Bu projede, Hava Durumu Verilerinin Analizi ve Görselleştirilmesi projesinin detaylarını ve kullanılan veri bilimi adımlarını bu makale tarzı projede bulabilirsiniz. Veri ön işleme ve görselleştirme aşamaları detaylıca incelenmiştir.
Veri Ön İşleme (Data Preprocessing)
1- Veri setini **Pandas** kütüphanesini kullanarak Python’a aktardım. Aktarma esnasında herhangi bir yanlış olup olmadığını csv dosyasının ilk 5 satırını görüntüleyerek kontrol ettim. Bu işlemi yapmak için aşağıdaki kodu kullandım:
import pandas as pds
import matplotlib.pyplot as plt # Düzeltme: Matplotlib kütüphanesi eklendi
# CSV dosyasını oku
dfb = pds.read_csv("weather_dataset_1000.csv")
# İlk 10 satırı görüntüle
print(dfb.head(5))
Kodunu kullandım ve aldığım çıktı;
0 1 2024-10-22 Antalya 22.1 78.0 22.6 Sunny 3.5
1 2 2023-01-25 Adana 31.0 49.0 18.2 Sunny 1.5
2 3 2022-08-19 Istanbul -6.3 81.0 14.1 Cloudy 1.3
3 4 2022-04-03 Antalya -0.9 71.0 4.5 NaN 0.0
4 5 2024-10-13 Istanbul 11.6 62.0 16.0 Rain 0.7
2- Veri setinde eksik veri olup olmadığını kontrol etmek için **`print(dfb.isnull().values.any())`** kodunu kullandım ve aldığım çıktı; **`True`** olması nedeniyle sütunlardaki eksik veri miktarını tespit etmek için **`print(dfb.isnull().sum())`** kodunu kullandım ve aldığım çıktı;
RecordID 0
Date 0
City 0
Temperature_C 30
Humidity_pct 30
WindSpeed_kmh 32
Weather 30
Precipitation_mm 30
Oldu sütun isimlerinin yanında yazan sayılar o sütunda ne kadar veri eksik olduğunu vermektedir. Eksik verilerin giderilmesi için sayısal sütunlarda ortalama ile doldurma, kategorik sütunlarda ise mod alma yöntemi kullanarak veriyi analiz edilebilir hale getireceğim. Kullanacağım ilk yöntemle Temperature_C, Humidity_pct, WindSpeed_kmh ve Precipitation_mm sütunlarındaki verileri ortalama alarak dolduracağım. Eksik verilerin tamamını silmem durumunda veri sayısının azalmasına bağlı yapacağım analizin doğruluk oranı azalacaktır. Doğruluk oranını en üst seviyede tutarak yapabileceğim en mantıklı ve en doğru işlem ortalama ile doldurmak olacaktır. Bunun için;
dfb["Temperature_C"] = dfb["Temperature_C"].fillna(dfb["Temperature_C"].mean())
dfb["Humidity_pct"] = dfb["Humidity_pct"].fillna(dfb["Humidity_pct"].mean())
dfb["WindSpeed_kmh"] = dfb["WindSpeed_kmh"].fillna(dfb["WindSpeed_kmh"].mean())
dfb["Precipitation_mm"] = dfb["Precipitation_mm"].fillna(dfb["Precipitation_mm"].mean())
Kodun kullandım. İlgili sütunlardaki eksikleri giderip gideremediğini kontrol etmek için **`print(dfb.isnull().sum())`** kodunu kullandım ve kodun çalıştığını yani kodun etki ettiği sütunlarda eksik veri kalmadığını çıktıda gözlemledim. Şimdi de kategorik verileri bulunduran **Weather** sütunundaki eksikleri mod alma yöntemiyle gidermek için;
dfb["Weather"]=dfb["Weather"].fillna(dfb["Weather"].mode()[0])
Kodun kullandım. İlgili sütunlardaki eksikleri giderip gideremediğini kontrol etmek için **`print(dfb.isnull().sum())`** kodunu kullandım. Kodun çalıştığını ve artık hiçbir sütunda eksik veri kalmadığını çıktıda gözlemledim.
3- Tekrarlayan (Duplicate) satırları kontrol etmek için;
duplicates = dfb[dfb.duplicated()]
print("Duplicate satır sayısı:", duplicates.shape[0])
Kodunu kullandım ve herhangi bir tekrarlanan yani Duplicate satır olmadığını çıktıda tespit ettim.
Tutarsız değerleri tespit etmek için bir tutarsızlık seviyesi belirlemek gerekir. Belirlediğim tutarsızlık seviyesi kriterleri:
- Sıcaklıkta 999 hatalı değer
- Nem %100’ü aşamaz
- Yağış negatif olamaz
- Nem sütununda 999 hatalı değer
- Rüzgar hızı 999 hatalı
- Yağışta 999 hatalı
Şeklinde belirledim. Bu kriterler doğrultusunda csv dosyasında eksik tutarsız değer var mı yok mu kontrolü için;
mantiksiz_var = (
(dfb["Temperature_C"] == 999).any() or
(dfb["Humidity_pct"] > 100).any() or
(dfb["Precipitation_mm"] < 0).any() or
(dfb["Humidity_pct"] == 999).any() or
(dfb["WindSpeed_kmh"] == 999).any() or
(dfb["Precipitation_mm"] == 999).any()
)
print("Mantıksız değer var mı?:", mantiksiz_var)
Kodunu kullandım ve aldığım çıktı; **`True`** çıktısını aldım ve tutarsız değerlerin normalleştirilebilmesi için;
dfb.loc[dfb["Temperature_C"] == 999, "Temperature_C"] = dfb["Temperature_C"].mean()
dfb.loc[dfb["Precipitation_mm"] < 0, "Precipitation_mm"] = 0
dfb.loc[dfb["Humidity_pct"] > 100, "Humidity_pct"] = 100
dfb.loc[dfb["Humidity_pct"] == 999, "Humidity_pct"] = dfb["Humidity_pct"].mean()
dfb.loc[dfb["WindSpeed_kmh"] == 999, "WindSpeed_kmh"] = dfb["WindSpeed_kmh"].mean()
dfb.loc[dfb["Precipitation_mm"] == 999, "Precipitation_mm"] = dfb["Precipitation_mm"].mean()
print("Mantıksız değerler düzeltildi.")
Kodunu kullandım ve mantıksız (tutarsız) değerleri düzeltmiş oldum.
4- Sayısal sütunların ortalama, medyan, mod, varyans, standart sapma değerlerini tespit etme:
a- Sıcaklık Değerleri
ortalama = dfb["Temperature_C"].mean()
medyan = dfb["Temperature_C"].median()
mod = dfb["Temperature_C"].mode()[0]
varyans = dfb["Temperature_C"].var()
std_sapma = dfb["Temperature_C"].std()
print("Sıcaklık Ortalama :", ortalama)
print("Sıcaklık Medyan :", medyan)
print("Sıcaklık Mod :", mod)
print("Sıcaklık Varyans :", varyans)
print("Sıcaklık Std. Sapma:", std_sapma)
Kodunu kullandım ve sıcaklık sütunu ile ilgili hesaplanan değerler;
- Sıcaklık Ortalama: 15.486769457041305
- Sıcaklık Medyan: 16.0
- Sıcaklık Mod: 20.26110552763819
- Sıcaklık Varyans: 94.25471189564169
- Std. Sapma: 9.708486591412777
b- Nem Değerleri
ortalama = dfb["Humidity_pct"].mean()
medyan = dfb["Humidity_pct"].median()
mod = dfb["Humidity_pct"].mode()[0]
varyans = dfb["Humidity_pct"].var()
std_sapma = dfb["Humidity_pct"].std()
print("Nem Ortalama :", ortalama)
print("Nem Medyan :", medyan)
print("Nem Mod :", mod)
print("Nem Varyans :", varyans)
print("Nem Std. Sapma:", std_sapma)
Kodunu kullandım ve sıcaklık sütunu ile ilgili hesaplanan değerler;
- Nem Ortalama: 65.52494178208114
- Nem Medyan: 65.76884422110552
- Nem Mod: 68.0
- Nem Varyans: 220.75808659340913
- Nem Std. Sapma: 14.85793009114692
c- Rüzgar Hızı Değerleri
ortalama = dfb["WindSpeed_kmh"].mean()
medyan = dfb["WindSpeed_kmh"].median()
mod = dfb["WindSpeed_kmh"].mode()[0]
varyans = dfb["WindSpeed_kmh"].var()
std_sapma = dfb["WindSpeed_kmh"].std()
print("Rüzgar Hızı Ortalama :", ortalama)
print("Rüzgar Hızı Medyan :", medyan)
print("Rüzgar Hızı Mod :", mod)
print("Rüzgar Hızı Varyans :", varyans)
print("Rüzgar Hızı Std. Sapma:", std_sapma)
Kodunu kullandım ve sıcaklık sütunu ile ilgili hesaplanan değerler;
- Rüzgar Hızı Ortalama: 14.949043303121853
- Rüzgar Hızı Medyan: 14.949043303121853
- Rüzgar Hızı Mod: 14.949043303121853
- Rüzgar Hızı Varyans: 57.390626553845664
- Rüzgar Hızı Std. Sapma: 7.575660139806013
d- Yağış Değerleri
ortalama = dfb["Precipitation_mm"].mean()
medyan = dfb["Precipitation_mm"].median()
mod = dfb["Precipitation_mm"].mode()[0]
varyans = dfb["Precipitation_mm"].var()
std_sapma = dfb["Precipitation_mm"].std()
print("Yağış Ortalama :", ortalama)
print("Yağış Medyan :", medyan)
print("Yağış Mod :", mod)
print("Yağış Varyans :", varyans)
print("Yağış Std. Sapma:", std_sapma)
Kodunu kullandım ve sıcaklık sütunu ile ilgili hesaplanan değerler;
- Yağış Ortalama: 1.9911239122441475
- Yağış Medyan: 1.5
- Yağış Mod: 0.2
- Yağış Varyans: 3.419670356354945
- Yağış Std. Sapma: 1.8492350733086762
5- Yazdığım kodun bu aşamasında csv dosyasına bağlı oluşturulabilecek 5 farklı grafik tanımladım. Hangi grafiğin oluşturulacağını 1-5 arasında sayı tuşlayarak siz karar veriyorsunuz;
# Kullanıcıya seçim menüsü göster
print("Hangi grafiği oluşturmak istiyorsunuz?")
print("1 - Sıcaklık Dağılımı (Histogram)")
print("2 - Sıcaklık ve Nem İlişkisi (Scatter)")
print("3 - Rüzgar Hızı Dağılımı (Boxplot)")
print("4 - Günlere Göre Yağış Miktarı (Bar)")
print("5 - Hava Durumuna Göre Ortalama Sıcaklık (Bar)")
secim = input("Seçiminizi 1-5 arasında yapın: ")
# Grafik çizimleri
if secim == "1":
plt.hist(dfb["Temperature_C"], bins=20, color='skyblue', edgecolor='black')
plt.title("Sıcaklık Dağılımı")
plt.xlabel("Sıcaklık (°C)")
plt.ylabel("Frekans")
plt.show()
elif secim == "2":
plt.scatter(dfb["Temperature_C"], dfb["Humidity_pct"], color='orange')
plt.title("Sıcaklık ve Nem İlişkisi")
plt.xlabel("Sıcaklık (°C)")
plt.ylabel("Nem (%)")
plt.show()
elif secim == "3":
plt.boxplot(dfb["WindSpeed_kmh"])
plt.title("Rüzgar Hızı Dağılımı (Boxplot)")
plt.ylabel("Rüzgar Hızı (km/h)")
plt.show()
elif secim == "4":
dfb["Precipitation_mm"].head(30).plot(kind="bar", color='teal')
plt.title("İlk 30 Günlük Yağış Miktarı")
plt.xlabel("Gün")
plt.ylabel("Yağış (mm)")
plt.show()
elif secim == "5":
dfb.groupby("Weather")["Temperature_C"].mean().plot(kind="bar", color='purple')
plt.title("Hava Durumuna Göre Ortalama Sıcaklık")
plt.xlabel("Hava Durumu")
plt.ylabel("Ortalama Sıcaklık (°C)")
plt.show()
else:
print("Geçersiz seçim! Lütfen 1-5 arasında bir değer girin.")
Örnek Grafik Çıktıları
a- Sıcaklık Dağılımı: Ekrana gelen Tuşlama menüsünden 1’i tuşlamanız durumunda karşınıza “Sıcaklık Dağılımı” grafiği çıkacaktır tablo örneği;
b- Sıcaklık ve Nem İlişkisi: Ekrana gelen Tuşlama menüsünden 2’yi tuşlamanız durumunda karşınıza “Sıcaklık Nem İlişkisi” grafiği çıkacaktır tablo örneği;
c- Rüzgar Hızı Dağılımı: Ekrana gelen Tuşlama menüsünden 3’ü tuşlamanız durumunda karşınıza “Rüzgar Dağılımı” grafiği çıkacaktır tablo örneği;
d- 30 Günlük Yağış Miktarı: Ekrana gelen Tuşlama menüsünden 4’ü tuşlamanız durumunda karşınıza “30 Günlük Yağış Miktarı” grafiği çıkacaktır tablo örneği;
e- Ortalama Sıcaklık: Ekrana gelen Tuşlama menüsünden 5’i tuşlamanız durumunda karşınıza “Ortalama Sıcaklık” grafiği çıkacaktır tablo örneği;
