الأرقام الشهرية التي استخدمتها منذ الدرس 1.3 جاءت من مكان ما: بضعة آلاف من الطلبات ذات الطوابع الزمنية، موزّعة بحسب الشهر التقويمي. الزمن هو محور كل سؤال عمل تقريبًا (“هل ينمو الإيراد؟”، “هل نوفمبر هذا العام طبيعي؟”، “متى يتسوّق الناس؟”)، ولدى pandas أدوات مبنية له. وقبل استخدامها، تحتاج صفًا لكل طلب مع إيراده وطابعه الزمني.
\nimport pandas as pd\n\nitems = pd.read_csv(\"order_items.csv\")\norders = pd.read_csv(\"orders.csv\", parse_dates=[\"order_date\"])\nitems[\"revenue\"] = items[\"quantity\"] * items[\"unit_price\"] * (1 - items[\"discount\"])\norder_revenue = items.groupby(\"order_id\", as_index=False)[\"revenue\"].sum()\n\norders = orders.merge(order_revenue, on=\"order_id\", how=\"left\", validate=\"one_to_one\")\norders = orders[orders[\"status\"] != \"cancelled\"]\nprint(orders[[\"order_id\", \"order_date\", \"revenue\"]].head(3))كل كتلة Run فيما يلي تبدأ بهذه الأسطر، مختصرة لتبقى مقروءة. وفي الـ notebook الخاص بك كنت ستشغّلها مرة واحدة.
\nتجمّع resample الصفوف في فترات زمنية منتظمة، وهو ما نسمّيه إعادة التجميع الزمني. وتحتاج أن تكون التواريخ في الفهرس:
import pandas as pd\n\nitems = pd.read_csv(\"order_items.csv\")\norders = pd.read_csv(\"orders.csv\", parse_dates=[\"order_date\"])\nitems[\"revenue\"] = items[\"quantity\"] * items[\"unit_price\"] * (1 - items[\"discount\"])\norders = orders.merge(items.groupby(\"order_id\", as_index=False)[\"revenue\"].sum(), on=\"order_id\", validate=\"one_to_one\")\norders = orders[orders[\"status\"] != \"cancelled\"]\n\nby_time = orders.set_index(\"order_date\")\nmonthly = by_time.resample(\"ME\")[\"revenue\"].sum()\nquarterly = by_time.resample(\"QE\")[\"revenue\"].sum()\nprint(len(monthly), \"months\")\nprint(monthly.tail(4).round(0))\nprint(quarterly.round(0))النص اسم مستعار للتكرار (frequency alias): "D" للأيام، و"W" للأسابيع المنتهية يوم الأحد، و"ME" لنهايات الأشهر، و"QE" لنهايات الأرباع، و"YE" لنهايات السنوات. أعادت pandas 2.2 تسمية "M" و"Q" و"Y" إلى نسخ الـ E لتوضّح أن التسميات هي نهايات الفترات، والأسماء القديمة تُطلق الآن تحذير إهمال. أما الفترات (periods) فكائن مختلف يحتفظ بالأسماء القصيرة: to_period("M") وto_period("Q") صحيحتان، لأن الفترة تمثّل الشهر أو الربع كله لا آخر يوم فيه. والسلسلة الفصلية هي التي يحدّق فيها رئيس النمو: 80,523 دولارًا في الربع الثالث من 2025، ثم 146,825 في الربع الرابع.
تستطيع أيضًا التجميع بحسب فترة: orders.groupby(orders["order_date"].dt.to_period("M"))["revenue"].sum(). تبدو النتيجة هنا متطابقة، بتسميات مثل 2025-11 بدلًا من 2025-11-30. ويظهر الفرق حين لا تكون في فترة ما بيانات: تشملها resample بمجموع 0، بينما يتخطّاها التجميع تمامًا. وللرسوم البيانية ومعدّلات النمو تريد كل فترة حاضرة، فتكون resample الخيار الافتراضي الأكثر أمانًا.
السلاسل الخام تجيب عن “كم”؛ والتغيّرات تجيب عن “بأيّ سرعة”:
\nimport pandas as pd\n\nitems = pd.read_csv(\"order_items.csv\")\norders = pd.read_csv(\"orders.csv\", parse_dates=[\"order_date\"])\nitems[\"revenue\"] = items[\"quantity\"] * items[\"unit_price\"] * (1 - items[\"discount\"])\norders = orders.merge(items.groupby(\"order_id\", as_index=False)[\"revenue\"].sum(), on=\"order_id\", validate=\"one_to_one\")\norders = orders[orders[\"status\"] != \"cancelled\"]\nby_time = orders.set_index(\"order_date\")\n\nquarterly = by_time.resample(\"QE\")[\"revenue\"].sum()\nprint(pd.DataFrame({\n \"revenue\": quarterly.round(0),\n \"vs_prev_quarter\": quarterly.pct_change().round(3),\n \"vs_year_ago\": quarterly.pct_change(4).round(3),\n}))\nmonthly = by_time.resample(\"ME\")[\"revenue\"].sum()\nprint(monthly.rolling(3).mean().tail(3).round(0))تقسم pct_change() كل قيمة على القيمة التي قبلها وتطرح 1. الربع الرابع من 2025 أعلى بنسبة 82% من الثالث، وهي القفزة التي لاحظها الجميع. لكن pct_change(4) تقارن كل ربع بالربع نفسه قبل سنة، وهذا العمود يحكي قصة أهدأ: الربع الرابع من 2025 أعلى بنسبة 180% من الربع الرابع من 2024، بينما نما الأول والثاني والثالث بنسب 200% و145% و165%. نما الربع الرابع بسرعة تقارب بقية السنة. جزء كبير من “القفزة” نمط موسمي كان موجودًا في 2024 أيضًا: كان الربع الرابع من 2024 أعلى بنسبة 73% من الربع الثالث من 2024.
تحسب rolling(3).mean() متوسط كل شهر مع الشهرين اللذين قبله، أي المتوسط المتحرك، فتنعّم القفزات المفردة مثل نوفمبر. استخدمها لترى الاتجاه؛ واستخدم السلسلة الخام لترى الأحداث.
للأنماط داخل الفترة، مثل أيام الأسبوع أو ساعات اليوم، استخرج الجزء بـ .dt وجمّع بحسبه:
import pandas as pd\n\norders = pd.read_csv(\"orders.csv\", parse_dates=[\"order_date\"])\norders = orders[orders[\"status\"] != \"cancelled\"]\nd = orders[\"order_date\"]\nprint(orders.groupby(d.dt.day_name()).size().sort_values())\nprint(orders.groupby(d.dt.hour).size().head(4))\nprint(d.dt.to_period(\"Q\").value_counts().sort_index().tail(2))الطلبات موزّعة بالتساوي تقريبًا على أيام الأسبوع، من 241 يوم الاثنين إلى 298 يومي الثلاثاء والسبت، فلا يوجد أثر قوي ليوم الأسبوع يحتاج تفسيرًا. أجزاء مفيدة أخرى: dt.year وdt.quarter وdt.month وdt.isocalendar().week وdt.date وdt.normalize() (منتصف ليل اليوم نفسه، وقد استخدمتها في الدرس 3.4).
إعادة التجميع اليومية هي المكان الذي تُختبر فيه الافتراضات. تعطي by_time.resample("D").size() عددًا لكل يوم تقويمي، 729 يومًا من أول طلب إلى آخره، وتظهر حقيقتان دفعة واحدة: 119 يومًا لم تشهد أي طلب (وفي سلسلة مبنية بـ groupby كانت تلك الأيام ستغيب ببساطة)، وأكثر يوم ازدحامًا كان 10 نوفمبر 2025 بـ 16 طلبًا، قبل الجمعة السوداء (28 نوفمبر) بنحو ثلاثة أسابيع. والأيام الأعلى الأخرى، 6 و8 و26 نوفمبر، موزّعة على الشهر أيضًا. أيًّا كان ما دفع نوفمبر، فلم يكن يومًا ترويجيًا كبيرًا واحدًا؛ تذكّر ذلك في دراسة الحالة.
في التمرين تبني السلسلة الشهرية ونظرة “سنة مقابل سنة” بنفسك. وفي الدرس التالي ترتّب العملاء وتقسّمهم إلى فئات، فتحوّل مقياسًا متصلًا مثل إجمالي الإنفاق إلى شرائح.
\n","toc":[{"id":"sec-1","text":"resample: حاويات من الزمن","level":2},{"id":"sec-2","text":"الفرق بين resample و to_period","level":3},{"id":"sec-3","text":"مقارنة الفترات","level":2},{"id":"sec-4","text":"الـ accessor المسمّى dt: أجزاء التقويم","level":2}],"takeaways":["df.set_index("order_date").resample("ME")["revenue"].sum() توزّع الصفوف على الأشهر التقويمية؛ و"QE" و"W" و"D" تعطي الأرباع والأسابيع والأيام.","في pandas 2.2 وما بعدها، تكتب resample نهايات الأشهر والأرباع "ME" و"QE"؛ أما الاسمان القديمان "M" و"Q" فمُهمَلان (deprecated) هناك، بينما تحتفظ الفترات مثل to_period("M") بالأسماء القصيرة.","تشمل resample الفترات الفارغة (الشهر الذي بلا طلبات يظهر بـ 0)، بينما التجميع بحسب dt.to_period("M") لا يسرد إلا الفترات التي فيها بيانات.","تقارن pct_change() كل فترة بالتي قبلها، وpct_change(4) على الأرباع تقارن بالربع نفسه قبل سنة.","تسميات resample تحدّد نهاية كل حاوية زمنية، فقد تعرض سلسلة أسبوعية تسمية من 2026 لطلبات قُدّمت في ديسمبر 2025؛ افحص الفترتين الأولى والأخيرة بحثًا عن بيانات جزئية."],"further":[{"title":"Time series / date functionality - resampling","url":"https://pandas.pydata.org/docs/user_guide/timeseries.html#resampling"},{"title":"Offset aliases","url":"https://pandas.pydata.org/docs/user_guide/timeseries.html#offset-aliases"},{"title":"pandas.Series.pct_change","url":"https://pandas.pydata.org/docs/reference/api/pandas.Series.pct_change.html"}],"quiz":[{"q":"الإيراد الفصلي موجود في q، الأقدم أولًا. أيّ تعبير يعطي نمو كل ربع مقارنةً بالربع نفسه قبل سنة؟
q.pct_change()","why":"هذا يقارن كل ربع بالربع الذي قبله مباشرة، فيُقارَن الربع الرابع بالثالث، وهذا يخلط النمو بالموسمية."},{"text":"q.pct_change(4)","why":"صحيح. مع البيانات الفصلية، أربع فترات إلى الوراء هي الربع نفسه في السنة الماضية، وهذا يزيل النمط الموسمي من المقارنة."},{"text":"q.diff(4)","why":"تعطي diff التغيّر بالدولار، لا كنسبة مئوية."},{"text":"q.rolling(4).mean()","why":"هذا ينعّم السلسلة على مدى سنة؛ ولا يقارن الفترات."}],"answer":1},{"q":"عدد الطلبات الأسبوعي المحسوب بـ resample("W") ينتهي بأسبوع تسميته 2026-01-04 فيه 11 طلبًا فقط. ما الذي يحدث؟
resample أسبوعًا غير موجود.","why":"الأسبوع من 29 ديسمبر إلى 4 يناير موجود؛ البيانات فقط تتوقّف في منتصفه."},{"text":"الأسبوع الأخير مسمّى بيوم الأحد، 4 يناير، ولا يحتوي إلا يومين من البيانات، فيبدو منخفضًا بشكل مصطنع.","why":"صحيح. الحاويات الأسبوعية تنتهي يوم الأحد افتراضيًا. احذف الفترات الجزئية أو ضع عليها علامة قبل مقارنتها بالفترات الكاملة."}],"answer":2},{"q":"أيّ كود يعطي عدد الطلبات لكل اسم يوم من أيام الأسبوع؟
","options":[{"text":"orders.groupby(orders["order_date"].dt.day_name()).size()","why":"صحيح. يستخرج الـ accessor dt اسم يوم الأسبوع لكل صف، والتجميع بحسب تلك الـ Series يعدّ الطلبات لكل اسم يوم."},{"text":"orders.resample("D").size()","why":"هذا يعدّ الطلبات لكل يوم تقويمي (729 صفًا)، لا لكل يوم من أيام الأسبوع، ويحتاج فهرسًا من نوع datetime."},{"text":"orders["order_date"].day_name().value_counts()","why":"methods التواريخ على العمود موجودة خلف .dt؛ وبدونها تُطلق pandas الخطأ AttributeError."}],"answer":0}],"exercise":{"kind":"python","files":["order_items.csv","orders.csv"],"starter":"import pandas as pd\n\nitems = pd.read_csv(\"order_items.csv\")\norders = pd.read_csv(\"orders.csv\", parse_dates=[\"order_date\"])\nitems[\"revenue\"] = items[\"quantity\"] * items[\"unit_price\"] * (1 - items[\"discount\"])\norder_revenue = items.groupby(\"order_id\", as_index=False)[\"revenue\"].sum()\norders = orders.merge(order_revenue, on=\"order_id\", how=\"left\", validate=\"one_to_one\")\norders = orders[orders[\"status\"] != \"cancelled\"]\n\n# 1. Monthly revenue (Series, one value per calendar month, month-end labels)\nmonthly = None\n\n# 2. Monthly number of orders\nmonthly_orders = None\n\n# 3. Quarterly revenue, and its growth versus the same quarter a year earlier\nquarterly = None\nyoy = None\n\n# 4. Weekday name with the highest total revenue, e.g. \"Monday\"\nbest_weekday = None\n","solution":"import pandas as pd\n\nitems = pd.read_csv(\"order_items.csv\")\norders = pd.read_csv(\"orders.csv\", parse_dates=[\"order_date\"])\nitems[\"revenue\"] = items[\"quantity\"] * items[\"unit_price\"] * (1 - items[\"discount\"])\norder_revenue = items.groupby(\"order_id\", as_index=False)[\"revenue\"].sum()\norders = orders.merge(order_revenue, on=\"order_id\", how=\"left\", validate=\"one_to_one\")\norders = orders[orders[\"status\"] != \"cancelled\"]\n\nby_time = orders.set_index(\"order_date\")\nmonthly = by_time.resample(\"ME\")[\"revenue\"].sum()\nmonthly_orders = by_time.resample(\"ME\")[\"order_id\"].count()\n\nquarterly = by_time.resample(\"QE\")[\"revenue\"].sum()\nyoy = quarterly.pct_change(4)\n\nbest_weekday = orders.groupby(orders[\"order_date\"].dt.day_name())[\"revenue\"].sum().idxmax()\nprint(yoy.round(3))\n","checks":[{"id":"monthly","test":"isinstance(monthly, pd.Series) and len(monthly) == 24 and abs(float(monthly.loc['2025-11'].iloc[0]) - 75333.9) < 1"},{"id":"monthly-orders","test":"isinstance(monthly_orders, pd.Series) and len(monthly_orders) == 24 and int(monthly_orders.loc['2025-11'].iloc[0]) == 325"},{"id":"quarterly","test":"isinstance(quarterly, pd.Series) and len(quarterly) == 8 and abs(float(quarterly.iloc[-1]) - 146825.44) < 1"},{"id":"yoy","test":"isinstance(yoy, pd.Series) and round(float(yoy.iloc[-1]), 3) == 1.795 and yoy.iloc[:4].isna().all()"},{"id":"weekday","test":"best_weekday == 'Saturday'"}],"title":"شهريًا، وفصليًا، وسنة مقابل سنة","prompt":"في orders صف لكل طلب غير ملغى، مع order_date وrevenue. ابنِ monthly (الإيراد لكل شهر تقويمي، بتسميات نهاية الشهر) وmonthly_orders (عدد الطلبات لكل شهر) باستخدام resample. وابنِ quarterly (الإيراد لكل ربع) وyoy، نموّه مقارنةً بالربع نفسه قبل سنة ككسر (1.0 تعني +100%). وأخيرًا اجعل best_weekday اسم يوم الأسبوع صاحب أعلى إيراد إجمالي.
by_time = orders.set_index("order_date")، ثم by_time.resample("ME")["revenue"].sum().","عُدّ الطلبات بـ ["order_id"].count() (أو .size()) على الـ resampler نفسه. والأرباع تستخدم "QE".","تقارن quarterly.pct_change(4) بأربعة أرباع سابقة. ولليوم: orders.groupby(orders["order_date"].dt.day_name())["revenue"].sum().idxmax()."],"explanation":"تحتاج resample فهرسًا من نوع datetime، وتوفّره set_index("order_date")؛ و"ME" و"QE" تسمّيان كل حاوية بآخر يوم فيها. شهد نوفمبر 2025 ما مجموعه 325 طلبًا و75,334 دولارًا من الإيراد. وpct_change(4) على سلسلة فصلية هي نظرة سنة مقابل سنة: القيم الأربع الأولى NaN لأن 2023 ليست في البيانات، ونما الربع الرابع من 2025 بنسبة 179.5% على الربع الرابع من 2024، بما يتّسق مع نمو أرباع 2025 الأخرى بين 145% و200%. يوم السبت يجلب أعلى إيراد، مع أن الفروق بين أيام الأسبوع صغيرة مقارنةً بالفروق الموسمية.
monthly 24 شهرًا، ونوفمبر 2025 نحو 75,334","monthly-orders":"تعرض monthly_orders 325 طلبًا في نوفمبر 2025","quarterly":"في quarterly 8 أرباع، تنتهي عند نحو 146,825","yoy":"yoy تساوي 1.795 للربع الرابع من 2025 وفارغة لعام 2024","weekday":"best_weekday هو يوم الأسبوع الأعلى إيرادًا"}},"words":646,"readMinutes":4}