Definition
ڈیٹا سائنس لائف سائیکل (DSLC) کے چھ مراحل ہیں: (1) مسئلہ سمجھنا، (2) ڈیٹا جمع کرنا، (3) ڈیٹا صاف کرنا، (4) ڈیٹا کا تجزیہ کرنا، (5) ڈیٹا کی بصری نمائش، (6) ڈیٹا کی تشریح۔
DSLC کا پہلا مرحلہ مسئلہ سمجھنا ہے — کچھ اور کرنے سے پہلے بالکل واضح کرنا کہ کون سا سوال جواب چاہتا ہے۔
Definition
ڈیٹا جمع کرنے سے پہلے مسئلہ سمجھنا اہم ہے کیونکہ یہ طے کرتا ہے کہ بالکل کون سا ڈیٹا جمع کرنا ضروری ہے، اور کیسے — واضح مسئلہ تعریف کے بغیر، آپ ایسا ڈیٹا جمع کرنے کا خطرہ مول لیتے ہیں جو غیرمتعلقہ، ناکافی، یا سوال کا جواب دینے کے لیے غلط شکل میں ہو، محنت ضائع کرتا اور ممکنہ طور پر غلط نتائج کی طرف لے جاتا ہے۔
DSLC میں 'ڈیٹا کی تشریح' کا مطلب تجزیہ شدہ اور بصری طور پر پیش کردہ ڈیٹا سے بامعنی نتائج اور عملی بصیرت نکالنا ہے — نتائج کو اصل مسئلے سے جوڑنا اس کا جواب دینے کے لیے اور، اکثر، کوئی عمل تجویز کرنے کے لیے۔
Definition
ڈیٹا جمع کرنے کے دو طریقے: سروے/سوالنامے (مثلاً طلبہ سے ان کی مطالعاتی عادات کے بارے میں پوچھنا) اور سینسرز/خودکار آلات (مثلاً ایک سمارٹ واٹر میٹر خودکار طور پر پانی کے استعمال کا ریکارڈ رکھتا ہے)۔
بہت سے طلبہ سے رائے جمع کرنے کے لیے سروے بہترین ہیں، کیونکہ انہیں بڑے پیمانے پر اور تیزی سے تقسیم کیا جا سکتا ہے، بہت سے لوگوں کے خیالات مؤثر طریقے سے جمع ہونے دیتا ہے۔
سمارٹ واٹر میٹرز یا پہننے کے قابل آلات (جو دل کی دھڑکن یا سرگرمی کی سطح جیسا ڈیٹا خودکار طور پر ریکارڈ کرتے ہیں) جیسے آلات استعمال کرتے ہوئے ڈیٹا جمع کرنا ایک سینسر پر مبنی/خودکار جمع کرنے کا طریقہ ہے۔
کسی پروگرام استعمال کرتے ہوئے ویب سائٹس سے عوامی ڈیٹا خودکار طور پر جمع کرنا ویب سکریپنگ کہلاتا ہے۔
Definition
ڈیٹا ذریعے کی ایک مثال: کسی سکول کا طلبہ ریکارڈ ڈیٹابیس، کوئی سرکاری مردم شماری ڈیٹاسیٹ، یا IoT آلات سے سینسر ریڈنگز۔
قابلِ اعتماد ڈیٹا ذریعہ چنتے وقت، آپ کو اس کی درستگی، یہ کتنا تازہ ہے، اور آیا یہ کسی معتبر، قابلِ اعتماد اصل سے آتا ہے چیک کرنا چاہیے — ایک ناقابلِ اعتماد ذریعہ تجزیے کے بعد کے ہر مرحلے میں خرابیاں یا تعصب داخل کر سکتا ہے۔
Definition
ڈیٹا میں تعصب (Bias) ایک منظم کجی یا بگاڑ ہے جو جمع شدہ ڈیٹا کو اس حقیقی صورتحال کا غیرنمائندہ بناتا ہے جسے یہ ظاہر کرنا چاہتا ہے — مثلاً تمام عمروں میں رکھی گئی رائے کا مطالعہ کرتے وقت صرف ایک عمری گروہ کا سروے کرنا۔ تعصب ڈیٹا سے اخذ کردہ نتائج کو گمراہ کن یا غلط بنا کر نتائج کو متاثر کرتا ہے، کیونکہ ڈیٹا واقعی وہ مکمل تصویر ظاہر نہیں کرتا جس کے بارے میں یہ فرض کیا جاتا ہے۔
Definition
ڈیٹا 'صاف کرنے' کا مطلب کسی ڈیٹاسیٹ میں خرابیاں، عدم مطابقتیں، اور غیرمتعلقہ اندراجات تلاش کرنا اور ٹھیک کرنا (یا ہٹانا) ہے، تاکہ بعد کا تجزیہ درست، قابلِ استعمال ڈیٹا پر مبنی ہو۔
'غائب ڈیٹا' اور 'آؤٹ لائرز' کا فرق: غائب ڈیٹا وہ ہے جہاں کوئی قدر بالکل ریکارڈ نہیں ہوئی (ڈیٹاسیٹ میں خلا)، جبکہ آؤٹ لائر ایک ایسی قدر ہے جو ریکارڈ تو ہوئی مگر باقی ڈیٹا سے غیرمعمولی طور پر مختلف ہے (یا تو ایک حقیقی غیرمعمولی صورت یا ڈیٹا-اندراج کی غلطی) — دونوں عام ڈیٹا خرابیاں ہیں، مگر ایک عدم موجودگی ہے، دوسری عجیب چیز۔
استعمال سے پہلے ڈیٹا کی تصدیق کرنا اہم ہے کیونکہ غیرتصدیق شدہ ڈیٹا میں خرابیاں ہو سکتی ہیں جو، اگر توجہ نہ دی جائے، خاموشی سے غلط تجزیاتی نتائج اور ناقابلِ اعتماد نتائج پیدا کریں گی — تصدیق ان مسائل کو باقی عمل کو متاثر کرنے سے پہلے پکڑتی ہے۔
مثال 1 — ایک الجھا ہوا سروے صاف کرنا
الجھے ہوئے سروے کو صاف کرتے وقت پیروی کرنے کے دو مراحل بتائیے۔
- نقل اندراجات (مثلاً ایک ہی شخص کا جواب دو بار جمع کرایا گیا) چیک کر کے ہٹائیں یا درست کریں۔
- غائب یا غیرمطابقت والے جوابات چیک اور سنبھالیں (مثلاً فیصلہ کریں کہ نامکمل جوابات چھوڑنے ہیں یا معقول تخمینی اقدار بھرنی ہیں)۔
Answer: (1) نقل ہٹائیں/ٹھیک کریں، (2) غائب یا غیرمطابقت والے جوابات سنبھالیں
Definition
ڈیٹا کا تجزیہ کرنے کا اہم مقصد اس کے اندر بامعنی نمونے، رجحانات، اور تعلقات تلاش کرنا ہے، جو اصل مسئلے/سوال کا جواب دینے میں مدد دیں۔
Definition
چارٹس استعمال کرتے ہوئے ڈیٹا کی بصری نمائش کا مقصد نمونے اور تعلقات کو بصری، تیزی سے سمجھ میں آنے والی شکل میں پیش کرنا ہے — ایک اچھی طرح چنا گیا چارٹ کسی جدول میں خام اعداد دیکھنے سے کہیں زیادہ فوری طور پر رجحان یا موازنہ ظاہر کر سکتا ہے۔
چارٹ اقسام کا موازنہ: بار چارٹ الگ الگ گروہوں یا زمروں کا ایک دوسرے کے مقابلے موازنہ کرنے کے لیے بہترین ہے (مثلاً مختلف مصنوعات کی فروخت کے اعداد)؛ پائی چارٹ یہ دکھانے کے لیے بہترین ہے کہ کوئی مکمل چیز متناسب حصوں میں کیسے تقسیم ہے (مثلاً فیصدی مارکیٹ شیئر)؛ لائن چارٹ یہ دکھانے کے لیے بہترین ہے کہ کوئی قدر وقت کے ساتھ مسلسل کیسے بدلتی ہے (مثلاً ایک ہفتے میں درجہ حرارت)۔
Definition
چارٹس بنانے کے لیے استعمال ہونے والے دو آلات: سپریڈ شیٹ سافٹ ویئر جیسے مائیکروسافٹ ایکسل یا گوگل شیٹس (نوسکھیوں کے لیے مثالی، سادہ اور وسیع پیمانے پر دستیاب)، اور مخصوص ڈیٹا بصری نمائش پلیٹ فارمز جیسے Tableau یا Power BI (زیادہ اعلیٰ درجے کے، بڑے یا زیادہ پیچیدہ ڈیٹاسیٹس کے لیے بھرپور، زیادہ حسبِ ضرورت بصری نمائش فراہم کرتے ہیں)۔
Remember
ڈیٹا کی بصری نمائش کی اہمیت کی دو وجوہات: یہ نمونوں اور رجحانات کو صرف خام اعداد سے کہیں آسان اور تیز پہچاننے کے قابل بناتی ہے، اور یہ نتائج کو سامعین (بشمول غیرتکنیکی لوگ) تک واضح طور پر پہنچاتی ہے جو ورنہ خام ڈیٹا کے جدول کی آسانی سے تشریح نہ کر پاتے۔
Definition
ذخیرہ کرنے سے پہلے، ڈیٹا صاف اور تصدیق شدہ ہونا چاہیے، تاکہ صرف درست، قابلِ استعمال ڈیٹا مستقل ذخیرے میں پہنچے۔
ریلیشنل ڈیٹابیس معلومات کو جدولوں (قطاریں اور کالم) کی صورت میں ذخیرہ کرتا ہے، متعلقہ جدول مشترک کلیدی فیلڈز کے ذریعے آپس میں جڑے ہوتے ہیں۔
ڈیٹابیس میں، ڈیٹا کی ایک واحد قطار (مثلاً ایک طالب علم کا مکمل ریکارڈ) ریکارڈ کہلاتی ہے۔ ڈیٹابیس جدول میں 'فیلڈ' ہر ریکارڈ کے اندر ڈیٹا کا ایک مخصوص زمرہ/کالم ہے — مثلاً کسی طالب علم جدول میں، 'نام'، 'رول نمبر'، اور 'جماعت' ہر ایک الگ فیلڈ ہوں گے۔
DBMS (Database Management System) وہ سافٹ ویئر ہے جو مجموعی طور پر ڈیٹابیس بنانے، سنبھالنے، اور اس سے تعامل کرنے کے لیے استعمال ہوتا ہے (مثلاً ذخیرہ، سیکیورٹی، اور رسائی سنبھالنا)۔ SQL (Structured Query Language) وہ مخصوص زبان ہے جو DBMS کے اندر ڈیٹا حاصل کرنے، داخل کرنے، اپ ڈیٹ کرنے، یا حذف کرنے کے لیے کمانڈز/سوالات لکھنے کے لیے استعمال ہوتی ہے — DBMS مجموعی سسٹم ہے، جبکہ SQL اس سے بات چیت کرنے کے لیے استعمال ہونے والا آلہ/زبان ہے۔
مثال 2 — سادہ SQL سوال لکھنا
`student` جدول سے رول نمبر والے طالب علم کا تمام ڈیٹا حاصل کرنے کے لیے SQL سوال لکھیے۔
- `SELECT` طے کرتا ہے کہ کون سے کالم حاصل کرنے ہیں — `*` تمام کالم کا مطلب ہے۔
- `FROM student` تلاش کرنے کے لیے جدول متعین کرتا ہے۔
- `WHERE roll_number = 15` صرف میل کھاتی قطار چھانتا ہے۔
Answer: SELECT * FROM student WHERE roll_number = 15;
Definition
جدول میں نیا اندراج شامل کرنے کے لیے استعمال ہونے والی SQL کمانڈ `INSERT` ہے (خاص طور پر `INSERT INTO`)۔
Definition
ڈیٹا سائنس کے تین حقیقی زندگی کے استعمال: صحت کی دیکھ بھال (تشخیص اور علاج بہتر بنانے کے لیے مریض کے ڈیٹا کا تجزیہ)، ای-کامرس (مصنوعات تجویز کرنے کے لیے صارفی رویے کا تجزیہ)، اور مالیات (دھوکہ دہی پکڑنے کے لیے لین دین ڈیٹا کا تجزیہ)۔
خلاصہ (Quick Recap)
- ●DSLC (6 مراحل): مسئلہ سمجھنا جمع کرنا صاف کرنا تجزیہ بصری نمائش ڈیٹا کی تشریح
- ●جمع کرنے کے طریقے: سروے (رائے، وسیع رسائی)، سینسرز/آلات (خودکار، مثلاً سمارٹ میٹرز، پہننے کے قابل آلات)، ویب سکریپنگ (خودکار عوامی ڈیٹا جمع کرنا)
- ●تعصب: غیرنمائندہ ڈیٹا گمراہ کن نتائج؛ قابلِ اعتماد ذرائع کو درستگی، تازگی، اعتبار چاہیے
- ●صفائی: خرابیاں/نقلیں ٹھیک/ہٹانا؛ غائب ڈیٹا (غیرموجود قدر) بمقابلہ آؤٹ لائرز (غیرمعمولی ریکارڈ شدہ قدر)؛ استعمال سے پہلے تصدیق کریں
- ●تجزیہ نمونے تلاش کرتا ہے؛ بصری نمائش: بار (گروہوں کا موازنہ)، پائی (پورے کے حصے)، لائن (وقت کے ساتھ تبدیلی)؛ آلات: Excel/Sheets (نوسکھیا)، Tableau/Power BI (اعلیٰ درجے کا)
- ●ڈیٹابیس: جدول قطاریں (ریکارڈز) کالم (فیلڈز)؛ DBMS (ڈیٹابیس سنبھالتا) بمقابلہ SQL (سوالی زبان، مثلاً `SELECT`، `INSERT`)
- ●استعمال: صحت کی دیکھ بھال، ای-کامرس، مالیات (دیگر کے ساتھ)
