Pandas: البدء باستخدام بانداس

> **الخرج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الخاص بك.

import numpy as np

# بيانات العملاء: الاسم(str)، العمر(int)، الراتب(float)
names = np.array(['Alice', 'Bob', 'Charlie'])
ages = np.array([28, 34, 25])
salaries = np.array([75000.0, 92000.0, 68000.0])

# المشكلة 1: خلط الأنواع يفرض الرفع إلى object
mixed = np.array(['Alice', 28, 75000.0])
print(mixed.dtype)  # object — تفقد عمليات رقمية!

# المشكلة 2: لا يمكن حساب المتوسط على مصفوفة object
try:
    print(np.mean(mixed))  # خطأ أو نتيجة غير مفيدة
except TypeError:
    print("Cannot compute mean on object array")

# المشكلة 3: القيم المفقودة تحتاج معالجة خاصة
ages_with_nan = np.array([28, 34, np.nan, 25])
print(np.mean(ages_with_nan))  # nan — تحتاج np.nanmean()

> **الخرج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الخاص بك.

> **الخرج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الخاص بك.

import pandas as pd

# إطار بيانات واحد يتعامل مع الأنواع المختلطة بشكل طبيعي
df = pd.DataFrame({
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [28, 34, 25],
    'salary': [75000.0, 92000.0, 68000.0],
    'hire_date': pd.to_datetime(['2022-03-15', '2019-08-01', '2023-01-10'])
})

print(df.dtypes)
# name                 object
# age                   int64
# salary              float64
# hire_date    datetime64[ns]

print(df['salary'].mean())  # 78333.33 — يعمل بشكل طبيعي
print(df[df['age'] > 27])   # تصفية حسب الشرط

> **الخرج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الخاص بك.

> **المخرجات:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الذي تستخدمه.

import numpy as np
import pandas as pd

# NumPy: يجب ترتيب الأعمدة بالذاكرة
arr = np.array([['Alice', 28, 75000.0],
                ['Bob', 34, 92000.0]])
# ما هو العمود 2؟ عليك التحقق من التوثيق
print(arr[0, 2])  # 75000.0 — لكن ماذا يعني هذا؟

# Pandas: أسماء الأعمدة توثق ذاتها
df = pd.DataFrame(arr, columns=['name', 'age', 'salary'])
df['age'] = df['age'].astype(int)
df['salary'] = df['salary'].astype(float)
print(df['salary'])  # اسم العمود يوضح كل شيء
# 0    75000.0
# 1    92000.0
print(df.loc[0, 'name'])  # Alice — وصول قائم على العلامات

> **المخرجات:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الذي تستخدمه.

> **المخرجات:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الذي تستخدمه.

import numpy as np
import pandas as pd

# NumPy: الـ nan في مصفوفة الأعداد الصحيحة يجبر التحويل إلى float
arr = np.array([1, 2, np.nan, 4])
print(arr.dtype)  # float64 — فقدت الأعداد الصحيحة!
print(np.mean(arr))  # nan — تحتاج إلى np.nanmean()

# Pandas: تعالج القيم المفقودة لكل عمود على حدة
s = pd.Series([1, 2, pd.NA, 4], dtype='Int64')  # عدد صحيح قابل لل null
print(s)  # يحتفظ بنوع العدد الصحيح مع <NA>
print(s.mean())  # 2.333 — يتخطى القيم المفقودة تلقائيًا

> **المخرجات:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الذي تستخدمه.

> **المخرجات:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الذي تستخدمه.

import pandas as pd
from io import StringIO

# القراءة من سلسلة نصية بصيغة CSV
csv_data = """name,age,salary
Alice,28,75000
Bob,34,92000
Charlie,25,68000"""
df = pd.read_csv(StringIO(csv_data))
print(df)

# الكتابة بتنسيقات مختلفة
# df.to_csv('output.csv', index=False)
# df.to_excel('output.xlsx', sheet_name='Employees')
# df.to_json('output.json', orient='records')

> **المخرجات:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلي قليلاً حسب إصدار pandas الذي تستخدمه.

> **الإخراج:** قم بتشغيل هذا في بيئة Python محلية (إصدار pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقاً — قم بتثبيته محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

> **الإخراج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). لا يحتوي خادم Pandas على pandas مثبته مسبقًا - قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تتغير القيم الفعلية قليلاً بناءً على إصدار pandas لديك.

import numpy as np
import pandas as pd

# ============================================
# مقارنة شاملة: NumPy مقابل Pandas
# لسير عمل تحليل درجات الطلاب
# ============================================

# --- البيانات الخام ---
students = ['Alice', 'Bob', 'Charlie', 'Carol', 'David']
math = [85, 92, 78, 95, 88]
english = [90, 85, 82, 88, 91]
science = [88, 90, 75, 93, 86]

# --- طريقة NumPy ---
scores_np = np.array([math, english, science])  # الشكل: (3, 5)
# أي صف يمثل أي مادة؟ يجب تذكر: الصف 0=رياضيات، 1=إنجليزي، 2=علوم
# أي عمود يمثل أي طالب؟ يجب تذكر الترتيب
avg_per_student = scores_np.mean(axis=0)
print("NumPy - المتوسط لكل طالب (حسب الموضع):")
for i, avg in enumerate(avg_per_student):
    print(f"  الطالب {i}: {avg:.1f}")  # من هو الطالب 0؟

# --- طريقة Pandas ---
df = pd.DataFrame({
    'student': students,
    'math': math,
    'english': english,
    'science': science
})
df['average'] = df[['math', 'english', 'science']].mean(axis=1)
df['grade'] = df['average'].map(
    lambda x: 'A' if x >= 90 else 'B' if x >= 85 else 'C'
)
print("\nPandas - درجات الطلاب:")
print(df[['student', 'average', 'grade']])

# أفضل الأداءات
top = df[df['grade'] == 'A']
print(f"\nطلاب الدرجة A: {top['student'].tolist()}")

# إحصائيات المواد
print("\nإحصائيات المواد:")
print(df[['math', 'english', 'science']].describe())

> **الإخراج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). لا يحتوي خادم Piston على pandas مثبته مسبقًا - قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تتغير القيم الفعلية قليلاً بناءً على إصدار pandas لديك.

NumPy - المتوسط لكل طالب (حسب الموضع):
  الطالب 0: 87.7
  الطالب 1: 89.0
  الطالب 2: 78.3

Pandas - درجات الطلاب:
   student  average grade
0    Alice     87.7     B
1      Bob     89.0     B
2  Charlie     78.3     C
3    Carol     92.0     A
4    David     88.3     B

طلاب الدرجة A: ['Carol']

إحصائيات المواد:
        math  english  science
count   5.00     5.00     5.00
mean   87.60    87.20    86.40
std     6.19     3.70     7.60
min    78.00    82.00    75.00
max    95.00    91.00    93.00

> **الإخراج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبّتاً مسبقاً — قم بتثبيته محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلية قليلاً حسب إصدار pandas الخاص بك.

import pandas as pd
import numpy as np

print(f"Pandas version: {pd.__version__}")
print(f"NumPy version: {np.__version__}")

# Quick functionality check
df = pd.DataFrame({'x': [1, 2, 3], 'y': [4, 5, 6]})
print(df)
print(f"\nMean of x: {df['x'].mean()}")

> **الإخراج:** قم بتشغيل هذا في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبّتاً مسبقاً — قم بتثبيته محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعلية قليلاً حسب إصدار pandas الخاص بك.