feat: add advanced data profiler and quality analyzer mcp server

src/data-profiler/.python-version

@@ -0,0 +1 @@
+3.10

src/data-profiler/README.md

@@ -0,0 +1,116 @@
+# 🔬 MCP Advanced Data Profiler Server
+
+> An MCP server that empowers AI agents with advanced data profiling, data quality analysis, and statistical outlier detection capabilities for CSV datasets.
+
+---
+
+## 📌 Overview
+
+**MCP Advanced Data Profiler Server** is a data analysis server built on the [Model Context Protocol (MCP)](https://modelcontextprotocol.io) standard. It connects to AI clients such as Claude Desktop and integrates CSV analysis workflows — including missing value detection, column type inspection, and IQR-based outlier detection — directly into AI agent pipelines.
+
+---
+
+## 🛠️ Tools
+
+### 1. `analyze_data_quality`
+
+Analyzes a CSV file and produces a comprehensive data quality report.
+
+| Output | Description |
+|---|---|
+| Total rows & columns | Overall dataset dimensions |
+| Column data types | `int`, `float`, `object`, etc. |
+| Missing value count & percentage | Reported per column |
+
+**Example prompt:**
+```
+"Generate a quality report for sales_data.csv"
+```
+
+---
+
+### 2. `find_outliers_iqr`
+
+Detects statistical outliers in a specified numerical column using the **Interquartile Range (IQR)** method.
+
+| Output | Description |
+|---|---|
+| Lower & upper bounds | `Q1 - 1.5×IQR` and `Q3 + 1.5×IQR` |
+| Outlier count & percentage | Share of outliers within total data |
+| Sample outlier values | Preview of the first few detected values |
+
+**Example prompt:**
+```
+"Find outliers in the revenue column using the IQR method"
+```
+
+---
+
+## 🚀 Installation
+
+### Requirements
+
+- Python 3.10+
+- `mcp` library
+
+```bash
+pip install mcp
+```
+
+### Running the Server
+
+```bash
+python -m mcp run src/benim-mcp-sunucum/server.py
+```
+
+---
+
+## ⚙️ Configuration
+
+To use this server with Claude Desktop or any MCP-compatible client, add the following to your `claude_desktop_config.json`:
+
+```json
+{
+  "mcpServers": {
+    "data-profiler": {
+      "command": "python",
+      "args": [
+        "-m",
+        "mcp",
+        "run",
+        "src/benim-mcp-sunucum/server.py"
+      ]
+    }
+  }
+}
+```
+
+> 💡 Config file location:
+> - **macOS / Linux:** `~/.config/claude/claude_desktop_config.json`
+> - **Windows:** `%APPDATA%\Claude\claude_desktop_config.json`
+
+---
+
+## 📁 Project Structure
+
+```
+benim-mcp-sunucum/
+├── src/
+│   └── benim-mcp-sunucum/
+│       └── server.py           # MCP tool definitions and business logic
+├── claude_desktop_config.json  # Example client configuration
+├── requirements.txt
+└── README.md
+```
+
+---
+
+## 📄 License
+
+MIT License — See `LICENSE` for details.
+
+---
+
+<div align="center">
+  <sub>Built with Model Context Protocol · Python · Claude Desktop</sub>
+</div>

src/data-profiler/pyproject.toml

@@ -0,0 +1,23 @@
+[project]
+name = "mcp-data-profiler"
+version = "0.1.0"
+description = "AI ajanları için gelişmiş veri analizi ve kalite kontrol sunucusu"
+readme = "README.md"
+requires-python = ">=3.10"
+dependencies = [
+    "mcp[cli]>=1.2.0",
+    "pandas>=2.0.0",
+    "numpy>=1.24.0",
+]
+
+[dependency-groups]
+dev = [
+    "pyright>=1.1.300",
+]
+
+[build-system]
+requires = ["hatchling"]
+build-backend = "hatchling.build"
+
+[tool.hatch.build.targets.wheel]
+packages = ["server.py"]

src/data-profiler/server.py

@@ -0,0 +1,119 @@
+import os
+import pandas as pd
+import numpy as np
+from mcp.server.fastmcp import FastMCP
+
+# Sunucumuzu tanımlıyoruz
+mcp = FastMCP("Advanced Data Profiler")
+
+@mcp.tool()
+def analyze_data_quality(file_path: str) -> str:
+    """
+    Verilen bir CSV dosyasının kalitesini, eksik verilerini, 
+    veri tiplerini ve satır/sütun özetlerini analiz eder.
+    """
+    if not os.path.exists(file_path):
+        return f"Hata: '{file_path}' yolunda bir dosya bulunamadı."
+
+    try:
+        df = pd.read_csv(file_path)
+        total_rows = len(df)
+        total_cols = len(df.columns)
+
+        # Eksik veri analizi
+        missing_counts = df.isnull().sum()
+        missing_summary = []
+        for col, count in missing_counts.items():
+            if int(count) > 0:
+                percentage = (int(count) / total_rows) * 100
+                missing_summary.append(f"  - {col}: {count} eksik değer (%{percentage:.2f})")
+
+        missing_text = "\n".join(missing_summary) if missing_summary else "  - Eksik veya kayıp değer bulunamadı."
+        dtypes_summary = [f"  - {col}: {dtype}" for col, dtype in df.dtypes.items()]
+        dtypes_text = "\n".join(dtypes_summary)
+
+        report = (
+            f"📊 **Veri Seti Kalite Raporu** 📊\n"
+            f"---------------------------------\n"
+            f"🔹 **Genel Bilgiler:**\n"
+            f"  - Toplam Satır Sayısı: {total_rows}\n"
+            f"  - Toplam Sütun Sayısı: {total_cols}\n\n"
+            f"🔹 **Veri Tipleri:**\n{dtypes_text}\n\n"
+            f"🔹 **Eksik/Kayıp Değer Analizi:**\n{missing_text}\n"
+            f"---------------------------------"
+        )
+        return report
+    except Exception as e:
+        return f"Dosya okunurken bir hata oluştu: {str(e)}"
+
+
+@mcp.tool()
+def find_outliers_iqr(file_path: str, column_name: str) -> str:
+    """
+    Belirtilen sayısal sütundaki aykırı (outlier) değerleri 
+    IQR (Interquartile Range) yöntemiyle tespit eder ve özetler.
+    """
+    if not os.path.exists(file_path):
+        return f"Hata: '{file_path}' yolunda bir dosya bulunamadı."
+
+    try:
+        df = pd.read_csv(file_path)
+
+        if column_name not in df.columns:
+            return f"Hata: Sütun '{column_name}' veri setinde bulunamadı. Mevcut sütunlar: {list(df.columns)}"
+
+        # Sayısal sütun kontrolünü normal if yapısına çevirdik
+        is_numeric = pd.api.types.is_numeric_dtype(df[column_name])
+        if not is_numeric:
+            return f"Hata: '{column_name}' sütunu sayısal bir veri tipine sahip değil. Aykırı değer analizi yapılamaz."
+
+        # Pyright'ı ikna etmek için ham sütun verisini çekiyoruz
+        raw_series = df[column_name]
+        if not isinstance(raw_series, pd.Series):
+            return f"Hata: Sütun verisi okunamadı."
+
+        series = raw_series.dropna()
+        if not isinstance(series, pd.Series) or series.empty:
+            return f"Hata: '{column_name}' sütununda analiz edilecek geçerli (sayısal) veri bulunamadı."
+
+        # IQR Hesaplama
+        q1 = float(series.quantile(0.25))
+        q3 = float(series.quantile(0.75))
+        iqr = q3 - q1
+
+        lower_bound = q1 - 1.5 * iqr
+        upper_bound = q3 + 1.5 * iqr
+
+        # Filtreleme yapıp dönen verinin kesinlikle Series olduğunu doğruluyoruz
+        filtered_outliers = series[(series < lower_bound) | (series > upper_bound)]
+        if not isinstance(filtered_outliers, pd.Series):
+            return f"Hata: Aykırı değerler hesaplanırken veri yapısı uyuşmazlığı oluştu."
+
+        outliers = filtered_outliers
+        outlier_count = len(outliers)
+        outlier_ratio = (outlier_count / len(series)) * 100
+
+        report = (
+            f"🚨 **Aykırı Değer (Outlier) Analiz Raporu** 🚨\n"
+            f"---------------------------------\n"
+            f"🔹 **Sütun:** {column_name}\n"
+            f"🔹 **İstatistiksel Eşikler:**\n"
+            f"  - Alt Sınır (Lower Bound): {lower_bound:.2f}\n"
+            f"  - Üst Sınır (Upper Bound): {upper_bound:.2f}\n\n"
+            f"🔹 **Tespit Edilen Sonuçlar:**\n"
+            f"  - Toplam Aykırı Değer Sayısı: {outlier_count}\n"
+            f"  - Aykırı Değerlerin Oranı: %{outlier_ratio:.2f}\n"
+        )
+
+        if outlier_count > 0:
+            sample_list = outliers.head(5).tolist()
+            report += f"  - Bazı Örnek Aykırı Değerler: {sample_list}\n"
+
+        report += "---------------------------------"
+        return report
+
+    except Exception as e:
+        return f"Aykırı değer analizi yapılırken hata oluştu: {str(e)}"
+
+if __name__ == "__main__":
+    mcp.run()