تصور البيانات

# مهارة تصور البيانات

إرشادات اختيار المخططات، أنماط أكواد تصور بيانات Python، مبادئ التصميم، والاعتبارات المتعلقة بإمكانية الوصول لإنشاء تصورات بيانات فعّالة.

## دليل اختيار المخطط

### الاختيار حسب العلاقة بين البيانات

| ما تريد عرضه | أفضل مخطط | بدائل | |---|---|---| | **الاتجاه عبر الزمن** | مخطط خطي | مخطط منطقة (إذا كان يظهر تراكمي أو تكوين) | | **المقارنة عبر الفئات** | مخطط أعمدة رأسي | أعمدة أفقية (فئات كثيرة)، مخطط الحلوى | | **التصنيف** | مخطط أعمدة أفقي | مخطط نقاط، مخطط المنحدر (مقارنة فترتين) | | **تكوين جزء إلى كل** | مخطط أعمدة مكدسة | خريطة شجرية (هرمية)، مخطط الوافل | | **التكوين عبر الزمن** | مخطط منطقة مكدس | مخطط أعمدة مكدس 100% (للتركيز على النسبة) | | **التوزيع** | الرسم البياني التكراري | مخطط الصندوق (مقارنة المجموعات)، مخطط الكمان، مخطط الشرائط | | **الارتباط (متغيران)** | مخطط التشتت | مخطط الفقاعات (إضافة متغير ثالث كحجم) | | **الارتباط (متغيرات كثيرة)** | خريطة حرارية (مصفوفة الارتباط) | مخطط الأزواج | | **الأنماط الجغرافية** | خريطة كوروبليث | خريطة فقاعات، خريطة سادسة الأضلاع | | **التدفق / العملية** | مخطط سانكي | مخطط القمع (المراحل المتسلسلة) | | **شبكة العلاقات** | رسم بياني شبكي | مخطط الوتر | | **الأداء مقابل الهدف** | مخطط رصاصة | مقياس (KPI واحد فقط) | | **مؤشرات أداء رئيسية متعددة في نفس الوقت** | مضاعفات صغيرة | لوحة معلومات بمخططات منفصلة |

### متى لا تستخدم مخططات معينة

- **المخططات الدائرية**: تجنبها إلا إذا كانت أقل من 6 فئات والنسب الدقيقة أقل أهمية من المقارنة التقريبية. البشر سيئون في مقارنة الزوايا. استخدم مخططات الأعمدة بدلاً منها. - **المخططات ثلاثية الأبعاد**: لا تستخدمها أبداً. تشوه الإدراك ولا تضيف معلومات. - **مخططات المحور الثنائي**: استخدمها بحذر. يمكنها أن تضلل بإيحاء وجود ارتباط. قم بتصنيف كلا المحورين بوضوح إذا تم استخدامها. - **مخطط الأعمدة المكدسة (فئات كثيرة)**: يصعب مقارنة القطاعات الوسطى. استخدم المضاعفات الصغيرة أو الأعمدة المجمعة بدلاً منها. - **مخططات الدونات**: أفضل قليلاً من المخططات الدائرية لكن لها نفس المشاكل الأساسية. استخدمها لعرض KPI واحد على الأكثر.

## أنماط أكواد تصور البيانات في Python

### الإعداد والنمط

```python import matplotlib.pyplot as plt import matplotlib.ticker as mticker import seaborn as sns import pandas as pd import numpy as np

# إعداد نمط احترافي plt.style.use('seaborn-v0_8-whitegrid') plt.rcParams.update({ 'figure.figsize': (10, 6), 'figure.dpi': 150, 'font.size': 11, 'axes.titlesize': 14, 'axes.titleweight': 'bold', 'axes.labelsize': 11, 'xtick.labelsize': 10, 'ytick.labelsize': 10, 'legend.fontsize': 10, 'figure.titlesize': 16, })

# لوحات ألوان صديقة للعمى الألوان PALETTE_CATEGORICAL = ['#4C72B0', '#DD8452', '#55A868', '#C44E52', '#8172B3', '#937860'] PALETTE_SEQUENTIAL = 'YlOrRd' PALETTE_DIVERGING = 'RdBu_r' ```

### مخطط خطي (سلسلة زمنية)

```python fig, ax = plt.subplots(figsize=(10, 6))

for label, group in df.groupby('category'): ax.plot(group['date'], group['value'], label=label, linewidth=2)

ax.set_title('Metric Trend by Category', fontweight='bold') ax.set_xlabel('Date') ax.set_ylabel('Value') ax.legend(loc='upper left', frameon=True) ax.spines['top'].set_visible(False) ax.spines['right'].set_visible(False)

# تنسيق التواريخ على المحور السيني fig.autofmt_xdate()

plt.tight_layout() plt.savefig('trend_chart.png', dpi=150, bbox_inches='tight') ```

### مخطط الأعمدة (مقارنة)

```python fig, ax = plt.subplots(figsize=(10, 6))

# ترتيب حسب القيمة لسهولة القراءة df_sorted = df.sort_values('metric', ascending=True)

bars = ax.barh(df_sorted['category'], df_sorted['metric'], color=PALETTE_CATEGORICAL[0])

# إضافة تسميات القيم for bar in bars: width = bar.get_width() ax.text(width + 0.5, bar.get_y() + bar.get_height()/2, f'{width:,.0f}', ha='left', va='center', fontsize=10)

ax.set_title('Metric by Category (Ranked)', fontweight='bold') ax.set_xlabel('Metric Value') ax.spines['top'].set_visible(False) ax.spines['right'].set_visible(False)

plt.tight_layout() plt.savefig('bar_chart.png', dpi=150, bbox_inches='tight') ```

### الرسم البياني التكراري (التوزيع)

```python fig, ax = plt.subplots(figsize=(10, 6))

ax.hist(df['value'], bins=30, color=PALETTE_CATEGORICAL[0], edgecolor='white', alpha=0.8)

# إضافة خطوط المتوسط والوسيط mean_val = df['value'].mean() median_val = df['value'].median() ax.axvline(mean_val, color='red', linestyle='--', linewidth=1.5, label=f'Mean: {mean_val:,.1f}') ax.axvline(median_val, color='green', linestyle='--', linewidth=1.5, label=f'Median: {median_val:,.1f}')

ax.set_title('Distribution of Values', fontweight='bold') ax.set_xlabel('Value') ax.set_ylabel('Frequency') ax.legend() ax.spines['top'].set_visible(False) ax.spines['right'].set_visible(False)

plt.tight_layout() plt.savefig('histogram.png', dpi=150, bbox_inches='tight') ```

### خريطة حرارية

```python fig, ax = plt.subplots(figsize=(10, 8))

# تحويل البيانات لتنسيق خريطة حرارية pivot = df.pivot_table(index='row_dim', columns='col_dim', values='metric', aggfunc='sum')

sns.heatmap(pivot, annot=True, fmt=',.0f', cmap='YlOrRd', ```