In this Hindi instructional video, Akansha Yadav explains that data cleaning is a multi‑step process essential for any machine‑learning project. She walks through each step: removing duplicate records, handling missing values (using pandas fillna, median imputation, and in‑place updates), grouping and unifying inconsistent formats, splitting or combining columns, and filtering to keep only relevant columns. She demonstrates how to perform these tasks with Python’s pandas library (e.g., inplace=True, fillna, median replacement) and also shows non‑coding alternatives using Power BI/Power Query, where DAX‑style queries can be written to clean data. Throughout, she stresses that skipping any of these steps can compromise model performance, making thorough cleaning a non‑negotiable prerequisite.
Chapters
डेटा की बात आती है तो हम क्या करते हैं। हम सबसे पहले उस डेटा को क्लीन करने की कोशिश करते हैं। सबको लगता है डेटा को क्लीन करने का मतलब है कि मिसिंग वैल्यू को रिमूव कर। 2 हमारा काम तो खत्म हो गया है, देखो ऐसा नहीं होता है। डेटा क्लीनिंग में बहुत सारे स्टेप्स होते हैं। डेटा क्लीनिंग। 1 स्टेप का काम नहीं है रिमूव करना डुप्लीकेट रिकॉर्ड्स पहला काम है मतलब कि जितने भी डुप्लीकेसी है रिडंडेंसी है उसको तो रिमूव कर। 2 दूसरा हैंडल करना मिसिंग डेटा मतलब की डेटा जितनी भी जगह पर आपको नल दिख रहा है, जितनी आपको एन एन एन मतलब नोट नंबर दिख रहा है, जितनी भी जगह पर आपको नल दिख रहा है उन सारे ही कॉलम और उन सारे ही सेल को आपको हैंडल करना है। तीसरा ग्रुप करना डेटा को मान लो। आपके पास मल्टीपल कॉलम्स है मल्टीपल टेबल्स है उन सब को ग्रुप करना ताकि 1 परफेक्ट डेटा आगे जा सके। 1 पर्टिकुलर फॉर्मैट में डेटा आगे जा सके। यूनीफाईइनकंसिस्टेंट डेटा फॉर्मेट। कभी कभी ऐसा होता है की जब हम डेटा की फाइल अपलोड करते हैं तो वो गलत फार्मेट में अपलोड हो जाती है। तो उसको भी हमें करेक्ट करना पड़ेगा कोई और नहीं करेगा। उसके बाद स्प्लिट एंड कम्बाइंड कॉलम आपको जरूरी नहीं है। सारे के सारे कॉलम कुछ कॉलम इमपोर्टंट होता है वो भी हम डेटा क्लीनिंग में ही करते हैं। उसके बाद फिल्टर करना की रेलें डेटा कौन सा है, कौन सा कॉलम रिक्वायर्ड है कौन सा नहीं है। इन सब को करने के लिए आप बहुत सारे तरीकों का इस्तेमाल कर सकते हो, पाइथन का इस्तेमाल कर सकते हो। पाइथन में बात करूँ तो कुछ ऐसे कोर्स होते हैं जिसको आप यूज कर कते हैं आपको हैंडल करना है मिसिंग डेटा को मिसिंग डेटा को हैंडल करने के फंक्शन यूज कर सकते है। उसके बाद रिमूव करना है। अगर आप खुद 2 ड्रा पैड यूज कर सकते हो। इन प्लेस इस इक्वल टू ट्रू हम क्यूँ लिखते हैं ताकि हमारा एक्चुवल डेटा में चेंज हो जाए। फी लेने क्यों यूज किया जाता है। ताकि हम एक्चुवल जो मिसिंग डेटा है जहाँ पर भी वैल्यू मेंशन है, जहाँ पर भी मिसिंग वैल्यू से उसको में रिप्लेस करना चाहती हूँ मीडियम से तो मैं क्या करूंगी। फी लेने के बाद डीए मीडियन लगा दूंगी मतलब मेरे पूरे के पूरे टेबल में मीडियन अप्लाई करो। मीडियन का जो वैल्यू कैल्कुलेट हो उसी को फी लेने की जगह प्लेस कर। 2 इन प्लेस इस ईक्वल्टुट्रूमींस एक्चुवल चेंजेज मेरे डेटा में करो देखो। ये 1 पहला मेथड हो गया की आप कोडिंग की मदद से डेटा क्लीनिंग कर हो। दूसरा मेथड यह है कि आप पॉवर बी आई पर जाकर भी अपने डेटा को क्लीन कर सकते हो। यह साथ लास्ट मेथड यह है कि पॉवर का जो डेटा ट्रांसफॉर्मेशन टूल है वहां पर भी आप अपने डेटा को अपलोड कर सकते हो। उसके ऊपर डेक्स की क्वेरीज लिख सकते हो और उसको करेक्ट कर सकते हो। डेटा क्लीनिंग बहुत इम्पोर्टेंट स्टेप है। यू कैन नॉट मिस एनी ऑफ दी स्टेप्स।
