مقدمة إلى بايثون لعلم البيانات

Python هي لغة برمجة قوية ومتعددة الاستخدامات تُستخدم على نطاق واسع في علم البيانات. تجعلها قواعدها النحوية البسيطة ومكتباتها الواسعة ودعمها القوي من المجتمع خيارًا مفضلًا لعلماء البيانات. تقدم هذه المقالة مقدمة عن Python لعلم البيانات، وتغطي المكتبات الرئيسية والمفاهيم الأساسية التي ستساعدك على البدء في رحلتك في علم البيانات.

لماذا تستخدم بايثون في علم البيانات؟

تعود شعبية بايثون في علم البيانات إلى عدة أسباب:

• سهل التعلم: بناء جملة Python بسيط وسهل القراءة، مما يجعله في متناول المبتدئين.
• نظام بيئي غني بالمكتبات: يوفر Python مكتبات قوية مثل NumPy وpandas وMatplotlib وScikit-Learn، والتي توفر أدوات أساسية لتحليل البيانات والتعلم الآلي.
• دعم المجتمع: يتمتع Python بمجتمع كبير ونشط يساهم في التطوير المستمر وتحسين المكتبات والأدوات.
• قدرات التكامل: يتكامل Python بسهولة مع اللغات والمنصات الأخرى، مما يجعله مرنًا لمختلف مشاريع علوم البيانات.

تثبيت المكتبات الرئيسية لعلم البيانات

قبل الخوض في علم البيانات باستخدام Python، تحتاج إلى تثبيت بعض المكتبات الرئيسية. يمكنك تثبيت هذه المكتبات باستخدام pip:

pip install numpy pandas matplotlib scikit-learn

توفر هذه المكتبات أدوات للحوسبة الرقمية ومعالجة البيانات وتصور البيانات والتعلم الآلي.

العمل مع NumPy للحوسبة العددية

NumPy هي مكتبة أساسية للحوسبة الرقمية في Python. وهي توفر الدعم للمصفوفات والمصفوفات وتحتوي على وظائف لإجراء العمليات الحسابية على هياكل البيانات هذه.

import numpy as np

# Creating a NumPy array
array = np.array([1, 2, 3, 4, 5])

# Performing basic operations
print(array + 2)  # Output: [3 4 5 6 7]
print(np.mean(array))  # Output: 3.0

معالجة البيانات باستخدام الباندا

pandas هي مكتبة قوية لمعالجة البيانات وتحليلها. وهي توفر بنيتين رئيسيتين للبيانات: سلسلة (1D) وإطار بيانات (2D). تعد إطارات البيانات مفيدة بشكل خاص للتعامل مع البيانات الجدولية.

import pandas as pd

# Creating a DataFrame
data = {'Name': ['Alice', 'Bob', 'Charlie'],
        'Age': [25, 30, 35],
        'City': ['New York', 'Los Angeles', 'Chicago']}

df = pd.DataFrame(data)

# Displaying the DataFrame
print(df)

# Basic DataFrame operations
print(df.describe())  # Summary statistics
print(df['Age'].mean())  # Mean of Age column

التصور البياني للبيانات باستخدام Matplotlib

يعد التصور المرئي للبيانات خطوة أساسية في تحليل البيانات. Matplotlib هي مكتبة شائعة لإنشاء تصورات مرئية ثابتة ومتحركة وتفاعلية في Python.

import matplotlib.pyplot as plt

# Creating a simple line plot
x = [1, 2, 3, 4, 5]
y = [2, 3, 5, 7, 11]

plt.plot(x, y, marker='o')
plt.title('Simple Line Plot')
plt.xlabel('X Axis')
plt.ylabel('Y Axis')
plt.show()

التعلم الآلي باستخدام Scikit-Learn

Scikit-Learn هي مكتبة شاملة للتعلم الآلي في Python. وهي توفر أدوات لمعالجة البيانات مسبقًا وتدريب النموذج وتقييمه. فيما يلي مثال لنموذج انحدار خطي بسيط باستخدام Scikit-Learn:

from sklearn.linear_model import LinearRegression
import numpy as np

# Sample data
X = np.array([[1], [2], [3], [4], [5]])
y = np.array([2, 3, 5, 7, 11])

# Creating and training the model
model = LinearRegression()
model.fit(X, y)

# Making predictions
predictions = model.predict(np.array([[6]]))
print(predictions)  # Output: [13.]

خاتمة

توفر Python مجموعة غنية من المكتبات والأدوات التي تجعلها مثالية لعلم البيانات. سواء كنت تتعامل مع معالجة البيانات باستخدام pandas، أو تقوم بإجراء عمليات حسابية رقمية باستخدام NumPy، أو تصور البيانات باستخدام Matplotlib، أو بناء نماذج التعلم الآلي باستخدام Scikit-Learn، توفر Python بيئة شاملة لعلم البيانات. من خلال إتقان هذه الأدوات، يمكنك تحليل البيانات ونمذجتها بكفاءة، مما يؤدي إلى التوصل إلى رؤى واتخاذ قرارات.