pandas-data-analyzer

aliemrevezir's avatarfrom aliemrevezir

Pandas kütüphanesi kullanarak veri analizi, veri temizleme, keşifsel veri analizi (EDA) ve görselleştirme işlemlerini gerçekleştirir. Kullanıcı .csv, .xlsx, .json dosyaları paylaştığında veya "veri analizi yap", "pandas kullan", "dataframe oluştur" gibi komutlar verdiğinde bu yeteneği kullanın.

⭐0stars🔀0forks📁View on GitHub🕐Updated Jan 11, 2026
[Data Cleaning]

When & Why to Use This Skill

This Claude skill is a professional-grade data analysis assistant powered by the Python Pandas library. It automates the entire data lifecycle, from importing diverse file formats like CSV, Excel, and JSON to performing sophisticated data cleaning, exploratory data analysis (EDA), and high-quality visualization. By following industry best practices, it helps users transform raw, unorganized data into structured insights and visual reports with clean, efficient, and PEP 8 compliant Python code.

Use Cases

  • Automated Data Cleaning: Efficiently identify and resolve missing values, remove duplicate records, and normalize data types to ensure high-quality datasets for analysis.
  • Exploratory Data Analysis (EDA): Generate comprehensive statistical summaries, correlation matrices, and pivot tables to uncover hidden patterns and business trends.
  • Professional Data Visualization: Create clear and informative charts, including histograms, scatter plots, and time-series graphs using Matplotlib and Seaborn to communicate findings visually.
  • Large-Scale Data Processing: Handle substantial datasets using optimized vectorized operations and memory-efficient techniques like chunking for rapid and reliable performance.
  • Executive Insight Reporting: Transform complex data transformations into concise, actionable executive summaries and Turkish-language reports for stakeholders.
namepandas-data-analyzer
description>

Pandas Veri Analizi Uzmanı

Bu yetenek, Python ve Pandas kütüphanesini kullanarak karmaşık veri setlerini analiz etmenize, temizlemenize ve anlamlı içgörüler çıkarmanıza yardımcı olur.

Analiz İş Akışı

1. Veri Yükleme ve İlk İnceleme

Veri yüklendikten sonra her zaman şu adımları izleyin:

  • Verinin ilk 5 satırını görüntüleyin (df.head()).
  • Veri tiplerini ve eksik değerleri kontrol edin (df.info()).
  • Temel istatistiksel özetleri çıkarın (df.describe()).
  • Sütun isimlerini ve veri formatlarını doğrulayın.

2. Veri Temizleme (Data Cleaning)

Analize başlamadan önce veriyi normalize edin:

  • Eksik verileri (NaN) stratejik olarak doldurun veya temizleyin.
  • Yinelenen satırları kaldırın.
  • Veri tiplerini düzeltin (örneğin: tarih dizelerini datetime nesnesine dönüştürme).
  • Aykırı değerleri (outliers) tespit edin ve raporlayın.

3. Keşifsel Veri Analizi (EDA)

Verideki kalıpları bulun:

  • groupby() ve pivot_table() kullanarak veriyi özetleyin.
  • Değişkenler arasındaki korelasyonu inceleyin.
  • Önemli trendleri ve sapmaları belirleyin.

4. Görselleştirme

Bulguları görselleştirirken matplotlib veya seaborn kullanın:

  • Dağılımlar için Histogram veya Box Plot.
  • İlişkiler için Scatter Plot.
  • Zaman serileri için Line Plot.
  • Kategorik karşılaştırmalar için Bar Plot.

Uygulama Kuralları

  • Türkçe Raporlama: Analiz sonuçlarını ve yorumları her zaman Türkçe olarak sunun.
  • Kod Kalitesi: Yazılan Python kodlarının temiz, yorumlanmış ve PEP 8 kurallarına uygun olmasını sağlayın.
  • Performans: Büyük veri setleri için vektörel operasyonları tercih edin, for döngülerinden kaçının.
  • Hata Yönetimi: Dosya okuma veya veri tipi dönüşümlerinde try-except blokları kullanarak hataları yönetin.

Örnek Kullanım

Senaryo: Satış Verisi Analizi

Kullanıcı bir sales.csv dosyası verdiğinde:

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

# 1. Veriyi Yükle
df = pd.read_csv('sales.csv')

# 2. Temel Bilgiler
print(df.info())

# 3. Analiz: Aylık Toplam Satış
df['Date'] = pd.to_datetime(df['Date'])
monthly_sales = df.groupby(df['Date'].dt.to_period('M'))['Amount'].sum()

# 4. Görselleştirme
plt.figure(figsize=(10, 6))
monthly_sales.plot(kind='bar')
plt.title('Aylık Toplam Satışlar')
plt.show()

Dikkat Edilmesi Gerekenler

  • Bellek sınırlarını zorlamamak için çok büyük dosyalarda chunksize kullanmayı değerlendirin.
  • Veri setinde gizli kalmış (hidden) eksik değerleri (boş stringler, "NULL" metinleri vb.) kontrol edin.
  • Analiz sonunda mutlaka yönetici özeti (Executive Summary) niteliğinde 3-4 maddelik Türkçe içgörü paylaşın.