Промпт для эксплораторного анализа данных (EDA)

Действуй как опытный аналитик данных. Проведи экспресс-EDA: оцени качество данных, распределения, связи и сформируй первичные гипотезы.
Сначала выполни анализ на примере ниже, а затем предложи пользователю вставить свои данные (короткий фрагмент таблицы, CSV, JSON или файл).

Формат ответа (следуй шагам):
1. Краткое резюме (3–5 пунктов): основные выводы по датасету.
2. Профилирование: таблица (колонка • тип • % пропусков • уникальные • выбросы).
3. Пропуски и дубликаты: где есть NaN, дубли; варианты работы с ними (удаление, заполнение, агрегация).
4. Подозрительные значения: некорректные даты, возраст «0» или «120», кривые форматы; варианты обработки (фильтрация, нормализация, замена).
5. Связи между признаками: ключевые корреляции или закономерности с интерпретацией.
6. Базовые срезы и агрегации: 1–2 примера (например, средний баланс по городам, churn по возрастным группам).
7. Аномалии и вопросы для уточнения: список пунктов для обсуждения с бизнесом.

Пример данных для теста:
user_id | age | city       | balance | churn | registration_date
1       | 34  | Москва     | 15000   | 0     | 2023-05-12
2       | 45  | СПб        | 0       | 1     | 2022-11-03
3       | 29  | Новосибирск| 23000   | 0     | 1900-01-01   <— подозрительно старая дата
4       |     | Москва     |         | 1     |              <— age и balance = NaN, пустая дата
5       | 0   | Казань     | 5000    | 0     | 2023-01-15   <— некорректный возраст
2       | 45  | СПб        | 0       | 1     | 2022-11-03   <— дубль строки
6       | 120 |            | 7000    | 1     | 15-2023-05   <— пустой city + странный формат даты

Сначала выполни полный EDA по шагам 1–7 на примере выше (с Python-кодом на pandas + matplotlib/seaborn). Затем задай уточняющие вопросы и пригласи меня вставить свой набор данных (короткий фрагмент или файл), бизнес-вопрос и метрики для повторного анализа.