كيفية إنشاء وسيلة إيضاح يدوية في Matplotlib (مع مثال)

تُعد عملية تمثيل البيانات بصرياً (Data Visualization) إحدى الركائز الأساسية في دورة حياة تحليل البيانات والبحث العلمي، حيث تمثل الجسر الرابط بين التحليلات الرقمية المجردة والإدراك البشري السريع للأنماط والظواهر المعقدة. وفي منظومة لغة البرمجة بايثون، تبرز مكتبة Matplotlib كمعيار قياسي وأداة تأسيسية بُنيت عليها غالبية المكتبات الحديثة لتصور البيانات مثل Seaborn وPandas Plotting. تكمن قوة Matplotlib في قدرتها الفائقة على التحكم الدقيق في كل عنصر من عناصر اللوحة الرسومية، بدءاً من المحاور والإحداثيات وصولاً إلى الرقع الهندسية والأشكال التوضيحية.

ومع تزايد تعقيد مجموعات البيانات الحديثة وتعدد الأبعاد المراد تمثيلها في مخطط بياني واحد، يواجه الباحثون ومحللو البيانات تحدياً محورياً يتمثل في تفسير الرموز والألوان والأنماط الهندسية للمتلقي بدقة لا تقبل اللبس. وهنا تتجلى الأهمية القصوى لعنصر “وسيلة الإيضاح” أو مفتاح الرسم (Legend)، والذي لا يقتصر دوره على مجرد سرد التسميات، بل يعمل كدليل تفسيري ونظام تشفير بصري يعزز من الموثوقية العلمية للرسم البياني ويسهل استيعاب النتائج المنشورة في الأوراق الأكاديمية والتقارير الصناعية.

على الرغم من أن مكتبة Matplotlib توفر آليات أوتوماتيكية مدمجة وفعالة لتوليد وسائل الإيضاح بناءً على الوسائط البرمجية المرفقة بالبيانات المرسومة، إلا أن هذه الآلية الافتراضية تعجز عن تلبية المتطلبات المتقدمة في سيناريوهات عديدة، مثل تمثيل المتغيرات الفئوية الإضافية، أو إضافة خطوط مرجعية ونماذج نظرية غير موجودة صراحة في البيانات الأصلية، أو دمج وتوحيد التسميات عبر مخططات متعددة. يهدف هذا المقال الموسع والشامل إلى استعراض المفاهيم المعمارية الدقيقة لكائنات وسائل الإيضاح في Matplotlib، وتقديم دليل تطبيقي احترافي خطوة بخطوة لكيفية بناء وتخصيص وسائل إيضاح يدوية كاملة بالاعتماد على الوحدات الفرعية المتقدمة مثل matplotlib.lines وmatplotlib.patches، مدعوماً بالتحليلات الهندسية والجمالية اللازمة للنشر الأكاديمي عالي الجودة.

1. مقدمة إلى مكتبة Matplotlib ومفهوم وسيلة الإيضاح (Legend)

1.1 أهمية وسيلة الإيضاح في تمثيل وتفسير البيانات المرئية

تلعب وسيلة الإيضاح دوراً جوهرياً في تحويل المخطط البياني من مجرد تشكيل هندسي من النقاط والخطوط إلى وثيقة علمية قائمة بذاتها وقابلة للتفسير الموضوعي. عندما تتداخل المتغيرات الإحصائية وتتعدد سلاسل البيانات داخل فضاء إحداثي مشترك، يقع على عاتق وسيلة الإيضاح عبء فك الاشتباك البصري وتوضيح العلاقات الدلالية بين الرموز المستخدمة كالألوان (Color hues)، وأنماط الخطوط (Line styles)، والأشكال الهندسية للنقاط (Markers)، وبين المتغيرات المقابلة لها في الظاهرة المدروسة.

إن غياب مفتاح الرسم أو تصميمه بطريقة غامضة يزيد بشكل ملحوظ من العبء الإدراكي (Cognitive load) المفروض على القارئ، مما قد يؤدي إلى سوء تفسير النتائج أو إغفال استنتاجات إحصائية بالغة الأهمية. في البيئات الأكاديمية والمحافل المحكمة، يُعد الوضوح التفسيري للمخطط معياراً حاسماً لقبول الأوراق البحثية، حيث تشترط الجمعيات العلمية الكبرى مثل IEEE وACM وإرشادات النشر في مجلات Nature أن تكون جميع الأشكال البيانية مكتفية ذاتياً (Self-contained)، بحيث يستطيع القارئ استيعاب كامل المعنى من خلال النظر إلى الشكل وقراءة وسيلة إيضاحه دون الحاجة المستمرة للرجوع إلى المتن النصي للبحث.

علاوة على ذلك، تسهم وسيلة الإيضاح المصممة بدقة في توضيح التدرجات الكمية (Quantitative gradients) والتقسيمات الفئوية (Categorical subdivisions)، وتسمح بالربط المتوازي بين المتغيرات التابعة والمستقلة. من خلال توفير شفرة بصرية متسقة، يتحقق الاتصال الفعال بين منشئ الرسم والمتلقي، وهو الهدف الأسمى لأي عملية تصوير بياني متقدمة.

1.2 الآلية التلقائية لتوليد وسائل الإيضاح في Matplotlib

تعتمد مكتبة Matplotlib في بنيتها الأساسية على نموذج برمجي كائني التوجه (Object-Oriented Architecture). عند استدعاء دوال الرسم القياسية مثل دوال المخططات الخطية أو المبعثرة، تقوم المكتبة بإنشاء كائنات رسومية تُعرف باسم Artist في الذاكرة، وتقوم بإلحاق هذه الكائنات بمحور الرسم الحالي (Axes). تتيح هذه الدوال تمرير وسيط نصي يُعرف بالوسيط label، والذي يُسجل التسمية الوصفية للكائن الرسومي داخل خصائص ذلك الـ Artist المعني.

عندما يقوم المبرمج باستدعاء الدالة plt.legend() أو ميثود المحور ax.legend() دون تمرير وسائط إضافية، تبدأ الآلية التلقائية للمكتبة في مسح وفحص جميع كائنات Artist المرتبطة بالمحور. تقوم الدالة بجمع كل كائن يمتلك وسيط label غير فارغ ولا يبدأ برمز الشرطة السفلية (Underscore)، وتستخرج الخصائص الشكلية لذلك الكائن (مثل لونه، وشكله، ونمطه)، ثم تبني تلقائياً قائمة من المقابض (Handles) وتقرنها بالتسميات المقابلة لها لبناء صندوق وسيلة الإيضاح وعرضه في الموضع الافتراضي الأكثر ملاءمة.

بالرغم من بساطة وسلاسة هذا الإجراء التلقائي في المخططات البسيطة، إلا أنه يفرض قيوداً تقنية عند تعقد البنية البيانية؛ حيث يقتصر تماماً على الكائنات المرسومة فعلياً على اللوحة، ويخضع للترتيب الزمني لاستدعاء دوال الرسم في الكود، مما يجعل أي تعديل على ترتيب التسميات أو استبعاد بعض العناصر يتطلب تدخلاً برمجياً إضافياً يتجاوز السلوك التلقائي المباشر للمكتبة.

1.3 سياق الحاجة إلى التدخل اليدوي والتخصيص المتقدم

تبرز الحاجة الملحة إلى التدخل اليدوي وبناء وسائل الإيضاح المخصصة عندما تخرج متطلبات العرض المرئي عن إطار المطابقة المباشرة بين عنصر مرسوم وتسمية فردية. على سبيل المثال، في العديد من التطبيقات الإحصائية وعلم البيانات، يتم استخدام مخطط مبعثر لعرض مئات النقاط التي تُعبر عن فئات تصنيفية متعددة باستخدام خريطة لونية مستمرة (Colormap)، وفي هذه الحالة لا يمتلك كل لون كائن Artist منفصل يتيح إسناد وسيط label مستقل له بالطرق المعتادة.

كما تتطلب الممارسات المتقدمة في النمذجة الرياضية إضافة خطوط مرجعية نظرية، أو حدود ثقة وهمية (Confidence thresholds)، أو مناطق حرجة يراد إبراز دلالتها في وسيلة الإيضاح لتوضيح معايير المقارنة دون تشتيت مساحة الرسم الأصلية ببيانات إضافية قد تزيد من كثافة الشكل وتؤدي إلى تشويه التوزيع البصري للنقاط. في مثل هذه الحالات، يصبح من الضروري فصل البنية البيانية المعروضة عن المفاتيح التفسيرية لوسيلة الإيضاح.

يتيح التخصيص اليدوي للمطورين والباحثين إعادة ترتيب العناصر بما يتوافق مع الأهمية النسبية للمتغيرات، وإضافة شروحات دقيقة، واستخدام رموز مخصصة تماماً تعكس خصائص مادية أو مفاهيمية، وضبط أحجام وألوان ومسافات العناصر لإنتاج مخرجات بصرية تخضع للسيطرة التامة للمؤلف وتلبي أعلى المعايير الفنية والجمالية المطلوبة في التقارير المتقدمة والأوراق العلمية المحكمة.

2. وسيلة الإيضاح التلقائية مقابل اليدوية: الدوافع والضرورات التقنية

2.1 مقارنة بنيوية بين التوليد التلقائي والتخصيص اليدوي

لإدراك الفروق الجوهرية بين التوليد التلقائي والتخصيص اليدوي لوسائل الإيضاح في Matplotlib، يتعين النظر إلى الهيكل البرمجي وتدفق البيانات داخل المكتبة. يعتمد التوليد التلقائي على الاقتران الوثيق (Tight Coupling) بين كائنات العرض البياني وكائنات وسيلة الإيضاح؛ حيث تكون وسيلة الإيضاح مرآة تابعة للعمليات الرسومية السابقة، مما يحد من القدرة على تعديل الرموز دون تعديل الرسم الأصلي، ويزيد من صعوبة إدارة الرسوم المركبة.

في المقابل، يقوم التخصيص اليدوي على مبدأ الفصل بين الاهتمامات (Separation of Concerns)، حيث يتم بناء وتجهيز كائنات المقابض ككيانات برمجية قائمة بذاتها ومستقلة تماماً عن دوال الرسم التي تم تنفيذها على المحور. يمنح هذا الفصل حرية مطلقة في تحديد الشكل، واللون، والحجم، والنمط لكل مقبض تفسيري، فضلاً عن تحديد السلاسل النصية المقترنة به بدقة رياضية ولغوية محكمة.

من منظور استهلاك الموارد البرمجية والأداء، لا يمثل التخصيص اليدوي عبئاً حسابياً إضافياً يُذكر مقارنة بالتوليد التلقائي، حيث إن كائنات المقابض اليدوية هي كائنات خفيفة الوزن في الذاكرة (Lightweight Artist instances). بل إن التحكم اليدوي يمنح المبرمج كوداً أكثر وضوحاً وقابلية لإعادة الاستخدام (Reusable code components)، مما يسهل صيانة البرمجيات التحليلية وتطوير أدوات عرض مخصصة للمشاريع الكبرى.

2.2 حالات الاستخدام النموذجية لإنشاء وسائل إيضاح يدوية

تتعدد التطبيقات العملية التي تفرض حتمية استخدام وسائل الإيضاح اليدوية في تحليل البيانات وعلم الحاسوب. ومن أبرز هذه السيناريوهات:

• تمثيل النماذج الرياضية وخطوط الانحدار التقديرية: عندما يحتوي الرسم على نقاط بيانات واقعية ويرغب الباحث في الإشارة إلى وجود نموذج انحداري أو حد فاصل نظري دون رسم خط يغطي على تشتت النقاط بالكامل.
• المخططات المبعثرة ذات المتغيرات المتعددة: عند استخدام ترميز الحجم (Size encoding) وترميز اللون (Color encoding) في آن واحد لتمثيل متغيرين مختلفين على نفس النقاط، مما يستدعي وسيلة إيضاح مخصصة تشرح تدرج الأحجام ودلالاتها بجانب وسيلة إيضاح الألوان.
• تمثيل الفئات المفقودة في العينة: في بعض الدراسات المقارنة، قد تفتقر عينة تجريبية معينة إلى بعض الفئات التصنيفية، لكن يظل من الضروري إدراج هذه الفئات في وسيلة الإيضاح لتأكيد اتساق التصنيف عبر كافة الرسوم في البحث.
• توحيد مفاتيح الرسم عبر المخططات الفرعية (Subplots): عند بناء شبكة من الرسوم المتعددة، تتيح الطريقة اليدوية إنشاء وسيلة إيضاح موحدة شاملة لكافة اللوحات دون تكرار المقابض في كل لوحة على حدة، مما يوفر المساحة البصرية ويمنع التشتت.

2.3 المزايا الأكاديمية للتحكم الحصري في المقابض والتسميات

يقدم التحكم اليدوي في المقابض والتسميات فوائد منهجية بالغة الأهمية في سياق النشر الأكاديمي، حيث يضمن التوافق التام مع اللوائح والأنماط المعيارية للمجلات العلمية العالمية مثل معايير جمعية علم النفس الأمريكية (APA) أو إرشادات الطباعة لدى مؤسسات مثل Nature Research وElsevier. يتيح هذا التحكم تطبيق نظريات التصميم الإدراكي وعلم النفس الجشتالتي (Gestalt principles) على الرسوم البيانية، مما يضمن تنظيم المعلومات وتجميعها بصرياً بصورة تعزز الفهم البديهي للنتائج.

كما يسهم التخصيص الحصري في عزل المؤشرات التفسيرية الحيوية عن الضوضاء الإحصائية؛ ففي مجموعات البيانات فائقة الضخامة (Big Data) التي تحتوي على آلاف التداخلات، قد يؤدي استخراج المقابض التلقائية إلى ظهور عناصر غير مرغوب فيها أو تكرار تسميات غير مقصودة. من خلال بناء قائمة المقابض يدوياً، يضمن الباحث دقة واختصار ما يُعرض على القارئ، والتركيز الحصري على الفرضيات العلمية قيد الاختبار.

إضافة إلى ذلك، يتيح هذا النهج إدماج رموز خاصة لتمثيل فترات عدم اليقين (Uncertainty intervals)، وقيم الانحراف المعياري، وأشرطة الأخطاء (Error bars)، وصيغ الرياضيات المعقدة باستخدام تنسيق LaTeX الاحترافي، مما يرفع من القيمة العلمية والجمالية للمخرجات المنشورة.

3. البنية المعمارية لكائنات وسيلة الإيضاح في Matplotlib: المقابض والتسميات

3.1 مفهوم المقابض (Legend Handles) وكيفية تمثيلها

في البنية الهيكلية لمكتبة Matplotlib، يُعرَّف “المقبض” (Legend Handle) بأنه كائن رسومي مصغر ينتمي إلى شجرة فئات matplotlib.artist.Artist، وتتمثل وظيفته الحصرية في توفير عينة بصرية مصغرة داخل صندوق وسيلة الإيضاح تعكس السمات الشكلية لعنصر بياني معين. المقابض ليست مجرد صور نقطية، بل هي كائنات هندسية متجهة (Vector objects) يتم تصييرها بواسطة محرك الرسم (Renderer) بدقة متناهية وبنفس معايير جودة الشكل الرئيسي.

تتنوع فئات المقابض تبعاً لنوع التمثيل البياني؛ فهناك كائنات خطية تتبع الفئة Line2D لتمثيل الخطوط والنقاط، وهناك كائنات مساحية تتبع الفئة Patch ومشتقاتها (مثل Rectangle وPolygon وCircle) لتمثيل المساحات المعبأة، والمخططات الشريطية، والمناطق التكرارية. في الذاكرة، يحتفظ كائن وسيلة الإيضاح بمصفوفة داخلية تُخزن مراجع هذه الكائنات وتتعامل معها كوحدات مستقلة لها خصائص أبعاد ومواضع نسبية تُحدد أثناء عملية الحساب والتخطيط (Layout Calculation).

تتميز المقابض اليدوية بأنها كائنات “افتراضية” لا تتطلب إحداثيات مكانية حقيقية مرتبطة ببيانات المحور، بل يتم تهيئتها بقيم إحداثية وهمية (Dummy coordinates) مثل [0], [0]، حيث يتولى صندوق وسيلة الإيضاح تحجيمها وضبط موضعها تلقائياً داخل الإطار المخصص لها دون أن تؤثر مطلقاً على نطاق أو حدود محاور الرسم الأصلية.

3.2 مفهوم التسميات (Legend Labels) وعلاقتها بالمقابض

تُمثل “التسميات” (Legend Labels) الشق النصي والدلالي لوسيلة الإيضاح؛ وهي عبارة عن سلاسل نصية قياسية في بايثون (Python Strings) تُعبر عن المعنى الإحصائي أو التصنيفي المرتبط بكل مقبض بصري. تقوم العلاقة بين المقابض والتسميات على مبدأ الاقتران الموضعي المتوازي (Positional Mapping)؛ حيث يرتبط المقبض الأول في مصفوفة المقابض بالتسمية الأولى في مصفوفة التسميات، والمقبض الثاني بالتسمية الثانية، وهكذا دواليك في مصفوفة ثنائية الأبعاد تُشكل شبكة وسيلة الإيضاح.

توفر Matplotlib دعماً متقدماً للنصوص داخل التسميات، بما يشمل النصوص متعددة الأسطر باستخدام محارف الهروب القياسية، والتنسيقات المحرفية المتقدمة، فضلاً عن المعالجة الكاملة للصيغ الرياضية عبر محرك mathtext المدمج أو عبر الربط الخارجي مع نظام LaTeX الكامل. يتم تفعيل الصيغ الرياضية بوضع النص الرياضي بين علامتي الدولار $...$، مما يتيح إدراج الرموز الإغريقية، والمؤشرات السفلية والعلوية، والمتوسطات الحسابية، والمعادلات التفاضلية بدقة طباعية فائقة.

يجب أن يتطابق عدد التسميات النصية تماماً مع عدد كائنات المقابض الممررة إلى دالة وسيلة الإيضاح، حيث إن أي خلل في التوازن العددي سيؤدي إلى تجاهل المقابض الزائدة أو إسناد تسميات فارغة أو حدوث إزاحة دلالية خطيرة تؤدي إلى قراءة خاطئة للبيانات.

3.3 وظيفة الدالة get_legend_handles_labels في استخراج البنية الحالية

تُعد الدالة get_legend_handles_labels() إحدى أهم الأدوات البرمجية التي توفرها واجهة المحاور في Matplotlib للربط بين المعالجة التلقائية والتحكم اليدوي. تتيح هذه الدالة للمطور استكشاف واستخراج كائنات المقابض والتسميات التي تم توليدها وتخزينها تلقائياً بواسطة عمليات الرسم السابقة على المحور، وإرجاعها في هيئة صف (Tuple) يحتوي على قائمتين منفصلتين: قائمة المقابض (handles) وقائمة التسميات (labels).

تكمن القوة الهندسية لهذه الدالة في تمكين مبدأ “التوسيع والتعديل الهجين” (Hybrid Extension)؛ حيث لا يضطر المبرمج إلى إعادة بناء جميع المقابض من الصفر إذا كان لديه بالفعل عناصر مرسومة صالحة. بدلاً من ذلك، يستطيع استدعاء الدالة لاستخراج القوائم الافتراضية، ثم تطبيق عمليات بايثون القياسية للقوائم (مثل append وextend وinsert وتغيير الترتيب عبر slicing)، لإضافة كائنات مخصصة جديدة أو تصحيح نصوص التسميات أو إعادة هيكلة الترتيب البصري.

عقب تعديل القوائم المستخرجة ودمجها مع المقابض اليدوية المنشأة، يتم إعادة حقن هذه القوائم المحدثة كوسائط صريحة في استدعاء ax.legend(handles=custom_handles, labels=custom_labels)، مما ينتج وسيلة إيضاح مركبة وشاملة تجمع بين البيانات الأصلية والمؤشرات الإضافية بتناسق تام.

4. إعداد بيئة العمل والمتطلبات البرمجية الأساسية

4.1 تثبيت وضبط مكتبة Matplotlib والبيئات التفاعلية

لضمان بيئة تطوير مستقرة وخالية من التعارضات البرمجية، يُنصح بتثبيت وتحديث حزمة Matplotlib داخل بيئة بايثون معزولة (Virtual Environment) باستخدام مديري الحزم القياسيين مثل pip أو conda. تتطلب الميزات المتقدمة للتخصيص اليدوي للرموز وجود إصدار حديث من المكتبة (الإصدار 3.4.0 فما فوق)، لضمان التوافق مع أحدث آليات إدارة المقابض وتجنب التحذيرات المتعلقة بإلغاء بعض الدوال القديمة.

يمكن تثبيت المكتبة عبر سطر الأوامر باستخدام الأمر القياسي لتثبيت matplotlib بالإضافة إلى حزمة NumPy الضرورية لتوليد ومعالجة المصفوفات العددية. عند العمل ضمن البيئات التفاعلية المتقدمة مثل Jupyter Notebook أو JupyterLab أو Google Colab، يُفضل ضبط محرك العرض الداخلي لضمان تصيير المخططات بدقة نقطية عالية (High-DPI rendering)، مما يوفر وضوحاً فائقاً للخطوط الدقيقة والنصوص الرياضية المعقدة في وسيلة الإيضاح.

ينبغي أيضاً التحقق من توافر الخطوط الطباعية المناسبة ومحركات تصيير النصوص في النظام، خاصة إذا كان المخطط النهائي يهدف إلى استخدام خطوط متخصصة أو نصوص باللغة العربية أو رموز رياضية معقدة عبر LaTeX، حيث يضمن الضبط المسبق تجنب مشاكل اقتطاع الرموز أو تشوه النصوص التفسيرية.

4.2 استيراد الوحدات الفرعية الضرورية للتخصيص اليدوي

يتطلب البناء اليدوي لوسائل الإيضاح استيراد وحدات فرعية متخصصة تقع تحت المظلة الأساسية لمكتبة Matplotlib، وتتجاوز الواجهة المبسطة المعتادة matplotlib.pyplot. البنية البرمجية المتكاملة تستلزم الوصول المباشر إلى الطبقات التأسيسية التي تُعرف كائنات Artist المختلفة.

تشمل هذه الوحدات الرئيسية ما يلي:

• matplotlib.pyplot: الواجهة العامة لإدارة النوافذ الرسومية وتوليد الأشكال والمحاور وتطبيق التنسيقات النهائية.
• matplotlib.lines.Line2D: الفئة المخصصة لإنشاء الكائنات الخطية وعلامات النقاط النقطية يدوياً دون الحاجة لإسقاطها على فضاء الإحداثيات الفعلي.
• matplotlib.patches: الوحدة المتخصصة في بناء الرقع والمساحات الهندسية المستوية مثل المستطيلات والمربعات اللونية والدوائر والمضلعات التوضيحية.
• numpy: المكتبة الرياضية التأسيسية المستخدمة في تنظيم المصفوفات الإحصائية وحساب نماذج الانحدار والبيانات التجريبية.

يضمن استيراد هذه الكائنات بأسماء وصفية صريحة بقاء الكود البرمجي قابلاً للقراءة والتتبع وفق أفضل الممارسات الموصى بها في هندسة البرمجيات العلمية (PEP 8).

4.3 تهيئة مجموعات البيانات التجريبية للمحاكاة

لبناء نموذج تطبيقي متكامل وواقعي يعكس التحديات التحليلية في علوم البيانات، يتم إنشاء مصفوفات عددية تحاكي ظاهرة تجريبية متعددة الأبعاد. سنعتمد في هذا الدليل على محاكاة علاقة غير خطية تتضمن متغيرات مستقلة وتابعة مع إضافة مركب عشوائي يمثل الضوضاء القياسية (Measurement noise)، بالإضافة إلى تقسيم البيانات إلى مجموعات فرعية تصنيفية تحاكي ظروفاً تجريبية متباينة.

باستخدام مصفوفات NumPy، نقوم بتوليد إحداثيات سينية تمثل متغيراً زمنياً أو تركيزاً فيزيائياً، وحساب الإحداثيات الصادية المقابلة عبر دالة رياضية غير خطية مثل الدوال الأسية أو اللوغاريتمية، مع توزيع البيانات إلى مجموعتين: مجموعة التحكم (Control Group) ومجموعة المعالجة (Treatment Group)، حيث تتميز كل مجموعة بسلوك إحصائي ولوني مختلف.

تساعد هذه البنية البيانية الغنية في إبراز الحاجة الواقعية لوسيلة إيضاح يدوية تجمع بين تمثيل نقاط البيانات الفعلية، والمربعات اللونية الدالة على تصنيف المجموعات، والخطوط الوهمية الممثلة للاتجاهات النظرية للانحدار، مما يوفر منصة مثالية لتطبيق المفاهيم المتقدمة المشروحة لاحقاً.

5. إنشاء مخطط مبعثر افتراضي مع وسيلة إيضاح قياسية

5.1 تنفيذ المخطط المبعثر (Scatter Plot) الأساسي

نبدأ بتنفيذ المخطط المبعثر القياسي لتصوير نقاط البيانات التجريبية على فضاء ثنائي الأبعاد. يتم استخدام دالة المحور scatter() لرسم الإحداثيات السينية والصادية المحسوبة، مع تحديد الخصائص اللونية الأساسية للنقاط مثل اللون الأزرق الداكن (Steelblue)، وتحديد حجم العلامة وحوافها لضمان التباين البصري.

في هذا المستوى التأسيسي، يتم تمرير وسيط التسمية الأولي label='Original Data' داخل دالة الرسم. يقوم هذا الإجراء بتسجيل كائن من نوع PathCollection داخل قائمة كائنات المحور، وتعيين السلسلة النصية المحددة كخاصية دلالية ملحقة به. يعكس هذا الأسلوب الطريقة النمطية التي يتبعها معظم المطورين في البداية لإنشاء الرسوم السريعة.

يتم أيضاً ضبط أسماء المحاور الرئيسية (X-axis و Y-axis) وإضافة عنوان للمخطط باستخدام دوال التنسيق القياسية، لضمان اكتمال العناصر البنائية للشكل البياني قبل الشروع في فحص وتعديل وسيلة الإيضاح الخاصة به.

5.2 استدعاء وسيلة الإيضاح القياسية وتحليل مخرجاتها

عند تنفيذ استدعاء وسيلة الإيضاح التقليدي عبر plt.legend() دون تمرير أي معطيات أو مقابض مخصصة، تقوم خوارزمية Matplotlib الداخلية بتجميع الكائن الوحيد الذي تم رسمه وهو كائن النقاط المبعثرة المسمى “Original Data”. تقوم الخوارزمية باقتطاع عينة نقطية مطابقة للون وحجم النقاط المرسومة ووضعها داخل مربع إيضاح افتراضي في زاوية الرسم.

عند تحليل هذه النتيجة من منظور تصوير البيانات المتقدم، نجد محدوديات واضحة؛ حيث يقتصر مفتاح الرسم على إخبار القارئ بأن جميع هذه النقاط تتبع “البيانات الأصلية”، دون توضيح الفروق الدقيقة بين المجموعات الفرعية المصنفة داخل العينة، ودون القدرة على الإشارة إلى نموذج الانحدار الرياضي المتوقع أو الحدود الحرجة التي تميز الظاهرة. يظل المخطط في هذه الحالة فاقداً لعمقه التفسيري الكامل، مما يؤكد قصور الأسلوب التلقائي عند التعامل مع التحليلات المركبة.

5.3 عرض المخطط البياني والتحقق من سلامة البنية

يتم إتمام مرحلة الرسم الأولي باستدعاء الدالة plt.show() أو حفظ الشكل المبدئي لمعاينة التوزيع الهندسي لنقاط البيانات والتأكد من عدم وجود تشوهات في حدود المحاور أو تداخل بين وسيلة الإيضاح الافتراضية ونقاط البيانات ذات الكثافة العالية.

تؤكد هذه المعاينة التأسيسية أن المحاور مهيأة بصورة سليمة، وأن البيانات الرياضية قد تم إسقاطها بدقة على اللوحة الرسومية. كما تبرز الحاجة المعمارية للانتقال إلى المرحلة التالية، والمتمثلة في الاستعانة بالوحدات المتقدمة لبناء مقابض بصرية مستقلة قادرة على التعبير عن الأبعاد الغائبة في وسيلة الإيضاح القياسية.

6. استخدام الوحدة الفرعية matplotlib.lines لإنشاء عناصر خطية مخصصة (Line2D)

6.1 المعمارية التقنية لكائن Line2D

تُعد الفئة matplotlib.lines.Line2D اللبنة الأساسية لتمثيل كافة العناصر الهندسية ذات البعد الأحادي داخل Matplotlib، بما في ذلك الخطوط المتصلة، والمتقطعة، والعلامات النقطية المجردة. عند بناء مقبض وسيلة إيضاح يدوي باستخدام هذه الفئة، يتم إنشاء كائن مستقل تماماً عن أي محور رسم، ويتم تمرير مصفوفات إحداثيات وهمية في معاملاته الأولى مثل Line2D([0], [0], ...).

تُخبر هذه الإحداثيات الوهمية الكائن بأنه موجود كعنصر مجرد في فضاء الذاكرة، ولا يتم ربطه بنظام الإحداثيات الفيزيائي للمخطط، مما يحول دون ظهوره بشكل مشوه على مساحة الرسم الفعلية. بعد تحديد الإحداثيات، يمتلك المبرمج وصولاً شاملاً لكافة الخصائص البصرية للكائن، بما يشمل:

• color: تحديد اللون الدقيق للخط أو النقطة باستخدام التسميات النصية، أو قيم الست عشري (Hex codes)، أو مصفوفات RGB/RGBA.
• linestyle أو ls: تحديد نمط الخط مثل المتصل ('-')، المتقطع ('--')، المنقط (':')، أو المتصل-المنقط ('-.')، أو إلغاء الخط تماماً ('None') لإنشاء مقابض نقطية بحتة.
• linewidth أو lw: التحكم في سمك الخط بالنقاط الطباعية.
• marker: تحديد شكل علامة النقطة مثل الدوائر ('o')، المربعات ('s')، المثلثات ('^')، أو علامات الزائد والتقاطع.
• markersize و markerfacecolor و markeredgecolor: التحكم الدقيق في الحجم، ولون التعبئة الداخلي، ولون الإطار الخارجي لعلامة النقطة.

6.2 توليد خطوط مرجعية وهمية لوسيلة الإيضاح

في العديد من الدراسات التحليلية، يكون من المفيد للغاية إضافة عنصر في وسيلة الإيضاح يرمز إلى نموذج نظري، مثل خط الانحدار الخطي المثالي (Ideal Regression Fit)، دون رسم الخط فعلياً على المخطط إذا كان ذلك الرسم قد يتسبب في تشويش النقاط التجريبية المتقاربة. يتم تحقيق ذلك برمجياً من خلال بناء كائن Line2D يحمل خصائص النموذج النظري المستهدف.

على سبيل المثال، يمكن إنشاء كائن يحمل لوناً برتقالياً متوهجاً ونمط خط متقطع وسماكة بارزة ليعبر عن “الاتجاه النظري العام” (Theoretical Trend):

يتميز هذا المقبض الوهمي بكونه قابلاً للتعديل الفوري من حيث الشفافية (عبر وسيط alpha) والنمط، مما يعكس للمتلقي بوضوح أن هذا الخط يمثل تقديراً رياضياً وليس بيانات مقاسة مباشرة. يمنح هذا الأسلوب المخطط البياني طابعاً احترافياً يجمع بين الواقع التجريبي والإطار النظري التفسيري.

6.3 دمج المقابض الخطية داخل قائمة المقابض العامة

بمجرد إنشاء الكائنات الخطية المخصصة عبر Line2D، يتم تنظيمها وتخزينها داخل قائمة بايثون قياسية تُخصص للمقابض اليدوية (Custom Handles). لا يقتصر دور هذه القائمة على استيعاب الخطوط فقط، بل يمكنها احتواء مقابض تمثل علامات نقطية مستقلة تماماً، أو مقابض هجينة تجمع بين خط وعلامة في آن واحد.

يتم بعد ذلك إعداد قائمة نصية موازية تحتوي على التسميات التفسيرية الموافقة لكل مقبض بالترتيب الدقيق. يضمن هذا الدمج المنظم الحفاظ على بنية معيارية واضحة، حيث يمكن دمج المقابض الخطية المنشأة يدوياً مع المقابض المستخرجة تلقائياً من المحور باستخدام دوال دمج القوائم مثل custom_handles.append(trend_line_handle)، مما يمهد الطريق لتمرير الهيكل النهائي الموحد إلى صندوق وسيلة الإيضاح.

7. استخدام الوحدة الفرعية matplotlib.patches لإنشاء أشكال ومربعات لونية مخصصة (Patch Objects)

7.1 أنواع الرقع الهندسية المتاحة في matplotlib.patches

توفر الوحدة الفرعية matplotlib.patches ترسانة شاملة من الكائنات الهندسية ثنائية الأبعاد (Patch Objects) التي تُستخدم لتمثيل المساحات المعبأة والمناطق المغلقة في الرسوم البيانية. وتُعد هذه الكائنات حجر الزاوية عند بناء وسائل إيضاح مخصصة للمتغيرات الفئوية (Categorical variables) أو المناطق الجغرافية أو النطاقات الإحصائية المغلقة.

تشمل أهم الفئات المستخدمة في بناء وسائل الإيضاح:

• matplotlib.patches.Patch: الفئة الأساسية المجردة التي تتيح إنشاء رقعة لونية عامة (Color swatch) دون تحديد تفاصيل هندسية معقدة، وهي الخيار الأكثر استخداماً وشيوعاً لإنشاء مربعات الألوان في وسائل الإيضاح.
• matplotlib.patches.Rectangle: كائن مستطيل محدد الأبعاد يتيح تخصيص نسب العرض والارتفاع والإطار الخارجي بدقة متناهية.
• matplotlib.patches.Circle: كائن دائري يُستخدم لتمثيل المجموعات العنقودية الدائرية (Clusters) أو المناطق المحورية.
• matplotlib.patches.Polygon: كائنات مضلعة مخصصة لتمثيل الأشكال غير المنتظمة والنطاقات المعقدة.

7.2 إنشاء مربعات لونية مخصصة (Color Patches) للمتغيرات الفئوية

عندما يحتوي المخطط البياني على تمثيل لبيانات تنتمي إلى عدة فئات (مثل: فئة أ، فئة ب، فئة ج)، وتكون هذه الفئات ملونة بألوان متباينة داخل الرسم دون استخدام دالة رسم منفصلة لكل فئة (كما في المخططات الملونة عبر مصفوفات الألوان)، يصبح استخدام كائنات mpatches.Patch هو الحل المعماري المثالي لتمثيل كل فئة في وسيلة الإيضاح.

يتم إنشاء المربع اللوني بتمرير لون التعبئة facecolor ولون الإطار edgecolor ومستوى الشفافية alpha. كما توفر مكتبة Matplotlib ميزة متقدمة بالغة الأهمية لدعم إمكانية الوصول وسهولة القراءة في الطباعة الأحادية (Grayscale)، وهي أنماط التظليل (Hatching patterns)؛ حيث يمكن تمرير وسيط التظليل hatch بقيم مثل '//' أو '' أو 'xx' أو '..'، لإنشاء مربعات لونية متميزة نسيجياً وبصرياً عن بعضها البعض، مما يضمن وصول المعلومات بوضوح حتى للأشخاص المصابين بعمى الألوان.

7.3 إدارة قائمة الرقع الهندسية وتهيئتها للحقن في الرسم

تُنظم كائنات الرقع الهندسية المخصصة في مصفوفات كائنية متسلسلة تعكس الترتيب المنطقي للفئات المدروسة. عند إنشاء هذه الرقع لغرض وسيلة الإيضاح فقط، لا يتم إضافتها إلى المحور عبر الدالة ax.add_patch()، لأن ذلك سيؤدي إلى رسم الرقعة مباشرة فوق بيانات المخطط في إحداثيات محددة.

بدلاً من ذلك، تُعامل هذه الكائنات كـ “مقابض مجردة” تُمرر حصرياً إلى معامل المقابض في دالة ax.legend(). تضمن هذه الآلية خلو اللوحة الرسومية من أي تشوهات بصرية، وتمنح المحرك الرسومي إشارة مباشرة لاستخدام تلك الرقع كرموز تمثيلية مصغرة داخل إطار وسيلة الإيضاح، مع مطابقتها التامة للتسميات النصية المقترنة بها.

8. الخطوات البرمجية الشاملة لبناء وسيلة إيضاح يدوية مركبة (مثال تفصيلي)

8.1 استخراج المقابض والتسميات الحالية وتوسيعها

تتمثل الخطوة الأولى في بناء وسيلة إيضاح مركبة وهجينة في الاستفادة من الكائنات المرسومة بالفعل على المحور بدلاً من إعادة إنشائها يدوياً من الصفر، ثم دمجها بسلاسة مع الكائنات الإضافية المنشأة عبر Line2D وPatch. نبدأ باستدعاء دالة الاستخراج من كائن المحور الحالي عبر الصياغة التالية:

handles, labels = ax.get_legend_handles_labels()

تنتج هذه الخطوة قائمتين متوافقتين بالكامل. بعد ذلك، نقوم بتعريف المقابض المخصصة الجديدة وإلحاقها بالقائمة handles باستخدام دالة append()، وإلحاق السلاسل النصية المقابلة بالقائمة labels. كما تتيح لنا هذه المرحلة التحكم في الأولوية الهرمية؛ حيث يمكننا إعادة ترتيب عناصر القائمة لجعل النموذج النظري يظهر في أعلى وسيلة الإيضاح تليه الفئات التجريبية ثم نقاط البيانات الأصلية، مما يحقق تنظيماً إدراكياً فائق الجودة.

8.2 كتابة وتنفيذ الكود البرمجي الكامل والمتكامل

فيما يلي السيناريو البرمجي الكامل الذي يطبق كافة المفاهيم المشروحة سابقاً، موضحاً استيراد الحزم، وتوليد البيانات، وبناء المخطط المبعثر، وتوليد المقابض المخصصة عبر Line2D وPatch، وحقنها نهائياً في وسيلة الإيضاح:

يقوم الكود البرمجي باستيراد matplotlib.pyplot كواجهة تشغيل رئيسية تحت الاسم المختصر plt، واستيراد matplotlib.lines.Line2D لإنشاء العناصر الخطية، واستيراد matplotlib.patches تحت الاسم المختصر mpatches لإدارة الرقع الملونة، جنباً إلى جنب مع مكتبة numpy لمعالجة المصفوفات العددية. بعد ذلك، يتم توليد مجموعتي بيانات تجريبية: الأولى تمثل بيانات واقعية مع ضوضاء عشوائية، والثانية تمثل خط نموذج انحداري مستمر.

يتم إنشاء الشكل ومحور الرسم باستخدام fig, ax = plt.subplots(figsize=(10, 6))، ثم رسم نقاط البيانات المبعثرة للمجموعة الأولى بلون أزرق ووسيط label='Observed Data'. بعد ذلك، يتم بناء المقابض المخصصة:

• مقبض خطي عبر Line2D([0], [0], color='crimson', linestyle='--', linewidth=2.5) لتمثيل خط الانحدار النظري بتسمية 'Theoretical Fit'.
• مقبض رقعة لونية عبر mpatches.Patch(facecolor='darkorange', edgecolor='black', alpha=0.7, hatch='//') لتمثيل نطاق الثقة الإحصائي بتسمية '95% Confidence Region'.

يتم استخراج المقابض والتسميات الأصلية عبر handles, labels = ax.get_legend_handles_labels()، ثم دمج المقابض الجديدة والتسميات الجديدة في مصفوفة موحدة. وأخيراً، يتم استدعاء ax.legend(handles=handles, labels=labels, loc='upper left', frameon=True, shadow=True, fontsize=11) لعرض وسيلة الإيضاح المركبة بدقة كاملة.

8.3 تحليل معمق لمخرجات الكود البرمجي وسلوكه

عند تنفيذ هذا الكود، يقوم محرك تصيير Matplotlib ببناء لوحة رسومية متماسكة وواضحة بصرياً. في صندوق وسيلة الإيضاح، نلاحظ وجود ثلاثة عناصر منظمة بدقة متناهية:

1. العنصر الأول: نقطة زرقاء دائرية تمثل البيانات الواقعية المستخرجة تلقائياً من دالة scatter().
2. العنصر الثاني: خط أحمر متقطع يمثل النموذج النظري المنشأ يدوياً عبر Line2D دون أن يشوش مساحة البيانات.
3. العنصر الثالث: مستطيل برتقالي مظلل بنسيج مائل يمثل نطاق الثقة المنشأ يدوياً عبر Patch.

يُظهر التحليل الهندسي لهذا المخرج أن مساحة الرسم الأصلية ونطاقات المحاور السينية والصادية لم تتأثر مطلقاً بالإحداثيات الوهمية [0], [0] الممررة للمقابض اليدوية، مما يؤكد صحة العزل المعماري. يوفر هذا المخطط النهائي وثيقة بيانية متكاملة يمكن نشرها مباشرة في المجلات المحكمة وتفسيرها وفهم أبعادها بسهولة وبأقل جهد إدراكي ممكن.

9. تخصيص المظهر الجمالي والهيكلي لوسيلة الإيضاح اليدوية (Styling & Formatting)

9.1 التحكم في الإطار الخارجي والخلفية (Frame & Background)

تتيح مكتبة Matplotlib مرونة غير محدودة في تخصيص الحاوية الشكلية (Bounding Box) لوسيلة الإيضاح، مما يسمح بملاءمتها للخلفية العامة للمخطط ومنع حجبها للبيانات الأساسية. يتم التحكم في وجود الإطار الخارجي عبر الوسيط المنطقي frameon=True/False.

عند تفعيل الإطار، يمكن تخصيص سماته عبر مجموعة متقدمة من الوسائط:

• facecolor: تحديد لون الخلفية الداخلية للصندوق (مثل الأبيض الناصع أو الرمادي الفاتح لزيادة التباين).
• framealpha: تحديد درجة شفافية خلفية وسيلة الإيضاح بقيمة تتراوح بين 0.0 (شفاف تماماً) و 1.0 (معتم كلياً)، مما يسمح برؤية نقاط البيانات الواقعة أسفل الصندوق دون فقدان وضوح النصوص.
• edgecolor: تحديد لون الخط المحيط بالإطار الخارجي وسماكته.
• fancybox: وسيط منطقي يتحكم في استدارة حواف الإطار، حيث يؤدي تعيينه إلى True إلى إنشاء زوايا دائرية ناعمة تضفي مظهراً عصرياً وجذاباً.
• shadow: وسيط منطقي يؤدي تفعيله إلى إسقاط ظل ناعم خلف صندوق وسيلة الإيضاح، مما يمنحه بعداً بصرياً ثلاثياً يبرزه عن خلفية الرسم.

9.2 تنسيق الخطوط والنصوص البرمجية والصيغ الرياضية

يُعد التنسيق الطباعي للنصوص عنصراً حاسماً في إيصال الدلالات الإحصائية بدقة واحترافية. يوفر وسيط fontsize إمكانية تحديد الحجم المطلق للنص بالنقاط (مثل fontsize=12) أو النسبي (مثل 'medium' و'large' و'small'). كما يمكن استخدام وسيط title لإضافة عنوان رئيسي لوسيلة الإيضاح مع ضبط حجم ولون خط العنوان عبر title_fontsize.

لتطبيق أوزان الخطوط المتقدمة، يمكن تمرير كائنات قواميس التنسيق (Font properties dictionaries)، لتحديد عائلة الخط (Font family) والوزن (Bold أو Normal) والنمط المائل (Italic). وعند تمثيل الصيغ والمعادلات، يتيح استخدام صيغ LaTeX القياسية كتابة الرموز الرياضية المعقدة مثل الانحرافات المعيارية والرموز الإحصائية الشائعة كالتالي:

r'$\mu \pm \sigma$' أو r'$R^2 = 0.984$' أو r'$p < 0.001$'

يضمن استخدام الحرف r قبل السلسلة النصية (Raw string) معالجة الرموز الخاصة والشرطات المائلة العكسية بشكل صحيح دون تفسيرها كأوامر هروب برمجية، مما ينتج نصوصاً رياضية غاية في النقاء والوضوح الطباعي.

9.3 تنظيم الأعمدة والمسافات الداخلية (Layout & Spacing)

عندما تزدحم وسيلة الإيضاح بالعديد من المقابض والتسميات، يؤدي سردها عمودياً في قائمة طويلة إلى استهلاك مساحة رأسية هائلة قد تشوه توازن المخطط. لحل هذه المشكلة، توفر Matplotlib الوسيط ncol (أو ncols في الإصدارات الحديثة)، والذي يتيح تقسيم المقابض إلى عدة أعمدة متوازية أفقياً (مثل ncol=2 أو ncol=3)، مما يتيح وضع وسيلة الإيضاح أعلى أو أسفل المخطط بشكل ممتد ومتوازن.

بالإضافة إلى ذلك، توفر المكتبة وسائط دقيقة للتحكم في المسافات الهندسية الداخلية (Padding & Spacing) لمنع تداخل النصوص والرموز:

• handlelength: يحدد طول الخط أو المقبض الرسومي بوحدات قياس الخط.
• handleheight: يحدد الارتفاع الرأسي للرقع الهندسية داخل الصندوق.
• handletextpad: يحدد المسافة الأفقية الفاصلة بين المقبض الرسومي وبداية السلسلة النصية المقترنة به.
• labelspacing: يحدد التباعد الرأسي بين الأسطر المتتالية للتسميات.
• borderpad و columnspacing: للتحكم في الهوامش الداخلية للصندوق والمسافات الفاصلة بين الأعمدة المتجاورة.

10. التحكم المتقدم في موضع وسيلة الإيضاح والمحاذاة داخل وخارج مساحة الرسم

10.1 استخدام وسيط loc لتحديد المواضع النسبية القياسية

يُعد الوسيط loc (الموقع – Location) الأداة التأسيسية لتوجيه تموضع وسيلة الإيضاح داخل الحدود الإحداثية لمحور الرسم. يقبل هذا الوسيط قيماً نصية معيارية أو قيماً رقمية مقابلة لها تعبر عن الزوايا والجهات الأساسية:

• 'upper right' (القيمة الرقمية: 1) – الزاوية العلوية اليمنى (الموضع الافتراضي).
• 'upper left' (القيمة الرقمية: 2) – الزاوية العلوية اليسرى.
• 'lower left' (القيمة الرقمية: 3) – الزاوية السفلية اليسرى.
• 'lower right' (القيمة الرقمية: 4) – الزاوية السفلية اليمنى.
• 'center'، 'center left'، 'center right'، 'lower center'، 'upper center' – المواضع المركزية المختلفة.

كما توفر المكتبة الخيار الذكي loc='best' (القيمة الرقمية: 0)، حيث تقوم خوارزمية Matplotlib بتحليل كثافة البيانات ونقاط التشتت على اللوحة وتقييم المساحات الفارغة لاختيار الموضع الأقل تداخلاً مع البيانات تلقائياً. ومع ذلك، في المخططات المزدحمة ذات الكثافة الحسابية العالية، قد تؤدي هذه الخوارزمية إلى إبطاء عملية التصيير أو الفشل في تجنب التداخل بالكامل، مما يستدعي التحديد الصريح للموضع أو نقله خارج مساحة المحور.

10.2 تحديد الإحداثيات المطلقة خارج محاور الرسم باستخدام bbox_to_anchor

في العديد من التصاميم الاحترافية، يكون وضع وسيلة الإيضاح داخل مساحة البيانات أمراً غير مرغوب فيه لتجنب حجب أي جزء من المخطط، وهنا تتجلى الأهمية القصوى للوسيط المعماري bbox_to_anchor (صندوق الإحاطة المرجعي). يعتمد هذا الوسيط على نظام إحداثيات محاور الرسم المنسوبة (Axes Coordinate System)، حيث تمثل النقطة (0.0, 0.0) الزاوية السفلية اليسرى للمحور، بينما تمثل النقطة (1.0, 1.0) الزاوية العلوية اليمنى له.

عند دمج bbox_to_anchor مع الوسيط loc، يعمل loc كنقطة ارتكاز (Anchor point) لصندوق وسيلة الإيضاح، بينما يحدد bbox_to_anchor الإحداثي الدقيق الذي ستثبت عليه تلك النقطة. على سبيل المثال، لتثبيت وسيلة الإيضاح بالكامل خارج الحافة اليمنى للمخطط بمحاذاة الحافة العلوية، نستخدم الصياغة المعيارية:

ax.legend(bbox_to_anchor=(1.05, 1.0), loc='upper left')

تضمن هذه الصياغة تثبيت الزاوية العلوية اليسرى لوسيلة الإيضاح عند الإحداثي السيني 1.05 (أي خارج مساحة الرسم بمقدار 5% من عرض المحور) والإحداثي الصادي 1.0 (قمة المحور)، مما يضمن عزل مفتاح الرسم بالكامل خارج نطاق البيانات ومنع أي تداخل بصري مهما بلغت كثافة النقاط.

10.3 استخدام الدالة tight_layout و bbox_inches لمنع التداخل

عند نقل وسيلة الإيضاح خارج حدود المحاور باستخدام bbox_to_anchor، يواجه المطور مشكلة شائعة تتمثل في اقتطاع صندوق وسيلة الإيضاح أو اختفائه جزئياً خارج حدود نافذة العرض أو عند حفظ الشكل كملف صورة، نظراً لأن الهوامش التلقائية للشكل لا تأخذ في الحسبان الكائنات الموضوعة خارج المحاور.

لحل هذه المشكلة جذرياً، توفر Matplotlib وسيلتين متكاملتين:

1. الدالة plt.tight_layout(): تقوم هذه الدالة بإعادة حساب المساحات والهوامش بين المحاور وعناوين الأشكال تلقائياً لتوفير مساحة ملائمة لكافة العناصر.
2. الوسيط bbox_inches='tight' في الدالة plt.savefig(): عند تصدير الشكل إلى ملف بصيغة PNG أو PDF أو SVG، يُعد تمرير هذا الوسيط ضرورة قصوى، حيث يُجبر محرك الحفظ على توسيع إطار الصورة ليشمل كافة العناصر المرسومة بما في ذلك وسائل الإيضاح الموضوعة خارج المحاور، مما يضمن خروج المخطط كاملاً وبأعلى دقة تصدير ممكنة.

11. التعامل مع المخططات المعقدة ومتعددة الطبقات ذات التسميات اليدوية المتعددة

11.1 إنشاء وسائل إيضاح متعددة ومستقلة على نفس مساحة الرسم

في سيناريوهات التصوير البياني متعدد الأبعاد، قد يرغب الباحث في فصل وسائل الإيضاح إلى صندوقين مستقلين على نفس مساحة الرسم؛ على سبيل المثال: صندوق يوضح دلالات الألوان (مثل الفئات التجريبية)، وصندوق آخر منفصل يوضح دلالات الأشكال أو الأحجام (مثل مستويات التركيز أو الفئات العمرية). ولكن عند استدعاء الدالة ax.legend() للمرة الثانية، يكون السلوك الافتراضي لمكتبة Matplotlib هو حذف واستبدال وسيلة الإيضاح الأولى بالوسيلة الجديدة.

لتجاوز هذا السلوك والاحتفاظ بكلا الصندوقين، يتم اتباع الآلية البرمجية المعتمدة التالية:

1. إنشاء وسيلة الإيضاح الأولى وتخزين مرجعها في متغير كائني: legend1 = ax.legend(handles=color_handles, loc='upper left').
2. تثبيت وسيلة الإيضاح الأولى ككائن مستقل على المحور باستخدام الدالة ax.add_artist(legend1)، مما يمنع محرك الرسم من إزالتها عند إنشاء كائنات جديدة.
3. إنشاء واستدعاء وسيلة الإيضاح الثانية بحرية تامة: legend2 = ax.legend(handles=marker_handles, loc='upper right').

ينتج عن هذه التقنية صندوقان مستقلان تماماً، يمكن تخصيص موضع وتنسيق وعنوان كل منهما على حدة، مما يوفر أقصى درجات الوضوح والفرز الدلالي في المخططات المتقدمة.

11.2 دمج وسائل الإيضاح عبر اللوحات الشبكية الفرعية (Subplots)

عند تصميم شبكة رسومية تحتوي على عدة مخططات فرعية مترابطة (مثل شبكة 2×2)، يكون تكرار نفس وسيلة الإيضاح في كل لوحة هدراً للمساحة البصرية وعنصراً مشتتاً للمتلقي. الحل الهندسي الأمثل هو إنشاء “وسيلة إيضاح موحدة على مستوى الشكل” (Figure Legend) تمثل كافة اللوحات في آن واحد.

لتحقيق ذلك، يتم استخراج المقابض والتسميات من كافة المحاور الفرعية وتجميعها، ثم استخدام قواميس بايثون لحذف المقابض المكررة برمجياً وضمان بقاء نسخة فريدة من كل تسمية. بعد ذلك، يتم استدعاء ميثود الشكل العام fig.legend() بدلاً من ميثود المحور الفردي:

fig.legend(handles=unique_handles, labels=unique_labels, loc='lower center', ncol=4, bbox_to_anchor=(0.5, -0.05))

يؤدي هذا الإجراء إلى وضع وسيلة إيضاح موحدة في أسفل أو أعلى الشبكة الرسومية، مما يعزز الاتساق البصري ويجعل التصميم متكاملاً وأنيقاً وفق أعلى معايير التصميم الجرافيكي الموجه للبيانات العلمية.

11.3 إنشاء وسائل إيضاح هرمية ومجمعة ذات عناوين فرعية

في المجموعات التصنيفية المعقدة، قد تحتاج وسيلة الإيضاح الواحدة إلى هيكلة هرمية تحتوي على عناوين فرعية (Sub-headers) تفصل بين مجموعات المقابض المختلفة (مثل: العنوان الفرعي “المجموعة الأولى” يليه مقابضها، ثم العنوان الفرعي “المجموعة الثانية” يليه مقابضها). نظراً لعدم وجود وسيط مباشر يدعم العناوين الفرعية المتعددة في Matplotlib، يتم تطبيق تقنية المقابض الوهمية الشفافة (Invisible Ghost Handles).

تعتمد هذه التقنية المبتكرة على إنشاء كائن mpatches.Patch(color='none', edgecolor='none') بدون تعبئة وبدون إطار ليعمل كفاصل غير مرئي. يتم تمرير النص المطلوب كعنوان فرعي في مصفوفة التسميات بالتوافق مع هذا المقبض الشفاف، مما يؤدي إلى ظهور النص داخل وسيلة الإيضاح كعنوان مجرد لا يقابله أي رمز رسومي، يليه المقابض الفعلية المصنفة تحته. تمنح هذه الحيلة البرمجية المطورين القدرة على بناء هياكل إيضاحية فائقة التعقيد والتنظيم.

12. الأخطاء الشائعة وأفضل الممارسات البرمجية لاستكشاف الأخطاء وإصلاحها

12.1 الأخطاء الشائعة عند تعريف وتمرير المقابض والتسميات

يواجه المطورون والمحللون مجموعة من الأخطاء البرمجية المتكررة أثناء بناء وسائل الإيضاح اليدوية، ومن أهم هذه المشكلات:

• عدم تطابق أطوال مصفوفتي المقابض والتسميات (Length Mismatch): إذا احتوت مصفوفة handles على 4 عناصر بينما احتوت مصفوفة labels على 3 عناصر فقط، ستقوم Matplotlib بتجاهل المقبض الرابع بصمت دون إطلاق خطأ فادح، مما قد يؤدي إلى إخفاء متغير حرج من مفتاح الرسم أو حدوث إزاحة دلالية تفسد المخطط.
• نسيان تمرير الإحداثيات الوهمية لكائنات Line2D: عند استدعاء Line2D() دون تمرير مصفوفات الإحداثيات [0], [0]، قد يفشل الكائن في التهيئة أو يعتمد قيماً افتراضية غير متوقعة تؤدي إلى عدم ظهور الرمز داخل وسيلة الإيضاح.
• تمرير كائنات غير مدعومة مباشرة: محاولة تمرير أنواع بيانات خام مثل السلاسل النصية أو القواميس مباشرة داخل قائمة handles بدلاً من تمرير كائنات مشتقة من فئة Artist، مما يتسبب في إطلاق استثناء من نوع AttributeError.

12.2 مشكلات التنسيق والعرض التفاعلي وكيفية علاجها

من المشكلات البصرية المزعجة اختفاء صندوق وسيلة الإيضاح خلف طبقات الرسم الكثيفة أو خلف الرقع الملونة للمخطط، ويرجع ذلك إلى ترتيب الرسم العمقي المعروف باسم zorder. يتم حل هذه المشكلة بتمرير وسيط ترتيب الطبقات zorder بقيمة مرتفعة (مثل zorder=10) داخل دالة وسيلة الإيضاح لضمان بقائها دائماً في مقدمة المشهد فوق كافة العناصر الرسومية الأخرى.

كما تبرز مشكلة تشوه الأبعاد النسبية للخطوط والأيقونات عند تغيير دقة الشاشة أو تصدير المخططات إلى ملفات فكتوريا (SVG وPDF)؛ ويكمن الحل في تجنب استخدام الأحجام الثابتة للبكسلات والاعتماد بدلاً من ذلك على الوحدات النقطية المعيارية (Points) والنسب المئوية لمحاور الرسم عبر bbox_to_anchor. وعند بناء مئات المقابض اليدوية في الرسوم فائقة الضخامة، يجب تجميع الفئات وتجنب إغراق وسيلة الإيضاح بعشرات الرموز الفردية لتفادي بطء الأداء وتشتيت القارئ.

12.3 المعايير المرجعية وأفضل الممارسات في كتابة الكود البرمجي

لكتابة كود برمجي مستدام واحترافي يتبع أعلى المعايير الهندسية في مشاريع علوم البيانات والبحث العلمي، يُوصى باتباع الممارسات التالية:

• بناء دوال مساعدة معيارية (Helper Functions): إنشاء دوال مخصصة لتوليد وسائل الإيضاح اليدوية وإعادة استخدامها عبر كامل المشروع البرمجي لضمان توحيد الألوان والأنماط في كافة المخرجات.
• التوثيق الدقيق للدلالات اللونية: كتابة تعليقات برمجية تشرح المعنى الإحصائي لكل لون ونمط خط في الكود المصدري، مما يسهل على الباحثين الآخرين مراجعة وإعادة إنتاج النتائج (Reproducibility).
• مراعاة إمكانية الوصول البصري (Accessibility): استخدام لوحات ألوان صديقة للمصابين بعمى الألوان (مثل لوحات Viridis أو ColorBrewer)، والجمع دائماً بين التمييز اللوني والتمييز النمطي (Color + Line style / Hatching) لضمان سهولة القراءة في كافة ظروف الطباعة والعرض.

خاتمة

يمثل التخصيص اليدوي لوسائل الإيضاح في مكتبة Matplotlib مهارة تقنية وفنية لا غنى عنها لكل باحث ومحلل بيانات يسعى إلى تقديم مخرجات بصرية ترقى إلى معايير النشر العلمي المرموق والتواصل المهني عالي الجودة. من خلال فهم المعمارية الكائنية لكائنات Artist، والتحكم المباشر في فئات Line2D وmatplotlib.patches، واستخدام الدوال المتقدمة مثل get_legend_handles_labels وbbox_to_anchor، يستطيع المطور تجاوز كافة القيود المفروضة على الآليات التلقائية وبناء مفاتيح تفسيرية ثرية وهادفة تلبي متطلبات البيانات المعقدة ومتعددة الأبعاد. إن الجمع بين الدقة البرمجية وجماليات التصميم الإدراكي يضمن تحويل البيانات الخام إلى رؤى بصرية ثاقبة تخدم الفهم الإنساني وتدعم اتخاذ القرارات القائمة على الأدلة.

References

• 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
• Matplotlib Development Team. (2023). Legend guide: Controlling the legend in Matplotlib. Matplotlib Documentation. https://matplotlib.org/stable/tutorials/intermediate/legend_guide.html
• Matplotlib Development Team. (2023). matplotlib.lines.Line2D API Reference. Matplotlib Documentation. https://matplotlib.org/stable/api/_as_gen/matplotlib.lines.Line2D.html
• Matplotlib Development Team. (2023). matplotlib.patches.Patch API Reference. Matplotlib Documentation. https://matplotlib.org/stable/api/_as_gen/matplotlib.patches.Patch.html
• Rougier, N. P. (2021). Scientific Visualization: Python + Matplotlib. Nicolas P. Rougier. https://github.com/rougier/scientific-visualization-book
• 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.
• Waskom, M. L. (2021). Seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
• Wilke, C. O. (2019). Fundamentals of data visualization: A primer on making informative and compelling figures. O’Reilly Media.