Learn AI with Python · Ders

Tek Değişkenli Analiz

Tek tek özellikleri anlamak için dağılım grafikleri, histogramlar, kutu grafikleri ve sayım grafikleri.

Tek Değişkenli Analiz, CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.

Tek Değişkenli Analiz Nedir?

Tek değişkenli analiz, bir değişkenin dağılımını anlamak için onu bir seferde tek başına inceler: merkezi, yayılımı, şekli ve alışılmadık değerleri.

Uygun grafik, değişkenin türüne bağlıdır:

Sayısal → histogram, KDE, kutu grafiği, keman grafiği
Kategorik → sayım grafiği (sıklıkların çubuk grafiği)

Grafik Kütüphanelerini Hazırlama

Matplotlib (plt) ve Seaborn (sns) kullanıyoruz. Seaborn, istatistiksel grafikler için daha iyi varsayılanlarla Matplotlib'in üzerine kuruludur.

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

sns.set_theme(style="whitegrid")
df = pd.read_csv("data.csv")

plt.hist ile Histogramlar

Histogram, sayısal değerleri aralıklara böler ve her aralığa kaç değerin düştüğünü sayar. Bir dağılımın genel şeklini ortaya çıkarır.

bins bağımsız değişkeni ayrıntı düzeyini belirler; çok az aralık yapıyı gizler, çok fazla aralık ise gürültü ekler.

plt.hist(df["age"], bins=30, edgecolor="black")
plt.xlabel("Age")
plt.ylabel("Count")
plt.title("Age Distribution")
plt.show()

KDE Grafikleri — Pürüzsüz Yoğunluk

Çekirdek yoğunluk tahmini (sns.kdeplot), dağılımı yaklaşık olarak gösteren pürüzsüz bir eğri çizer; bu eğri, tırtıklı histogram çubuklarına göre daha kolay okunabilir.

Her ikisini de sns.histplot(..., kde=True) ile birleştirerek pürüzsüz eğriyi çubukların üzerine ekleyin.

sns.kdeplot(df["age"], fill=True)
plt.show()

sns.histplot(df["age"], bins=30, kde=True)
plt.show()

Çarpıklığı Fark Etme

Çarpıklık asimetriyi ölçer. Sağa doğru uzanan uzun kuyruk sağa (pozitif) çarpıklık, sola doğru uzanan uzun kuyruk ise sola (negatif) çarpıklık olarak adlandırılır.

Gelir, fiyat ve sayım değerleri genellikle sağa çarpıktır. Çarpıklığı df[col].skew() ile ölçebilirsiniz; 0'dan çok uzak değerler çarpıklığa işaret eder.

print(df["income"].skew())   # e.g. 2.3 -> strong right skew
sns.histplot(df["income"], bins=40, kde=True)
plt.show()

İki Tepeli Dağılımı Fark Etme

İki tepeli bir dağılımda iki tepe bulunur. Bu durum genellikle iki farklı grubun birbirine karıştığına işaret eder (örneğin, tek bir fiyat sütununda iki ürün türü).

KDE grafikleri iki tepeliliği belirgin hâle getirir; iki tümsek arayın. Bu, gizli bir kategorik değişkenin ayrımı açıklayabileceğine dair bir ipucudur.

sns.kdeplot(df["price"], fill=True)
plt.title("Two peaks suggest two subpopulations")
plt.show()

sns.boxplot ile Kutu Grafikleri

Kutu grafiği, medyanı (ortadaki çizgi), çeyrekler arası aralığı (IQR, kutu) ve yaklaşık ~1.5x IQR'a kadar uzanan bıyıkları gösterir. Bıyıkların ötesindeki noktalar aykırı değer olarak işaretlenir.

sns.boxplot(x=df["income"])
plt.title("Income — box plot")
plt.show()

Aykırı Değerler ve IQR Kuralı

Kutu grafiği IQR kuralını kullanır: Bir nokta Q1 - 1.5*IQR değerinin altında veya Q3 + 1.5*IQR değerinin üstündeyse aykırı değerdir.

Aşırı değerleri filtrelemek veya sınırlandırmak için sınırları kendiniz hesaplayabilirsiniz.

q1 = df["income"].quantile(0.25)
q3 = df["income"].quantile(0.75)
iqr = q3 - q1
low, high = q1 - 1.5*iqr, q3 + 1.5*iqr
outliers = df[(df["income"] < low) | (df["income"] > high)]
print(len(outliers), "outliers")

sns.violinplot ile Keman Grafikleri

Keman grafiği, kutu grafiğini yansıtılmış bir KDE ile birleştirir. Her yükseklikteki genişlik yoğunluğu gösterir; böylece şekli ve özet istatistikleri aynı anda görürsünüz.

Keman grafikleri, sıradan bir kutu grafiğinin gizleyebileceği çarpıklığı veya iki tepeliliği ortaya çıkarmak için çok kullanışlıdır.

sns.violinplot(x=df["age"])
plt.title("Age — violin plot")
plt.show()

Kategorik Değişkenler için Sayım Grafikleri

Kategorik sütunlar için sns.countplot kullanın; bu, kategori sıklıklarını gösteren bir çubuk grafiğidir. value_counts() işlevinin görsel karşılığıdır.

Okunabilirliği artırmak için order bağımsız değişkeniyle çubukları sıklığa göre sıralayın.

order = df["city"].value_counts().index
sns.countplot(y="city", data=df, order=order)
plt.title("Records per city")
plt.show()

Doğru Tek Değişkenli Grafiği Seçme

Hızlı karar rehberi:

Sayısal bir sütunun şekli → histogram veya KDE
Aykırı değerler ve çeyreklikler → kutu grafiği
Şekil ve özetin birlikte görülmesi → keman grafiği
Kategori sıklıkları → sayım grafiği

Hızlı Kontrol: Grafik Seçimi

Tek bir sayısal sütunun medyanını, çeyrekliklerini ve aykırı değerlerini görmek istiyorsunuz.

Özet: Tek Değişkenli Analiz

Tek seferde bir değişkeni incelemeyi öğrendiniz:

Dağılımın şekli için plt.hist ve sns.kdeplot
Asimetriyi ölçmek için .skew(); iki tepeliliği görmek için KDE tümsekleri
Aykırı değerleri bulmak için sns.boxplot ve IQR kuralı
Şekli ve özeti birlikte görmek için sns.violinplot
Kategorik sıklıklar için sns.countplot

Sonraki bölümde iki veya daha fazla değişken arasındaki ilişkileri inceleyeceğiz.

Sıkça Sorulan Sorular

“Tek Değişkenli Analiz” dersi ücretsiz mi?

Evet — “Tek Değişkenli Analiz” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.

“Tek Değişkenli Analiz” dersinde ne öğreneceğim?

Tek tek özellikleri anlamak için dağılım grafikleri, histogramlar, kutu grafikleri ve sayım grafikleri. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“Tek Değişkenli Analiz” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?

Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← Learn AI with Python Sayfasına Dön