بر اساس فایل sales_raw.csv، جواب چالش به این شکل میشود:
🐍 Day 18.
Data Cleaning & Data Preparation Result
📂 Dataset Analysis
ابتدا فایل sales_raw.csv با استفاده از Pandas خوانده شد.

import pandas as pd

df = pd.read_csv("sales_raw.csv")

Dataset Size:

Original rows: 15,150
Columns: 9

🔍 Data Quality Check
1. Missing Values
بررسی مقادیر خالی:

Region: 2510
Price: 23

2. Duplicate Rows
تعداد ردیف‌های تکراری:

Duplicate rows: 150

3. Data Type Check
قبل از پاکسازی:

Date      object
Price     float64
Quantity  int64
Revenue   int64

ستون Date نیاز به تبدیل به فرمت استاندارد تاریخ داشت.
🧹 Data Cleaning Process
حذف داده‌های تکراری:

df = df.drop_duplicates()

نتیجه:

Removed duplicates: 150 rows

تبدیل تاریخ:

df["Date"] = pd.to_datetime(
    df["Date"],
    errors="coerce"
)

تاریخ‌های نامعتبر:

Invalid dates: 10

حذف رکوردهای ناقص:
رکوردهایی که اطلاعات ضروری مثل:
Price
Region
Date
را نداشتند حذف شدند.
ساخت ستون Revenue:

df["Revenue"] = df["Quantity"] * df["Price"]

✅ Final Result
قبل از پاکسازی:

Rows: 15,150

بعد از پاکسازی:

Clean rows: 12,482

Missing values:

0

Duplicate rows:

0

💡 Key Learning
داده خام همیشه قابل استفاده برای Machine Learning نیست.
قبل از ساخت هر مدل AI باید:
Collect → Clean → Prepare → Train
را انجام دهیم.
یک مدل قوی با داده ضعیف نمی‌تواند نتیجه خوبی بدهد.

#Pandas #DataCleaning #DataScience #MachineLearning

🔥 چالش ۳۰ روزه Python for AI
#Day20
🎯 موضوع: ساخت داشبورد فروش با Streamlit
📝 صورت مسئله:
در چالش امروز باید نتایج تحلیل داده‌های فروش را به یک داشبورد تعاملی تبدیل کنید.
از فایل زیر استفاده کنید: sales_cleaned.csv

این فایل خروجی چالش روز هجدهم است و شامل اطلاعات سفارش‌ها، محصولات، مشتریان، مناطق و درآمد فروش است.
برنامه شما باید با استفاده از Streamlit یک داشبورد فروش بسازد.

📌 بخش اول: KPI Cards
در بالای داشبورد شاخص‌های زیر را نمایش دهید:
✅ Total Revenue
مجموع درآمد فروش
✅ Total Orders
تعداد کل سفارش‌ها
✅ Total Customers
تعداد مشتریان منحصربه‌فرد
✅ Sales Growth
درصد رشد فروش نسبت به ماه قبل

📌 بخش دوم: نمودارها
داشبورد باید نمودارهای زیر را داشته باشد:
📈 Monthly Revenue
نمایش روند درآمد ماهانه
📊 Top Products
نمایش محصولات برتر بر اساس درآمد یا تعداد فروش
🌍 Region Performance
مقایسه درآمد مناطق مختلف
🗂 Category Comparison
مقایسه دسته‌بندی محصولات
📌 بخش سوم: فیلترهای تعاملی
کاربر بتواند اطلاعات داشبورد را بر اساس موارد زیر فیلتر کند:
✅ بازه زمانی
✅ منطقه
✅ دسته‌بندی محصول
با تغییر فیلترها، شاخص‌ها و نمودارها نیز باید به‌روزرسانی شوند.

🎯 Bonus Challenge
موارد زیر را نیز به داشبورد اضافه کنید:
⭐️ نمایش پرفروش‌ترین محصول
⭐️ نمایش بهترین منطقه
⭐️ نمایش Average Order Value
⭐️ امکان دانلود داده‌های فیلترشده به‌صورت CSV
⭐️ طراحی حرفه‌ای داشبورد با ستون‌بندی و رنگ‌بندی مناسب

📁 نام پیشنهادی فایل:
Day20_Sales_Dashboard.py
▶️ اجرای برنامه:
streamlit run Day20_Sales_Dashboard.py
📋 هدف امروز:
تبدیل تحلیل داده به یک برنامه تعاملی و قابل استفاده؛ مهارتی که در پروژه‌های واقعی Data Science و ساخت Portfolio بسیار مهم است.

راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot

🔥 عضویت در چالش:
https://t.me/learnpythonicy
#Python #Streamlit #DataScience #Dashboard #Pandas #Plotly #PythonForAI #Day20

✅ پاسخ چالش روز 20ام

در این پروژه با استفاده از Streamlit یک داشبورد تعاملی فروش ساختیم که شامل موارد زیر است:

نمایش KPIهای فروش
نمودار درآمد ماهانه
محصولات برتر
مقایسه عملکرد مناطق
فیلتر تاریخ، منطقه و دسته‌بندی
امکان دانلود داده‌های فیلترشده

https://t.me/learnpythonicy

#Python #Streamlit #Dashboard #DataScience

🔥 چالش ۳۰ روزه Python for AI

#Day21

🎯 موضوع: Project Showcase

📝 صورت مسئله:

در روزهای ۱۸ تا ۲۰ یک پروژه کامل با عنوان زیر ساختید:

Sales Intelligence Dashboard

امروز باید این پروژه را برای GitHub و LinkedIn آماده کنید تا به‌عنوان یک نمونه‌کار واقعی در Portfolio شما قرار بگیرد.

📌 کارهای امروز:

✅ فایل‌های پروژه را مرتب کنید.

ساختار پیشنهادی:

sales-intelligence-dashboard/

├── Day20_Sales_Dashboard.py
├── sales_cleaned.csv
├── requirements.txt
├── README.md
└── screenshots/

✅ یک فایل README حرفه‌ای بنویسید.

README باید شامل این بخش‌ها باشد:

🔹 معرفی پروژه
🔹 هدف پروژه
🔹 قابلیت‌های داشبورد
🔹 ابزارها و کتابخانه‌های استفاده‌شده
🔹 روش نصب و اجرا
🔹 تصاویر داشبورد
🔹 نتایج و Insightهای به‌دست‌آمده

✅ فایل requirements.txt بسازید.

محتوای پیشنهادی:

pandas
streamlit
plotly

✅ حداقل ۲ اسکرین‌شات از داشبورد بگیرید.

پیشنهاد:

نمای کامل داشبورد
نمودارها و فیلترهای تعاملی

✅ پروژه را در GitHub آپلود کنید.

نام پیشنهادی Repository:

sales-intelligence-dashboard

✅ یک ویدیوی کوتاه ۳۰ تا ۶۰ ثانیه‌ای از اجرای داشبورد ضبط کنید.

در ویدیو نمایش دهید:

🔹 داشبورد چگونه اجرا می‌شود
🔹 فیلترها چگونه کار می‌کنند
🔹 نمودارها چگونه تغییر می‌کنند
🔹 امکان دانلود CSV

🎯 Bonus Challenge

⭐️ یک توضیح کوتاه انگلیسی برای پروژه بنویسید.

نمونه:

I built an interactive Sales Intelligence Dashboard using Python, Pandas, Plotly, and Streamlit. The dashboard analyzes sales performance, customer activity, products, categories, and regions through interactive filters and visualizations.

⭐️ لینک GitHub پروژه را در LinkedIn منتشر کنید.

📋 هدف امروز:

یادگیری نحوه ارائه یک پروژه واقعی؛ چون فقط نوشتن کد کافی نیست و باید بتوانید پروژه خود را حرفه‌ای معرفی و نمایش دهید.

راه ارتباطی:

@learnpythonicychat
@learnpythonicyBot

🔥 عضویت در چالش:

https://t.me/learnpythonicy

#Python #Streamlit #DataScience #ProjectShowcase

✅ پاسخ چالش روز 21

در این مرحله، پروژه Sales Intelligence Dashboard را به یک نمونه‌کار حرفه‌ای و آماده انتشار تبدیل کردیم.

📦 فایل پروژه شامل:

🔹 داشبورد کامل Streamlit
🔹 دیتاست فروش
🔹 README حرفه‌ای برای GitHub
🔹 فایل requirements
🔹 متن آماده LinkedIn
🔹 ساختار استاندارد Portfolio

@learnpythonicy

#Python #GitHub #Portfolio #Streamlit #DataScience #Day21
:::

🔥 چالش ۳۰ روزه Python for AI
#Day22
🚨 مأموریت جدید: مشتری‌ها در حال رفتن هستند!
یک شرکت اشتراکی متوجه شده تعداد زیادی از مشتریانش بدون هشدار قبلی سرویس را ترک می‌کنند.
مدیر شرکت از تیم هوش مصنوعی کمک خواسته است:
«آیا می‌توانیم قبل از رفتن مشتری، آن را پیش‌بینی کنیم؟»
از امروز وارد سومین پروژه واقعی چالش می‌شویم:
🤖 Customer Churn Prediction
هدف نهایی پروژه این است که یک سیستم هوشمند بسازیم که مشتریان در معرض ریزش را شناسایی کند.
اما قبل از ساخت مدل، باید دیتاست را برای Machine Learning آماده کنیم.
📂 فایل مأموریت: customer_churn.csv
اطلاعات هر مشتری:
🔹 Customer_ID — شناسه مشتری
🔹 Age — سن
🔹 Usage — میزان استفاده از سرویس
🔹 Contract — نوع قرارداد
🔹 MonthlyCharge — هزینه ماهانه
🔹 SupportCalls — تعداد تماس با پشتیبانی
🔹 Churn — وضعیت ریزش مشتری
معنی ستون Churn:
🟢 0 = مشتری باقی مانده است
🔴 1 = مشتری سرویس را ترک کرده است
🎯 مأموریت امروز: ساخت ML Data Pipeline
برنامه شما باید:
✅ دیتاست را با Pandas بخواند.
✅ تعداد مشتریان و ستون‌ها را نمایش دهد.
✅ داده‌های گمشده و تکراری را شناسایی کند.
✅ تعداد مشتریان باقی‌مانده و ریزش‌کرده را محاسبه کند.
✅ نرخ ریزش مشتریان را به‌صورت درصد نمایش دهد.
✅ ستون‌های ورودی مدل یا Features را مشخص کند.
✅ ستون هدف یا Target را جدا کند.
✅ داده‌ها را به دو بخش تقسیم کند:
🧠 80% Training Data
🧪 20% Testing Data
برای تقسیم داده‌ها از train_test_split استفاده کنید.
📋 خروجی پیشنهادی:

========== CHURN ALERT SYSTEM ==========

Total Customers: 5000
Active Customers: 3870
Churned Customers: 1130
Churn Rate: 22.6%

Features: 5
Target: Churn

Training Samples: 4000
Testing Samples: 1000

Data is ready for Machine Learning! 🚀

🔥 Bonus Mission
تحقیق کنید مشتریان ریزش‌کرده چه تفاوتی با مشتریان باقی‌مانده دارند:
🔍 آیا میزان استفاده آن‌ها کمتر است؟
💰 آیا هزینه ماهانه بیشتری پرداخت می‌کنند؟
☎️ آیا تماس بیشتری با پشتیبانی داشته‌اند؟
📄 آیا نوع قرارداد روی ریزش تأثیر دارد؟
حداقل دو Insight مهم از داده‌ها استخراج کنید.
📊 نمودار پیشنهادی:
تعداد مشتریان فعال و ریزش‌کرده را با یک نمودار مقایسه کنید.

⚠️ نکته مهم:
امروز هنوز مدل نمی‌سازیم.
امروز داده‌ها را برای آموزش اولین مدل Machine Learning در روز ۲۳ آماده می‌کنیم.
آیا فردا می‌توانید قبل از رفتن مشتری، او را شناسایی کنید؟ 👀
راه ارتباطی:
@learnpythonicychat
@learnpythonicyBot
🔥 ورود به چالش:
@learnpythonicy
#Python #MachineLearning #CustomerChurn #DataScience #AIChallenge #PythonForAI #Day22