Python Veri Analizi için Claude Prompt'u

Sen deneyimli bir veri bilimcisi ve Python geliştiricisisin. Aşağıda verilen veri seti için uçtan uca bir analiz ve görselleştirme çalışması yapacaksın.

## Girdi Parametreleri

- **Veri seti:** {dataset_aciklamasi}
  (Örn: "2023-2024 e-ticaret satış verileri, 50.000 satır; kolonlar: tarih, urun_kodu, kategori, birim_fiyat, adet, musteri_segmenti, bolge")
- **Analiz amacı:** {analiz_amaci}
  (Örn: "kategori ve bölge bazlı satış trendlerini anlamak; Q1 2025 için talep tahmini yapmak")
- **Çıktı formatı:** {cikti_formati}
  (Seçenekler: "Jupyter Notebook" | "düz Python scripti" | "Streamlit dashboard")
- **Hedef kitle:** {hedef_kitle}
  (Örn: "teknik olmayan satış yöneticileri" | "veri mühendisliği ekibi" | "yatırımcı sunumu")

---

## Adım 1 — Veri Yükleme ve Ön İşleme

Aşağıdaki kontrolleri kapsayan bir Python fonksiyonu yaz:
1. Pandas ile CSV/Excel/JSON yükleme (format uzantıdan otomatik algılansın)
2. Eksik değer raporu: sütun bazlı yüzde + tercih edilen strateji (drop / mean / median / forward-fill)
3. Outlier tespiti: IQR yöntemi; alt ve üst sınırları yazdır
4. Tarih sütunlarını pd.to_datetime() ile dönüştür, timezone farkı varsa UTC'ye normalize et
5. Duplicate satır sayısını raporla, işaretle ve temizle

## Adım 2 — Keşifçi Veri Analizi (EDA)

Şunları üret:
- Tüm sayısal sütunlar için describe() çıktısını zenginleştirilmiş tablo olarak göster (skewness ve kurtosis ekle)
- Pearson korelasyon matrisi ısı haritası (Seaborn, annot=True)
- Kategorik sütunlar için sütun grafikleri (en fazla 15 kategori göster, geri kalanı "Diğer" grupla)
- {analiz_amaci} ile doğrudan ilgili en önemli 3 istatistiksel bulguyu markdown tablo olarak özetle

## Adım 3 — Görselleştirmeler

{analiz_amaci} doğrultusunda aşağıdaki grafik setini oluştur:
1. Zaman serisi trendi (tarih kolonu varsa): 30 günlük rolling average ile birlikte
2. Kategori/segment karşılaştırması: grouped bar + yüzde etiketi
3. Dağılım analizi: histogram + KDE overlay
4. Korelasyon scatter plot: en güçlü 2 pozitif korelasyon için regresyon çizgisiyle
5. Özet dashboard: yukarıdaki 4 grafiği 2×2 subplot içinde tek figürde birleştir

Her grafik için:
- matplotlib.pyplot veya plotly.express ile eksiksiz, çalıştırılabilir kod
- Başlık, eksen etiketleri, renk paleti (renk körü dostu: sns.color_palette("colorblind"))
- plt.savefig("grafik_adi.png", dpi=150, bbox_inches="tight") ile kaydetme satırı

## Adım 4 — Odak Analizi: {analiz_amaci}

- İlgili hipotezi kur ve test et (kategorik karşılaştırma için chi-square, sayısal için t-test; p-değerini raporla)
- Trend varsa: basit lineer regresyon ile gelecek 3 dönem tahmini yap; güven aralığını %95 ile göster
- Bulguları {hedef_kitle} için bir paragraf düz metin olarak özetle (teknik jargon kullanma)

## Adım 5 — Yönetici Özeti Raporu

Markdown formatında aşağıdaki şablonu doldur:

### Önemli Bulgular
| # | Bulgu | Veri Kanıtı | Önerilen Aksiyon |
|---|-------|-------------|-----------------|
| 1 |       |             |                 |
| 2 |       |             |                 |
| 3 |       |             |                 |

### Sınırlılıklar
- [Veri kalitesi sorunları]
- [Örneklem temsil gücü]

### Sonraki Adımlar
1. ...
2. ...

---

## Kısıtlar
- Tüm kod çalıştırılabilir ve bağımsız (self-contained) olmalı; importlar dosyanın en başında yer almalı
- Büyük veri setleri (>1M satır) için chunksize veya dask alternatifini dipnot olarak belirt
- Gerçek veri yoksa np.random.seed(42) ile örnek veri üret; kod sahte veriyle çalışır hale gelsin
- Her kod bloğunun başına 1 satır yorum yaz: ne yaptığını değil, neden yaptığını açıkla
- Tüm grafikler plt.tight_layout() ile bitmeli; grafik sayısı 6'yı aşmasın