كيفية إضافة تسميات المحاور إلى المخططات في بانداس (مع أمثلة)

يشهد العصر الرقمي الحالي تدفقاً هائلاً وغير مسبوق للبيانات عبر مختلف القطاعات الأكاديمية والصناعية، مما جعل من علم البيانات وتحليلها ركيزة جوهرية لاتخاذ القرارات الاستراتيجية وصياغة الفرضيات العلمية. وفي هذا السياق، لم يعد استخراج البيانات وتخزينها كافيين بحد ذاتهما، بل برزت الحاجة الملحة إلى تحويل هذه الأرقام المجردة والمصفوفات المعقدة إلى تمثيلات بصرية ملموسة تعكس الأنماط والعلاقات الكامنة وراء الظواهر المدروسة. وهنا تتجلى قوة لغة Python كبيئة برمجية رائدة، بفضل منظومتها الغنية بالمكتبات المتخصصة التي توفر للباحثين والمطورين أدوات مرنة وفعالة لتحليل البيانات وتمثيلها بيئياً وإحصائياً بدقة متناهية.

تتبوأ مكتبة Pandas مكانة الصدارة بين هذه الأدوات، حيث تُعد بمثابة العمود الفقري لمعالجة وهيكلة البيانات الجداولية. لا تقتصر وظيفة بانداس على عمليات التنظيف وإعادة التشكيل والتجميع الرياضي، بل تمتد لتشمل قدرات توليد بصري مدمجة تعتمد في جوهرها على محرك الرسوم الشهير Matplotlib. ومع ذلك، فإن إنشاء رسم بياني ناجح يتجاوز مجرد رسم المنحنيات والأعمدة؛ إذ يتطلب صياغة بصرية متكاملة تلتزم بمعايير الإدراك البصري والتواصل العلمي الدقيق، والتي تقع في قلبها تسميات المحاور (Axis Labels) بوصفها مفتاح القراءة وفك الشفرات الإحصائية لأي شكل بياني.

يهدف هذا الدليل الأكاديمي الشامل إلى تقديم دراسة معمقة وتطبيقية دقيقة لكيفية إضافة وتخصيص تسميات المحاور في المخططات البيانية المولدة باستخدام مكتبة بانداس. سنستعرض عبر هذا المقال الأبعاد النظرية والمنهجية للإدراك البصري، والتطور البرمجي لوسائط بانداس عبر مختلف إصداراتها، ونماذج تطبيقية مفصلة خطوة بخطوة تتناول مختلف أنواع المخططات البيانية، وصولاً إلى مستويات التحكم المتقدم عبر الكائنات البرمجية ومعالجة المشكلات التقنية وتطبيق أفضل الممارسات المعتمدة عالمياً في التوثيق البياني.

1. مقدمة شاملة حول تمثيل البيانات باستخدام مكتبة بانداس (Pandas)

1.1 دور مكتبة بانداس في التحليل البصري للبيانات

تمثل مكتبة بانداس حجر الزاوية في منظومة علوم البيانات بلغة بايثون، إذ وفرت منذ إطلاقها هياكل بيانات متقدمة مثل إطار البيانات (DataFrame) والسلاسل الإحصائية (Series)، التي مكنت المحللين من معالجة البيانات متعددة الأبعاد بكفاءة حسابية عالية. غير أن القوة الحقيقية لهذه الهياكل لا تكتمل إلا عندما تقترن بإمكانية التقييم البصري الفوري للبيانات، حيث يرتبط تحليل البيانات الاستكشافي (Exploratory Data Analysis – EDA) ارتباطاً وثيقاً بالقدرة على تحويل المتغيرات الإحصائية إلى أشكال هندسية توضح التوزيعات والانحرافات والارتباطات في لمح البصر.

يتيح التكامل الهيكلي بين بانداس ومحركات الرسم المتقدمة، وعلى رأسها مكتبة Matplotlib، إجراء المعالجة البصرية المباشرة دون الحاجة إلى تفكيك البيانات أو تصديرها إلى برمجيات خارجية. هذا التكامل المنهجي يقلل من زمن الانتقال بين مرحلة تنظيف وهيكلة البيانات ومرحلة تفسيرها، مما يعزز الإنتاجية البحثية ويمنح المحلل نظرة شمولية سريعة على جودة البيانات المدخلة، ورصد القيم الشاذة (Outliers)، واكتشاف الفجوات الزمنية أو الأخطاء الهيكلية الناتجة عن عمليات الجمع والتحويل.

علاوة على ذلك، فإن توفير واجهات برمجية عالية المستوى داخل بانداس لاستدعاء دوال الرسم يتيح للمحللين والعلماء التركيز على الجوهر التحليلي بدلاً من الانغماس في التفاصيل البرمجية التكرارية منخفضة المستوى. يتيح هذا النهج المدمج بناء تدفقات عمل تحليلية متسلسلة وقابلة للتكرار (Reproducible Workflows)، حيث يمكن تطبيق سلسلة من التحويلات الرياضية ثم توليد مخطط بياني فوري يوضح نتيجة هذا التحول بسطر برمجي واحد وبكفاءة معمارية فائقة.

1.2 وظيفة الدالة plot() وإمكانياتها التوليدية

تعتبر الدالة plot() البوابة الرئيسية للوظائف البصرية داخل مكتبة بانداس، حيث صُممت كواجهة تغليف (Wrapper) مبسطة تستدعي كائنات وتوابع مكتبة Matplotlib من وراء الكواليس. تعمل هذه الدالة على مسح البنية الداخلية لإطار البيانات وفهم نوعية الفهارس (Index) والأعمدة (Columns)، ثم تحديد الطبيعة الرياضية للمتغيرات سواء كانت كمية مستمرة (Continuous) أو فئوية متقطعة (Categorical)، لتقوم برسم الإحداثيات المقابلة لها تلقائياً بدقة هندسية عالية.

تتميز الدالة plot() بمرونة استثنائية، إذ تستقبل طيفاً واسعاً من الوسائط والمتغيرات التي تتيح للمستخدم تحديد نوع المخطط (مثل الخطوط، أو الأعمدة، أو المدرجات التكرارية، أو مخططات التشتت)، وضبط الألوان، والتحكم في مظهر الخطوط وسلوك الفهارس. هذه المرونة تجعلها ملائمة للمهام السريعة في المراحل الاستكشافية ولإنتاج مخططات أولية تعطي فكرة عامة عن السلوك الديناميكي للبيانات قيد الفحص.

ومع ذلك، فإن اعتماد الدالة plot() على إعدادات افتراضية محددة مسبقاً يفرض بعض القيود التعبيرية التي تتطلب تدخلاً مخصصاً من المحلل. فغالباً ما تعتمد الدالة على أسماء الأعمدة أو أرقام الفهارس دون توفير تفاصيل سياقية غنية تتعلق بالوحدات الفيزيائية أو الدلالات الاقتصادية للقيم المعروضة. ومن هنا ينشأ الاحتياج المنهجي لفهم الوسائط المتقدمة للدالة، وضبط تسميات المحاور وتخصيصها بدقة لضمان أن يعكس الرسم المعنى الحقيقي الكامن وراء المؤشرات الرقمية المعقدة.

2. الأهمية المنهجية لتسميات المحاور في المخططات البيانية

2.1 تحسين قابلية القراءة والتفسير العلمي

تعد تسميات المحاور (Axis Labels) بمثابة لغة التخاطب الأساسية التي تمنح الأرقام والمقاييس الممثلة على الرسم البياني هويتها ومعناها الدلالي؛ فبدون تسمية واضحة لمحور السينات (X-axis) ومحور الصادات (Y-axis)، يفقد الرسم البياني سياقه الرياضي ويتحول إلى مجرد تشكيلات هندسية مبهمة لا يمكن الاستناد إليها في استنتاج علمي رصين. إن التحديد الدقيق لاسم المتغير المدروس ووحدة قياسه المعيارية (كالزمن بالثواني، أو المبالغ بآلاف الدولارات، أو التراكيز بنسبة الأجزاء في المليون) هو الأساس الذي تنبني عليه مصداقية النتائج المنشورة.

من الناحية المنهجية، يدعم التوثيق الدقيق للمحاور مبادئ النزاهة العلمية والتكرارية البحثية؛ حيث يمنع التفسيرات المضللة أو المغالطات الإحصائية التي قد تنشأ عن قراءة مقاييس غير محددة الأبعاد. عندما يطلع قارئ متخصص أو محكم أكاديمي على رسم بياني يوضح بوضوح ما يمثله كل محور، يقل العبء المعرفي اللازم لفك شفرة البيانات، مما يتيح تقييم الظاهرة المدروسة وفهم العلاقات السببية أو الارتباطية بين المتغيرات بشكل لا يقبل اللبس أو التأويل الخاطئ.

بالإضافة إلى ذلك، فإن وضوح التسميات يعزز التفاعل الإيجابي مع الخوارزميات والنظم الآلية لمعالجة الوثائق واسترجاع المعلومات؛ إذ تتطلب الفهارس الرقمية وقواعد البيانات العلمية بي بيانات تعريفية وصفية دقيقة تصف الرسوم البيانية والجداول. التسمية الدقيقة للمحاور تجعل المخطط وحدة معرفية مكتفية بذاتها (Self-contained Entity)، قادرة على نقل الرسالة العلمية حتى لو عُرضت خارج السياق النصي الأصلي للتقرير أو البحث.

2.2 التأثير الإدراكي للتنظيم البصري للمعلومات

يخضع إدراك الإنسان للمخططات البيانية لمبادئ علم النفس الإدراكي ونظرية معالجة المعلومات البصرية، حيث تعمل العين والدماغ معاً لمسح الصورة وتحليل التباين والتناسق والاتجاهات الهندسية. وفقاً لمبادئ نظرية جشتالت (Gestalt Principles)، يسعى العقل البشري إلى تنظيم العناصر المرئية في كليات متماسكة؛ وعندما تغيب تسميات المحاور أو تظهر بشكل غير منظم، يتشتت الانتباه ويزداد الحمل الإدراكي (Cognitive Load)، مما يقلل من قدرة المشاهد على استيعاب الرسالة المركزية للمخطط.

تسهم التسميات المنسقة بوضوح في توجيه مسار النظرة البصرية للمتلقي، حيث تقوده بصورة منطقية من إدراك المتغير المستقل على المحور الأفقي إلى تقييم التغيرات في المتغير التابع على المحور الرأسي. هذا التنظيم الهرمي يمنع التحيزات التفسيرية (Interpretative Biases) التي قد تنتج عن عدم إدراك المقاييس المتدرجة أو التغيرات النسبية في القيم، مما يضمن وصول الفكرة الإحصائية بأقصى درجات الوضوح والسرعة التفسيرية.

ينعكس هذا التنظيم البصري بصورة مباشرة على الاحترافية والمصداقية الأكاديمية للمخرجات التحليلية؛ فالتقارير المؤسسية والأبحاث العلمية المحكمة تفرض معايير صارمة لجودة العرض البصري. إن المخطط الذي يحتوي على محاور موسومة بخطوط متناسقة وألوان مدروسة ومسافات بادئة مريحة للعين يعكس التزام الباحث بالدقة والاحترافية، مما يرفع من ثقة القارئ وصانع القرار في جودة البيانات والتحليلات المستندة إليها.

3. البنية النحوية الأساسية (Syntax) لإضافة تسميات المحاور

3.1 الوسيط المباشر: xlabel و ylabel

وفرت التحديثات البرمجية الحديثة في مكتبة بانداس طريقة مباشرة وغاية في الأناقة النحوية لإضافة تسميات المحاور دون الحاجة إلى كتابة أسطر برمجية منفصلة لاستدعاء دوال المحرك الأساسي. يتمثل هذا الأسلوب في استخدام المعلمات الصريحة xlabel و ylabel مباشرة داخل دالة plot() التابعة لإطار البيانات، بالصيغة القياسية: df.plot(xlabel=’نص المحور الأفقي’, ylabel=’نص المحور الرأسي’).

تستقبل هذه الوسائط قيماً نصية (Strings) تمثل العناوين الدلالية المراد إظهارها على الرسم. ومن الناحية البرمجية، يقوم المحرك الداخلي للدالة plot() بالتقاط هذه القيم النصية وتمريرها تلقائياً إلى توابع الضبط المناسبة في كائن المحور الرسومي التابع لمكتبة Matplotlib (وتحديداً ax.set_xlabel() و ax.set_ylabel())، مما يضمن معالجة النص ومحاذاته بشكل صحيح مع شبكة الرسم الإحداثي وفق القواعد الطوبولوجية للشكل الناتج.

عند تمرير سلاسل نصية فارغة (Empty Strings) إلى هذه الوسائط، فإن المحرك يقوم بإخفاء أي تسمية افتراضية قد تنشأ عن أسماء الأعمدة أو الفهارس، مما يمنح المبرمج تحكماً كاملاً في إظهار أو إخفاء التسميات وفق مقتضيات التصميم. أما في حال تمرير قيم غير نصية، مثل الأرقام أو الكائنات المنطقية، فإن بانداس تقوم تلقائياً بتحويلها إلى سلاسل نصية عبر استدعاء دالة التمثيل النصي str()، مع مراعاة أن الأسلوب الأفضل برمجياً هو تمرير نصوص منسقة وصريحة دائماً لتجنب أي سلوك غير متوقع أثناء المعالجة.

3.2 تطور دعم تسمية المحاور عبر إصدارات بانداس

لم تكن البنية النحوية المباشرة لدعم تسميات المحاور متاحة دائماً بهذا المستوى من التبسيط في الإصدارات الأولى لمكتبة بانداس. في الإصدارات القديمة (ما قبل الإصدار 1.2.0)، كان استخدام المعلمات xlabel و ylabel داخل دالة plot() يؤدي إلى حدوث خطأ برمجية من نوع TypeError (Unexpected Keyword Argument)، حيث كانت الدالة تكتفي بتمرير الوسائط العامة دون توفير منافذ مخصصة لتسميات المحاور بشكل مباشر، مما كان يجبر المطورين على كتابة كود إضافي للوصول إلى كائنات Matplotlib.

شهد الإصدار 1.2.0 من بانداس، الصادر في أواخر عام 2020، نقطة تحول هامة في تحسين واجهة برمجة التطبيقات (API) الخاصة بالرسم البياني؛ إذ أضاف المطورون دعماً رسمياً ومباشراً للوسيطين xlabel و ylabel ضمن واجهة df.plot(). جاء هذا التحديث استجابة لطلبات المجتمع التقني لتسهيل عملية التخصيص البصري وجعل الكود البرمجي أكثر إيجازاً ومقروئية، والحد من الحاجة للاستيراد المزدوج لكائنات Matplotlib في المهام التحليلية البسيطة والمتوسطة.

يبرز هذا التطور التزام مجتمع بايثون المستمر بمبادئ الشيفرة النظيفة والتصميم البرمجي التعبيري (Expressive Syntax). وتكمن الأهمية العملية لهذا الفهم التاريخي في ضمان التوافق البرمجي (Backward Compatibility) عند صيانة الأنظمة البرمجية القديمة أو تشغيل الأكواد في بيئات حوسبية مقيدة لم يتم تحديث حزمها البرمجية، حيث يتعين على المهندس حينها معرفة ما إذا كان الكود سيعمل بالواجهة المباشرة أو يتطلب الاعتماد على كائنات المحاور المنفصلة.

4. إعداد بيئة العمل وإنشاء إطار البيانات النموذجي (DataFrame)

4.1 استيراد المكتبات اللازمة وتجهيز البيئة

تبدأ أي جلسة تحليل بيانات احترافية بإعداد بيئة العمل واستيراد الحزم البرمجية الأساسية وفق المعايير الاصطلاحية المتفق عليها في مجتمع بايثون. لتحقيق أقصى قدر من المرونة، يتم استيراد مكتبة بانداس تحت الاسم المستعار pd، إلى جانب استيراد وحدة pyplot من مكتبة Matplotlib تحت الاسم المستعار plt للتحكم في خصائص العرض الإضافية والتصدير عالي الدقة، كما هو موضح أدناه:

استيراد الحزم الأساسية:
import pandas as pd
import matplotlib.pyplot as plt

عند العمل ضمن بيئات الدفاتر التفاعلية، مثل Jupyter Notebook أو Google Colab، يفضل التأكد من تفعيل وضع التصيير التفاعلي المضمن للمخططات لضمان ظهور الرسوم البيانية مباشرة أسفل الخلايا البرمجية المنفذة دون الحاجة إلى فتح نوافذ عرض مستقلة. يتم ذلك تقليدياً عبر الأمر التوجيهي المضمن %matplotlib inline، على الرغم من أن الإصدارات الحديثة لبيئات الدفاتر أصبحت تفعل هذا السلوك تلقائياً بمجرد استيراد الحزم الرسومية.

بالإضافة إلى ذلك، يمكن في هذه المرحلة ضبط بعض المعلمات العامة للتصميم مثل دقة العرض للنقطة في البوصة (DPI) لضمان ظهور الخطوط والتسميات بأعلى وضوح ممكن على الشاشات عالية الكثافة. هذا التجهيز المسبق يضمن بيئة عمل متسقة ومستقرة، خالية من التحذيرات أو الأخطاء الجانبية أثناء تنفيذ عمليات الرسم والتحليل المتتابعة.

4.2 بناء مجموعة بيانات مبيعات المتاجر كدراسة حالة

لبناء تجربة عملية حقيقية تحاكي سيناريوهات الأعمال الواقعية، سنقوم بإنشاء إطار بيانات يمثل حركة المبيعات اليومية لثلاثة فروع تجارية متنافسة (المتجر الأول، المتجر الثاني، والمتجر الثالث) عبر عشر فترات زمنية متتالية (تمثل الأيام من 1 إلى 10). يتيح هذا النموذج دراسة التغيرات الزمنية والمقارنة بين أداء الفروع المختلفة عبر خطوط بيانية متعددة ومترابطة.

إنشاء وتشكيل إطار البيانات:
sales_data = {
    ‘Day’: [1, 2, 3, 4, 5, 6, 7, 8, 9, 10],
    ‘Store1_Sales’: [150, 165, 170, 190, 210, 205, 220, 240, 255, 270],
    ‘Store2_Sales’: [120, 130, 125, 145, 160, 175, 190, 185, 200, 215],
    ‘Store3_Sales’: [200, 195, 210, 205, 220, 230, 225, 250, 265, 280]
}
df = pd.DataFrame(sales_data)
df.set_index(‘Day’, inplace=True)

يتميز هذا الهيكل بتعيين العمود ‘Day’ كفهرس (Index) لإطار البيانات، وهو نمط شائع وموصى به في تحليل السلاسل الزمنية، حيث يمثل الفهرس المتغير المستقل الأساسي الذي تتغير بموجبه قيم المبيعات. عند فحص هذا الإطار برمجياً باستخدام الدوال الاستكشافية مثل df.head() و df.info()، نتأكد من اكتمال القيم، وعدم وجود خلايا فارغة (NaN)، وملاءمة الأنواع العددية الصحيحة لإجراء العمليات الحسابية والرسومية دون أي عوائق.

5. تحليل السلوك الافتراضي لدالة plot() وغياب التسميات

5.1 إنشاء المخطط الخطي الأساسي دون تخصيص

عندما نقوم بتنفيذ استدعاء الرسم المباشر على إطار البيانات المنشأ باستخدام الأمر البسيط df.plot()، تقوم مكتبة بانداس بتنفيذ سلسلة من القرارات التصميمية التلقائية بناءً على بنية البيانات المعطاة. يقوم المحرك برسم ثلاثة منحنيات ملونة، يمثل كل منحنى منها أحد أعمدة المبيعات الثلاثة، وتتوزع النقاط على طول المحور الأفقي استناداً إلى أرقام الفهرس الخاص بالأيام.

تنفيذ الرسم الافتراضي:
df.plot()
plt.show()

تولد هذه التعليمة مخططاً بيانياً سريعاً يتضمن وسيلة إيضاح (Legend) تلقائية في زاوية الرسم تدرج أسماء الأعمدة (Store1_Sales, Store2_Sales, Store3_Sales) بألوانها المتوافقة مع المنحنيات. يوضح الرسم المنحى التصاعدي العام لمبيعات المتاجر، مما يثبت كفاءة بانداس في استخراج المخططات الأولية الفورية دون الحاجة إلى إعدادات معقدة أو تهيئة مسبقة للمحاور.

5.2 رصد القصور في المخرجات البيانية الافتراضية

على الرغم من النجاح في رسم المنحنيات، إلا أن التحليل النقدي للمخطط الافتراضي يكشف عن قصور منهجي وتواصلي خطير يقلل من قيمته التفسيرية. القصور الأول يكمن في المحور الأفقي (X-axis)؛ فعلى الرغم من أن بانداس قد تضع اسم الفهرس ‘Day’ تلقائياً في بعض البيئات، إلا أن هذا الاسم غالباً ما يظهر بحجم افتراضي صغير وبدون تحديد لطبيعة الفترة الزمنية (هل هي أيام عمل، أم أيام تقويمية، أم مراحل تجريبية).

القصور الأكثر فداحة يظهر على المحور الرأسي (Y-axis)، حيث يترك هذا المحور فارغاً تماماً دون أي تسمية توضيحية. تظهر على المحور أرقام مجردة تتراوح بين 100 و 300 دون أدنى إشارة إلى ما تمثله هذه الأرقام؛ فهل تمثل عدد الوحدات المباعة، أم الإيرادات بالعملة المحلية، أم المبيعات بآلاف الدولارات، أم مؤشراً مركباً للأداء؟ هذا الغياب يفرض غموضاً مفاهيمياً يمنع أي قارئ خارجي أو صانع قرار من بناء استنتاجات موثوقة دون الرجوع إلى الكود المصدري أو الاستفسار من المحلل.

يؤكد هذا السلوك الافتراضي ضرورة تجاوز الاعتماد على المخرجات التلقائية للمكتبة، وأهمية التدخل البرمجي المنهجي لإعادة تعريف وتسمية هذه المحاور. إن تحويل الرسم من مجرد تصور أولي إلى أداة بحثية وتقنية معتمدة يتطلب توفير السياق التفسيري الكامل الذي يزيل أي لبس ويوضح الأبعاد الحقيقية للبيانات المعروضة.

6. تطبيق معلمات xlabel و ylabel خطوة بخطوة مع الأمثلة

6.1 إدراج تسمية المحور الأفقي (xlabel)

يمثل المحور الأفقي في معظم التطبيقات التحليلية بعد المتغير المستقل، وهو في دراسة حالتنا يمثل البعد الزمني المعبر عنه بالأيام. للبدء في معالجة القصور التفسيري للرسم، نستخدم المعلمة xlabel داخل دالة الرسم لتمرير التسمية التوضيحية الدقيقة التي تصف هذا البعد بوضوح، كما في الصيغة: df.plot(xlabel=’اليوم (فترة المتابعة الزمنية)’).

عند تنفيذ هذا الأمر، يقوم المحرك بوضع النص المحدد بدقة في المنتصف أسفل علامات الترقيم (Ticks) لمحور السينات. هذا التموضع المتناسق يضمن ربط الأرقام الظاهرة (1 إلى 10) بمفهومها الحقيقي كأيام متتابعة للمراقبة التجارية، مما يلغي أي احتمال للالتباس بينها وبين أي مؤشرات ترتيبية أو فئوية أخرى قد تخطر ببال القارئ.

تساعد هذه الخطوة البسيطة في إرساء القاعدة الأولى للوضوح البياني، حيث أصبح بإمكان المشاهد الآن قراءة حركة المبيعات وتطورها الزمني على أساس يومي واضح، مما يمهد الطريق لفهم معدلات النمو والانخفاض اليومية بدقة وموضوعية تامة.

6.2 إدراج تسمية المحور الرأسي (ylabel)

تعتبر تسمية المحور الرأسي الخطوة الأكثر حسماً في إزالة الغموض عن الشكل البياني، حيث يمثل هذا المحور المتغير التابع، وهو في نموذجنا يعبر عن حجم المبيعات الإجمالية. نضيف المعلمة ylabel لتحديد المقياس ووحدة القياس بوضوح، من خلال كتابة: df.plot(ylabel=’حجم المبيعات (بآلاف الدولارات)’).

تقوم المكتبة بمحاذاة النص الرأسي وتدويره تلقائياً بزاوية 90 درجة إلى يسار محور الصادات، ليظهر موازياً لخط الأرقام الرأسية بطريقة هندسية متوازنة توفر المساحة وتحافظ على التناسق البصري للرسم. إن إدراج وحدة القياس (بآلاف الدولارات) يحول الأرقام (مثل 150 و 250) من مجرد كميات عددية إلى قيم مالية فعلية ذات وزن اقتصادي محدد بدقة (أي 150,000$ و 250,000$).

يضمن هذا التحديد الحاسم للمحور الرأسي عدم وقوع المتلقي في فخ التفسيرات الخاطئة لمستويات الأداء المالي، حيث تصبح المقارنات بين المنحنيات مبنية على فهم دقيق للأحجام المالية الحقيقية التي حققها كل فرع تجاري عبر مسار المتابعة.

6.3 التطبيق البرمجي المتكامل ومناقشة النتائج

لتحقيق أعلى مستوى من التكامل والاحترافية، نجمع بين الوسيطين في تعليمة برمجية واحدة متكاملة تعيد تشكيل الرسم البياني وتمنحه هويته العلمية الكاملة، كما يتضح من النموذج البرمجي التالي:

التطبيق البرمجي الشامل:
ax = df.plot(
    xlabel=’اليوم (فترة المتابعة الزمنية)’,
    ylabel=’حجم المبيعات (بآلاف الدولارات)’,
    title=’مقارنة الأداء اليومي لمبيعات الفروع التجارية’
)
plt.show()

بمقارنة هذا المخرج المطور بالمخطط الافتراضي الأولي، نلاحظ قفزة نوعية في قابلية القراءة وسرعة الاستيعاب؛ فالرسم الجديد يجيب فوراً عن التساؤلات التحليلية الأساسية الثلاثة: ماذا ندرس؟ (المبيعات عبر الزمن)، وكيف نقيسه؟ (بآلاف الدولارات لكل يوم)، وما هي المقارنات المطروحة؟ (الفروع الثلاثة). يظهر الرسم بوضوح أن الفرع الثالث (Store 3) حافظ على ريادته البيعية عبر أغلب الفترات مع نمو ملحوظ، بينما أظهر الفرع الأول (Store 1) وتيرة نمو سريعة ومستقرة، في حين حقق الفرع الثاني (Store 2) أداءً متصاعداً تدريجياً ولكنه ظل دون مستوى الفرعين الآخرين.

7. تخصيص المظهر وتنسيق الخطوط لتسميات المحاور

7.1 التحكم في حجم الخط ولونه ونوعه

لا يقتصر التوثيق البياني على مجرد وجود النصوص، بل يمتد ليشمل جودة الإخراج الطباعي والبصري لتلك النصوص. تتيح مكتبة بانداس، عبر تكاملها العميق مع محرك Matplotlib، إمكانية تمرير معلمات وقواميس التنسيق المتقدمة للتحكم في الخصائص المظهرية لتسميات المحاور، بما في ذلك حجم الخط (fontsize)، ولونه (color)، ونوعه أو عائلته الخطية (fontfamily)، ووزنه الطباعي (fontweight).

يعد اختيار حجم ولون الخط عنصراً جوهرياً لضمان سهولة الوصول البصري (Visual Accessibility)؛ إذ يجب أن تكون التسميات مقروءة بوضوح حتى عند تصغير الرسم أو تضمينه في وثائق ومستندات بحثية مطبوعة. يفضل دائماً استخدام ألوان ذات تباين عالٍ (مثل درجات الرمادي الداكن #333333 أو الأسود النقي) وتجنب الألوان الفاتحة أو الباهتة التي قد تختفي مع خلفيات العرض المختلفة.

علاوة على ذلك، فإن توحيد العائلة الخطية للرسم مع الخط المستخدم في متن التقرير أو المقال البحثي يمنح العمل وحدة تصميمية متكاملة واحترافية. يضمن هذا التنسيق المتقن ألا تبدو الرسوم البيانية كعناصر دخيلة على البحث، بل كجزء عضوي متناسق ومصمم بعناية فائقة يخدم السياق العام للدراسة.

7.2 تدوير التسميات وإدارة المسافات البادئة (Padding)

في العديد من الحالات التطبيقية، قد تكون تسميات المحاور طويلة نسبياً، أو قد تحتوي الفهارس على تواريخ مركبة أو مسميات فئوية مفصلة تؤدي إلى تداخل النصوص وتشوه المظهر العام للمخطط. للتغلب على هذه المعضلة، يوفر المحرك إمكانية تدوير النصوص بزوايا مخصصة (مثل 45 أو 90 درجة) لضمان الفصل البصري الكامل بين الكلمات المتجاورة وتفادي أي تراكب بين الحروف.

من الأدوات التصميمية المهمة أيضاً ضبط المسافة الفاصلة أو الحشوة (Padding) بين خط المحور والتسمية النصية، والتي يتم التحكم فيها عبر المعلمة labelpad. تساعد هذه المسافة في منع اصطدام التسمية بالأرقام المكتوبة على علامات الترقيم (Tick Labels)، مما يمنح الرسم مساحة تنفس بصرية تعزز من راحة العين أثناء القراءة والتدقيق.

كما يمكن صياغة التسميات الطويلة باستخدام السلاسل متعددة الأسطر عبر إدراج رمز السطر الجديد (n)، مما يتيح وضع اسم المتغير في السطر الأول ووحدة قياسه في السطر الثاني داخل قوسين. هذا التنسيق المتراص رأسياً يمنع الامتداد الأفقي المفرط للتسميات، ويحافظ على تركيز الرسم داخل الهوامش التصميمية القياسية للصفحة.

8. تسمية المحاور عبر مختلف أنواع المخططات البيانية في بانداس

8.1 المخططات الشريطية والأعمدة (Bar Plots)

تعد المخططات الشريطية والأعمدة (Bar Plots) من أكثر الأدوات البصرية استخداماً لمقارنة المتغيرات الفئوية المنفصلة. عند استخدام وسيط النوع kind=’bar’ في دالة plot()، تصبح تسمية المحاور ذات أهمية مضاعفة لتوضيح الفئات المقارنة على أحد المحاور والمقياس الكمي على المحور المقابل.

مثال المخطط الشريطي:
df.mean().plot(
    kind=’bar’,
    xlabel=’الفروع التجارية’,
    ylabel=’متوسط المبيعات اليومية (بآلاف الدولارات)’,
    title=’متوسط المبيعات لكل فرع’
)
plt.show()

في المخططات الشريطية الأفقية (kind=’barh’)، تنعكس وظيفة المحاور تلقائياً؛ حيث ينتقل المتغير الفئوي إلى المحور الرأسي (Y-axis) بينما ينتقل المقياس العددي إلى المحور الأفقي (X-axis). يتطلب هذا التحول المعماري انتباهاً خاصاً من المحلل لتبديل نصوص التسميات بين xlabel و ylabel بما يتوافق مع الاتجاه الجديد للأعمدة، منعاً لحدوث أي ارتباك دلالي في قراءة الشكل.

كما يجب التأكد من ضبط تدوير تسميات الفئات الفردية لتفادي تداخل أسماء المتاجر أو الفئات مع بعضها البعض عند زيادة عددها، مع الحفاظ على مسافة بادئة كافية تجعل كل شريط مرتبطاً بوضوح بتسميته المقابلة دون أدنى تشويش.

8.2 مخططات التشتت (Scatter Plots)

تستخدم مخططات التشتت (Scatter Plots) بشكل مكثف في التحليل الإحصائي لتقييم وفحص طبيعة العلاقات والارتباطات (Correlations) بين متغيرين كميين مستمرين. عند استدعاء الدالة باستخدام النوع kind=’scatter’، يُلزم بانداس المحلل بتحديد المتغيرين المعنيين عبر المعلمتين x و y، كأن نحدد x=’Store1_Sales’ و y=’Store2_Sales’.

تطبيق مخطط التشتت مع التسميات:
df.plot(
    kind=’scatter’,
    x=’Store1_Sales’,
    y=’Store2_Sales’,
    xlabel=’مبيعات المتجر الأول (بآلاف الدولارات)’,
    ylabel=’مبيعات المتجر الثاني (بآلاف الدولارات)’,
    title=’العلاقة الارتباطية بين مبيعات المتجر الأول والثاني’
)
plt.show()

في مخططات التشتت، تلعب تسميات المحاور دوراً حاسماً في صياغة الفرضيات الإحصائية؛ فهي التي تحدد بوضوح أين يقع المتغير المستقل (المفترض تأثيره) وأين يقع المتغير التابع (المتأثر). وبدون هذه التسميات الدقيقة، يستحيل على القارئ معرفة اتجاه التأثير الرياضي أو تفسير ميل خط الاتجاه (Trend Line) ومعامل الارتباط بدقة وموضوعية.

8.3 المخططات الصندوقية ومخططات الكثافة (Box & Density Plots)

تُعنى المخططات الصندوقية (Box Plots) ومخططات الكثافة الاحتمالية (KDE / Density Plots) بتمثيل التوزيعات الإحصائية للبيانات، وإبراز مقاييس النزعة المركزية، والوسيط، والمدى الربيعي (IQR)، ورصد القيم الشاذة والمتطرفة. يتطلب تفسير هذه المخططات دقة متناهية في تسمية المحاور لربط القيم الهندسية بالمعايير الإحصائية الصحيحة.

في المخطط الصندوقي المولد عبر kind=’box’، يمثل المحور الأفقي عادة مجموعات البيانات المختلفة (الفروع)، بينما يمثل المحور الرأسي مقياس تشتت وتوزع القيم الرقمية. تسمية المحور الرأسي هنا بـ ‘توزيع المبيعات (بآلاف الدولارات)’ تمنح الصناديق وخطوطها الامتدادية (Whiskers) معناها الحقيقي، وتجعل مقارنة الفروق بين الفروع مستندة إلى إدراك كامل لحدود التشتت والتباين.

أما في مخططات الكثافة الاحتمالية (kind=’density’)، فإن المحور الرأسي يمثل دالة الكثافة الاحتمالية (Probability Density Function) وليس التكرار المطلق. لذا، يجب أن تعكس تسمية المحور الرأسي هذا المفهوم الإحصائي الدقيق (مثل: ‘الكثافة الاحتمالية’)، في حين يوضح المحور الأفقي نطاق قيم المتغير نفسه، تجنباً للخلط الشائع بين التكرارات النسبية والكثافة الرياضية المستمرة.

9. استخدام كائنات Matplotlib للتحكم الدقيق والمتقدم في المحاور

9.1 الحصول على كائن AxesSubplot من دالة plot()

على الرغم من بساطة وكفاءة استخدام المعلمات المباشرة داخل بانداس، إلا أن المشاريع البحثية المتقدمة والمتطلبات التصميمية الصارمة تتطلب في كثير من الأحيان مستوى تحكم هندسي يفوق ما توفره واجهة بانداس المبسطة. يتحقق ذلك من خلال الاستفادة من التصميم البرمجي الكائني التوجه (OOP) عبر التقاط كائن المحاور الرسومية (AxesSubplot) الذي ترجعه دالة plot() تلقائياً عند تنفيذها.

التقاط كائن المحاور برمجياً:
ax = df.plot(title=’التحليل المالي المتقدم’)
print(type(ax)) # يوضح أن الكائن من نوع matplotlib.axes._subplots.AxesSubplot

يمثل المتغير ax واجهة تحكم برمجية متكاملة تفتح للمطور جميع أدوات ومكتبات دمج Matplotlib التحتية. يتيح هذا الكائن التعديل على كل عنصر مرئي داخل مساحة الرسم بشكل منفصل ومستقل، بدءاً من شبكات الإسناد (Grids)، والحدود (Spines)، وعلامات الترقيم، وصولاً إلى التخصيص متناهي الدقة لنصوص وعناوين المحاور ومواقعها الفراغية.

9.2 استخدام الدوال ax.set_xlabel() و ax.set_ylabel()

بمجرد الحصول على كائن المحاور ax، يمكن للمحلل استدعاء التوابع المتقدمة المخصصة لتسمية المحاور، وتحديداً ax.set_xlabel() و ax.set_ylabel(). توفر هذه الدوال مرونة فائقة وخيارات ضبط لا متناهية تتجاوز بكثير ما يمكن تمريره عبر دالة بانداس المباشرة.

تطبيق التخصيص المتقدم عبر الكائنات:
ax = df.plot()
ax.set_xlabel(
    ‘فترات المتابعة (الأيام $t_i$)’,
    fontsize=12,
    fontweight=’bold’,
    color=’navy’,
    loc=’right’
)
ax.set_ylabel(
    ‘عائدات المبيعات ($S_t \times 10^3$ USD)’,
    fontsize=12,
    fontweight=’bold’,
    color=’navy’,
    loc=’top’
)
plt.show()

تتيح هذه التوابع ميزات متطورة للغاية، مثل دعم الصياغة الرياضية المعقدة باستخدام محرك LaTeX المدمج (عبر كتابة الرموز والمعادلات بين علامتي الدولار $)، والتحكم الدقيق في موضع المحاذاة (loc=’right’ أو loc=’top’) لجعل التسمية تستقر عند طرف المحور بدلاً من وسطه، وهو النمط المفضل في العديد من المجلات والمنشورات العلمية العالمية المتخصصة في العلوم الفيزيائية والرياضية.

10. إدارة وتسمية المحاور في المخططات الفرعية المتعددة (Subplots)

10.1 توليد المخططات المقسمة عبر وسيط subplots=True

عندما يحتوي إطار البيانات على سلاسل زمنية أو متغيرات متعددة ذات نطاقات عددية متباينة أو سلوكيات ديناميكية معقدة، يصبح دمجها جميعاً في مخطط واحد مصدراً للتشويش البصري. توفر بانداس حلاً برمجياً فائق القوة يتمثل في المعلمة subplots=True، والتي تقوم بتفكيك الأعمدة ورسم كل سلسلة في شكل بياني فرعي مستقل ومنفصل ضمن شبكة موحدة.

إنشاء المخططات الفرعية المقسمة:
axes = df.plot(
    subplots=True,
    layout=(3, 1),
    figsize=(8, 10),
    title=’التحليل المفصل لكل متجر على حدة’
)
plt.show()

تفرض هذه المخططات الفرعية تحديات تصميمية وتنظيمية فريدة فيما يخص تسمية المحاور؛ فعند تمرير المعلمات العامة مباشرة، قد تتكرر التسميات على كل رسم فرعي بشكل يسبب ازدحاماً بصرياً غير مرغوب فيه، أو قد تظهر التسميات فقط على الحواف الخارجية للشبكة عند تفعيل خيارات مشاركة المحاور (sharex=True أو sharey=True). يتطلب هذا الوضع فهماً عميقاً لكيفية التعامل مع مصفوفة الكائنات المرتجعة لتخصيص كل رسم فرعي بدقة متناهية.

10.2 تخصيص المحاور لكل رسم فرعي بشكل فردي

عند تفعيل خيار subplots=True، فإن الدالة ترجع مصفوفة رقمية (NumPy Array) تحتوي على كائنات المحاور الفرعية المقابلة لكل رسم. يتيح ذلك للمبرمج استخدام الحلقات التكرارية (Loops) للمرور على هذه الكائنات وتعيين التسميات المناسبة لكل مخطط فرعي على حدة بطريقة برمجية منظمة وقابلة للتوسع.

تخصيص التسميات عبر التكرار الحلقي:
axes = df.plot(subplots=True, layout=(3, 1), figsize=(8, 10), legend=False)
store_names = [‘الفرع الرئيسي (Store 1)’, ‘فرع الشمال (Store 2)’, ‘فرع الجنوب (Store 3)’]
for i, ax in enumerate(axes.flatten()):
    ax.set_title(store_names[i], fontsize=11, fontweight=’bold’)
    ax.set_ylabel(‘المبيعات ($10^3$)’, fontsize=10)
    if i == len(axes.flatten()) – 1:
        ax.set_xlabel(‘الأيام المتتالية’, fontsize=11)
plt.tight_layout()
plt.show()

يحقق هذا الأسلوب المنهجي أعلى درجات التناغم والتوازن البصري؛ حيث يتم وضع تسمية المحور الأفقي فقط في أسفل المخطط الأخير، مما يمنع التكرار المشتت، بينما يحتفظ كل مخطط فرعي بتسمية واضحة ومستقلة لمحوره الرأسي وعنوانه الخاص. يضمن هذا التنسيق قراءة مقارنة مريحة وسلسة تتيح للمشاهد تقييم أداء كل متجر بشكل فردي ومقارنته بالفروع الأخرى في آن واحد دون أي لبس.

11. الأخطاء الشائعة واستكشاف المشكلات البرمجية وإصلاحها

11.1 أخطاء توافق الإصدارات والوسائط غير المدعومة

من أكثر الأخطاء شيوعاً التي يواجهها المطورون ومحللو البيانات عند محاولة إضافة تسميات المحاور هو ظهور استثناء من نوع TypeError: plot() got an unexpected keyword argument ‘xlabel’. ينشأ هذا الخطأ في الغالب عند تشغيل الكود في بيئة عمل تعتمد على إصدار قديم من مكتبة بانداس (ما قبل الإصدار 1.2.0)، حيث لم تكن هذه الوسائط مدعومة بشكل مباشر داخل دالة الرسم.

لمعالجة هذه المشكلة الجذرية، يوصى دائماً بفحص إصدار الحزمة المثبتة في البيئة البرمجية عبر الأمر pd.__version__. وفي حال كان الإصدار قديماً، يمكن ترقية المكتبة عبر أداة إدارة الحزم باستخدام الأمر pip install –upgrade pandas أو conda update pandas لضمان التوافق مع أحدث المعايير البرمجية.

في الحالات التي يتعذر فيها تحديث المكتبة لأسباب تتعلق بقيود الخوادم المؤسسية أو استقرار الأنظمة الإنتاجية، يجب الاعتماد على البديل البرمجي المتوافق مع جميع الإصدارات؛ وهو التقاط كائن المحاور واستدعاء التوابع الكائنية المنفصلة (ax.set_xlabel() و ax.set_ylabel())، مما يضمن استمرارية عمل الكود بكفاءة تامة ودون أي توقف غير متوقع.

11.2 تداخل النصوص واقتطاع المحاور أثناء الحفظ والتصدير

المشكلة الشائعة الأخرى تتمثل في اقتطاع أو اختفاء أجزاء من تسميات المحاور عند تصدير الرسم البياني وحفظه كصورة رقمية (مثل PNG أو PDF) باستخدام الدالة plt.savefig(). يحدث هذا الاقتطاع غالباً عندما تكون نصوص التسميات طويلة أو ذات حجم خط كبير، مما يجعلها تمتد خارج الحدود الفيزيائية للوحة الرسم (Canvas Bounding Box).

الحل النموذجي والموصى به هندسياً لهذه المشكلة هو استدعاء الدالة السحرية plt.tight_layout() قبل تنفيذ أمر الحفظ أو العرض. تعمل هذه الدالة على إعادة حساب الهوامش والمساحات البينية بين عناصر المخطط تلقائياً، وتوسيع المساحة المحيطة بالمحاور لضمان احتواء جميع النصوص والتسميات بالكامل داخل حدود الصورة.

بالإضافة إلى ذلك، يمكن استخدام المعلمة الإضافية bbox_inches=’tight’ مباشرة داخل دالة الحفظ، بالصيغة: plt.savefig(‘sales_plot.png’, dpi=300, bbox_inches=’tight’). تضمن هذه المعلمة قيام المحرك بقص وتصدير اللوحة بالاعتماد الدقيق على أقصى النقاط الخارجية للنصوص والأشكال، مما ينتج ملفات صورية بحثية عالية الجودة والدقة، جاهزة تماماً للنشر الأكاديمي والطباعة دون أي عيوب تصميمية.

12. أفضل الممارسات والمعايير المهنية لتصميم المحاور وتوثيق البيانات

12.1 المعايير المنهجية للصياغة النصية للتسميات

تخضع صياغة تسميات المحاور لمعايير منهجية تضمن الجمع بين الدقة العلمية والإيجاز اللغوي؛ إذ يجب أن تعبر التسمية بوضوح عن ماهية المتغير دون استطراد إنشائي غير مبرر. يفضل دائماً تجنب الاختصارات التقنية المبهمة أو أسماء الأعمدة البرمجية الخام (مثل ‘str1_sls_v’) واستبدالها بمسميات واضحة ومفهومة لأي قارئ متخصص أو غير متخصص (مثل ‘مبيعات الفرع الأول’).

القاعدة الذهبية في التوثيق البياني تنص على الإدراج الحتمي لوحدات القياس بجانب اسم المتغير، ويفضل وضعها دائماً داخل أقواس دائرية (مثال: ‘السرعة (كم/ساعة)’، ‘درجة الحرارة (مئوية)’، ‘الإيرادات (بالدولار الأمريكي)’). إن غياب وحدة القياس يفقد الرقم معناه الفيزيائي أو المالي، ويفتح الباب أمام تقديرات وتأويلات قد تؤدي إلى قرارات إدارية أو علمية كارثية.

من الضروري أيضاً الحفاظ على الاتساق الاصطلاحي واللغوي عبر جميع المخططات البيانية الواردة في نفس التقرير أو الورقة البحثية؛ فإذا تم استخدام مصطلح ‘العائدات اليومية’ في المخطط الأول، يجب عدم استبداله بـ ‘المبيعات اليومية’ في مخطط لاحق للإشارة إلى نفس المتغير، لضمان بناء مسار إدراكي متسق وموثوق يعزز الفهم التراكمي لدى القارئ.

12.2 بناء قوالب رسومية قابلة لإعادة الاستخدام (Reusable Templates)

في بيئات العمل المؤسسية والفرق البحثية الكبرى، يمثل توحيد الهوية البصرية للرسوم البيانية متطلباً استراتيجياً. لتحقيق ذلك بكفاءة، يُنصح بتطوير دوال برمجية مخصصة (Custom Plotting Functions) تستقبل البيانات وتطبق معايير التنسيق وتسميات المحاور تلقائياً، مما يمنع التكرار البرمجي ويضمن التزام جميع أعضاء الفريق بنفس المعايير التصميمية.

يمكن أيضاً الاستفادة من أنماط التنسيق الجاهزة والملفات التعريفية (Style Sheets) في Matplotlib مثل plt.style.use(‘seaborn-v0_8-whitegrid’) أو تخصيص ملفات التهيأة rcParams. تتيح هذه الأدوات ضبط خصائص الخطوط الافتراضية، والأحجام، والمسافات البادئة للمحاور على مستوى البيئة البرمجية بالكامل، بحيث تخرج أي رسمة مولدة عبر بانداس متوافقة تلقائياً مع الهوية المؤسسية المعتمدة.

وأخيراً، يجب توثيق هذه القوالب البرمجية وتدوين الشروحات والتعليقات التوضيحية (Docstrings) لكل دالة رسم، لتوضيح كيفية تمرير التسميات والتعامل مع الحالات الخاصة للمحاور. يعزز هذا النهج الهندسي من جودة الإنتاج البرمجي المشترك ويسرع من وتيرة إعداد التقارير التحليلية المتقدمة بأعلى مستويات الاحترافية والموثوقية.

خاتمة

يمثل التمثيل البصري للبيانات الجسر الرابط بين التحليل الإحصائي المجرد والفهم الإنساني العميق للظواهر المعقدة. وخلال هذه الرحلة التفصيلية، أثبتنا أن إضافة وتخصيص تسميات المحاور في مكتبة بانداس ليست مجرد خطوة تجميلية هامشية، بل هي ضرورة منهجية وأكاديمية حاسمة تمنح المخططات البيانية مصداقيتها وتزيل أي غموض دلالي أو تفسيري قد يعتري الأرقام والمنحنيات المعروضة.

استعرضنا عبر هذا الدليل الشامل البنية النحوية الحديثة لاستخدام وسائط xlabel و ylabel داخل دالة plot()، وتتبعنا التطور التاريخي لدعم هذه الميزات عبر إصدارات بانداس المختلفة. كما قدمنا نماذج تطبيقية معمقة تناولت مختلف أنواع المخططات البيانية كالمخططات الشريطية، ومخططات التشتت، والمخططات الصندوقية، إلى جانب استعراض آليات التحكم متناهي الدقة عبر كائنات Matplotlib، وإدارة المخططات الفرعية المعقدة، وحل مشكلات التوافق واقتطاع النصوص أثناء التصدير.

إن الالتزام بأفضل الممارسات والمعايير المهنية في صياغة وتنسيق تسميات المحاور يعكس نضج المحلل والتزامه بأعلى معايير النزاهة العلمية والتواصل الفعال. ونحث الباحثين والمطورين دائماً على تبني هذه الأدوات والتقنيات كجزء أصيل من تدفقات أعمالهم التحليلية اليومية، لضمان تحويل البيانات الضخمة إلى رؤى استراتيجية واضحة ومؤثرة تخدم العلم والمجتمع.

المراجع (References)

• Cleveland, W. S., & McGill, R. (1984). Graphical perception: Theory, experimentation, and application to the development of graphical methods. Journal of the American Statistical Association, 79(387), 531–554. https://doi.org/10.1080/01621459.1984.10478080
• Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
• McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference (Vol. 445, pp. 51–56). Austin, TX. https://doi.org/10.25080/Majora-92bf1922-00a
• McKinney, W. (2022). Python for data analysis: Data wrangling with Pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media.
• Pandas Development Team. (2023). pandas.DataFrame.plot documentation. PyData. https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.plot.html
• Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press.
• VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O’Reilly Media.
• Wilke, C. O. (2019). Fundamentals of data visualization: A primer on making informative and compelling figures. O’Reilly Media.