إنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn.

1. مقدمة

في عصر البيانات الحالي، لم يعد جمع المعلومات وتحليلها كافيًا، بل أصبح من الضروري عرض النتائج بطريقة واضحة وسهلة الفهم. هنا تأتي أهمية أدوات مثل Matplotlib وSeaborn في Python، فهي تتيح تحويل الأرقام والجداول إلى رسوم بيانية ولوحات بيانات جذابة تساعد على اتخاذ القرارات بسرعة وفعالية.

Matplotlib تعتبر المكتبة الأساسية للرسم البياني في Python، وتتيح لك إنشاء مجموعة متنوعة من الرسوم مثل الخطية، العمودية، والهيستوغرامات، مع إمكانية تخصيص كل عنصر في الرسم بدقة. أما Seaborn، فهي مكتبة مبنية على Matplotlib توفر واجهة أكثر سلاسة ومرونة لإنشاء رسومات إحصائية جذابة بصريًا، مع خيارات جاهزة للتصاميم والألوان تساعد على عرض الأنماط والاتجاهات في البيانات بسهولة.

باستخدام هاتين المكتبتين، يمكن للمحللين والمبرمجين إنشاء تقارير ولوحات بيانات احترافية تعرض المعلومات بشكل بصري واضح، مما يسهل فهم الأنماط، مقارنة البيانات، ومشاركة النتائج مع الفرق أو العملاء بكفاءة أكبر.

2. أهداف الدرس: إنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn

فهم أساسيات الرسوم البيانية في Python:
التعرف على أنواع الرسوم المختلفة مثل المخططات الخطية، العمودية، الهيستوغرامات، والمخططات الصندوقية، وكيفية اختيار الأنسب لبياناتك.
استخدام مكتبة Matplotlib لإنشاء الرسوم البيانية:
تعلم كيفية رسم البيانات، تخصيص الألوان، المحاور، العناوين، والأساطير بطريقة مرنة ودقيقة.
استكشاف مكتبة Seaborn لإنشاء رسومات إحصائية جذابة:
التعرف على الرسومات المدمجة مسبقًا، مثل المخططات الحرارية (Heatmaps) والرسوم المجمعة (Pairplots)، لتسهيل تحليل البيانات.
إنشاء لوحات بيانات (Dashboards) تفاعلية ومرئية:
دمج عدة رسوم بيانية وتقارير في لوحة واحدة لعرض المعلومات بشكل شامل وسهل الفهم.
تحليل البيانات بصريًا واكتشاف الأنماط:
استخدام الرسوم البيانية لتوضيح الاتجاهات، العلاقات بين المتغيرات، والفجوات في البيانات بشكل سريع وواضح.
تصدير الرسوم البيانية والتقارير لاستخدامها في العروض والمشاريع:
حفظ الرسوم البيانية كصور أو ملفات PDF لاستخدامها في العروض التقديمية أو تقارير العمل.

3. إنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn – شرح عملي

1. استيراد المكتبات الضرورية

لبداية أي مشروع للرسم البياني، نحتاج أولًا إلى استيراد المكتبات الأساسية:


import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

Pandas: لإدارة البيانات واستيرادها.
Matplotlib: لإنشاء الرسوم البيانية الأساسية.
Seaborn: لإنشاء رسوم إحصائية جذابة بسهولة.

2. استيراد البيانات

لنفترض أن لدينا ملف CSV باسم sales_data.csv يحتوي على بيانات المبيعات الشهرية:


data = pd.read_csv("sales_data.csv")
print(data.head())

مثال على البيانات:

Month	Sales	Region
Jan	5000	East
Feb	6000	East
Mar	5500	West
Apr	7000	East
May	6500	West

3. إنشاء رسوم بيانية باستخدام Matplotlib

أ. مخطط خطي (Line Chart)

لرسم المبيعات الشهرية:


plt.plot(data['Month'], data['Sales'], marker='o', color='blue')
plt.title('المبيعات الشهرية')
plt.xlabel('الشهر')
plt.ylabel('المبيعات')
plt.grid(True)
plt.show()

marker='o' لإظهار نقاط البيانات.
grid(True) لإظهار شبكة تسهل قراءة القيم.

ب. مخطط عمودي (Bar Chart)

لمقارنة المبيعات بين المناطق:


region_sales = data.groupby('Region')['Sales'].sum()
region_sales.plot(kind='bar', color='green')
plt.title('إجمالي المبيعات حسب المنطقة')
plt.xlabel('المنطقة')
plt.ylabel('إجمالي المبيعات')
plt.show()

ج. هيستوغرام (Histogram)

لفهم توزيع المبيعات:


plt.hist(data['Sales'], bins=5, color='orange', edgecolor='black')
plt.title('توزيع المبيعات')
plt.xlabel('المبيعات')
plt.ylabel('عدد الأشهر')
plt.show()

4. إنشاء رسوم جذابة باستخدام Seaborn

أ. مخطط صندوقي (Boxplot)

لفحص التباين في المبيعات بين المناطق:


sns.boxplot(x='Region', y='Sales', data=data)
plt.title('مقارنة المبيعات حسب المنطقة')
plt.show()

ب. مخطط حراري (Heatmap)

لتحليل العلاقة بين الأشهر والمبيعات في كل منطقة:


pivot_table = data.pivot_table(index='Region', columns='Month', values='Sales')
sns.heatmap(pivot_table, annot=True, fmt='d', cmap='YlGnBu')
plt.title('المبيعات الشهرية حسب المنطقة')
plt.show()

annot=True لإظهار القيم داخل الخلايا.
cmap='YlGnBu' لاختيار ألوان جذابة وواضحة.

ج. مخطط نقاط متعدد (Pairplot)

لمقارنة المتغيرات المختلفة إذا كان لدينا أعمدة إضافية مثل التكلفة أو الأرباح:


sns.pairplot(data)
plt.show()

5. إنشاء لوحة بيانات (Dashboard) بسيطة

يمكن دمج عدة رسوم بيانية في نافذة واحدة باستخدام subplots:


fig, axes = plt.subplots(1, 2, figsize=(12, 5))

# الرسم الأول
sns.barplot(x='Region', y='Sales', data=data, ax=axes[0])
axes[0].set_title('إجمالي المبيعات حسب المنطقة')

# الرسم الثاني
sns.lineplot(x='Month', y='Sales', data=data, ax=axes[1], marker='o')
axes[1].set_title('المبيعات الشهرية')

plt.tight_layout()
plt.show()

هذا المثال يعرض لوحة بيانات بسيطة يمكن تطويرها لاحقًا لتصبح لوحة تفاعلية أو شاملة لجميع المؤشرات المهمة.

6. تصدير الرسوم البيانية

لحفظ أي رسم بياني كصورة:


plt.savefig('monthly_sales_chart.png', dpi=300)

dpi=300 للحصول على جودة عالية مناسبة للطباعة أو العرض التقديمي.

7. ملاحظات مهمة أثناء العمل

استخدم Seaborn للحصول على تصاميم جاهزة وجميلة بدون الحاجة لتخصيص كبير.
استخدم Matplotlib لتخصيص التفاصيل الدقيقة مثل خطوط الشبكة، الألوان، وحجم الرسم.
الجمع بين Pandas وSeaborn/Matplotlib يجعل عملية التحليل البصري أسهل وأسرع وأكثر احترافية.

4. خريطة ذهنية

5. أنشطة عملية: إنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn

🔹 النشاط 1: استيراد البيانات واستكشافها

المهمة:

قم بتحميل ملف بيانات يحتوي على معلومات المبيعات أو أي بيانات أخرى مشابهة (sales_data.csv).
استخدم Pandas لاستيراد الملف وعرض أول 10 صفوف باستخدام head().
استخدم info() وdescribe() للحصول على نظرة عامة عن الأعمدة والقيم الرقمية.

الهدف: فهم بنية البيانات والتأكد من جاهزيتها للتحليل البصري.

🔹 النشاط 2: إنشاء رسم خطي (Line Chart)

المهمة:

ارسم المبيعات الشهرية باستخدام Matplotlib.
أضف علامات للبيانات (marker='o') وشبكة للمخطط (grid(True)).
ضع عنوانًا للمخطط وعناوين للمحاور.

الهدف: تعلم رسم التغيرات عبر الزمن بشكل واضح وسهل القراءة.

🔹 النشاط 3: إنشاء رسم عمودي (Bar Chart)

المهمة:

احسب إجمالي المبيعات لكل منطقة باستخدام groupby().
ارسم مخططًا عموديًا لمقارنة المبيعات بين المناطق.
اختر ألوان مناسبة لتوضيح الفرق بين الفئات.

الهدف: تعلم مقارنة القيم بين الفئات المختلفة بصريًا.

🔹 النشاط 4: إنشاء رسم باستخدام Seaborn

المهمة:

ارسم مخططًا صندوقيًا (Boxplot) لمقارنة المبيعات بين المناطق.
ارسم مخططًا حراريًا (Heatmap) لتحليل المبيعات الشهرية حسب المنطقة.
جرّب استخدام pairplot() إذا كان لديك عدة أعمدة رقمية لمقارنتها.

الهدف: تعلم إنشاء رسوم إحصائية جذابة وسهلة الفهم باستخدام Seaborn.

🔹 النشاط 5: إنشاء لوحة بيانات (Dashboard)

المهمة:

استخدم subplots لدمج أكثر من رسم بياني في نافذة واحدة.
اختر مثلاً رسم عمودي + رسم خطي معًا في نفس اللوحة.
أضف عناوين واضحة لكل رسم واسم للوحة بالكامل.

الهدف: تعلم دمج الرسوم المختلفة لإنشاء لوحة بيانات شاملة.

🔹 النشاط 6: تصدير الرسوم البيانية

المهمة:

احفظ أي رسم بياني كصورة .png باستخدام savefig().
جرّب حفظ الصورة بدقة عالية (dpi=300) لاستخدامها في العروض أو التقارير.

الهدف: تعلم كيفية حفظ النتائج ومشاركتها خارج بيئة Python.

6. أسئلة تفاعلية: إنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn

🧩 القسم الأول: استيراد واستكشاف البيانات

السؤال 1:
أي من الأوامر التالية تُستخدم لقراءة ملف CSV في Python؟
أ) read_excel()
ب) read_csv()
ج) import_data()
د) load_csv()
✅ الإجابة: ب) read_csv()

السؤال 2:
ما الغرض من استخدام data.describe() بعد استيراد البيانات؟
أ) عرض أول 5 صفوف فقط
ب) إظهار الإحصاءات الأساسية للأعمدة الرقمية
ج) حذف القيم الفارغة
د) رسم مخطط بياني تلقائي
✅ الإجابة: ب) إظهار الإحصاءات الأساسية للأعمدة الرقمية

🧩 القسم الثاني: الرسم باستخدام Matplotlib

السؤال 3:
أي أمر يضيف شبكة للرسم البياني في Matplotlib؟
أ) grid(True)
ب) show_grid()
ج) set_grid()
د) display_grid()
✅ الإجابة: أ) grid(True)

السؤال 4:
لرسم مخطط عمودي لمقارنة المبيعات بين المناطق، يجب أولاً:
أ) استخدام plot() مباشرة
ب) حساب المبيعات الإجمالية لكل منطقة باستخدام groupby()
ج) حذف الأعمدة غير المهمة
د) استخدام pivot_table()
✅ الإجابة: ب) حساب المبيعات الإجمالية لكل منطقة باستخدام groupby()

🧩 القسم الثالث: الرسم باستخدام Seaborn

السؤال 5:
أي مخطط يُستخدم لفحص التباين واكتشاف القيم الشاذة بين الفئات؟
أ) Lineplot
ب) Heatmap
ج) Boxplot
د) Histogram
✅ الإجابة: ج) Boxplot

السؤال 6:
ما وظيفة annot=True في مخطط Heatmap؟
أ) تلوين الخلايا
ب) عرض قيم البيانات داخل الخلايا
ج) اختيار ألوان المخطط
د) تغيير حجم الرسم
✅ الإجابة: ب) عرض قيم البيانات داخل الخلايا

🧩 القسم الرابع: إنشاء لوحة بيانات (Dashboard)

السؤال 7:
أي من الطرق التالية تُستخدم لدمج أكثر من رسم بياني في نافذة واحدة؟
أ) subplot() أو subplots()
ب) plot_multiple()
ج) dashboard()
د) combine_charts()
✅ الإجابة: أ) subplot() أو subplots()

السؤال 8:
ما الهدف من إنشاء لوحة بيانات (Dashboard) متعددة الرسوم؟
أ) حفظ البيانات فقط
ب) عرض المعلومات بشكل متكامل وواضح
ج) حذف الأعمدة غير المهمة
د) استيراد البيانات من مصادر مختلفة
✅ الإجابة: ب) عرض المعلومات بشكل متكامل وواضح

🧩 القسم الخامس: تصدير الرسوم البيانية

السؤال 9:
لحفظ الرسم البياني كصورة بدقة عالية، أي من الأوامر الصحيحة؟
أ) plt.save('chart.png')
ب) plt.savefig('chart.png', dpi=300)
ج) save_plot('chart.png')
د) export_chart('chart.png')
✅ الإجابة: ب) plt.savefig('chart.png', dpi=300)

السؤال 10:
هل يمكن استخدام الرسوم البيانية المحفوظة في العروض التقديمية أو التقارير؟
أ) نعم
ب) لا
✅ الإجابة: أ) نعم

7. تجربتي الشخصية مع إنشاء تقارير ولوحات بيانات

عندما بدأت استخدام Matplotlib وSeaborn لأول مرة، كنت أشعر أن عملية عرض البيانات بشكل جذاب ومعبر ستكون معقدة، لكن سرعان ما اكتشفت أن الأمر ممتع وسهل جدًا عند تعلم الخطوات الأساسية. في البداية، بدأت برسم مخططات خطية لمتابعة المبيعات الشهرية، ولاحظت الفرق الكبير بين النظر إلى جدول أرقام فقط وبين رؤية الرسوم البيانية التي توضح الاتجاهات بوضوح.

ثم جربت استخدام Seaborn لإنشاء مخططات أكثر تعقيدًا، مثل المخططات الصندوقية والحرارية، وكان الأمر ممتعًا للغاية. شعرت بأن هذه الأدوات لا تساعد فقط على عرض البيانات، بل تمنحك أيضًا قدرة على اكتشاف الأنماط والعلاقات المخفية بين المتغيرات التي لم أكن ألاحظها عند النظر للأرقام فقط.

من خلال إنشاء لوحات بيانات (Dashboards)، أصبحت أستطيع دمج عدة رسومات في نافذة واحدة، مما يسهل عرض جميع المعلومات المهمة في مكان واحد. الأمر الذي أعجبني أكثر هو سهولة تصدير هذه الرسوم كصور عالية الجودة، مما يجعل استخدامها في العروض أو التقارير عملية سلسة جدًا.

اليوم، أصبحت أستخدم Matplotlib وSeaborn بشكل يومي في مشاريعي الصغيرة، سواء لتحليل المبيعات، تتبع الأداء، أو حتى لمشاريع تعليمية، وأستمتع دائمًا بتحويل البيانات الجافة إلى رسوم بصرية حية ومفهومة تساعد على اتخاذ القرارات بثقة.

8. الأخطاء الشائعة عند إنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn

عدم استكشاف البيانات قبل الرسم:
كثير من المتعلمين يبدؤون مباشرة في رسم الرسوم البيانية دون فحص البيانات مسبقًا، مثل التحقق من القيم المفقودة أو أنواع الأعمدة. هذا قد يؤدي إلى رسومات غير دقيقة أو مضللة.
استخدام النوع الخاطئ من الرسم البياني:
اختيار رسم خطي لمقارنة فئات أو مخطط عمودي لتحليل التوزيع قد يكون غير مناسب. من المهم فهم نوع البيانات والغرض من الرسم قبل اختيار المخطط.
إهمال تخصيص المحاور والعناوين:
عدم وضع عناوين للمخطط أو تسمية المحاور قد يجعل القارئ لا يفهم محتوى الرسم بسهولة. دائمًا أضف عنوانًا واضحًا ومحاور معنونة.
تجاهل التباين اللوني والتنسيق:
استخدام ألوان متشابهة أو غير واضحة قد يصعب تمييز الفئات في الرسم. اختر ألوانًا متباينة وملفتة للانتباه.
الرسم على البيانات الخام دون تنظيفها:
رسم بيانات تحتوي على قيم مفقودة أو أخطاء سيؤدي إلى رسومات خاطئة أو أخطاء في الكود. يجب تنظيف البيانات أولًا باستخدام Pandas قبل الرسم.
نسيان تصدير الرسوم البيانية:
بعد إنشاء المخطط، قد ينسى البعض حفظه كصورة أو PDF، مما يصعب استخدامه لاحقًا في التقارير أو العروض التقديمية.
الإفراط في التفاصيل في الرسم الواحد:
إضافة العديد من المعلومات في مخطط واحد قد يجعل الرسم مزدحمًا وصعب القراءة. من الأفضل تقسيم الرسوم أو استخدام لوحات متعددة (Dashboards) لتوضيح كل جانب.

9. نصائح سريعة لإنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn

افهم بياناتك أولًا:
قبل البدء في الرسم، استعرض البيانات باستخدام Pandas وتحقق من القيم المفقودة أو الأخطاء لضمان دقة الرسوم البيانية.
اختر نوع الرسم المناسب:
استخدم الرسوم الخطية للاتجاهات، العمودية للمقارنات بين الفئات، والBoxplot أو Heatmap لتحليل التباين والعلاقات بين المتغيرات.
خصص المحاور والعناوين:
أضف دائمًا عناوين واضحة للرسم والمحاور، وضع تسميات للفئات لتسهيل فهم الرسوم للقارئ.
استخدم ألوان متباينة وجذابة:
اختر ألوانًا واضحة ومميزة للفئات المختلفة لتسهيل التمييز بين البيانات، خصوصًا في المخططات متعددة الفئات.
ابدأ بالرسوم البسيطة قبل المعقدة:
ارسم المخططات الأساسية أولًا ثم أضف التفاصيل تدريجيًا، مثل الشبكات أو العلامات أو التوضيحات.
استفد من Seaborn للرسوم الجاهزة:
توفر Seaborn تصميمات جذابة وإحصائية جاهزة، مما يقلل الوقت والجهد ويجعل الرسوم أكثر احترافية.
اجمع عدة رسوم في لوحة بيانات (Dashboard):
استخدم subplots لدمج عدة مخططات في لوحة واحدة لعرض المعلومات بشكل شامل وسهل الفهم.
حفظ الرسوم البيانية بجودة عالية:
استخدم plt.savefig() مع dpi=300 لحفظ الصور بدقة عالية تصلح للعروض التقديمية والتقارير.
دوّن ملاحظات أثناء العمل:
أضف تعليقات في الكود لتوثيق الخطوات، مما يسهل تعديل وتحسين الرسوم لاحقًا.
مارس باستمرار:
كلما رسمت المزيد من المخططات وجربت أدوات جديدة، ستصبح قادرًا على إنشاء لوحات بيانات أكثر احترافية وسهولة.

10. ملخص الموضوع: إنشاء تقارير ولوحات بيانات باستخدام Matplotlib وSeaborn

إن القدرة على عرض البيانات بصريًا أصبحت مهارة أساسية لكل محلل بيانات أو مبرمج اليوم. باستخدام Matplotlib وSeaborn، يمكن تحويل الجداول والأرقام الخام إلى رسوم بيانية ولوحات بيانات واضحة وجذابة تساعد على فهم الاتجاهات، المقارنات، والعلاقات بين المتغيرات بسهولة.

Matplotlib توفر المرونة الكاملة في إنشاء المخططات الأساسية مثل الخطية، العمودية، والهيستوغرامات، مع القدرة على تخصيص كل عنصر في الرسم. بينما Seaborn توفر واجهة سهلة الاستخدام لإنشاء رسوم إحصائية جذابة بصريًا، مثل المخططات الصندوقية، الحرارية، والمخططات المتعددة المتغيرات، مما يجعل تحليل البيانات أسرع وأكثر وضوحًا.

من خلال هذا الدرس، تعلمنا كيفية:

استيراد البيانات وتنظيفها قبل العرض
إنشاء مخططات متنوعة باستخدام Matplotlib وSeaborn
دمج عدة مخططات في لوحة بيانات واحدة (Dashboard) لعرض المعلومات بشكل متكامل
تصدير الرسوم البيانية بجودة عالية للاستخدام في العروض والتقارير

باختصار، استخدام Matplotlib وSeaborn لا يساعد فقط على عرض البيانات بشكل جميل، بل يمنحك القدرة على اكتشاف الأنماط واتخاذ قرارات مبنية على معلومات دقيقة. كلما زادت خبرتك في هذه المكتبات، أصبحت قادرًا على تحويل البيانات المعقدة إلى لوحات تفاعلية واضحة وسهلة الفهم.

11. الخاتمة

في نهاية هذا الدرس، أصبح واضحًا أن Matplotlib وSeaborn هما من أقوى الأدوات في Python لتحويل البيانات إلى رسومات ولوحات بيانات مفهومة وجذابة بصريًا. هذه الأدوات لا تتيح لك فقط عرض الأرقام بطريقة منظمة، بل تساعدك أيضًا على اكتشاف الأنماط، مقارنة الفئات، وفهم العلاقات بين المتغيرات بسرعة وسهولة.

من خلال التعلم والممارسة، ستتمكن من إنشاء مخططات احترافية ولوحات بيانات شاملة يمكن استخدامها في العروض التقديمية، التقارير، وحتى المشاريع العملية. الأهم من ذلك، أن هذه المهارة تعزز قدرتك على اتخاذ قرارات مبنية على بيانات دقيقة بدلاً من التخمين، مما يجعل تحليلك أكثر قيمة واحترافية.

الرحلة لا تنتهي عند تعلم الأدوات فقط، بل هي بداية لتطوير قدرتك على التفكير التحليلي البصري، وتجربة أساليب جديدة في عرض البيانات، واستكشاف طرق مبتكرة لتوصيل المعلومات بشكل جذاب وفعّال.

12. مصادر موثوقة

الموقع الرسمي لمكتبة Matplotlib
https://matplotlib.org/
يحتوي على التوثيق الكامل لجميع الأوامر والوظائف مع أمثلة عملية لكل نوع من المخططات.
الموقع الرسمي لمكتبة Seaborn
https://seaborn.pydata.org/
يوفر شروحات مفصلة للرسوم الإحصائية، المخططات الجاهزة، وأمثلة تفاعلية لتسهيل التعلم.
دروس Python الرسمية
https://docs.python.org/3/tutorial/
مصدر موثوق لتعلم أساسيات لغة Python، والتي تُعد قاعدة ضرورية للعمل مع Matplotlib وSeaborn.
كتاب “Python Data Science Handbook” للمؤلف Jake VanderPlas
مرجع شامل لتعلم تحليل البيانات والتصور البصري باستخدام Pandas وMatplotlib وSeaborn مع أمثلة واقعية.
موقع W3Schools لتعلم الرسوم البيانية
https://www.w3schools.com/python/matplotlib_intro.asp
يقدم شروحات بسيطة وعملية للمبتدئين مع أمثلة يمكن تجربتها مباشرة على المتصفح.
موقع DataCamp
https://www.datacamp.com/
يحتوي على دورات تفاعلية لتعلم إنشاء الرسوم البيانية ولوحات البيانات باستخدام Matplotlib وSeaborn، مع تمارين عملية وتقييمات فورية.

مدونة تعلم البرمجة

بحث هذه المدونة الإلكترونية