1.6-dars: Birinchi tahlil (mini loyiha)

1-QISM — KIRISH: DATA SCIENCE · 6-dars

1. Kirish va motivatsiya

Nazariyani bildik — endi birinchi haqiqiy tahlilni qilamiz. Bu dars kichik ma'lumot to'plamini olib, uni uchdan oxirigacha tahlil qiladi: yuklash, ko'rish, tozalash, savol berish, javob topish. Bu — CRISP-DM 1.4-bob ni amaliyotda ko'rish. Hech qanday murakkab model yo'q — faqat pandas bilan ma'lumotni tushunish va undan oddiy xulosa chiqarish. Aynan shu — Data Scientist'ning kundalik ishining yuragi: ma'lumotga savol berib, javobni topish. Bu kichik loyiha butun jarayonni "kichraytirilgan" holda ko'rsatadi — keyingi qismlarda har bosqichni chuqurlashtiramiz, lekin bugun to'liq tsiklni bir marta ko'rasiz. Birinchi tahlil — nazariyadan amaliyotga o'tish.

Birinchi tahlil — kichik ma'lumotni uchdan oxirigacha tahlil qilish (mini CRISP-DM): yuklash (pandas — DataFrame), ko'rish (head, info, describe — ma'lumotni tanish), tozalash (yetishmayotgan, xato), savol (nima bilmoqchimiz), tahlil (guruhlash, filtrlash, statistika), xulosa (javob). Foydalanish: har Data Science loyihasi, ma'lumotni tushunish. Bu 1.4 (CRISP-DM), 4-qism (Pandas) ni amaliyotda birlashtiradi. Bu 1.4, 9-qism (EDA) bilan bog'liq. Birinchi tahlil — yukla, ko'r, tozala, savol, javob. Mini tsikl. Amaliyot.

Real vaziyat. Do'kon egasi: "Qaysi mahsulot eng ko'p daromad keltiradi? Qaysi shaharda yaxshi sotiladi?". Data Scientist savdo ma'lumotini oldi (pandas — DataFrame), ko'rdi (head — dastlabki qatorlar, describe — statistika), tozaladi (bo'sh narxlar), guruhladi (mahsulot bo'yicha daromad — groupby), saraladi (eng yuqori). Javob: "A mahsuloti eng ko'p daromad, Toshkentda yaxshi sotiladi". Do'kon egasi shu asosda qaror qildi (A ni ko'proq buyurtma). Model kerak bo'lmadi — oddiy tahlil yetdi. Birinchi tahlil — savolga javob.

Bu darsda birinchi tahlilni qilamiz.

Bu darsda:

• Ma'lumotni yuklash va ko'rish
• Tozalash va savol berish
• Guruhlash va tahlil
• Xulosa chiqarish
• To'liq tsikl (mini loyiha)
• Tahlil amaliyoti
• Tahlil tuzoqlari
• Amaliy: birinchi tahlil modeli

ℹ Misollar real pandas bilan (deterministik ma'lumot) to'liq tahlilni ko'rsatadi.

2. Nazariya — chuqur tushuntirish

2.1. Ma'lumotni yuklash va ko'rish

Avval ma'lumotni tanish:

import pandas as pd

df = pd.read_csv("savdo.csv")   # yuklash (yoki DataFrame)

df.head()        # dastlabki 5 qator (ko'rinish)
df.info()        # ustunlar, turlar, yetishmayotgan
df.describe()    # raqamli statistika (o'rtacha, min, max)
df.shape         # (qatorlar, ustunlar)

Ma'lumotni yuklash va ko'rish — tahlilning birinchi qadami: yuklash (pd.read_csv — CSV → DataFrame, yoki API/baza — 7-qism), ko'rish (head — dastlabki qatorlar, info — ustunlar/turlar/yetishmayotgan, describe — raqamli statistika, shape — o'lcham). Sabab: ma'lumotni tanimasdan tahlil qilib bo'lmaydi (nima bor? qanday tur? qancha?); ko'rish ma'lumotni tushunadi (CRISP-DM 2-bosqich — ma'lumot tushunish 1.4). head (namuna), info (tuzilish), describe (statistika) — birinchi nazar. Bu EDA boshlanishi (9-qism). Yuklash/ko'rish — read_csv, head, info, describe. Birinchi qadam. Ma'lumotni tanish.

2.2. Tozalash va savol berish

Toza ma'lumot + aniq savol:

# TOZALASH (asosiy):
df.isnull().sum()          # yetishmayotgan qiymatlar (qaysi ustun)
df = df.dropna()            # yoki to'ldirish (6-qism)
df = df.drop_duplicates()   # dublikat

# SAVOL (aniq maqsad):
# "Qaysi mahsulot eng ko'p daromad keltiradi?"
# → guruhlash + yig'indi + saralash

Tozalash va savol berish — tahlilning ikki muhim qadami: tozalash (isnull().sum() — yetishmayotgan qaysi ustun, dropna/to'ldirish, drop_duplicates — dublikat; iflos ma'lumot → noto'g'ri tahlil — 6-qism), savol berish (aniq maqsad — "qaysi mahsulot eng ko'p daromad?"; noaniq savol → noaniq javob — 1.4 biznes tushunish). Sabab: tozalash to'g'ri natija uchun (garbage in, garbage out — 1.1); savol yo'nalish uchun (aniq savol → aniq tahlil). Bu ikki — CRISP-DM 1-3 bosqichlar (biznes savol + ma'lumot tayyorlash). Yaxshi savol aniq va o'lchanadigan (eng ko'p daromad — hisoblanadi). Tozalash/savol — toza ma'lumot + aniq maqsad. To'g'ri natija. Yo'nalish.

2.3. Guruhlash va tahlil

Ma'lumotdan javob chiqarish:

# GURUHLASH (guruh bo'yicha hisoblash):
daromad = df.groupby("mahsulot")["narx"].sum()
# har mahsulot bo'yicha jami daromad

# SARALASH (eng yuqori):
top = daromad.sort_values(ascending=False)

# FILTRLASH (shart bo'yicha):
toshkent = df[df["shahar"] == "Toshkent"]

Guruhlash va tahlil — ma'lumotdan javob chiqarish: guruhlash (groupby — guruh bo'yicha hisoblash: har mahsulot daromadi = groupby("mahsulot")["narx"].sum()), saralash (sort_values — eng yuqori/pasti), filtrlash (df[shart] — shart bo'yicha: df[df["shahar"]=="Toshkent"]), agregatsiya (sum, mean, count — yig'indi/o'rtacha/son). Sabab: savolga javob ma'lumotni qayta ishlashdan keladi (guruhlash — "har mahsulot", saralash — "eng ko'p", filtr — "faqat Toshkent"); bu pandas asosiy amallari (4-5-qism). Guruhlash kuchli (murakkab savolga javob — har guruh statistika). Guruhlash/tahlil — groupby, sort, filter, agregat. Javob. Pandas kuchi.

2.4. Xulosa chiqarish

Tahlildan qaror:

# XULOSA — ma'lumotdan gaplashish:
# "A mahsuloti eng ko'p daromad (5000)"
# "Toshkent eng yaxshi bozor (60% savdo)"
# "Dushanba eng past kun (chegirma kerak?)"

# → qaror: A ni ko'proq, Toshkentga e'tibor, Dushanba aksiya

Xulosa chiqarish — tahlildan qaror: natijani tushunarli qilish ("A mahsuloti eng ko'p daromad", "Toshkent eng yaxshi bozor") va qarorga aylantirish ("A ni ko'proq buyurt", "Toshkentga e'tibor"). Sabab: tahlil o'zi maqsad emas (raqamlar — vosita); maqsad — qaror (biznes/ilm foydasi — 1.1); xulosa ma'lumotni hikoyaga aylantiradi (raqam → ma'no → qaror). Bu CRISP-DM oxiri (baholash, joriy etish — 1.4). Xulosa aniq va amaliy ("A yaxshi" — mavhum; "A ni 20% ko'proq buyurt" — amaliy). Muhim: muloqot (natijani tushuntirish — 1.1). Xulosa — natija → ma'no → qaror. Amaliy. Muloqot.

2.5. To'liq tsikl (mini loyiha)

Boshidan oxirigacha:

MINI LOYIHA (uchdan oxirigacha):
   1. YUKLA        → pd.read_csv (ma'lumot)
   2. KO'R         → head, info, describe (tanish)
   3. TOZALA       → dropna, drop_duplicates (toza)
   4. SAVOL        → "qaysi mahsulot eng ko'p?"
   5. TAHLIL       → groupby, sort (javob)
   6. XULOSA       → "A eng ko'p → ko'proq buyurt"

   → CRISP-DM kichraytirilgan (model yo'q, tahlil yetdi)

To'liq tsikl (mini loyiha) — boshidan oxirigacha: yukla → ko'r → tozala → savol → tahlil → xulosa. Bu CRISP-DM kichraytirilgan (1.4 — model bosqichisiz, chunki oddiy tahlil yetadi). Sabab: har Data Science ishi shu tsikl (kichik yoki katta — bir xil qadamlar); mini loyiha butun jarayonni bir marta ko'rsatadi (nazariya → amaliyot). Muhim: model har doim kerak emas (oddiy tahlil — guruhlash, saralash — ko'p savolga javob beradi; model faqat bashorat uchun); ko'p biznes savoli tahlil bilan hal bo'ladi (kim, nima, qancha — model emas). To'liq tsikl — yukla → xulosa. Mini CRISP-DM. Model doim emas.

2.6. Tahlil amaliyoti

Birinchi tahlil amaliyoti: avval ko'r (head, info, describe — ma'lumotni tanish); tozala (yetishmayotgan, dublikat — 6-qism); aniq savol (o'lchanadigan — "eng ko'p daromad"); guruhlash (groupby — savolga mos); saralash (eng yuqori/pasti); filtr (shart — "faqat X"); xulosa (raqam → qaror, amaliy); muloqot (tushuntirish); model doim emas (oddiy tahlil ko'p savolga javob). Tuzoqlar: ko'rmasdan tahlil (ma'lumot noma'lum), tozalamasdan (iflos → noto'g'ri), noaniq savol (noaniq javob), model'ga yugurish (tahlil yetadi), xulosasiz (raqamlar — qaror yo'q). Amaliyot — ko'r, tozala, savol, guruhlash, xulosa. Mini tsikl.

2.7. Tahlil tuzoqlari

Birinchi tahlil asosiy tuzoqlari: ko'rmasdan tahlil (head/info o'tkazib — ma'lumot noma'lum, xato tur/qiymat; avval ko'r); tozalamaslik (yetishmayotgan/dublikat — noto'g'ri natija, masalan bo'sh narxlar yig'indini buzadi; tozala); noaniq savol ("ma'lumotga qarayapman" — yo'nalishsiz; aniq savol); darhol model (oddiy tahlil yetganda model'ga yugurish — ortiqcha; tahlil avval); xulosasiz (raqamlar chiqardi, qaror yo'q — foydasiz; xulosa/qaror); noto'g'ri agregatsiya (o'rtacha kategorik — bema'ni 1.3; mos amal); outlier e'tiborsiz (bir katta qiymat o'rtachani buzadi — 1.5; median/tekshir). Sabab: tahlil tuzilgan bo'lishi kerak (ko'r → tozala → savol → javob); tartibsiz — noto'g'ri/foydasiz. Yechim: ko'r, tozala, aniq savol, xulosa. Tuzoqlar — ko'rmas, tozalamas, noaniq, xulosasiz.

2.8. Birinchi tahlil — savolga javob berish san'ati

Birinchi tahlil asosiy g'oyasi — savolga javob berish san'ati: Data Science asosi — ma'lumotga savol berib, undan javob topish (kim, nima, qancha, qaysi); bu murakkab model emas, oddiy tahlil (yukla, ko'r, tozala, guruhlash, xulosa). Mini loyiha CRISP-DM 1.4-bob ni kichraytirilgan ko'rsatadi (butun tsikl bir marta) — nazariyadan amaliyotga o'tish. Ko'p biznes savoli tahlil bilan hal bo'ladi (model kerak emas — kim eng ko'p, qaysi shahar); model faqat bashorat uchun (kelajak — kim ketadi). Bu 4-5-qism (Pandas) uchun poydevor (har amal — head/groupby/sort — keyin chuqurlashadi) va butun kurs uchun ramka (savol → javob). Birinchi tahlil — savol → javob (tahlil, model emas). San'at. Mini tsikl. Poydevor.

3. Tez ma'lumotnoma

MINI LOYIHA (uchdan oxirigacha):

1. YUKLA:   df = pd.read_csv("fayl.csv")
2. KO'R:    df.head() · df.info() · df.describe() · df.shape
3. TOZALA:  df.isnull().sum() · df.dropna() · df.drop_duplicates()
4. SAVOL:   "qaysi mahsulot eng ko'p daromad?"
5. TAHLIL:  df.groupby("mahsulot")["narx"].sum().sort_values(ascending=False)
   FILTR:   df[df["shahar"] == "Toshkent"]
6. XULOSA:  "A eng ko'p → ko'proq buyurt" (raqam → qaror)

QOIDA: avval ko'r · tozala · aniq savol · guruhlash · xulosa
       (model doim emas — tahlil ko'p savolga javob)

Birinchi tahlil xulosasi

Birinchi tahlil — savolga javob (mini CRISP-DM, model emas)
Yuklash/ko'rish — head, info, describe (ma'lumotni tanish)
Tozalash/savol — toza ma'lumot + aniq maqsad
Guruhlash/tahlil — groupby, sort, filter (javob)
Xulosa — raqam → ma'no → qaror (amaliy, muloqot)

4. Batafsil misollar

Misollar real pandas bilan (deterministik ma'lumot) to'liq tahlilni ko'rsatadi.

Misol 1 — Yuklash va ko'rish

"""Yuklash va ko'rish: ma'lumotni tanish (real pandas)."""

import pandas as pd


def malumot() -> pd.DataFrame:
    return pd.DataFrame({
        "mahsulot": ["A", "B", "A", "C", "B", "A"],
        "shahar": ["Toshkent", "Samarqand", "Toshkent", "Buxoro", "Toshkent", "Samarqand"],
        "narx": [100, 200, 150, 300, 250, 120],
    })


def main() -> None:
    df = malumot()

    print("=== 1. head (dastlabki qatorlar) ===")
    print(df.head(3).to_string(index=False))

    print("\n=== 2. shape (o'lcham) ===")
    print(f"  qatorlar: {df.shape[0]}, ustunlar: {df.shape[1]}")

    print("\n=== 3. describe (raqamli statistika) ===")
    print(f"  narx o'rtacha: {df['narx'].mean():.0f}")
    print(f"  narx min-max: {df['narx'].min()}-{df['narx'].max()}")

    print("\n=== 4. ustun turlari ===")
    print(f"  mahsulot: {df['mahsulot'].dtype} (kategorik)")
    print(f"  narx: {df['narx'].dtype} (raqamli)")
    print("  ⭐ Avval ko'r (ma'lumotni tanish)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. head (dastlabki qatorlar) ===
mahsulot    shahar  narx
       A  Toshkent   100
       B Samarqand   200
       A  Toshkent   150

=== 2. shape (o'lcham) ===
  qatorlar: 6, ustunlar: 3

=== 3. describe (raqamli statistika) ===
  narx o'rtacha: 187
  narx min-max: 100-300

=== 4. ustun turlari ===
  mahsulot: str (kategorik)
  narx: int64 (raqamli)
  ⭐ Avval ko'r (ma'lumotni tanish)

Nima ko'rsatdi: 2.1-bo'lim.

Misol 2 — Tozalash

"""Tozalash: yetishmayotgan va dublikat (real pandas)."""

import pandas as pd
import numpy as np


def main() -> None:
    df = pd.DataFrame({
        "mahsulot": ["A", "B", "A", "A", "C"],
        "narx": [100, np.nan, 150, 100, 300],   # bitta bo'sh
    })
    # dublikat qator: A,100 ikki marta

    print("=== 1. Boshlang'ich ===")
    print(f"  qatorlar: {len(df)}")

    print("\n=== 2. Yetishmayotgan (isnull) ===")
    print(f"  bo'sh narx: {int(df['narx'].isnull().sum())} ta")

    print("\n=== 3. dropna (bo'shni o'chirish) ===")
    df2 = df.dropna()
    print(f"  qatorlar: {len(df2)}")

    print("\n=== 4. drop_duplicates ===")
    df3 = df2.drop_duplicates()
    print(f"  qatorlar: {len(df3)} (dublikat o'chdi)")
    print("  ⭐ Tozalash — toza ma'lumot (to'g'ri natija)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Boshlang'ich ===
  qatorlar: 5

=== 2. Yetishmayotgan (isnull) ===
  bo'sh narx: 1 ta

=== 3. dropna (bo'shni o'chirish) ===
  qatorlar: 4

=== 4. drop_duplicates ===
  qatorlar: 3 (dublikat o'chdi)
  ⭐ Tozalash — toza ma'lumot (to'g'ri natija)

Nima ko'rsatdi: 2.2-bo'lim.

Misol 3 — Guruhlash va saralash (savolga javob)

"""Guruhlash: qaysi mahsulot eng ko'p daromad (real pandas)."""

import pandas as pd


def main() -> None:
    df = pd.DataFrame({
        "mahsulot": ["A", "B", "A", "C", "B", "A"],
        "narx": [100, 200, 150, 300, 250, 120],
    })

    print("=== 1. Savol: qaysi mahsulot eng ko'p daromad? ===")

    print("\n=== 2. Guruhlash (mahsulot bo'yicha yig'indi) ===")
    daromad = df.groupby("mahsulot")["narx"].sum()
    for mahsulot, summa in daromad.items():
        print(f"  {mahsulot}: {summa}")

    print("\n=== 3. Saralash (eng yuqori) ===")
    top = daromad.sort_values(ascending=False)
    print(f"  tartib: {top.index.tolist()}")

    print("\n=== 4. Javob ===")
    print(f"  eng ko'p daromad: {top.index[0]} ({top.iloc[0]})")
    print("  ⭐ Guruhlash + saralash → savolga javob")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Savol: qaysi mahsulot eng ko'p daromad? ===

=== 2. Guruhlash (mahsulot bo'yicha yig'indi) ===
  A: 370
  B: 450
  C: 300

=== 3. Saralash (eng yuqori) ===
  tartib: ['B', 'A', 'C']

=== 4. Javob ===
  eng ko'p daromad: B (450)
  ⭐ Guruhlash + saralash → savolga javob

Nima ko'rsatdi: 2.3-bo'lim.

Misol 4 — To'liq tsikl (mini loyiha)

"""To'liq tsikl: yukla → tozala → tahlil → xulosa (real pandas)."""

import pandas as pd


def main() -> None:
    # 1. YUKLA
    df = pd.DataFrame({
        "shahar": ["Toshkent", "Samarqand", "Toshkent", "Buxoro", "Toshkent"],
        "narx": [100, 200, 150, 300, 250],
    })
    print("=== 1. Yukla + ko'r ===")
    print(f"  {len(df)} qator, ustunlar: {list(df.columns)}")

    # 2. TAHLIL (savol: qaysi shahar eng ko'p savdo?)
    print("\n=== 2. Savol: eng yaxshi bozor? ===")
    savdo = df.groupby("shahar")["narx"].sum().sort_values(ascending=False)
    for shahar, summa in savdo.items():
        print(f"  {shahar}: {summa}")

    # 3. XULOSA
    print("\n=== 3. Xulosa ===")
    eng = savdo.index[0]
    ulush = savdo.iloc[0] / savdo.sum() * 100
    print(f"  {eng} eng yaxshi bozor ({ulush:.0f}% savdo)")

    print("\n=== 4. Qaror ===")
    print(f"  {eng}ga ko'proq e'tibor (marketing, zaxira)")
    print("  ⭐ To'liq tsikl — savol → javob → qaror (model yo'q)")


if __name__ == "__main__":
    main()

Natijaning muhim qismi:

=== 1. Yukla + ko'r ===
  5 qator, ustunlar: ['shahar', 'narx']

=== 2. Savol: eng yaxshi bozor? ===
  Toshkent: 500
  Buxoro: 300
  Samarqand: 200

=== 3. Xulosa ===
  Toshkent eng yaxshi bozor (50% savdo)

=== 4. Qaror ===
  Toshkentga ko'proq e'tibor (marketing, zaxira)
  ⭐ To'liq tsikl — savol → javob → qaror (model yo'q)

Nima ko'rsatdi: 2.5-bo'lim.

5. To'g'ri va noto'g'ri tushunishlar

6. Keng tarqalgan xatolar va yechimlari

1. Ko'rmasdan tahlil

df.groupby(...)   # ma'lumot noma'lum (xato tur/qiymat)        # ⚠️
df.head(); df.info()   # avval ko'r                             # ✅

2. Tozalashsiz

df["narx"].sum()   # bo'sh qiymatlar (noto'g'ri)               # ⚠️
df.dropna()["narx"].sum()   # tozalab                           # ✅

3. Model'ga yugurish

# "eng ko'p mahsulot" uchun ML model (ortiqcha)                # ⚠️
df.groupby("mahsulot").sum()   # tahlil yetadi                  # ✅

4. Noaniq savol

# "ma'lumotga qarayapman" (yo'nalishsiz)                       # ⚠️
# "qaysi mahsulot eng ko'p daromad?" (aniq)                     # ✅

5. Xulosasiz

df.groupby(...).sum()   # raqamlar (qaror yo'q)                # ⚠️
# "A eng ko'p → ko'proq buyurt" (qaror)                         # ✅

6. Noto'g'ri agregatsiya

df.groupby("shahar")["shahar_kodi"].mean()   # kodi o'rtachasi # ⚠️
df.groupby("shahar")["narx"].sum()   # mos amal                # ✅

7. Outlier e'tiborsizlik

df["narx"].mean()   # bir katta qiymat buzadi                  # ⚠️
df["narx"].median()   # yoki outlier tekshir 1.5-bob             # ✅

7. Integratsiya — bu bilim qayerda kerak bo'ladi

• 1.4-dars (o'tilgan): CRISP-DM (bu — amaliyoti)
• 4-qism: Pandas asoslari (head, groupby)
• 5-qism: Pandas chuqur (guruhlash)
• 9-qism: EDA (razvedka tahlili)
• 6-qism: Tozalash (chuqur)

8. Eng yaxshi amaliyotlar

1. Avval ko'r (head, info, describe).

2. Tozala (yetishmayotgan, dublikat).

3. Aniq savol (o'lchanadigan — yo'nalish).

4. Guruhlash (savolga mos — groupby).

5. Xulosa → qaror (amaliy, muloqot).

6. Model doim emas (tahlil ko'p savolga javob).

7. Mos agregatsiya (kategorik/outlier ehtiyot).

8. To'liq tsikl (yukla → xulosa — tartibli).

9. Amaliy topshiriq

Vazifa 1: Bashorat qiling

1.  # birinchi qadam?
2.  # head nima?
3.  # info nima?
4.  # describe nima?
5.  # tozalash nima?
6.  # isnull nima?
7.  # savol nega?
8.  # groupby nima?
9.  # sort_values nima?
10. # filter qanday?
11. # xulosa nima?
12. # model doim kerakmi?

Vazifa 2: Xatolarni tuzating

1.  df.groupby(...)   # ko'rmasdan

2.  df["narx"].sum()   # tozalashsiz

3.  # "eng ko'p" uchun ML model

4.  # "ma'lumotga qarayapman"

5.  df.groupby(...).sum()   # xulosasiz

1.  df.head(); df.info() (avval)

2.  df.dropna()["narx"].sum()

3.  df.groupby().sum() (tahlil yetadi)

4.  "qaysi mahsulot eng ko'p?"

5.  "A eng ko'p → qaror"

Vazifa 3: Ko'rish

Modellang:

1. head
2. info
3. describe
4. Tanish

Vazifa 4: Tozalash

Modellang:

1. isnull
2. dropna
3. drop_duplicates
4. Toza

Vazifa 5: Tahlil

Modellang:

1. groupby
2. sort
3. filter
4. Javob

Vazifa 6: Xulosa

Modellang:

1. Raqam
2. Ma'no
3. Qaror
4. Muloqot

Vazifa 7: O'ylash

Ko'pchilik yangi Data Scientist "model qurish" ni maqsad deb o'ylaydi, lekin ko'p biznes savoli oddiy tahlil (guruhlash, saralash) bilan hal bo'ladi — model kerak emas. Nima uchun "eng oddiy yechim" (tahlil) ko'pincha "murakkab yechim" (ML model)dan yaxshiroq, va nega tajribasiz odamlar murakkablikni ortiqcha qadrlaydi?

Nimani mustahkamlaydi: 2.5, 2.8-bo'limlar.

Xulosa

Bu darsda birinchi tahlilni qildik.

Eng muhim uch fikr:

1. Yuklash, ko'rish, tozalash, savol. Ma'lumotni yuklash va ko'rish: pd.read_csv (DataFrame), head (dastlabki qatorlar), info (ustunlar/turlar/yetishmayotgan), describe (statistika), shape (o'lcham); ma'lumotni tanimasdan tahlil qilib bo'lmaydi (CRISP-DM ma'lumot tushunish). Tozalash va savol berish: tozalash (isnull().sum(), dropna, drop_duplicates — iflos → noto'g'ri), savol (aniq maqsad — "qaysi mahsulot eng ko'p daromad?"); toza ma'lumot + aniq savol (to'g'ri natija + yo'nalish).

2. Guruhlash, tahlil, xulosa. Guruhlash va tahlil: groupby (guruh bo'yicha — har mahsulot daromadi), sort_values (eng yuqori), df[shart] (filtr), sum/mean/count (agregatsiya); savolga javob ma'lumotni qayta ishlashdan. Xulosa chiqarish: natijani tushunarli ("A eng ko'p daromad") va qarorga ("A ni ko'proq buyurt"); tahlil o'zi maqsad emas — qaror (raqam → ma'no → qaror), muloqot muhim.

3. To'liq tsikl va san'at. To'liq tsikl (mini loyiha): yukla → ko'r → tozala → savol → tahlil → xulosa — CRISP-DM kichraytirilgan 1.4-bob; model har doim kerak emas (oddiy tahlil ko'p savolga javob — kim/nima/qancha; model faqat bashorat). Birinchi tahlil — savolga javob berish san'ati: ma'lumotga savol berib undan javob topish (tahlil, murakkab model emas); nazariyadan amaliyotga o'tish, 4-5-qism (Pandas) uchun poydevor. Eng oddiy yetadigan yechim murakkabdan yaxshi (tushunarli, tez, ishonchli — Occam ustarasi); tajribasiz odamlar murakkablikni ortiqcha qadrlaydi (glamur, vosita istagi), usta soddalikni tanlaydi.

Bu bilan 1-bosqichning kirish qismi nazariy poydevorni berdi. Keyingi darsda Data Science etikasini chuqur o'rganamiz: bias, maxfiylik, adolat va mas'uliyatli AI — ma'lumot kuchini to'g'ri ishlatish.