barh', color='darkred')
plt.title('En Çok COVID-19 Vakası Görülen 10 Ülke')
plt.xlabel('Toplam Vaka Sayısı')
plt.ylabel('Ülke')
plt.gca().invert_yaxis()
plt.show()

# Türkiye'nin vaka artış grafiği
turkey = covid_df[covid_df['Country/Region'] == 'Turkey'].iloc[:, 1:].T
turkey.columns = ['Vaka Sayısı']
turkey.index = pd.to_datetime(turkey.index)

plt.figure(figsize=(12, 6))
plt.plot(turkey.index, turkey['Vaka Sayısı'], marker='o', color='red')
plt.title('Türkiye COVID-19 Vaka Artışı')
plt.xlabel('Tarih')
plt.ylabel('Toplam Vaka Sayısı')
plt.grid(True)
plt.show()

# Günlük yeni vaka sayılarını hesaplama
turkey['Günlük Yeni Vakalar'] = turkey['Vaka Sayısı'].diff()

plt.figure(figsize=(12, 6))
plt.bar(turkey.index, turkey['Günlük Yeni Vakalar'], color='orange')
plt.title('Türkiye Günlük Yeni COVID-19 Vakaları')
plt.xlabel('Tarih')
plt.ylabel('Yeni Vaka Sayısı')
plt.grid(True)
plt.show()

# Hareketli ortalama hesaplama
turkey['7 Günlük Hareketli Ortalama'] = turkey['Günlük Yeni Vakalar'].rolling(window=7).mean()

plt.figure(figsize=(12, 6))
plt.plot(turkey.index, turkey['7 Günlük Hareketli Ortalama'], color='green', linewidth=2, label='7 Günlük Ortalama')
plt.bar(turkey.index, turkey['Günlük Yeni Vakalar'], color='orange', alpha=0.3, label='Günlük Vakalar')
plt.title('Türkiye COVID-19 Günlük Vakalar ve Hareketli Ortalama')
plt.xlabel('Tarih')
plt.ylabel('Vaka Sayısı')
plt.legend()
plt.grid(True)
plt.show()