الـ Series على اليسار فيها Oct و Nov و Dec. والـ Series على اليمين فيها Nov و Oct بترتيب مختلف. خطوط تصل بين التسميات المتطابقة. النتيجة فيها Oct و Nov محسوبين، و Dec قيمته NaN لأنه بلا نظير.

{"id":"l-pda-2-1","courseId":"python-data-analysis","lang":"ar","kind":"lesson","summary":"ابنِ Series و DataFrame في pandas من قوائم Python وقواميسها، وأجرِ الحسابات على أعمدة كاملة دفعة واحدة، وتوقّع كيف تحاذي pandas القيم بحسب تسميات الفهرس.","html":"

في تمرين القسم السابق، كانت أسماء الأشهر في قائمة والإيرادات في قائمة أخرى، واضطررت إلى إيجاد أفضل شهر بموقعه ثم البحث عن اسمه في القائمة الأخرى. رتّب إحدى القائمتين وانسَ الأخرى، فيحصل كل شهر على إيراد خاطئ دون أي رسالة خطأ. وُجدت pandas لتجعل هذا النوع من الأخطاء صعبًا: القيم تحمل تسمياتها معها.

\n

الـ Series: عمود له تسميات

\n

الـ Series مصفوفة أحادية البعد من القيم، ومعها فهرس (index): تسمية لكل قيمة.

\n

Python

import pandas as pd\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\",\n          \"Jul\", \"Aug\", \"Sep\", \"Oct\", \"Nov\", \"Dec\"]\nrevenue = pd.Series(\n    [16167, 14906, 18208, 18817, 17428, 13933,\n     22968, 32042, 25514, 30339, 75334, 41153],\n    index=months,\n    name=\"revenue_2025\",\n)\nprint(revenue.head(3))\nprint(revenue[\"Nov\"], revenue.idxmax(), revenue.sum())

\n

السطر import pandas as pd يحمّل المكتبة باسمها المختصر المتعارف عليه عالميًا؛ كل درس تعليمي عن pandas وكل إجابة على Stack Overflow تستخدم pd. وrevenue["Nov"] تبحث عن قيمة بتسميتها، وidxmax() تعيد تسمية أكبر قيمة، فيختصر كل ذلك العناء مع القائمتين المتوازيتين في القسم 1 في استدعاء واحد.

\n

السطر الأخير من الـ Series المطبوعة يقول Name: revenue_2025, dtype: int64. الـ dtype هو نوع كل القيم في العمود: int64 للأعداد الصحيحة، وfloat64 للأعداد العشرية، وobject (أو str في pandas 3) للنصوص، وbool، وdatetime64 للتواريخ. عمود واحد، نوع واحد؛ وهذه القاعدة هي ما يجعل pandas سريعة.

\n

الحساب على كل القيم دفعة واحدة

\n

العمليات الحسابية والمقارنات على الـ Series تُطبَّق على كل قيمة، وتعيد Series جديدة لها الفهرس نفسه. يُسمّى هذا كودًا متّجهًا (vectorised): تصف العملية على العمود كله، وتنفّذ pandas الحلقة بكود مُترجَم سريع.

\n

Python

import pandas as pd\n\nrevenue = pd.Series([30339, 75334, 41153], index=[\"Oct\", \"Nov\", \"Dec\"])\nprint(revenue * 1.05)              # every month, 5% higher\nprint(revenue / revenue.sum())     # each month's share of Q4\nprint(revenue > 40000)             # a Series of True/False

\n

الـ Series المكوّنة من True/False في السطر الأخير تبدو الآن مجرّد تفصيل جانبي. في الدرس 2.4 تصبح الطريقة الأساسية لتصفية الصفوف.

\n

المحاذاة: pandas تطابق التسميات لا المواقع

\n

حين تجمع بين Series وأخرى، تحاذي pandas بينهما بحسب تسمية الفهرس قبل أن تحسب. هذا الربع الرابع من 2025 مقابل الربع الرابع من 2024، والأشهر مكتوبة عمدًا بترتيب مختلف، وأحدها مفقود:

\n

Python

import pandas as pd\n\nq4_2025 = pd.Series([30339, 75334, 41153], index=[\"Oct\", \"Nov\", \"Dec\"])\nq4_2024 = pd.Series([29177, 9360], index=[\"Nov\", \"Oct\"])\nprint(q4_2025 - q4_2024)

\n

يُطرح أكتوبر من أكتوبر ونوفمبر من نوفمبر، بغضّ النظر عن الترتيب. ديسمبر موجود في 2025 فقط، فنتيجته NaN (“ليس رقمًا”)، وهي علامة pandas للقيمة المفقودة. لاحظ أن النتيجة أصبحت float64: في الأعمدة الكلاسيكية المبنية على NumPy، تكون NaN عددًا عشريًا، فالعمود الصحيح الذي يكتسب قيمة مفقودة يتحوّل إلى أعداد عشرية.

\n

تتّحد الـ Series بمطابقة تسميات الفهرس

\n\n

الـ DataFrame: جدول من الـ Series

\n

الـ DataFrame عدة Series جنبًا إلى جنب، تتشارك فهرسًا واحدًا. أسهل طريقة لبناء DataFrame صغير هي شكل قاموس القوائم الذي تعرّفت عليه في الدرس 1.3، مفتاح لكل عمود:

\n

Python

import pandas as pd\n\nproducts = pd.DataFrame({\n    \"name\": [\"Cast Iron Skillet 26cm\", \"Burr Coffee Grinder\", \"Standing Desk 140cm\", \"Cork Yoga Mat\"],\n    \"unit_price\": [39, 129, 449, 72],\n    \"unit_cost\": [17.45, 76.99, 204.98, 41.52],\n})\nprint(products)\nprint(products.shape)       # (rows, columns)\nprint(products.dtypes)

\n

ثلاث خصائص (attributes) تصف أي DataFrame، وستطبعها باستمرار. shape هو زوج (الصفوف، الأعمدة)، وcolumns تسرد أسماء الأعمدة، وindex يحمل تسميات الصفوف. لا أقواس بعد أيٍّ منها، لأنها حقائق مخزّنة عن الجدول وليست أفعالًا؛ أما head() وsum() فتقومان بعمل، لذا تُستدعيان بأقواس. الخلط بين الاثنين يعطيك إما method مطبوعة بالشكل <bound method ...> أو TypeError: 'tuple' object is not callable، وكلاهما صار بإمكانك التعرّف عليه الآن.

\n

أعطت pandas الصفوف فهرسًا افتراضيًا من 0 إلى 3. كل عمود Series تستطيع استخراجها بالأقواس المربعة، والعمليات الحسابية بين الأعمدة تتحاذى صفًا بصف لأن الأعمدة تتشارك ذلك الفهرس:

\n

Python

import pandas as pd\n\nproducts = pd.DataFrame({\n    \"name\": [\"Cast Iron Skillet 26cm\", \"Burr Coffee Grinder\", \"Standing Desk 140cm\", \"Cork Yoga Mat\"],\n    \"unit_price\": [39, 129, 449, 72],\n    \"unit_cost\": [17.45, 76.99, 204.98, 41.52],\n})\nmargin = products[\"unit_price\"] - products[\"unit_cost\"]\nprint(margin)\nprint(type(products[\"unit_price\"]))

\n

تربح المقلاة 21.55 دولارًا عن كل وحدة، والمكتب الواقف 244.02. أربعة صفوف أو أربعة ملايين، الكود هو نفسه، وهذا هو الوعد الحقيقي لـ pandas: تفكّر بالأعمدة لا بالخلايا.

\n\n

بناء الجداول باليد للتعلّم فقط. في الدرس التالي تحمّل ملفات CSV الحقيقية الخاصة بـ Cartwheel، وتتعلّم روتين الفحص الذي تشغّله قبل أن تثق بأيٍّ منها.

\n","toc":[{"id":"sec-1","text":"الـ Series: عمود له تسميات","level":2},{"id":"sec-2","text":"الحساب على كل القيم دفعة واحدة","level":2},{"id":"sec-3","text":"المحاذاة: pandas تطابق التسميات لا المواقع","level":2},{"id":"sec-4","text":"الـ DataFrame: جدول من الـ Series","level":2}],"takeaways":["الـ Series عمود من القيم له فهرس (index) من التسميات؛ والـ DataFrame جدول من Series تتشارك فهرسًا واحدًا.","العمليات الحسابية على الـ Series تُطبَّق على كل القيم دفعة واحدة، فتكتب prices * 1.05 بدلًا من حلقة تكرار.","العمليات بين Series وأخرى تتحاذى بحسب تسمية الفهرس لا بحسب الموقع؛ والتسميات الموجودة في طرف واحد فقط تنتج NaN.","df["col"] تعطيك عمودًا واحدًا على هيئة Series، وdf.shape وdf.columns وdf.index وdf.dtypes تصف الجدول."],"further":[{"title":"Intro to data structures (Series and DataFrame)","url":"https://pandas.pydata.org/docs/user_guide/dsintro.html"},{"title":"pandas.DataFrame reference","url":"https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.html"}],"quiz":[{"q":"

ما قيمة growth["Oct"]؟

\n

Python

y2024 = pd.Series([9360, 29177], index=[\"Oct\", \"Nov\"])\ny2025 = pd.Series([75334, 30339], index=[\"Nov\", \"Oct\"])\ngrowth = y2025 - y2024

\n","options":[{"text":"65,974، أي القيمة الأولى ناقص القيمة الأولى","why":"هذا تفكير بحسب الموقع. تطابق pandas القيم بحسب تسمياتها، لا بحسب ترتيبها."},{"text":"20,979، أي أكتوبر 2025 ناقص أكتوبر 2024","why":"صحيح. تحاذي pandas الـ Series الاثنتين على الفهرس، فيُطرح كل شهر من الشهر نفسه، أيًّا كان الترتيب الذي كُتبا به."},{"text":"NaN، لأن الفهرسين بترتيب مختلف","why":"الترتيب لا يهم في المحاذاة؛ وحدها التسميات التي تظهر في طرف واحد تنتج NaN."}],"answer":1},{"q":"

products هو DataFrame فيه 48 صفًا و7 أعمدة. ماذا تعيد products.shape؟

","options":[{"text":"(7, 48)","why":"الشكل (shape) دائمًا الصفوف أولًا ثم الأعمدة."},{"text":"336","why":"هذه قيمة products.size، أي العدد الكلي للخلايا."},{"text":"(48, 7)","why":"صحيح. shape هو tuple من (الصفوف، الأعمدة)، وهو أسرع فحص سلامة بعد تحميل البيانات."},{"text":"48","why":"هذه قيمة len(products)، التي تعدّ الصفوف فقط."}],"answer":2},{"q":"

أيّ سطر يرفع سعر كل منتج بنسبة 5% دون حلقة تكرار؟

","options":[{"text":"products["unit_price"] * 1.05","why":"صحيح. العمليات الحسابية على الـ Series تُطبَّق على كل قيمة وتعيد Series جديدة بالطول نفسه."},{"text":"[p * 1.05 for p in products]","why":"المرور على DataFrame بحلقة يعطيك أسماء أعمدته لا صفوفه، فيحاول هذا الكود ضرب نصوص."},{"text":"products * 1.05","why":"هذا يضرب كل الأعمدة، ومنها الأسماء والمعرّفات، ويفشل مع الأعمدة النصية."}],"answer":0},{"q":"

في آخر تمرين من القسم 1 احتفظت بأسماء الأشهر والإيرادات في قائمتين متوازيتين. ما المشكلة التي تحلّها الـ Series؟

","options":[{"text":"القوائم لا تستطيع أن تحمل أكثر من 12 قيمة.","why":"القوائم تحمل ملايين القيم؛ الحجم لم يكن المشكلة قط."},{"text":"القوائم لا تستطيع تخزين أعداد عشرية.","why":"القوائم تحمل أي نوع، ومنها الأعداد العشرية."},{"text":"التسميات تنتقل مع القيم، فلا يمكن للترتيب أو التصفية أن يخلطا أيّ إيراد يخصّ أيّ شهر.","why":"صحيح. مع قائمتين، ترتيب إحداهما دون الأخرى يكسر الربط بينهما بصمت. أما الـ Series فتحفظ التسمية والقيمة معًا."}],"answer":2}],"exercise":{"kind":"python","files":[],"starter":"import pandas as pd\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\",\n \"Jul\", \"Aug\", \"Sep\", \"Oct\", \"Nov\", \"Dec\"]\nvalues = [16167, 14906, 18208, 18817, 17428, 13933,\n 22968, 32042, 25514, 30339, 75334, 41153]\n\n# 1. A Series of the values, labelled by month\nrevenue = None\n\n# 2. Label of the best month\nbest_month = None\n\n# 3. Each month's share of the year (a Series that sums to 1)\nshare = None\n\n# 4. A DataFrame with columns name, unit_price, unit_cost for these products\n# Cast Iron Skillet 26cm 39 17.45\n# Burr Coffee Grinder 129 76.99\n# 2-Person Dome Tent 149 83.09\nproducts = None\n\n# 5. A Series: unit_price minus unit_cost for each product\nmargin = None\n","solution":"import pandas as pd\n\nmonths = [\"Jan\", \"Feb\", \"Mar\", \"Apr\", \"May\", \"Jun\",\n \"Jul\", \"Aug\", \"Sep\", \"Oct\", \"Nov\", \"Dec\"]\nvalues = [16167, 14906, 18208, 18817, 17428, 13933,\n 22968, 32042, 25514, 30339, 75334, 41153]\n\nrevenue = pd.Series(values, index=months)\nbest_month = revenue.idxmax()\nshare = revenue / revenue.sum()\n\nproducts = pd.DataFrame({\n \"name\": [\"Cast Iron Skillet 26cm\", \"Burr Coffee Grinder\", \"2-Person Dome Tent\"],\n \"unit_price\": [39, 129, 149],\n \"unit_cost\": [17.45, 76.99, 83.09],\n})\nmargin = products[\"unit_price\"] - products[\"unit_cost\"]\n","checks":[{"id":"series","test":"isinstance(revenue, pd.Series) and list(revenue.index) == months and int(revenue['Nov']) == 75334"},{"id":"best-month","test":"best_month == 'Nov'"},{"id":"share","test":"isinstance(share, pd.Series) and round(float(share.sum()), 6) == 1.0 and round(float(share['Nov']), 4) == 0.2305"},{"id":"products","test":"isinstance(products, pd.DataFrame) and products.shape == (3, 3) and set(products.columns) == {'name', 'unit_price', 'unit_cost'}"},{"id":"margin","test":"isinstance(margin, pd.Series) and [round(float(x), 2) for x in margin] == [21.55, 52.01, 65.91]"}],"title":"أول Series وأول DataFrame لك","prompt":"

ابنِ revenue، وهي Series من values مسمّاة بـ months. اجعل best_month تسمية أكبر قيمة فيها، وshare حصة كل شهر من مجموع السنة (Series مجموعها 1). ثم ابنِ products، وهو DataFrame له الأعمدة name وunit_price وunit_cost ويحتوي المنتجات الثلاثة المذكورة في التعليقات، بهذا الترتيب، وmargin، وهي Series تساوي unit_price ناقص unit_cost.

\n","hints":["pd.Series(values, index=months) تربط التسميات بالقيم.","revenue.idxmax() تعيد تسمية؛ وقسمة Series على رقم واحد تقسم كل قيمة فيها.","ابنِ الـ DataFrame من قاموس قوائم، مفتاح لكل عمود، ثم اطرح عمودًا من الآخر: products["unit_price"] - products["unit_cost"]."],"explanation":"

تمرير index=months يجعل كل إيراد يحمل شهره، فتجيب idxmax() عن سؤال “أيّ شهر؟” مباشرة. وrevenue / revenue.sum() تقسم كل قيمة على مجموع واحد: الرقم المفرد يتّحد مع كل عنصر في الـ Series (ويُسمّى هذا broadcasting). أما في الـ DataFrame، فتصبح مفاتيح القاموس أسماء الأعمدة، وكل قائمة تصبح عمودًا. وطرح عمودين يحاذي بينهما بحسب فهرس الصفوف المشترك، فيكون هامش المقلاة 21.55، والمطحنة 52.01، والخيمة 65.91.

\n","checkLabels":{"series":"revenue هي Series مسمّاة من Jan إلى Dec","best-month":"best_month يساوي "Nov"","share":"مجموع share يساوي 1، ونوفمبر نحو 23%","products":"products هو DataFrame بحجم 3 × 3 وبالأعمدة الصحيحة","margin":"margin تحتوي 21.55 و52.01 و65.91"}},"words":614,"readMinutes":4}