Python ile Yerel Veri Analizi Düzeni: Positron'da Adım Adım Çalışma Akışı
Python ve Veri Analizi

Python ile Yerel Veri Analizi Düzeni: Positron'da Adım Adım Çalışma Akışı

12 Kasım 20269 dakikalık okuma

Verinin kendi bilgisayarınızdan çıkmadığı bir Python veri analizi düzeni: uv ile kurulan ortam, Positron'da hücre hücre çalışma, küçük testler ve yerel yapay zekâ modelleri. Tüm örnekler sentetik veriyle hazırlandı; her adım ekran görüntüleriyle gösteriliyor.

Bu düzen neyi çözüyor?

Tez ve makale analizlerinde zaman kaybettiren şeyler hep aynıdır: hangi dosyanın son sürüm olduğunu bilememek, bir sayının hangi adımdan geldiğini hatırlayamamak ve veriyi kimlerin görebileceğinden emin olamamak. Bu yazıdaki düzen üçünü birden ele alır. Veri ve analiz kodu kendi bilgisayarınızda durur, her adım ayrı bir hücrede yazıldığı için izlenebilir, küçük testler de yardımcı işlevlerin doğru çalıştığını denetler. Çalışma ortamı olarak Positron kullanıyoruz. Positron, Posit şirketinin Python ve R için geliştirdiği, veri bilimine odaklı bir tümleşik geliştirme ortamıdır (IDE, integrated development environment). Visual Studio Code'un açık kaynak çekirdeği üzerine kuruludur; kodun yanında değişkenleri, grafikleri ve tabloları aynı pencerede gösterir. Aşağıdaki örneklerde tamamen sentetik (uydurma) veri kullanıldı; sayıların bilimsel bir anlamı yoktur, amaç akışı göstermektir.

1. Adım: Python ortamını uv ile kurun

uv, Python sürümünü, paketleri ve proje ortamını tek araçla yöneten hızlı bir komut satırı aracıdır. Önce uv'yi resmî yönergeyle kurun (docs.astral.sh/uv), sonra şu komutları çalıştırın. Paketler projenin kendi .venv klasörüne kurulur; bilgisayarınızdaki diğer Python kurulumlarına dokunulmaz. pandas veri tablolarını, pyarrow ve openpyxl hızlı dosya okuma yazmayı ve Excel dosyalarını, matplotlib grafikleri; scipy, statsmodels ve pingouin istatistiksel testleri sağlar. ruff kod denetçisi, pytest test aracı, ipykernel ise Positron'un Python oturumunu çalıştıran çekirdektir.

uv python install 3.12
uv init veri-analizi
cd veri-analizi
uv add pandas pyarrow openpyxl matplotlib scipy statsmodels pingouin
uv add --dev ruff pytest ipykernel

2. Adım: Klasörü Positron'da açın

Positron'da File menüsünden Open Folder ile proje klasörünü açın. Positron klasördeki .venv ortamını kendiliğinden bulur; sağ üstteki yorumlayıcı seçicide "Python 3.12 (uv: veri-analizi)" gibi bir etiket görürsünüz. Etiket farklıysa seçiciye tıklayıp projenizin .venv ortamını elle seçin. Kısa süre sonra altta Console, sağda Variables ve Plots bölmeleri dolmaya başlar.

Kod düzenleyici (üstte), konsol (altta), Variables ve Plots bölmeleri (sağda). Veri sentetiktir.

3. Adım: Kodu hücre hücre çalıştırın

Dosyada # %% ile başlayan her satır yeni bir hücre açar. Hücrenin üstünde beliren Run Cell bağlantısı yalnızca o bölümü çalıştırır; sonuç hemen konsolda görünür. Böylece veriyi yüklemek, temizlemek, özetlemek ve çizmek ayrı hücrelerde yaşar; bir adımı değiştirdiğinizde tüm betiği baştan çalıştırmanız gerekmez. Örnek dosyada ilk hücre veriyi yükleyip temizler, ikincisi eksik veri özeti çıkarır, üçüncüsü grafik çizer.

4. Adım: Değişkenlere, grafiğe ve tabloya birlikte bakın

Positron'un en kullanışlı yanı, kodu yazarken sonucu da görmenizdir. Variables bölmesi oturumdaki veri tablolarını, işlevleri ve değişkenleri listeler. Veri tablosunun yanındaki tablo simgesine tıklarsanız Data Explorer açılır: satır ve sütun sayısını, her sütunun türünü, küçük bir dağılım özetini ve eksik veri yüzdesini gösterir; sütuna göre sıralayıp süzebilirsiniz. Plots bölmesi çizdiğiniz grafiklerin geçmişini tutar; grafikleri kaydedebilir ya da kopyalayabilirsiniz.

Data Explorer: 198 satır, 3 sütun. Sütun adlarının yanında tür, küçük dağılım grafiği ve eksik veri oranı görünür.

5. Adım: Küçük bir model çalıştırın

Örnek projede istatistik işlevleri ayrı bir modülde durur. Burada ders süresi ve sınıf düzeyi ile puan arasındaki ilişkiyi doğrusal bir modelle inceleyen işlev çağrılıyor. Model sıradan en küçük kareler (OLS, ordinary least squares) yöntemiyle kuruluyor, standart hatalar değişen varyansa dayanıklı biçimde (HC3, heteroskedasticity-consistent standard errors, tür 3) hesaplanıyor. Çıktı tablosunda katsayı, standart hata, t ve p değerleri ile yüzde 95 güven aralığı (gk_alt, gk_ust) birlikte gelir. Veri uydurma olduğu için bu sonuçlar bir şey söylemez; yalnızca akışı göstermek için burada. Gerçek bir çalışmada böyle bir çıktıyı yorumlarken ilişkilerden söz ederiz, nedensellikten değil: ders süresi ile puan arasında bir ilişki bulunması, sürenin puanı değiştirdiği anlamına gelmez.

Konsolda doğrusal model çıktısı. Veri sentetiktir; sayılar bir bulguyu temsil etmez.

6. Adım: Testler ve kod denetimi

Analiz kodundaki sessiz bir hata, ekranda görünen bir hatadan daha tehlikelidir; çünkü sayılar makul görünür. Bu yüzden yardımcı işlevlerin her biri için küçük, sonucu önceden bilinen örneklerle pytest testleri yazıyoruz. Ruff ise kodu biçim ve olası hata açısından tarar. Bir işlevi değiştirdikten sonra iki komut da çalıştırılır; testler geçmiyorsa analiz tekrar edilmez.

uv run pytest
uv run ruff check

Yerel yapay zekâ modelleri ve neden onları seçtik

Kod yazarken ve hata ayıklarken yapay zekâ modellerinden yararlanıyoruz, ama gerçek veri hiçbirine gitmez. Yerel modelleri Ollama ile kendi bilgisayarımızda çalıştırıyoruz. Seçimi donanım belirledi: Intel Core Ultra 9 275HX işlemci (24 çekirdek), 31 GB (gigabayt) RAM (random access memory, bellek) ve 8 GB VRAM (video random access memory, ekran kartı belleği) taşıyan bir RTX 5070 dizüstü ekran kartı (GPU, graphics processing unit). - Qwen3 8B (8 milyar parametre): Model 8 GB ekran kartı belleğine tamamen sığıyor. Kendi hızlı denememizde saniyede yaklaşık 50 token (metin parçası) üretti. Günlük kod yardımı için rahat bir hız. - Qwen3 14B (14 milyar parametre): Belleğe tam sığmadığı için iş ekran kartı ile işlemci arasında bölünüyor; saniyede yaklaşık 8 ila 12 token. Daha yavaş, ama uzun akıl yürütme isteyen sorularda denemeye değer. - Claude: Claude Code üzerinden yalnızca kod ve sentetik örneklerle kullanıyoruz. Bu hızlar bu makinede yaptığımız kısa bir denemeden geliyor, bir kıyaslama (benchmark) değildir; sizin donanımınızda farklı çıkabilir.

Veri neden bilgisayarda kalıyor?

Gerçek veri yalnızca çalıştığınız bilgisayarda işlenir. Bir modele soru sorarken kod ve sentetik örnek paylaşılır, gerçek satırlar paylaşılmaz. Hata mesajlarına dikkat edin: bazı hata mesajları, hataya yol açan değerleri de içerir. Mesajı bir yapay zekâ aracına yapıştırmadan önce içinde gerçek bir değer olup olmadığına bakın. Çalışmanız bir etik kurul onayına ya da veri paylaşım sözleşmesine bağlıysa, hangi aracın veriyi nerede işleyebileceğini o koşullara göre belirleyin.

Sınırlar ve bundan sonrası

Bu düzen bir analiz yöntemi değil, bir çalışma ortamıdır; yöntem kararlarını, varsayımların kontrolünü ve yorumu araştırmacı verir. Örnek proje burada gösterilen sentetik veriyle denenmiştir; kendi verinizde sonuçları ikinci bir yolla doğrulamanızı öneririz. R ve RStudio ile çalışma akışını, vakit bulduğumuzda ayrı bir yazıda anlatacağız. Kendi bilgisayarınıza böyle bir düzen kurmak ya da çalışma akışınızı buna uyarlamak için destek isterseniz bize yazabilirsiniz.

Kaynaklar

Positron: https://positron.posit.co uv: https://docs.astral.sh/uv/ Ollama: https://ollama.com

Python ve Veri Analizi