fk-pixel

#ülkeler mutluluk siralamasi kriterleri ve max enfekte olan sayi arasindaki korelasyon icin iki veri setimizde artik hazir
#öncelikle join ile iki verinin tek cerceve icine alinmasi:
data = corona_data.join(happiness_report_csv,how="inner")
data.head()
#daha sonra korelasyon fonksiyonunu kullanacagiz:
data.corr()
#ve datanin görsellestirilme islemi baslar:
data.head()

#iki verinin seaborn ile korelasyon incelemesi:

fk-pixel

#yukarda daha önceden tanimlanmis bir 'max_infection_rates' varsa 'max_infection_rate' sütununu eklemek icin:

corona_dataset_aggregated["max_infection_rate"] = max_infection_rates

#sadece bu sütunu diger sütunlar olmaksizin göstermesi icin:
corona_data = pd.DataFrame(corona_dataset_aggregated["max_infection_rate"])
corona_data.head()

#kullanilmayacak sütunlardan kurtulma:
#önce hangi sütunlari istemiyoruz listeleyelim:

fk-pixel

countries = list(corona_dataset_aggregated.index)
max_infection_rates = []  #bu bos bir liste
for c in countries :      #simdi bir döngü olusturuyoruz,her ülke icin liste ismini countries diye belirledigimiz icin karisiklik olmamasi icin her country ifadesini kisace her c diyelim:
    max_infection_rates.append(corona_dataset_aggregated.loc[c].diff().max())

max_infection_rates

fk-pixel

#hangi periyotlarin öne ciktigini vurgulamak gözlemek icin türev grafik faydalidir.
#göze carpan, trend olan böylece daha net anlasilir
corona_dataset_aggregated.loc["China"].diff().plot()

#maksimum yeni enfekte hasta sayisini ögrenmek icin (Cin - Italya - Ispanya):
corona_dataset_aggregated.loc["China"].diff().max()
corona_dataset_aggregated.loc["Italy"].diff().max()
corona_dataset_aggregated.loc["Spain"].diff().max()

fk-pixel

corona_dataset_aggregated.loc["China"]

#ayni veriyi plot ile görsellestirmek istersek:
corona_dataset_aggregated.loc["China"].plot()

#grafikte kime ait oldugu da gösterilsin istersek:
plt.legend()

#sadece veri setimizdeki ilk 3 günün verisini Cin icin göstermek istersek:
corona_dataset_aggregated.loc["China"][:3].plot()

fk-pixel

df_aggregated = x_dataset_csv.groupby("Sütun Ismi").sum()

#böylece sütun altindaki veriler birlestirilmis oluyor (aggregated data)

fk-pixel

df.drop(["X", "Y"],axis=1,inplace=True)

fk-pixel

plt.figure(figsize=(15,10))

sns.barplot(x=city_names, y=city_values, palette=sns.color_palette('BuGn', n_colors=10))
plt.xticks(rotation= 45)
plt.xlabel('Citys')
plt.ylabel('Size');

fk-pixel

city_names =  first_ten_citys.index
city_values = first_ten_citys.values

fk-pixel

first_ten_citys = sbucks_de.City.value_counts()[:10]
first_ten_citys