• Hack kategorilerindeki birçok içerik Gizli içeriktir yani sadece cevap yazarakı erişebileceğiniz türden içeriklerdir, ancak yeni üyelerin hack kategorilerine cevap yazması engellenmiştir ! spam ve sömürüye karşı bir tedbirdir, forumumuza katkı sunarsanız rütbeniz kısa sürede yükselir ve tüm forumu engelsiz kullanabilirsiniz.

Python ile Data Analizi Yapma

Kodlar ve veriler tamamen bana aittir. Özgün bir içeriktir. Bir benzerini internette bulabileceğinizi sanmıyorum.
Öncelikle Anaconda ile çalışmaktayım. Eğer null olarak python kullanıyorsanız belli kütüphaneleri indirmeniz gerekmektedir;
- Numpy
- Pandas
-Mathplotlib
-SeaBorn

Şimdi datamı sizinle paylaşacağım ve bu data üzerinden analiz yapacağız. Aslında bu temel birazda sql mantığının pyhton üzerindeki yeridir.
Data Dosyası indirdikten sonra aynı klasör üzerinde Jupyter Notebook ile devam edeceğiz.

Kod:
import numpy as np #Kütüphaneleri çağırıp kısaltmaları veriyoruz
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

yolcu_df = pd.read_csv("titanic.csv") #Datamızı okuma komudu ekliyoruz. Bundan sonra yolcu_df değeri sürekli data okuyacaktır.

yolcu_df.info() #Data hakkında bilgi

yolcu_df.describe() #Tablonun İstatistik Bilgisi

yolcu_df=yolcu_df.drop(['PassengerID','Name','SexCode'],axis=1) #Yolcunun Adı, SexCodu, ID si çıkarıldı. 'drop' fonksiyonu ile

yolcu_df.head() #Çıkarıldıktan Sonra İlk 5 Satır Görüntülendi

erkek_yolcu = yolcu_df[yolcu_df['Sex']== 'male']  #Erkek_yolcu değeri atandı
kadın_yolcu = yolcu_df[yolcu_df['Sex']== 'female'] #Kadın_yolcu değeri atandı

cocuk_yolcu = yolcu_df[yolcu_df['Age'] < 16] #Çocuk_yolcu Değeri Atandı
erkek_cocuk_yolcu = cocuk_yolcu[cocuk_yolcu['Sex'] == 'male'] #Erkek_Çocuk_Yolcu Değeri Atandı
kadın_cocuk_yolcu = cocuk_yolcu[cocuk_yolcu['Sex'] == 'female'] #Kadın_Çocuk_Yolcu Değeri atandı

yetiskin_erkek_yolcu = erkek_yolcu.drop(erkek_cocuk_yolcu.index[:]) # Yetişkin erkek yolcu öğrenilsin diye çocuk erkek yolcular çıkarıldı.
yetiskin_kadın_yolcu = kadın_yolcu.drop(kadın_cocuk_yolcu.index[:]) # Yetişkin erkek yolcu öğrenilsin diye çocuk erkek yolcular çıkarıldı.

x = [len(erkek_yolcu), len(kadın_yolcu)] #İlk tablo
label = ['Male', 'Female']
plt.pie(x, labels = label, autopct = '%1.01f%%')
plt.title('Yolcuların Cinsiyet Grafiği')
plt.show()

def yas_problemi(x): # Bu fonksiyonda cocuk genç yetişkin olarak sınıflandırma yapıldı
    if x>=0 and x <16:
        return 'Cocuk'
    elif x>=16 and x<=24:
        return 'Genc'
    else:
        return 'Yetiskin'
        
yolcu_df['Age'].apply(yas_problemi).value_counts() # Burada Tam Anlamıyla Yaş Aralıkları Belli Olmuştur

yolcu_df['Age'].apply(yas_problemi).value_counts().plot(kind='pie', autopct='%1.0f%%') # Belli olan yaş grafiği ile grafik olarak çıktı alıyoruz
plt.title('Yolcuların Yas Ortalaması')
plt.show()

print ('Yetişkin erkek yolcuların yaş ortalaması:', yetiskin_erkek_yolcu['Age'].mean()) #Yaş Ortalaması Alınmıştır
print ('Yetişkin kadın yolcuların yaş ortalaması:', yetiskin_kadin_yolcu['Age'].mean())
print ('Çocuk yolcuların yaş ortalaması:', cocuk_yolcu['Age'].mean())

yolcu_df['PClass'].value_counts() #Yolcuların Hangi Sınıflardan Oluştuğu görüntülenmiştir.

yolcu_df['PClass'].value_counts().plot(kind='barh', color='green', figsize=[16,4]) #Yolcuların Hangi Sınıflardan Oluştuğunun Grafik Çıktısıdır.
plt.xlabel('Sıklık')
plt.ylabel('Yolcu sınıfı')
plt.show()

yolcu_df['Survived'].value_counts() # Yaşayan ve ölen yolcuların sayısı

yolcu_df['Survived'].value_counts().plot(kind='bar', title='Hayatta Kalma') # Yaşayan ve ölen yolcuların grafik çıktısı
plt.xlabel('0= Ölü  1= Hayatta')
plt.ylabel('Sıklık')
plt.show()

yolcu_df.groupby('Sex')['Survived'].value_counts() # Yaşayan ve ölen yolcuların cinsiyetine göre değerleri

yolcu_df.groupby('Sex')['Survived'].value_counts().plot(kind='bar', stacked=True, colormap='winter') # Yaşayan ve ölen yolcuların cinsiyetine göre değerleri grafik çıktısı
plt.show()

cinsiyet_hayattakalma = yolcu_df.groupby(['Sex', 'Survived']) # Yaşayan ve ölen yolcuların cinsiyetine göre değerleri grafik çıktısı farklı version
cinsiyet_hayattakalma.size().unstack().plot(kind='bar', stacked=True, colormap='winter')
plt.ylabel('Sıklık')
plt.title('Cinsiyete Göre Hayatta Kalma')
plt.show()

print ('Hayatta kalan yetiskin kadın yolcular:', yetiskin_kadin_yolcu['Survived'].mean())
print ('Hayatta kalan yetiskin erkek yolcular:', yetiskin_erkek_yolcu['Survived'].mean())

sınıf_hayattakalma = yolcu_df.groupby(['PClass', 'Survived'])

sınıf_hayattakalma.size()

sınıf_hayattakalma.size().unstack()

sınıf_hayattakalma.size().unstack().plot(kind='bar', stacked=True, colormap='autumn')
plt.xlabel('1st = Üst Seviye,   2nd = Orta Seviye,   3rd = Düşük Seviye')
plt.ylabel('Sıklık')
plt.title('Ölen veya Yasayan Yolcuların Sınıfları')
plt.show()
Python ile sormak istediğiniz başka konular var ise post altına yazarsanız sevinirim. Since 2005
 
Bunun Dark tarafı yani ben Kekır olacam oradan bir kaç tüyo ver dersen;
1- Uzaktan veri almana yardımcı olur ancak benim yaptığım kodlama tamamen alınmış veriler üzerinden hazır db ancak link üzerinden de aynı şekilde çekebilirsin.
2- Alınan data üzerinde çok rahat oynamalar yapılır. Örneğin shell attınız bir servera (Linux) oradan gene rahatça oynamalar yapılır. Bypass mantığı işler. Denenmiştir çok tehlikelidir 😂🤣
3- Bunlar temeldir priv olarak veremediğim çok şey var ancak basit mantığı anlayıp oradan geliştirebilirsiniz kendinizi.
4- Çok konuştum ve susuyorum.
 
Üst