Pandas: مشروع: السلاسل الزمنية

> **الخرج:** قم بالتشغيل في بيئة Python محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتًا مسبقًا. يرجى تثبيته محليًا (`pip install pandas`) واتباع التعليمات. القيم الفعلية قد تختلف قليلاً حسب إصدار pandas الخاص بك.

> **المخرجات:** قم بالتنفيذ في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي مسبقاً على مكتبة pandas. يرجى تثبيتها محلياً (`pip install pandas`) ومتابعة التنفيذ. قد تختلف القيم الفعلية قليلاً حسب إصدار pandas لديك.

import pandas as pd
import numpy as np

# ============================================
# الخطوة 1: التوليد والمعالجة المسبقة
# ============================================

np.random.seed(42)

# توليد بيانات مبيعات لمدة 365 يوماً مع اتجاه + موسمية + ضوضاء
dates = pd.date_range('2023-01-01', periods=365)
trend = np.linspace(300, 450, 365)  # اتجاه صاعد
seasonality = 50 * np.sin(2 * np.pi * np.arange(365) / 365 * 2)  # دورة نصف سنوية
winter_effect = np.where(dates.month.isin([11, 12, 1, 2]), 30, 0)  # زيادة في الشتاء
noise = np.random.normal(0, 20, 365)

daily_sales = pd.DataFrame({
    'sales': np.round(trend + seasonality + winter_effect + noise, 0),
    'customers': np.round((trend + seasonality + winter_effect + noise) / 8, 0)
}, index=dates)

# إدخال أيام مفقودة
missing_idx = np.random.choice(365, 15, replace=False)
daily_sales.iloc[missing_idx] = np.nan

# المعالجة المسبقة: ملء القيم المفقودة ← التأكد من التردد اليومي
daily_sales = daily_sales.asfreq('D')  # التأكد من عدم وجود تواريخ مفقودة
daily_sales['sales'] = daily_sales['sales'].interpolate(method='time')
daily_sales['customers'] = daily_sales['customers'].interpolate(method='time')

print(f"النطاق الزمني: من {daily_sales.index[0].date()} إلى {daily_sales.index[-1].date()}")
print(f"القيم المفقودة بعد الملء: {daily_sales.isnull().sum().sum()}")
print(f"\nإحصائيات المبيعات اليومية:\n{daily_sales['sales'].describe()}")

> **المخرجات:** قم بالتنفيذ في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي مسبقاً على مكتبة pandas. يرجى تثبيتها محلياً (`pip install pandas`) ومتابعة التنفيذ. قد تختلف القيم الفعلية قليلاً حسب إصدار pandas لديك.

> **الإخراج:** قم بالتشغيل في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا. يرجى تثبيته محليًا (`pip install pandas`) واتباع الخطوات. قد تختلف القيم الفعلية قليلاً حسب إصدار pandas الخاص بك.

# ============================================
# الخطوة 2: استخلاص الاتجاه
# ============================================

# المتوسط المتحرك لمدة 30 يومًا = الاتجاه
daily_sales['trend'] = daily_sales['sales'].rolling(30, center=True).mean()

# إزالة الاتجاه = الفعلي - الاتجاه (يظهر الموسمية + الضوضاء)
daily_sales['detrended'] = daily_sales['sales'] - daily_sales['trend']

# معدل النمو شهرًا بعد شهر
monthly = daily_sales['sales'].resample('M').sum()
monthly_growth = monthly.pct_change() * 100

print("=== المبيعات الشهرية ===")
print(monthly.tail(6))
print(f"\nمتوسط النمو الشهري: {monthly_growth.mean():.1f}%")
print(f"النمو السنوي الإجمالي: {((monthly.iloc[-1] / monthly.iloc[0]) - 1) * 100:.1f}%")

> **الإخراج:** قم بالتشغيل في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبته مسبقًا. يرجى تثبيته محليًا (`pip install pandas`) واتباع الخطوات. قد تختلف القيم الفعلية قليلاً حسب إصدار pandas الخاص بك.

> **الإخراج:** قم بالتشغيل في بيئة Python محلية (pandas 2.x). لا يحتوي خادم Pandas على مكتبة pandas مثبتة مسبقًا. يرجى تثبيتها محليًا (`pip install pandas`) واتباع التوضيح. قد تختلف القيم الفعلية قليلاً اعتمادًا على إصدار pandas الخاص بك.

# ============================================
# الخطوة 3: تحليل الموسمية
# ============================================

# المتوسط الشهري (عبر جميع السنوات)
daily_sales['month'] = daily_sales.index.month
monthly_avg = daily_sales.groupby('month')['sales'].mean()

# مؤشر الموسمية = المتوسط الشهري / المتوسط الإجمالي
overall_avg = daily_sales['sales'].mean()
seasonal_index = (monthly_avg / overall_avg).round(3)

print("=== مؤشر الموسمية ===")
for m, idx in seasonal_index.items():
    label = "↑" if idx > 1.05 else ("↓" if idx < 0.95 else "→")
    print(f"  الشهر {m:2d}: {idx:.3f} {label}")

# نمط أيام الأسبوع
daily_sales['dayofweek'] = daily_sales.index.dayofweek
dow_avg = daily_sales.groupby('dayofweek')['sales'].mean()
dow_names = ['الإثنين', 'الثلاثاء', 'الأربعاء', 'الخميس', 'الجمعة', 'السبت', 'الأحد']
print(f"\n=== متوسط أيام الأسبوع ===")
for i, name in enumerate(dow_names):
    print(f"  {name}: ${dow_avg[i]:.0f}")

> **الإخراج:** قم بالتشغيل في بيئة Python محلية (pandas 2.x). لا يحتوي خادم Piston على مكتبة pandas مثبتة مسبقًا. يرجى تثبيتها محليًا (`pip install pandas`) واتباع التوضيح. قد تختلف القيم الفعلية قليلاً اعتمادًا على إصدار pandas الخاص بك.

> **الناتج:** قم بتشغيله في بيئة بايثون محلية (pandas 2.x). لا يحتوي خادم Piston على مكتبة pandas مثبتة مسبقًا. يرجى تثبيتها محليًا (`pip install pandas`) واتباع الخطوات. قد تختلف القيم الفعلية قليلاً اعتمادًا على إصدار pandas الخاص بك.

# ============================================
# الخطوة 4: التوقع باستخدام المتوسط المتحرك
# ============================================

# تقسيم بيانات التدريب/الاختبار: آخر 30 يومًا كاختبار
train = daily_sales.iloc[:-30]
test = daily_sales.iloc[-30:]

# التوقع بالمتوسط البسيط المتحرك (استخدام متوسط آخر N يومًا)
def ma_forecast(train_series, window, horizon):
    """التنبؤ بـ 'horizon' يومًا قادمًا باستخدام المتوسط المتحرك"""
    last_ma = train_series.rolling(window).mean().iloc[-1]
    return pd.Series([last_ma] * horizon,
                     index=pd.date_range(train.index[-1] + pd.Timedelta(days=1),
                                         periods=horizon))

# تجريب نوافذ مختلفة
for w in [7, 14, 30]:
    forecast = ma_forecast(train['sales'], w, 30)
    mae = (forecast - test['sales']).abs().mean()
    mape = ((forecast - test['sales']) / test['sales']).abs().mean() * 100
    print(f"MA({w:2d}): MAE=${mae:.0f}, MAPE={mape:.1f}%")

# التوقع مع تعديل موسمي
# forecast = trend_forecast × seasonal_index
last_trend = train['sales'].rolling(30).mean().iloc[-1]
monthly_trend_growth = train['sales'].rolling(30).mean().diff(30).mean()
forecast_months = test.index.month
seasonal_forecast = pd.Series(
    [(last_trend + monthly_trend_growth * i) * seasonal_index[m]
     for i, m in enumerate(forecast_months)],
    index=test.index
)
mae_seasonal = (seasonal_forecast - test['sales']).abs().mean()
mape_seasonal = ((seasonal_forecast - test['sales']) / test['sales']).abs().mean() * 100
print(f"\nSeasonal-adjusted: MAE=${mae_seasonal:.0f}, MAPE={mape_seasonal:.1f}%")

> **الناتج:** قم بتشغيله في بيئة بايثون محلية (pandas 2.x). لا يحتوي خادم Piston على مكتبة pandas مثبتة مسبقًا. يرجى تثبيتها محليًا (`pip install pandas`) واتباع الخطوات. قد تختلف القيم الفعلية قليلاً اعتمادًا على إصدار pandas الخاص بك.

> **Output:** Run in a local Python environment (pandas 2.x). The Piston server does not have pandas pre-installed. Please install it locally (`pip install pandas`) and follow along. Actual values may vary slightly depending on your pandas version.

# ============================================
# Step 5-6: Evaluation & Next Month Forecast
# ============================================

# Evaluation metrics
def evaluate(actual, forecast, name="Model"):
    mae = (forecast - actual).abs().mean()
    rmse = ((forecast - actual) ** 2).mean() ** 0.5
    mape = ((forecast - actual) / actual).abs().mean() * 100
    print(f"{name}: MAE=${mae:.0f}, RMSE=${rmse:.0f}, MAPE={mape:.1f}%")
    return mae, rmse, mape

# Evaluate best model
print("=== Model Evaluation ===")
evaluate(test['sales'], ma_forecast(train['sales'], 14, 30), "MA(14)")
evaluate(test['sales'], seasonal_forecast, "Seasonal-adjusted")

# Next month forecast (Jan 2024)
next_month_days = pd.date_range('2024-01-01', periods=31)
last_trend_full = daily_sales['sales'].rolling(30).mean().iloc[-1]
jan_index = seasonal_index[1]
next_month_forecast = last_trend_full * jan_index

print(f"\n=== January 2024 Forecast ===")
print(f"  Daily forecast: ${next_month_forecast:.0f}")
print(f"  Monthly forecast: ${next_month_forecast * 31:,.0f}")
print(f"  Based on trend: ${last_trend_full:.0f} × seasonal index: {jan_index:.3f}")

> **Output:** Run in a local Python environment (pandas 2.x). The Piston server does not have pandas pre-installed. Please install it locally (`pip install pandas`) and follow along. Actual values may vary slightly depending on your pandas version.