Jupyter Notebook ile Veri Analizi: Kurulumdan Çalışma Akışına

Jupyter Notebook nedir?

Jupyter Notebook, tarayıcıda çalışan etkileşimli bir belgedir. Bir notebook'ta kod, kodun çıktısı (tablo, grafik, hata mesajı) ve açıklayıcı metin aynı yerde durur. Veri analizinde bu çok işe yarar: bir veri kümesini yüklersiniz, ilk birkaç satıra bakarsınız, bir sütunu temizlersiniz, sonucu görürsünüz ve bir sonraki adıma geçersiniz. Her adımın çıktısı hemen altındadır; böylece analiz yalnızca bir kod dosyası değil, anlatılmış bir çalışma olur.

Notebook dosyaları .ipynb uzantısıyla kaydedilir. Resmî belgeye göre bu dosyalar JSON biçimindedir, yani düz metindir; sürüm kontrolünde tutulabilir ve paylaşılabilir. Arayüz tarayıcıda açılır, kod ise bilgisayarınızda ya da bir sunucuda çalışan çekirdekte yürütülür. Varsayılan çekirdek Python çalıştırır.

Notebook her iş için ideal değildir. Keşif, deney, görselleştirme ve sonuçları anlatmak için çok uygundur; uzun süre çalışacak üretim süreçleri, zamanlanmış işler ve büyük yazılım projeleri için ise düzenli Python dosyaları ve paketler daha sağlamdır.

Kurulum ve ilk açılış

Jupyter Notebook'u kurmanın iki yolu vardır. İlk yol Anaconda'dır: Python'u, Jupyter Notebook'u ve yaygın veri bilimi paketlerini birlikte kurar. Resmî belge, yeni başlayanlar için bunu önerir. Anaconda'nın indirme sayfasındaki yönergeleri izleyip kurulumu tamamlamanız yeterlidir.

İkinci yol pip'tir ve Python'u zaten bilenlere uygundur. Önce pip'i güncelleyin, sonra Jupyter'i kurun:

python -m pip install --upgrade pip python -m pip install jupyter

Her iki yolda da açılış komutu aynıdır. Bir terminal ya da komut istemi açın ve çalışmak istediğiniz klasöre gidin; ardından şunu yazın:

jupyter notebook

Komut, tarayıcıda dosya listesi olan bir sayfa açar. Buradan yeni bir Python notebook'u oluşturursunuz. Kullanılacak Python sürümü, kurduğunuz Notebook sürümüne bağlıdır; hata alıyorsanız belgede ilgili sürümün gerektirdiği Python'u kontrol edin.

Çalışma klasörünü bilinçli seçin: notebook'un veriye göreli yolla ulaşabilmesi için veri dosyalarını notebook ile aynı klasöre ya da bir alt klasöre koymak işleri kolaylaştırır. Projeler için ayrı sanal ortam kullanmak, paket sürümlerini ayırmanın en temiz yoludur.

Hücreler, çekirdek ve kısayollar

Notebook üç hücre türü sunar. Kod hücreleri, çekirdekte çalışan kodu taşır ve çıktısı hücrenin altında görünür. Markdown hücreleri başlık, liste, vurgu ve matematiksel gösterim içeren biçimlendirilmiş metin yazmak içindir; çalıştırıldığında düzgün metne dönüşür. Ham (raw) hücreler ise değerlendirilmez; dönüştürme araçlarına olduğu gibi geçer.

İki mod vardır. Komut modunda (Esc ile girilir) hücreleri yönetmek için kısayolları kullanırsınız. Düzenleme modunda (Enter ile girilir) hücrenin içinde yazarsınız. Hücreyi çalıştırmak için Shift ve Enter tuşlarını birlikte kullanın: hücre çalışır, çıktı görünür ve imleç alttaki hücreye geçer; son hücredeyseniz yeni hücre açılır. Tüm kısayolları Yardım menüsündeki klavye kısayolları listesinde görürsünüz.

Çekirdek, notebook'un belleğidir. Bir hücrede tanımladığınız değişken, başka hücrede de kullanılabilir. Çekirdek, tarayıcı penceresini kapatsanız da çalışmaya devam eder ve notebook'u yeniden açtığınızda bağlanır. Uzun süren bir hesaplamayı Kernel menüsünden kesebilir (Interrupt), çekirdeği baştan başlatabilirsiniz (Restart). Bellek sorunu olduğunda ya da şüpheli bir durum varsa yeniden başlatmak çoğu zaman en temiz çözümdür.

Veri analizinde tipik akış

Notebook'ta bir veri analizi çoğu kez şu sırayı izler. Önce kütüphaneleri içe aktarırsınız. Ardından veriyi okur, ilk satırlarına ve özetine bakarsınız. Sonra temizlik yapar, istatistik ve gruplamalarla soruları yanıtlar, görselleştirir ve bulguları markdown hücrelerinde yorumlarsınız.

Örnek bir akış:

import pandas as pd df = pd.read_csv("satislar.csv") df.head() df.describe() df.groupby("bolge")["tutar"].sum()

İlk hücre kütüphaneyi yükler, ikinci hücre CSV'yi okur, sonrakiler ilk satırlara, özet istatistiklere ve bölgeye göre toplamlara bakar. Hücrenin son satırındaki ifade, çıktı olarak otomatik gösterilir; bu yüzden tabloyu yazdırmak için ayrıca bir komut gerekmez.

Her bölüme markdown hücresiyle bir başlık ve kısa bir açıklama ekleyin: ne soruyorsunuz, ne buldunuz, sonraki adım ne? Bu notlar, notebook'u bir hafta sonra açtığınızda ya da bir meslektaşınıza verdiğinizde işe yarar. Grafik için çizim kütüphaneleri hücre çıktısı olarak şekli doğrudan notebook'ta gösterir.

Notebook'u düzenli ve tekrarlanabilir tutmak

Notebook'un en büyük tuzağı, hücrelerin istediğiniz sırada çalıştırılabilmesidir. Çekirdek durumu hatırladığı için, bir hücreyi silseniz bile oluşturduğu değişken bellekte kalır ve sonraki hücre çalışmaya devam eder. Notebook'u kaydedip başkasına gönderdiğinizde ise kod baştan çalıştırılır ve hata verir. Bu yüzden önemli bir adım atmadan önce ve paylaşmadan önce çekirdeği yeniden başlatıp tüm hücreleri baştan sona çalıştırın.

Birkaç düzen alışkanlığı da sorunu azaltır. Kütüphane yüklemelerini ilk hücrede toplayın. Dosya yollarını ve parametreleri bir hücrede başta tanımlayın. Uzun hücreleri anlamlı parçalara bölün. Tekrar kullanılan mantığı fonksiyona çevirin. Notebook çok büyüdüyse fonksiyonları ayrı bir Python dosyasına taşıyıp içe aktarın. Çıktıları temizleyerek kaydetmek, dosyanın sürüm kontrolünde okunabilir kalmasını sağlar.

Gizli bilgilere dikkat edin: parola ve erişim anahtarlarını notebook hücrelerine yazmayın; çıktılar da dosyaya kaydolduğu için hassas veri içeren çıktıları paylaşmadan önce temizleyin. Üretime gidecek kodu notebook'ta bırakmak yerine düzenli betiklere taşımak da yaygın bir uygulamadır.

Sık yapılan hatalar

• Çekirdeğe güvenmek: hücre sırası bozulduğunda sonuçlar tutarsızlaşır; paylaşmadan önce baştan çalıştırın.
• Her şeyi tek hücreye yazmak: hata ayıklamak zorlaşır, çıktı okunmaz.
• Açıklama yazmamak: birkaç hafta sonra kendi notebook'unuzu anlamak güçleşir.
• Dosya yollarını mutlak yazmak: başka bir bilgisayarda çalışmaz; göreli yol kullanın.
• Büyük çıktıları kaydetmek: dosya şişer ve sürüm kontrolü zorlaşır.
• Parola ve anahtarları hücreye yazmak: dosya paylaşıldığında sızar.
• Notebook'u üretim aracı yapmak: zamanlanmış ve kritik işler için düzenli betikler daha güvenlidir.
• Sanal ortam kullanmamak: farklı projelerin paket sürümleri birbirini bozar.
• Uzun hesaplamayı kesmeyi bilmemek: arayüz donmuş görünüyorsa çekirdeği kesmek ya da yeniden başlatmak gerekir.

Bu beceriyi Mindset programlarında nerede çalışırsınız?

Data Science Bootcamp, Python'a giriş, veri yapıları ve veri edinimi ve çıkartma başlıklarıyla notebook ortamında veriyle çalışma alışkanlığını kazandırır. Veri Bilimi Sertifika Programı ise Python ve araçlar, NumPy ve Pandas ile veri analizi ve görselleştirme modüllerini içerir. Veri analistliği ve veri bilimine yeni başlayanlar için bu başlıklar, notebook'u gerçek bir analiz akışında kullanmanın yolunu açar.