Veri Analizi İçin En İyi 18 ChatGPT Komutu

Bir Kıdemli Veri Mühendisi olarak hareket edin. [DATASET_DESCRIPTION] içeren ve [DATA_FORMAT] formatında sağlanmış ham bir veri setine sahibim. Temel sütunlar [COLUMNS] şeklindedir ve birincil analitik hedefim [BUSINESS_GOAL] üzerinedir. Kapsamlı bir veri kalitesi denetim planı oluşturmak için bu şemayı analiz edin. Eksik alanlar, biçimlendirme tutarsızlıkları, yinelenen değerler ve aralık dışı kayıtlar gibi olası sorunları belirleyin. Yanıtınızı şu unsurları içeren yapılandırılmış bir Markdown belgesi olarak biçimlendirin: 1) Olası veri kalitesi risklerini içeren bir özet tablo, 2) Önceliklendirilmiş bir temizleme kontrol listesi ve 3) Temizleme işlemlerinin güvenli bir şekilde nasıl yürütüleceğini gösteren yeniden kullanılabilir bir Python (Pandas) kod bloğu.

Bir Kıdemli Veri Bilimcisi olarak hareket edin. Bazı sütunlarında eksik değerler (özellikle [COLUMNS_WITH_MISSING_DATA]) bulunan bir [DATASET_DESCRIPTION] veri setini işliyorum. Hedeflenen sonraki görev [ANALYTICAL_TASK_OR_MODEL] aşamasıdır. Sağlanan bağlama dayanarak eksiklik mekanizmalarını (MCAR, MAR, MNAR) değerlendirin. İstatistiksel bütünlük ile uygulama karmaşıklığını dengeleyerek her sütun için uygun bir doldurma stratejisi önerin. Çıktınızı şu şekilde biçimlendirin: 1) Her bir değişken için her bir tekniğin (örneğin, ortalama/medyan, KNN, MICE veya gösterge bayrakları) neden seçildiğini açıklayan net bir mantıksal gerekçe ve 2) Önerilen doldurma işlemlerini yürütmek için Pandas ve Scikit-Learn kullanan, çalıştırılmaya hazır Python kodu.

Uygulamalı bir İstatistikçi olarak hareket edin. [DATASET_DESCRIPTION] konusunu açıklayan bir veri seti içindeki [NUMERICAL_COLUMNS] dahil nicel değişkenleri inceliyorum. İstatistiksel analizi veya tahmin modellerini bozabilecek uç değerleri tespit etmem ve ele almam gerekiyor. [BUSINESS_GOAL] için uygun olan Z-skoru, Çeyrekler Arası Aralık (IQR) ve İzolasyon Ormanı (Isolation Forest) yöntemlerini karşılaştıran sağlam bir aykırı değer tespit yaklaşımı formüle edin. Tavsiyenizi şu şekilde çıktı verin: 1) Her yöntemin ne zaman kullanılacağını açıklayan teorik bir karşılaştırma, 2) Aykırı değerleri işaretlemek için eşik önerileri ve 3) Bu uç değerleri işaretleyen, görselleştiren ve isteğe bağlı olarak sınırlayan veya kaldıran Pandas ve Scikit-Learn kullanan Python kodu.

Bir Makine Öğrenimi Mühendisi olarak hareket edin. [DATASET_DESCRIPTION] hakkındaki bir veri setindeki ham kategorik ve sayısal özellikleri dönüştürmem gerekiyor. Hedef değişken [TARGET_VARIABLE] olup, tahminleyici özellikler kategorik değişkenler [CATEGORICAL_COLUMNS] ve sayısal değişkenler [NUMERIC_COLUMNS] içermektedir. [ALGORITHM_OR_ANALYSIS_TYPE] için uyarlanmış bir ön işleme boru hatları (pipeline) tasarlayın. Çıktınızı şu şekilde sunun: 1) Her kodlama ve ölçeklendirme tekniğinin arkasındaki mantığı açıklayan bir özellik dönüşüm karar matrisi ve 2) Boru hattını standartlaştırmak için Scikit-Learn'ün ColumnTransformer ve Pipeline modüllerini kullanan Python kodu.

Bir Baş Veri Analisti olarak hareket edin. [NUMBER_OF_ROWS] satıra ve [KEY_VARIABLES] dahil değişkenlere sahip [DATASET_DESCRIPTION] içeren bir veri seti üzerinde Keşifsel Veri Analizine (EDA) başlıyorum. Temel iş hedefim [BUSINESS_QUESTION] konusunu anlamaktır. Tek Değişkenli, İki Değişkenli ve Çok Değişkenli analiz adımlarına bölünmüş uçtan uca bir EDA yürütme planı sağlayın. Her aşama için hesaplanacak belirli istatistiksel metrikleri ve çizilecek grafikleri açıklayın. Bu grafikleri oluşturmak ve tanımlayıcı istatistiksel özetleri yazdırmak için Pandas, Seaborn ve Matplotlib kullanan eksiksiz bir Python betiği ekleyin.

Nicel bir Araştırmacı olarak hareket edin. [COLUMN_NAMES] içindeki hangi bağımsız değişkenlerin [TARGET_METRIC] üzerinde en güçlü korelasyona veya etkiye sahip olduğunu belirlemek istiyorum. Alttaki veri seti [DATASET_CONTEXT] kapsamaktadır. Değişkenler arasındaki olası çoklu doğrusallık sorunlarını ele alarak doğrusal ve doğrusal olmayan ilişkileri test etmek için analitik bir yaklaşım çizin. Şunları sağlayın: 1) Pearson, Spearman ve Karşılıklı Bilgi (Mutual Information) metriklerini açıklayan adım adım bir metodoloji ve 2) Ek açıklamalı bir korelasyon ısı haritası oluşturan ve Random Forest tabanlı bir model kullanarak Özellik Önem (Feature Importance) puanlarını hesaplayan Python kodu.

Kıdemli Bir Biyoistatistikçi ve Veri Analisti olarak hareket edin. [VARIABLE_A] öğesinin [VARIABLE_B] üzerinde istatistiksel olarak anlamlı bir etkiye sahip olup olmadığını belirlemek için resmi bir hipotez testi yapmam gerekiyor. Veriler [DATA_TYPE_AND_SAMPLE_SIZE] içermektedir. Sıfır Hipotezini (H0) ve Alternatif Hipotezi (H1) tanımlayın. Veri özelliklerine göre en uygun istatistiksel testi (örneğin, T-Testi, ANOVA, Ki-Kare, Mann-Whitney U) seçin. Çıktı olarak şunları verin: 1) Varsayım doğrulama adımları (normallik, homoskedasite), 2) P-değerleri ve etki büyüklüğü (Cohen's d veya Cramer's V) için yorumlama kuralları ve 3) Analizi gerçekleştirmek için SciPy.Stats kullanan Python kodu.

Bir Veri Bilimcisi olarak hareket edin. [DATASET_DESCRIPTION] verilerini temsil eden bir veri setindeki [CONTINUOUS_COLUMNS] sürekli özelliklerini değerlendiriyorum. Sonraki aşamadaki modellemeyi olumsuz etkileyebilecek normal olmayan dağılımlardan ve yüksek çarpıklıktan şüpheleniyorum. Çarpıklığı ve basıklığı ölçme ve matematiksel dönüşümler (örneğin, Log, Karekök, Box-Cox, Yeo-Johnson) uygulama konusunda bana rehberlik edin. Yanıtınızı iki bölümde çıktı verin: 1) Farklı çarpıklık seviyeleri için doğru dönüştürme yöntemini seçme konusunda bir karar kılavuzu ve 2) Ön/son dağılımları test etmek, dönüştürmek ve görselleştirmek için Scikit-Learn ve SciPy kullanan Python kodu.

Kıdemli bir SQL Uzmanı olarak hareket edin. [DATABASE_TYPE, örn. PostgreSQL/BigQuery/Snowflake] için optimize edilmiş bir SQL sorgusu yazmam gerekiyor. Veritabanımda [TABLE_NAMES_AND_SCHEMAS] tabloları bulunmaktadır. Hedef, [TIME_FRAME] zaman dilimi boyunca [DIMENSIONS] ölçütlerine göre gruplandırılmış [KEY_METRIC_OR_KPI] değerini hesaplamaktır. Sorgu, [FILTER_CONDITIONS] koşullarını filtrelemeli ve netlik için Ortak Tablo İfadelerini (CTE) kullanmalıdır. Şunları sağlayın: 1) Pencere fonksiyonlarını veya join işlemlerini açıklayan net yorumlara sahip optimize edilmiş SQL sorgusu, 2) Performans için indeks önerilerinin açıklaması ve 3) Örnek çıktı formatı.

Veri Analizi konusunda uzmanlaşmış Kıdemli bir Python Geliştiricisi olarak hareket edin. [COLUMN_LIST] sütunlarına sahip bir `df` DataFrame'im var. Karmaşık veri manipülasyonu gerçekleştirmem gerekiyor: [METRIC_COLUMNS] verilerini [GROUPING_COLUMNS] değerlerine göre toplayın, tabloyu [PIVOT_COLUMN] üzerinde özetleyin ve [WINDOW_SIZE] dönemi üzerinden hareketli ortalamaları hesaplayın. Açık döngüler kullanmadan temiz, vektörleştirilmiş, üretime hazır bir Pandas kod parçacığı sağlayın. Çok indeksli sütunların nasıl ele alındığını ve sonraki görselleştirme için yeniden indekslemenin nasıl yönetildiğini açıklayan satır içi açıklamalar ekleyin.

Bir Veri Görselleştirme Uzmanı olarak hareket edin. Python'da [Plotly / Bokeh / Altair] kullanarak etkileşimli bir pano görseli oluşturmak istiyorum. Veri seti, [DIMENSIONS] boyutları genelinde temel metrikler [METRICS] ile birlikte [DATASET_SUMMARY] içermektedir. Üzerine gelindiğinde ipuçları (tooltip) gösteren, yönetici sunumları için özel olarak uyarlanmış özelleştirilebilir renk paletlerine ve uygun dinamik eksen etiketlerine sahip çok panelli bir grafik için kod oluşturun. Teknik olmayan paydaşlara net içgörüler aktarmaya yönelik tasarım ipuçlarının yanı sıra çalıştırılabilir eksiksiz Python betiğini sağlayın.

Bir Zaman Serisi Veri Analisti olarak hareket edin. [ORIGINAL_FREQUENCY, örn. ham saniye] sıklığında kaydedilmiş ve [TIME_STAMP_COLUMN, METRIC_COLUMNS] sütunlarını içeren zaman damgalı işlemlerden oluşan bir veri setim var. Bu verileri [TARGET_FREQUENCY, örn. günlük/haftalık] sıklığına yeniden örneklemem, eksik tarihleri ileriye dönük doldurmam (forward-fill) ve dönemler arası büyüme oranı ve kümülatif toplamlar gibi metrikleri hesaplamam gerekiyor. Trend bileşenlerini görüntülemek için Matplotlib aracılığıyla görsel çizim komutlarının yanı sıra Pandas tarih saat indekslemesini kullanan verimli Python kodu sağlayın.

Bir Makine Öğrenimi Veri Analisti olarak hareket edin. Ham alanları [LIST_OF_RAW_FIELDS] olan işlemsel bir veri seti göz önüne alındığında, [TARGET_OUTCOME] tahminine yönelik model performansını iyileştirmek için yeni etki alanına özgü özellikler tasarlamam gerekiyor. En az 5 yaratıcı mühendislik özelliği önerin (örneğin, toplama oranları, zamansal özellikler, güncellik metrikleri). Yanıtınızı şu şekilde çıktı verin: 1) Her özelliğin neden tahmin edici olduğuna dair stratejik açıklamalar ve 2) Veri sızıntısına yol açmadan bu özellikleri güvenli bir şekilde oluşturan modüler Python kodu.

İş Analitiği Başkan Yardımcısı (VP) olarak hareket edin. [TOPIC_OR_PROJECT] üzerinde analiz gerçekleştirdim ve şu istatistiksel metrikleri topladım: [KEY_FINDINGS_AND_NUMBERS]. Bu ham analitik içgörüleri [TARGET_AUDIENCE, örn. CEO/CFO] için bir yönetici özetine dönüştürün. Raporu şu yapıyla oluşturun: 1) Üst düzey TL;DR madde işaretleri, 2) İşlevsel etkiye göre ayrılmış temel iş çıkarımları, 3) Kritik riskler veya anormal metrikler ve 4) Bulgulara dayanan üç stratejik, önceliklendirilmiş öneri.

Müşteri Tutma Analitiği Uzmanı olarak hareket edin. [TIME_PERIOD] boyunca kullanıcı kayıtları için aylık kohort elde tutma oranlarını hesapladım. Veri seti çıktısı [RETENTION_DATA_SUMMARY_OR_TABLE] verilerini göstermektedir. Kullanıcı kayıp kalıplarını değerlendirmek için bu kohort metriklerini analiz etmeme yardımcı olun. Şunları sunun: 1) Düşüşlerin doruğa ulaştığı noktaları açıklayan analitik bir özet, 2) Sağlıklı ve düşük performans gösteren kohortların belirlenmesi, 3) Elde tutma kaybı nedenlerine ilişkin yapılandırılmış bir hipotez ve 4) Bu elde tutma içgörülerini ürün ekiplerine sunmak için net bir çerçeve.

Kıdemli Ürün Analisti olarak hareket edin. [BUSINESS_CONTEXT] kapsamındaki veri setimizde [DATE_RANGE] dönemi boyunca [KEY_METRIC] değerinde [PERCENTAGE_CHANGE]% oranında ani bir düşüş gözlemledik. Sorunu [DIMENSIONS_LIKE_GEO_DEVICE_CHANNEL] boyutları genelinde izole etmek için bir kök neden ayrıştırma çerçevesi oluşturmama yardımcı olun. Çıktı olarak şunları verin: 1) Olası etkenleri araştırmak için yapılandırılmış bir teşhis ağacı (MECE çerçevesi), 2) Sorunu izole etmek için belirli SQL/Pandas dilimleme kontrolleri ve 3) Bulguları paydaşlara iletmek için bir şablon.

Müşteri İstihbarat Lideri olarak hareket edin. [METRICS_USED] müşteri davranışsal metrikleri üzerinde K-Means kümeleme analizi yürüttüm ve [NUMBER_OF_CLUSTERS] farklı segment elde ettim. Küme merkezleri ve metrikler [CLUSTER_SUMMARY_DATA] şeklindedir. Bu sayısal kümeleri eyleme geçirilebilir iş personalarına dönüştürmeme yardımcı olun. Şunları sağlayın: 1) Her persona için açıklayıcı isimler ve anlatı profilleri, 2) Temel davranışsal ayırt edici özellikler ve 3) Her segment için belirli iş katılımı veya pazarlama stratejileri.

Kıdemli FP&A (Finansal Planlama ve Analiz) Analisti olarak hareket edin. [TIME_PERIOD] sırasında [BUSINESS_UNIT] için [METRIC_NAMES] metrikleri genelinde öngörülen ile gerçek performansı karşılaştıran bir varyans veri setim var. Gerçek değerler [ACTUAL_VALUES] iken hedef değerler [TARGET_VALUES] idi. Şunları sunmak üzere bu performans varyansını analiz edin: 1) Olumlu ve olumsuz varyansların dökümü, 2) Varyansın arkasındaki temel gelir veya maliyet etkenlerinin belirlenmesi ve 3) Liderlik karar alma süreçlerine göre uyarlanmış kısa ve öz madde işaretli bir rapor.