تنظيف وتحليل استكشافي (EDA) لبيانات مبيعات متجر تجزئة باستخدام Python

هذا المشروع يهدف إلى معالجة وتحليل مجموعة بيانات ضخمة (أكثر من 12 ألف سجل) خاصة بمبيعات متجر تجزئة. تمثل البيانات تحديًا حقيقيًا لوجود أخطاء وقيم مفقودة (Missing Values) تحتاج إلى معالجة ذكية للحفاظ على جودة البيانات دون فقدان معلومات هامة، تمهيدًا لاستخراج رؤى الأعمال (Business Insights). ما قمت بتنفيذه في هذا المشروع: 1. التحليل الاستكشافي للبيانات (Exploratory Data Analysis - EDA): استكشاف هيكل البيانات وفهم التوزيع الإحصائي للأعمدة (Descriptive Analysis). فحص نسبة القيم المفقودة وتحديد الاستراتيجية الأنسب لمعالجتها. التأكد من خلو البيانات من السجلات المكررة لضمان دقة التحليل. 2. تنظيف ومعالجة البيانات المعقدة (Advanced Data Cleaning & Imputation): معالجة ذكية للقيم المفقودة: لم أعتمد على الحذف العشوائي، بل قمت ببرمجة منطق رياضي لاستنتاج البيانات الناقصة. (على سبيل المثال: استنتاج أسماء "العناصر المفقودة" بناءً على قسم "الفئة" وسعر الوحدة، وحساب السعر الناقص عن طريق قسمة "إجمالي الدفع" على "الكمية"). تنظيف الهيكل: حذف الأعمدة غير المؤثرة في التحليل (مثل Transaction ID)، وحذف الأعمدة التي تتخطى نسبة الفقد فيها 30% لعدم جدواها. توحيد التنسيق: توحيد أسماء الأعمدة (Standardization) لتسهيل التعامل معها برمجيًا (تحويلها لأحرف صغيرة واستبدال المسافات). تحويل نوع بيانات "تاريخ المعاملة" إلى (Datetime Object). استخراج ميزات جديدة (السنة، الشهر، اليوم) من عمود التاريخ لتهيئة البيانات لتحليل السلاسل الزمنية (Time-series Analysis). التقنيات والمكتبات المستخدمة: لغة البرمجة: Python معالجة البيانات: Pandas & NumPy التمثيل البصري: Matplotlib & Seaborn (لإنشاء رسوم بيانية توضح توزيع البيانات).