Pandas: التعرف على المسلسلات

import numpy as np

sales = np.array([320, 280, 350, 410, 390, 520, 480])
# أي يوم هو 520؟ الموقع 5... لكن أي يوم؟
print(sales[5])  # 520 — لكن ماذا تعني هذه الأرقام؟

شغّل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) لمتابعة الشرح. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

شغّل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) لمتابعة الشرح. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

import pandas as pd

sales = pd.Series(
    [320, 280, 350, 410, 390, 520, 480],
    index=['Mon', 'Tue', 'Wed', 'Thu', 'Fri', 'Sat', 'Sun'],
    name='daily_sales'
)
print(sales)
# Mon    320
# Tue    280
# Wed    350
# Thu    410
# Fri    390
# Sat    520
# Sun    480
# Name: daily_sales, dtype: int64

print(sales['Sat'])  # 520 — وصول بناءً على التسمية
print(sales.iloc[5])  # 520 — وصول بناءً على الموقع

شغّل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) لمتابعة الشرح. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي مسبقاً على مكتبة pandas — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. القيم الفعلية قد تختلف قليلاً حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي مسبقاً على مكتبة pandas — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. القيم الفعلية قد تختلف قليلاً حسب إصدار pandas لديك.

import pandas as pd
import numpy as np

s = pd.Series([320, 280, 350], index=['Mon', 'Tue', 'Wed'])

print(f"Type of values: {type(s.values)}")  # <class 'numpy.ndarray'>
print(f"Type of index:  {type(s.index)}")   # <class 'pandas.core.indexes.base.Index'>
print(f"dtype: {s.dtype}")   # int64
print(f"shape: {s.shape}")   # (3,)
print(f"size:  {s.size}")    # 3
print(f"name:  {s.name}")    # None

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي مسبقاً على مكتبة pandas — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. القيم الفعلية قد تختلف قليلاً حسب إصدار pandas لديك.

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

import pandas as pd

# Default index: 0, 1, 2, ...
s1 = pd.Series([10, 20, 30, 40])
print(s1)
# 0    10
# 1    20
# 2    30
# 3    40

# Custom index
s2 = pd.Series([10, 20, 30, 40], index=['a', 'b', 'c', 'd'])
print(s2['b'])  # 20

# With name
s3 = pd.Series([10, 20, 30], name='scores')
print(s3.name)  # scores

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

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

import pandas as pd

# Keys become index, values become data
population = pd.Series({
    'Tokyo': 13960000,
    'New York': 8336000,
    'London': 8982000,
    'Paris': 2161000
})
print(population)
# Tokyo      13960000
# New York    8336000
# London      8982000
# Paris       2161000

print(population['London'])  # 8982000

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

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

import numpy as np
import pandas as pd

arr = np.array([3.14, 2.72, 1.41, 1.73])
s = pd.Series(arr, index=['pi', 'e', 'sqrt2', 'sqrt3'])
print(s)
# pi      3.14
# e       2.72
# sqrt2   1.41
# sqrt3   1.73
print(f"Underlying type: {type(s.values)}")  # numpy.ndarray

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

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

import pandas as pd

# Broadcast scalar to fill all index positions
s = pd.Series(0, index=['A', 'B', 'C', 'D'])
print(s)
# A    0
# B    0
# C    0
# D    0

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

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتًا مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تتغير القيم الفعليّة قليًّا حسب إصدار pandas لديك.

import pandas as pd

s = pd.Series([320, 280, 350, 410],
              index=['Mon', 'Tue', 'Wed', 'Thu'])

# الوصول بالعنوان (الطريقة المفضلة)
print(s['Tue'])       # 280
print(s.loc['Tue'])   # 280 — وصول صريح بالعنوان

# الوصول بالموضع
print(s.iloc[1])      # 280 — وصول صريح بالموضع

# التقطيع بالعنوان (يتضمن نقطة النهاية)
print(s['Mon':'Wed'])
# Mon    320
# Tue    280
# Wed    350

# التقطيع بالموضع (يستبعد نقطة النهاية، مثل بايثون)
print(s.iloc[0:3])
# Mon    320
# Tue    280
# Wed    350

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتًا مسبقًا — قم بتثبيته محليًا (`pip install pandas`) للمتابعة. قد تتغير القيم الفعليّة قليًّا حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتًا مسبقًا - قم بتثبيته محليًا (`pip install pandas`) لتتمكن من المتابعة. قد تختلف القيم الفعليّة قليلاً حسب إصدار pandas لديك.

import pandas as pd

sales = pd.Series([320, 280, 350, 410],
                  index=['Mon', 'Tue', 'Wed', 'Thu'])

# العمليات الحسابية
print(sales * 1.1)      # زيادة سعر بنسبة 10%
# Mon    352.0
# Tue    308.0
# Wed    385.0
# Thu    451.0

# عمليات المقارنة
print(sales > 300)
# Mon     True
# Tue    False
# Wed     True
# Thu     True

# التصفية باستخدام القيم المنطقية
print(sales[sales > 300])
# Mon    320
# Wed    350
# Thu    410

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتًا مسبقًا - قم بتثبيته محليًا (`pip install pandas`) لتتمكن من المتابعة. قد تختلف القيم الفعليّة قليلاً حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتًا مسبقًا - قم بتثبيته محليًا (`pip install pandas`) لتتمكن من المتابعة. قد تختلف القيم الفعليّة قليلاً حسب إصدار pandas لديك.

import pandas as pd

week1 = pd.Series({'Mon': 320, 'Tue': 280, 'Wed': 350})
week2 = pd.Series({'Tue': 310, 'Wed': 370, 'Thu': 400})

# المحاذاة التلقائية حسب الفهرس، عدم التطابق → NaN
total = week1 + week2
print(total)
# Mon      NaN   # موجود فقط في week1
# Tue    590.0   # 280 + 310
# Wed    720.0   # 350 + 370
# Thu      NaN   # موجود فقط في week2

# ملء القيم المفقودة بـ 0 بدلاً من NaN
total_filled = week1.add(week2, fill_value=0)
print(total_filled)
# Mon    320.0
# Tue    590.0
# Wed    720.0
# Thu    400.0

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على pandas مثبتًا مسبقًا - قم بتثبيته محليًا (`pip install pandas`) لتتمكن من المتابعة. قد تختلف القيم الفعليّة قليلاً حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

import pandas as pd

# قائمة الدرجات
scores = pd.Series([85, 92, 78, 95, 88, 92, 78, 85, 90, 92],
                   name='exam_score')

print(scores.describe())
# count    10.000000
# mean     87.500000
# std       5.976143
# min      78.000000
# 25%      85.000000
# 50%      89.000000
# 75%      92.000000
# max      95.000000

print(scores.value_counts())
# 92    3
# 85    2
# 78    2
# 95    1
# 90    1
# 88    1

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

import pandas as pd

# سلسلة من 1 إلى 100
s = pd.Series(range(1, 101))  # من 1 إلى 100

print(s.head())    # أول 5 قيم
print(s.tail(3))   # آخر 3 قيم

# isin: اختبار العضوية
# قائمة الفواكه
fruits = pd.Series(['apple', 'banana', 'cherry', 'apple', 'date'])
print(fruits.isin(['apple', 'cherry']))
# 0     True
# 1    False
# 2     True
# 3     True
# 4    False

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

import pandas as pd
import numpy as np

# سلسلة تحتوي على قيم مفقودة
s = pd.Series([10, np.nan, 30, np.nan, 50])

print(s.isna())     # كشف القيم المفقودة (NaN)
# 0    False
# 1     True
# 2    False
# 3     True
# 4    False

print(s.notna())    # كشف القيم غير المفقودة
print(s.dropna())   # إزالة القيم المفقودة: [10.0, 30.0, 50.0]
print(s.fillna(0))  # ملء القيم المفقودة بالصفر
print(s.fillna(s.mean()))  # ملء بقيمة المتوسط

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً — قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. قد تختلف القيم الفعليه قليلاً حسب إصدار pandas لديك.

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً - قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. القيم الفعلية قد تختلف قليلاً حسب إصدار pandas لديك.

import pandas as pd
import numpy as np

# ============================================
# مثال شامل: تحليل مبيعات مقهى القهوة
# الأسبوعي باستخدام Series
# ============================================

# 1. إنشاء بيانات المبيعات مع تسميات الأيام
sales = pd.Series({
    'Mon': 320, 'Tue': 280, 'Wed': 350,
    'Thu': 410, 'Fri': 390, 'Sat': 520, 'Sun': 480
}, name='daily_sales_USD')

# 2. إحصائيات أساسية
print("=== تقرير المبيعات الأسبوعي ===")
print(f"المجموع:      ${sales.sum():,}")
print(f"المتوسط اليومي:  ${sales.mean():.0f}")
print(f"أفضل يوم:   {sales.idxmax()} (${sales.max():,})")
print(f"أسوأ يوم:  {sales.idxmin()} (${sales.min():,})")
print(f"الانحراف المعياري:    ${sales.std():.0f}")

# 3. تحليل نهاية الأسبوع مقابل أيام الأسبوع
weekday_avg = sales[['Mon','Tue','Wed','Thu','Fri']].mean()
weekend_avg = sales[['Sat','Sun']].mean()
print(f"\nمتوسط أيام الأسبوع: ${weekday_avg:.0f}")
print(f"متوسط نهاية الأسبوع: ${weekend_avg:.0f}")
print(f"زيادة نهاية الأسبوع: {(weekend_avg/weekday_avg - 1)*100:.1f}%")

# 4. التغير اليومي
change = sales.pct_change() * 100
print(f"\nأكبر انخفاض يومي: {change.min():.1f}% يوم {change.idxmin()}")
print(f"أكبر ارتفاع يومي: {change.max():.1f}% يوم {change.idxmax()}")

# 5. المبيعات التراكمية
cum_sales = sales.cumsum()
print(f"\nالوصول إلى هدف المبيعات 2,000$ في: {cum_sales[cum_sales >= 2000].index[0]}")

# 6. الترتيب
print(f"\nترتيب المبيعات:\n{sales.rank(ascending=False).astype(int)}")

قم بتشغيل هذا في بيئة بايثون محلية (pandas 2.x). خادم Piston لا يحتوي على مكتبة pandas مثبتة مسبقاً - قم بتثبيتها محلياً (`pip install pandas`) للمتابعة. القيم الفعلية قد تختلف قليلاً حسب إصدار pandas لديك.

=== تقرير المبيعات الأسبوعي ===
المجموع:      $2,750
المتوسط اليومي:  $393
أفضل يوم:   Sat ($520)
أسوأ يوم:  Tue ($280)
الانحراف المعياري:    $82

متوسط أيام الأسبوع: $350
متوسط نهاية الأسبوع: $500
زيادة نهاية الأسبوع: 42.9%

أكبر انخفاض يومي: -12.5% يوم Tue
أكبر ارتفاع يومي: 33.3% يوم Sat