# उत्तर शोधत आहोत ही मागील धड्याच्या [असाइनमेंट](../14-Introduction/assignment.md) ची पुढील पायरी आहे, जिथे आपण डेटासेटचा थोडक्यात आढावा घेतला होता. आता आपण डेटावर अधिक सखोल नजर टाकणार आहोत. पुन्हा, क्लायंटला जाणून घ्यायचे आहे: **न्यूयॉर्क सिटीतील यलो टॅक्सी प्रवासी हिवाळ्यात की उन्हाळ्यात ड्रायव्हरला जास्त टीप देतात?** तुमची टीम डेटा सायन्स जीवनचक्राच्या [विश्लेषण](README.md) टप्प्यात आहे, जिथे तुम्हाला डेटासेटवर एक्सप्लोरेटरी डेटा अ‍ॅनालिसिस (EDA) करायची जबाबदारी आहे. तुम्हाला 2019 च्या जानेवारी आणि जुलै महिन्यातील 200 टॅक्सी व्यवहारांचा समावेश असलेला नोटबुक आणि डेटासेट प्रदान करण्यात आला आहे. ## सूचना या डिरेक्टरीमध्ये [नोटबुक](assignment.ipynb) आणि [टॅक्सी आणि लिमोझिन कमिशन](https://docs.microsoft.com/en-us/azure/open-datasets/dataset-taxi-yellow?tabs=azureml-opendatasets) कडून डेटा आहे. डेटाबद्दल अधिक माहितीसाठी [डेटासेटची डिक्शनरी](https://www1.nyc.gov/assets/tlc/downloads/pdf/data_dictionary_trip_records_yellow.pdf) आणि [वापरकर्ता मार्गदर्शक](https://www1.nyc.gov/assets/tlc/downloads/pdf/trip_record_user_guide.pdf) पहा. या धड्यातील काही तंत्रांचा वापर करून नोटबुकमध्ये स्वतःचा EDA करा (हवे असल्यास नवीन सेल्स जोडा) आणि खालील प्रश्नांची उत्तरे द्या: - डेटामधील कोणते इतर घटक टीपच्या रकमेवर परिणाम करू शकतात? - क्लायंटच्या प्रश्नांची उत्तरे देण्यासाठी कोणते कॉलम्स कदाचित आवश्यक नसतील? - आतापर्यंत प्रदान केलेल्या डेटाच्या आधारे, हंगामी टीप देण्याच्या वर्तनाचे कोणतेही पुरावे दिसतात का? ## मूल्यांकन निकष उत्कृष्ट | समाधानकारक | सुधारणा आवश्यक --- | --- | --- --- **अस्वीकरण**: हा दस्तऐवज AI भाषांतर सेवा [Co-op Translator](https://github.com/Azure/co-op-translator) वापरून भाषांतरित करण्यात आला आहे. आम्ही अचूकतेसाठी प्रयत्नशील असलो तरी कृपया लक्षात ठेवा की स्वयंचलित भाषांतरे त्रुटी किंवा अचूकतेच्या अभावाने युक्त असू शकतात. मूळ भाषेतील दस्तऐवज हा अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी भाषांतराची शिफारस केली जाते. या भाषांतराचा वापर करून उद्भवलेल्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थासाठी आम्ही जबाबदार राहणार नाही.