Python JSON Datasıyla Çalışmak

Python JSON Datasıyla Çalışmak

import requests
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np

response = requests.get('URL',
                         auth=('KULLANICI_ADI', 'SIFRE'))

data = response.json()

veriler = data['BASLIK']

df = pd.DataFrame(veriler, columns=['Yil','Ay','KisiSayisi'])

print(df)

yil = df['Yil'].astype(str).astype(int)
ay = df['Ay'].astype(str).astype(int)

df["yeni"] =(yil - yil.min()) * 12 + ay

X=df.iloc[:,-1:].values
y=df.iloc[:,2].values

from sklearn.linear_model import LinearRegression
regres=LinearRegression()
regres.fit(X,y)

sort=df.sort_values(by="yeni")
plt.figure(figsize=(15,8))
plt.scatter(X,y,color="red", label='Gerçek Değerler')
plt.plot(X,regres.predict(X),color='blue', label='Tahmini Değerler')
plt.title("Süt Yardımı Kişi Sayısı Tahmini")
plt.legend()
plt.xlabel("Zaman")
plt.ylabel("Kişi Sayısı")
plt.xticks(sort["yeni"].values, sort["Yil"].astype(str).values +"/"+ sort["Ay"].astype(str).values, rotation=90)
plt.show()


print('2018 Ocak Ayı Tahmini:', int(np.round(np.array(regres.predict(37)),2)))
print('2018 Şubat Ayı Tahmini:', int(np.round(np.array(regres.predict(38)),2)))
print('2018 Mart Ayı Tahmini:', int(np.round(np.array(regres.predict(39)),2)))
print('2018 Nisan Ayı Tahmini:', int(np.round(np.array(regres.predict(40)),2)))
print('2018 Mayıs Ayı Tahmini:', int(np.round(np.array(regres.predict(41)),2)))
print('2018 Haziran Ayı Tahmini:', int(np.round(np.array(regres.predict(42)),2)))
print('2018 Temmuz Ayı Tahmini:', int(np.round(np.array(regres.predict(43)),2)))
print('2018 Ağustos Ayı Tahmini:', int(np.round(np.array(regres.predict(44)),2)))
print('2018 Eylül Ayı Tahmini:', int(np.round(np.array(regres.predict(45)),2)))
print('2018 Ekim Ayı Tahmini:', int(np.round(np.array(regres.predict(46)),2)))
print('2018 Kasım Ayı Tahmini:', int(np.round(np.array(regres.predict(47)),2)))
print('2018 Aralık Ayı Tahmini:', int(np.round(np.array(regres.predict(48)),2)))

Python ile Radar Chart Çizdirme

Python ile Radar Chart Çizdirme

Bu yazıda matplotlib kullanarak radar chart çizdirmeyi anlatacağım.

Veri seti olarak futbolda 10 numara pozisyonunda yer alan futbolcuların özellikleri yer almaktadır. 
Öncelikle veri setimizi çekelim.

dataset = pd.read_csv("onnumara.csv")

Şimdi veri setimizden işimize yarayacak olan kolonları alalım.

cols = [ "savunma", "fiziksel", "hiz", "yaraticilik", "hucum", "teknik", "hava", "zihinsel"]

Şimdi ise veri setimizden Alex de Souza'nın özelliklerini çekelim.

data = dataset.loc[0, cols].values

Aynı zamanda futbolcunun adını da alalım.

name = dataset.loc[0, "name"]

360 dereceyi uygun şekilde bölelim.

angles=np.linspace(0, 2*np.pi, len(cols), endpoint=False) 

Son nokta ile ilk noktayı birleştirelim.

stats=np.concatenate((data,[data[0]]))

angles=np.concatenate((angles,[angles[0]]))

Artık radar chart çizdirebiliriz.

fig = plt.figure()
ax = fig.add_subplot(111, polar=True)
ax.plot(angles, stats, "o-")
ax.fill(angles, stats, alpha=0.25)
ax.set_thetagrids(angles * 180/np.pi, cols)   
plt.title(name)
plt.show()

Çoklu Görselleştime

Şimdi Alex ile Hagi'nin özelliklerini radar chart ile gösterelim.

Natural Language Process

SENTIMENT ANALYSIS (DUYGU ANALİZİ)

Merhaba arkadaşlar,

Bugün ki konumuz python ile yorumların olumlu ya da olumsuz olduğunu anlayan bir model kurmak olacak. Bir e-ticaret sitesi üzerinden kullanıcıların yapmış olduğu yorumları veri seti olarak kullanacağız. Veri seti kullanıcıların ürünlere yapmış olduğu yorumlar ve yorumlara vermiş olduğu yıldızlardan oluşacak. 1 ve 2 yıldızlı yorumlar olumsuz yorum olarak, 4 ve 5 yıldızlı yorumlar olumlu yorum olarak gösterilip, 3 yıldızlı yorumlar ise veri setinden çıkartılacak.

Veri setimiz 243.497 satırdan oluşmaktadır.

Veri setini %80 train (eğitim), %20 test şeklinde ayırıyoruz.Dilersek %70 train, %30 test olarak da ayırabiliriz.

İlk olarak tokenlara ayırma işlemi gerçekleştiriyoruz. Tokenlara ayırma yaparken her yorum kelimelere ayrılacak ve her kelimeye karşılık bir sayı gelecek. Kelime haznemizde en fazla kaç tane kelime olacağını belirliyoruz. Bu sayıyı kendimiz belirliyoruz. Hiç belirtmeyebiliriz de. Ben bu sayıyı 10.000 olarak belirttim. Yani veri setimizde en çok geçen 10.000 kelimeyi tokenlara ayırmış olacağız. Bunun dışında kalan kelimeleri yok sayıyoruz.

Tokenlara ayırma işlemini keras kullanarak yaptım.

Örnek olarak 300. yoruma bakalım

Aynı yorum token olarak nasıl görünüyor ona bakalım.

Obiee 11g Örnek Dashboard

Obiee 11g ile yaptığım örnek bir dashboard

Tüm grafiklerin üzerine tıklandığında detay ekranları açılmaktadır. Burada detay ekranları göstermedim.

Not: Gösterilen veriler tamamen temsilidir.