# 16.2 Lab साठी raw extract तयार करूया

Source: https://ravindrabagale.com/mr/datascience/ch16-end-to-end-project-blinkit-maharashtra/16-2-create-the-raw-extract-lab-data.html
Language: mr (Marathi with English technical terms)

पुढचा generator 120 काल्पनिक rows तयार करतो. Seed 42 मुळे त्याच environment मध्ये sample पुन्हा तयार करता येतो. City case, amount format आणि minutes मध्ये मुद्दाम काही cleaning problems ठेवल्या आहेत.

import pandas as pd
import numpy as np

rng = np.random.default_rng(42)
cities = ["Pune", "Solapur", "Nashik", "Sambhaji Nagar", "Kolhapur", "Nagpur"]
customers = [
    "Ravindra Bagale", "Shraddha Bagale", "Ruhi Bagale",
    "Shahrukh", "Amir", "Salman", "Zoya", "Ravina", "Raja", "Rani",
]
statuses = ["Delivered", "Delivered", "Delivered", "Delivered", "Cancelled", "Returned"]

rows = []
for i in range(1, 121):
    city = cities[i % len(cities)]
    day = 1 + (i % 30)
    # Diwali window spike (fictional): days 15–22
    base = 120 if 15 <= day <= 22 else 80
    amount = int(base + rng.integers(20, 400))
    if city == "Pune":
        amount = int(amount * 1.2)
    rows.append({
        "Order ID": f"BLK-2610-{i:03d}" if i % 5 else f"AMN-2610-{i:03d}",
        "Order Date": f"{day:02d}-10-2026",
        "City": city if i % 17 else city.lower(),  # occasional dirty case
        "Amount": f"{amount:,}" if i % 11 else amount,
        "Status": statuses[i % len(statuses)],
        "Delivery Mins": int(rng.integers(8, 25)) if i % 19 else 999,
        "Customer": customers[i % len(customers)],
        "Store ID": f"{city[:3].upper()}-0{1 + (i % 3)}",
    })

raw = pd.DataFrame(rows)
raw.to_csv("data/blinkit_maha_raw.csv", index=False)
raw.head()

Generator समजून घ्या: Days 15–22 मध्ये base amount वाढते; orders ची संख्या वाढवलेली नाही. प्रत्येक day ला चार rows येतात. City आणि status साठी दोन्हीकडे सहाच्या cycle चा वापर असल्याने त्यांचा कृत्रिम संबंध तयार होतो. त्यामुळे हा lab cleaning शिकण्यासाठी आहे; वास्तविक demand किंवा city performance चा पुरावा नाही.

Run करण्याआधी data/ folder तयार आहे का पाहा.

रवींद्र बागले यांची tip

Random data वापरलं तरी generator चे नियम परिणामावर प्रभाव टाकतात. Data कसा बनला हे analysis मध्ये नोंदवा.