Python ile Excel ve CSV: Veri İşleme Rehberi (2026) — TechWave
Python

Python ile Excel ve CSV: Veri İşleme Rehberi (2026)

Python ile Excel veri işleme akışını gösteren TechWave çizimi

Görsel: TechWave tarafından hazırlandı.

Tabloda bir satır elle taşımak yerine, aynı işi 20 satırlık bir kodla bitirmek — veri işleme, Python'un en hızlı geri dönüş aldığı alandır. Aylık raporu 3 dakikada birleştirmek, bin satırlık CSV'de hatalı kayıtları ayıklamak, aynı formülü yüz dosyaya uygulamak: hepsi aynı kalıba bağlanır.

Bu rehberde hangi aracın ne için kullanıldığını (pandas mı openpyxl mi), kurulumdan yazmaya kadar tam akışın adım adım örneklerini, çok sayfalı Excel üretimini, büyük dosya ipuçlarını ve sık yapılan hataları ele alıyoruz. Dille aranız yoksa önce Python Nedir? rehberimiz; bu işi bir script'e bağlayıp klasörler arası çalıştırmak isterseniz Python otomasyon rehberimiz; veriyi internetten çekmek için web scraping rehberimiz yardımcınız olur.

Önce karar: pandas mı, openpyxl mi?

En sık sorulan soru bu. Cevap, yapmak istediğiniz işte saklı:

ihtiyaçDoğru araçNeden
CSV/Excel oku, filtrele, grupla, özetlepandasSatır sütun işlemeleri için tasarlandı, tek komutla groupby
Hücre rengi, birleşik hücre, formül koruopenpyxlŞablon dosyayı olduğu gibi düzenler, biçimi bozmaz
Basit CSV oku, sıfır bağımlılıkcsv (kütüphane)Kurulum gerekmez, küçük dosyalarda yeter
Çok büyük dosya (100 MB+)pandas + chunksizeParçalı okuma ile bellek patlaması önlenir

Kısa kural: hesap pandas'ta, biçim openpyxl'de. Formülü korumanız gerekiyorsa pandas ile işleyip sonucu openpyxl ile yazarsınız. Resmî referanslar: pandas dokümantasyonu ve openpyxl kılavuzu.

Kurulum: 3 komut

python -m venv venv
venv\Scripts\activate        # macOS/Linux: source venv/bin/activate
pip install pandas openpyxl

Sanal ortam (venv), paketleri projeye özel tutar; sistem Python'unuzu bozmaz. openpyxl, pandas'ın Excel okuma/yazma motorudur — sadece pandas kurmak yetmez, ikisi de gerekir. Dosyayı okuyalım:

import pandas as pd

df = pd.read_excel("satislar.xlsx", sheet_name="Ocak")
print(df.head())      # ilk 5 satır
print(df.shape)       # (satır, sütun)
print(df.dtypes)      # her sütunun tipi

CSV için tek fark: pd.read_csv("veri.csv", encoding="utf-8", sep=";"). Türkiye kaynaklı CSV'lerde noktalı virgül ayırıcıdır ve eski dosyalarda cp1254 encoding'i gerekir — UnicodeDecodeError görürseniz ilk bakacağınız yer budur. Hızlı başlangıç için pandas'ın 10 dakikalık tanıtımına da bakın; CSV modülünün kendi davranışı için resmî csv sayfasına başvurabilirsiniz.

Hangi aracın ne yaptığını ve kurulum adımlarını gösteren TechWave çizimi

Adım adım: oku, temizle, özetle

Ham dosya her zaman kirli olur. Standart dört adım:

  1. Bak: df.head(), df.info(), df.isna().sum() ile eksik hücreleri sayın.
  2. Temizle: Eksik kayıtları doldurun veya atın, veri tiplerini düzeltin, tekrar eden satırları kaldırın.
  3. Hesapla: Filtreleme, gruplama, toplam ve oranlar.
  4. Yaz: Sonucu yeni bir dosyaya; asla ham dosyanın üstüne.
# 1-2: temizlik
df = df.drop_duplicates()
df["Tarih"] = pd.to_datetime(df["Tarih"], dayfirst=True)
df["Tutar"] = pd.to_numeric(df["Tutar"], errors="coerce")
df["Şehir"] = df["Şehir"].fillna("Bilinmiyor")

# 3: özet
ozet = df.groupby("Şehir").agg(
    Toplam=("Tutar", "sum"),
    İşlem_Sayısı=("Tutar", "count"),
    Ortalama=("Tutar", "mean")
).round(2).sort_values("Toplam", ascending=False)

print(ozet.head(10))

errors="coerce" ifadesi, bozuk sayıları NaN'e çevirir — bin satırın içindeki "1.2O3" gibi yazım hatalarını tek seferde temizler. Tarih sütunları en sık bozulan yerdir; dayfirst=True unutulursa 03/04 tarihi Nisan mı Mart mı belirsizleşir.

Sık filtreleme kalıpları

# koşul zinciri (AND için &, OR için |)
koc = df[(df["Tutar"] > 1000) & (df["Şehir"] == "İstanbul")]

# sadece gerekli sütunlar
koc = df[["Tarih", "Ürün", "Tutar"]]

# en büyük 20 kayıt
en_buyuk = df.nlargest(20, "Tutar")

Yazma: çok sayfalı Excel üretimi

İşin en çok zaman kazandıran kısmı burasıdır: bir raporu her ay yeniden kurmak yerine, script'in her çalıştırışında üretmek.

with pd.ExcelWriter("rapor.xlsx", engine="openpyxl") as writer:
    ozet.to_excel(writer, sheet_name="Özet", index=False)
    df.to_excel(writer, sheet_name="Ham Veri", index=False)
    koc.to_excel(writer, sheet_name="İstanbul > 1000 TL", index=False)
print("rapor.xlsx üretildi:", len(ozet), "özet satırı")

Üç sayfa tek dosyada. Sütun genişliğini otomatik ayarlamak, başlık satırını kalın yazmak veya koşullu biçimlendirme eklemek isterseniz openpyxl'e geçin: openpyxl.load_workbook("rapor.xlsx") ile dosyayı açıp hücre stilini doğrudan düzenleyebilirsiniz. Ayrıca index=False yazmayı unutmayın; aksi halde her sayfada gereksiz bir sıra numarası sütunu belirir.

Dosyaları birleştirme: aylık rapor kalıbı

import glob

parcalar = []
for dosya in glob.glob("aylik/*.csv"):
    p = pd.read_csv(dosya, sep=";")
    p["Kaynak_Dosya"] = dosya          # hangi aydan geldiğini izle
    parcalar.append(p)

hepsi = pd.concat(parcalar, ignore_index=True)
hepsi.to_excel("yillik_birlesik.xlsx", index=False)
print(len(parcalar), "dosya birleşti →", hepsi.shape)

Bu kalıp, "12 ayrı CSV'yi elle Excel'e yapıştırma" işini kalıcı olarak bitirir. Benzer dosya bulma mantığı scraping rehberimizdeki requests/BeautifulSoup akışıyla birleşince, veri toplama-birleştirme hattı komple kurulmuş olur.

Veri temizlemenin 4 kontrolünü ve sık tuzakları gösteren TechWave çizimi

Veriyi görmek: tek satırlık grafik

Özeti tablo olarak okumak yerine grafik, ayırt edici tespitleri hızlandırır:

import matplotlib.pyplot as plt

ozet["Toplam"].head(10).plot(kind="bar", figsize=(10, 5), color="#22d3ee")
plt.title("Şehirlere göre toplam ciro")
plt.tight_layout()
plt.savefig("sehirler.png", dpi=150)

plt.savefig ile grafiği dosyaya basarsınız; sunuma veya rapora doğrudan koyabilirsiniz. Grafik kütüphanesinin tamamı için matplotlib belgelerine bakın.

Büyük dosyalar: belleği patlatmayın

  • Parçalı okuma: pd.read_csv("buyuk.csv", chunksize=100000) — her parça üzerinde aynı işlemi yapıp topluyorsunuz.
  • Sütun seçimi: usecols=["Tarih", "Tutar"] ile gereksiz sütunları hiç yüklemeyin. 50 sütunlu dosyada bellek yarıya iner.
  • Tip baskısı: Kategori tipine çevirilen metin sütunları (şehir, ürün adı) belleği ciddi kısar.
  • Çok büyük Excel: .xlsx satır sınırına takılır; milyonlarca satırda SQLite veya Parquet'e geçin.

Sık yapılan 7 hata

Sık yapılan 7 Excel hatasını ve çözümlerini gösteren TechWave çizimi
HataBelirtiÇözüm
openpyxl'ı kurmamakExcelWriter hata verirpip install openpyxl
encoding/sep yanlışUnicodeDecodeError veya tek sütunencoding="utf-8", sep=";"
Tarih string kalırGruplama anlamsız çıkarpd.to_datetime, dayfirst=True
Ham dosyanın üstüne yazmakVeri kaybıHer zaman yeni dosya adı
index=False'u unutmakGereksiz 0,1,2 sütunuYazma komutuna ekle
SettingWithCopyWarningUyarı konsolu doldururdf.loc[mask, "sütun"] = değer
1 GB dosyayı olduğu gibi okumakMemoryErrorchunksize + usecols

Uçtan uca örnek: satış raporu kalıbı

Yukarıdaki parçaları birleştirelim. Senaryo: her ay gelen Ocak.csv, Şubat.csv... dosyalarını birleştirip özet sayfası, ham veri sayfası ve grafik içeren tek bir rapor Excel'i üretmek.

import glob
import pandas as pd

# 1) Ay dosyalarını topla
parcalar = []
for dosya in sorted(glob.glob("aylik/*.csv")):
    p = pd.read_csv(dosya, sep=";", encoding="utf-8")
    p["Tarih"] = pd.to_datetime(p["Tarih"], dayfirst=True)
    p["Tutar"] = pd.to_numeric(p["Tutar"], errors="coerce")
    parcalar.append(p)

df = pd.concat(parcalar, ignore_index=True)

# 2) Kalite kontrol: eksik ve tekrar
eksik = df.isna().sum().sum()
df = df.dropna(subset=["Tutar"]).drop_duplicates()
print("Atlanan eksik hücre:", eksik, "| kalan satır:", len(df))

# 3) Özet: ay × kategori kesişimi
df["Ay"] = df["Tarih"].dt.to_period("M").astype(str)
pivot = df.pivot_table(index="Ay", columns="Kategori",
                       values="Tutar", aggfunc="sum", fill_value=0)

# 4) Üç sayfalı rapor
with pd.ExcelWriter("rapor.xlsx", engine="openpyxl") as writer:
    pivot.to_excel(writer, sheet_name="Aylık Özet")
    df.to_excel(writer, sheet_name="Ham Veri", index=False)
    df.nlargest(50, "Tutar").to_excel(writer, sheet_name="İlk 50", index=False)

print("Rapor hazır:", pivot.shape[0], "ay,", pivot.shape[1], "kategori")

Önemli noktalar: sorted(glob...) dosyaları alfabetik değil kronolojik sırada okur; dropna(subset=...) yalnızca kritik sütundaki eksikleri atar, her şeyi silmez; pivot_table ise aylık özeti iki boyutlu çapraya çevirir — grafikte en hızlı anlatan tablo budur. fill_value=0, boş hücrelerin Excel'de boş görünmesini engeller.

Sütun ve satır işlemleri: sık kullanılan kalıplar

  • Sütun yeniden adlandırma: df.columns = df.columns.str.strip().str.lower() — dosyalar arası tutarlılık için ilk iş.
  • Koşullu sütun: df["Durum"] = df["Tutar"].apply(lambda x: "Yüksek" if x > 1000 else "Normal")
  • Satır sayısı sınırı: df.head(100) ile büyük dosyanın ilk 100 satırını inceleyin.
  • Kayıt bulma: df[df["Ürün"].str.contains("kulaklık", case=False, na=False)] — Türkçe karakter duyarlılığı için case=False yeterlidir.
  • Dikey birleştirme (aynı sütunlar): pd.concat([...], ignore_index=True).
  • Yatay birleştirme (ID ile): pd.merge(satis, urunler, on="Ürün_ID", how="left") — SQL join'in pandas karşılığıdır.

Merak edilenler

  • Excel formüllerini korur mu? pandas hayır (değeri alır); openpyxl load_workbook(..., data_only=False) ile formülü korur. İkisinin sınırını "pandas hesaplar, openpyxl korur" diye hatırlayın.
  • Excel'i hiç bilmeden başlayabilir miyim? Evet. Kod parçaları olduğu gibi çalışır; değiştirmeniz gereken tek şey dosya adları.
  • Google Sheets ile yapabilir miyim? Aynı pandas akışı, farklı okuyucu (gspread). Mantık birebir aynıdır.
  • Her gün aynı raporu üretiyorum? Script'i Windows görev zamanlayıcıya bağlayın; sabah dosyayı hazır bulursunuz — otomasyon rehberindeki görev zamanlayıcı bölümü tam buna göre.
  • Hangi sütun tipi en çok sorun çıkarır? Tarih ve para. İkisini de okur okumaz to_datetime / to_numeric ile sabitleyin; kalanı gelir.
  • Python Excel'den yavaş mı? Hayır; pandas'ın içi C ile yazılmış olduğu için on binlerce satırı milisaniyede işler. Yavaşlık genelde dosyanın kendisinde (çok fazla biçim, birleşik hücre) veya yanlış tipte okumada olur.
  • Aynı kod .xls dosyasında çalışır mı? Eski .xls biçimi için ek paket gerekir; mümkünse dosyayı Excel'de .xlsx olarak yeniden kaydedin, kalıcı çözüm budur.
  • Sonuç dosyasını mail ile gönderebilir miyim? Evet — smtplib ile ek olarak gönderilebilir; adım adım örnek otomasyon rehberimizde.

Sonuç: kalıcı olan kalıptır

Veri işleme, Python'un öğrenme maliyeti en düşük alanıdır: Bir hafta sonunda kurduğunuz kalıp, yıllarca aynı işi yapar. Özet akış tek cümlede: oku → tipleri sabitle → temizle → groupla → yeni dosyaya yaz.

Bugün yapacağınız tek şey: Elinizdeki en kirli Excel dosyasını açın, df.info() ve df.isna().sum() çalıştırın. Görmediğiniz boşlukları gördüğünüz anda, dosyayı elle temizlemek fikri zaten kalıcı olarak size yabancılaşır.

Bu makale TechWave tarafından hazırlanmıştır.