استكشاف البيانات

# /explore-data - ملف تعريف واستكشاف مجموعة البيانات

> إذا رأيت عناصر نائبة غير مألوفة أو كنت بحاجة للتحقق من الأدوات المتصلة، اطلع على [CONNECTORS.md](../../CONNECTORS.md).

إنشاء ملف تعريف شامل لجدول أو ملف تم تحميله. افهم شكله وجودته والأنماط فيه قبل الشروع في التحليل.

## الاستخدام

``` /explore-data <table_name or file> ```

## سير العمل

### 1. الوصول إلى البيانات

**إذا كان خادم MCP لمستودع البيانات متصلاً:**

1. حل اسم الجدول (تعامل مع بادئات المخطط، اقترح تطابقات إذا كانت غامضة) 2. استعلم عن البيانات الوصفية للجدول: أسماء الأعمدة والأنواع والأوصاف إن توفرت 3. قم بتشغيل استعلامات التنميط مقابل البيانات المباشرة

**إذا تم توفير ملف (CSV أو Excel أو Parquet أو JSON):**

1. اقرأ الملف وحمّله إلى مجموعة بيانات عاملة 2. استنتج أنواع الأعمدة من البيانات

**إذا لم يتوفر أي منهما:**

1. اطلب من المستخدم توفير اسم جدول (مع توصيل مستودع البيانات الخاص به) أو تحميل ملف 2. إذا وصفوا مخطط جدول، قدّم إرشادات حول استعلامات التنميط المراد تشغيلها

### 2. فهم البنية

قبل تحليل أي بيانات، افهم بنيتها:

**أسئلة على مستوى الجدول:** - كم عدد الصفوف والأعمدة؟ - ما هو الحبيبة (صف واحد لماذا؟) - ما هو المفتاح الأساسي؟ هل هو فريد؟ - متى تم تحديث البيانات آخر مرة؟ - إلى أي مدى تعود البيانات؟

**تصنيف الأعمدة** — صنّف كل عمود إلى أحد الفئات التالية: - **معرّف**: مفاتيح فريدة ومفاتيح أجنبية ومعرّفات كيانات - **بُعد**: الخصائص الفئوية للتجميع والتصفية (الحالة والنوع والمنطقة والفئة) - **مقياس**: القيم الكمية للقياس (الإيراد والعدد والمدة والنقاط) - **زمني**: التواريخ والطوابع الزمنية (created_at و updated_at و event_date) - **نصي**: حقول النصوص الحرة (الوصف والملاحظات والاسم) - **منطقي**: الأعلام الصواب/الخطأ - **هيكلي**: JSON والمصفوفات والهياكل المتداخلة

### 3. إنشاء ملف تعريف البيانات

قم بتشغيل فحوصات التنميط التالية:

**مقاييس على مستوى الجدول:** - عدد الصفوف الإجمالي - عدد الأعمدة وتوزيع الأنواع - حجم الجدول التقريبي (إن توفر من البيانات الوصفية) - نطاق التغطية الزمنية (الحد الأدنى/الأقصى لأعمدة التواريخ)

**جميع الأعمدة:** - عدد القيم الفارغة ومعدل القيم الفارغة - العدد المتميز ونسبة الفرادة (مختلف / الإجمالي) - القيم الأكثر شيوعاً (أفضل 5-10 مع التكرارات) - القيم الأقل شيوعاً (أسفل 5 لاكتشاف الشذوذ)

**أعمدة رقمية (مقاييس):** ``` min, max, mean, median (p50) standard deviation percentiles: p1, p5, p25, p75, p95, p99 zero count negative count (إذا كانت غير متوقعة) ```

**أعمدة سلاسل نصية (أبعاد ونصوص):** ``` min length, max length, avg length empty string count pattern analysis (هل تتبع القيم صيغة؟) case consistency (كل كبير وكل صغير ومختلط؟) leading/trailing whitespace count ```

**أعمدة التاريخ/الطابع الزمني:** ``` min date, max date null dates future dates (إذا كانت غير متوقعة) distribution by month/week gaps in time series ```

**أعمدة منطقية:** ``` true count, false count, null count true rate ```

**اعرض الملف الشخصي كجدول ملخص نظيف**، مجموع حسب نوع العمود (أبعاد ومقاييس وتواريخ ومعرّفات).

### 4. تحديد مشاكل جودة البيانات

طبّق إطار تقييم الجودة أدناه. علّم المشاكل المحتملة:

- **معدلات فارغة عالية**: أعمدة بها >5% فارغة (تحذير)، >20% فارغة (تنبيه) - **مفاجآت منخفضة الفرادة**: أعمدة يجب أن تكون عالية الفرادة لكنها ليست كذلك (مثل "user_id" بـ 50 قيمة مختلفة فقط) - **مفاجآت عالية الفرادة**: أعمدة يجب أن تكون فئوية لكن لديها عدد كبير جداً من القيم المختلفة - **قيم مريبة**: المبالغ السالبة حيث يُتوقع إيجابية فقط، تواريخ مستقبلية في البيانات التاريخية، قيم نائبة واضحة (مثل "N/A" و "TBD" و "test" و "999999") - **كشف التكرار**: تحقق مما إذا كان هناك مفتاح طبيعي وما إذا كان لديه تكرارات - **انحراف التوزيع**: توزيعات رقمية متطرفة الانحراف قد تؤثر على المتوسطات - **مشاكل الترميز**: حالات مختلطة في الحقول الفئوية والمسافات البيضاء الزائدة والصيغ غير المتسقة

### 5. اكتشف العلاقات والأنماط

بعد تنميط الأعمدة الفردية:

- **مرشحو المفاتيح الأجنبية**: أعمدة المعرّفات التي قد تربط إلى جداول أخرى - **الهرميات**: الأعمدة التي تشكل مسارات حفر طبيعية (بلد > ولاية > مدينة) - **الارتباطات**: الأعمدة الرقمية التي تتحرك معاً - **الأعمدة المشتقة**: الأعمدة التي تبدو محسوبة من أعمدة أخرى - **الأعمدة الزائدة**: الأعمدة ذات المعلومات المتطابقة أو شبه المتطابقة

### 6. اقترح الأبعاد والمقاييس المثيرة للاهتمام

بناءً على ملف تعريف العمود، وصّي بـ:

- **أفضل أعمدة البُعد** لتقسيم البيانات (أعمدة فئوية بفرادة معقولة، 3-50 قيمة) - **أعمدة المقاييس الرئيسية** للقياس (أعمدة رقمية بتوزيعات ذات معنى) - **أعمدة زمنية** مناسبة لتحليل الاتجاهات - **التجميعات الطبيعية** أو الهرميات الواضحة في البيانات - **مفاتيح الربط المحتملة** التي تربط إلى جداول أخرى (أعمدة المعرّفات والمفاتيح الأجنبية)

### 7. أوصِ بالتحليلات المتابعة

اقترح 3-5 تحليلات محددة يمكن للمستخدم تشغيلها لاحقاً:

- "تحليل الاتجاه على [metric] حسب [time_column] مجمّع حسب [dimension]" - "عمق البحث عن التوزيع على [skewed_column] لفهم القيم الشاذة"