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