In this project, I performed a comprehensive Exploratory Data Analysis (EDA) on a dataset of second-hand car sales. Key focus areas included:
Price Analysis: Studying car prices in relation to mileage, year of manufacture, engine size, and fuel type.
Scatter Plots & Visual Insights: Created scatter plots of the top 10 cars with a “Balance Line” to identify optimal mileage-price trade-offs.
Correlation Analysis: Examined how different features like mileage, engine size, and year impact the price.
Data-Driven Recommendations: Identified the most cost-effective cars based on mileage, year, and price balance.
Tools & libraries used: Python, Pandas, Matplotlib, Seaborn. This project helps buyers and sellers make informed decisions in the second-hand car market.
Key Skills:
Pandas for data cleaning, manipulation, and analysis
Matplotlib & Seaborn for data visualization
Correlation and trend analysis
Exploratory Data Analysis (EDA)
Description (Arabic):
في هذا المشروع، قمت بتحليل استكشافي شامل (EDA) لمبيعات السيارات المستعملة. ركز التحليل على:
تحليل الأسعار: دراسة أسعار السيارات بالنسبة للمسافة المقطوعة، سنة الصنع، حجم المحرك، ونوع الوقود.
الرسم البياني والتحليلات البصرية: إنشاء مخططات انتشار لأفضل 10 سيارات مع “خط التوازن” لتحديد أفضل توازن بين المسافة والسعر.
تحليل الارتباط: دراسة تأثير الخصائص المختلفة مثل المسافة المقطوعة، حجم المحرك، والسنة على السعر.
توصيات قائمة على البيانات: تحديد السيارات الأكثر جدوى من حيث التكلفة بناءً على المسافة، السنة، والسعر.
الأدوات المستخدمة: بايثون، Pandas، Matplotlib، Seaborn. هذا المشروع يساعد المشترين والبائعين على اتخاذ قرارات مستنيرة في سوق السيارات المستعملة.