كيفية حساب المدى الربيعي في بايثون

تُعد الإحصاءات الوصفية الركيزة الأساسية التي يستند إليها الباحثون وعلماء البيانات في استكشاف البيانات وفهم بنيتها الجوهرية. وفي سياق تحليل التوزيعات الرقمية، لا يقتصر التحليل الرصين على قياس النزعة المركزية مثل المتوسط والوسيط، بل يتطلب تقييماً دقيقاً لمدى تشتت القيم وتناثرها حول تلك المراكز. وهنا يبرز المدى الربيعي (Interquartile Range – IQR) كأحد أكثر مقاييس التشتت متانة ورصانة إحصائية، متفوقاً في كثير من السياقات التجريبية على مقاييس التشتت الكلاسيكية كالانحراف المعياري والتباين، نظراً لمناعته الفطرية ضد التأثر بالقيم الشاذة والالتواءات التوزيعية الشديدة.

مع تطور لغة البرمجة Python وتصدرها المشهد العلمي كأداة حوسبة إحصائية متقدمة، أصبحت المعالجة الرقمية للمقاييس اللامعلمية أمراً يتسم بالمرونة والدقة الفائقة. توفر المنظومة البرمجية لبايثون، من خلال حزمها الرائدة مثل NumPy وSciPy وPandas، ترسانة برمجية قوية لحساب المدى الربيعي وفق خوارزميات استيفاء رياضي متعددة، فضلاً عن توظيفه في أتمتة اكتشاف وتصفية القيم الشاذة، وبناء خطوط معالجة وتجهيز البيانات المعقدة للأبحاث المعملية والاجتماعية والنفسية.

يهدف هذا الدليل الأكاديمي الشامل إلى تقديم تفكيك نظري وتطبيقي عميق للمدى الربيعي وكيفية حسابه وتطبيقه برمجياً باستخدام لغة بايثون. سنتناول في هذا المرجع المفاهيم الرياضية للمئينات وطرق الاستيفاء، والآليات البرمجية لحساب IQR عبر مختلف المكتبات، واستراتيجيات التعامل مع التحديات الحسابية كالبيانات المفقودة والعينات الصغيرة، وتطبيقات عملية في معالجة البيانات السلوكية والنفسية، مع صياغة التوصيات المنهجية وفق المعايير الأكاديمية العالمية للنشر العلمي.

1. مقدمة نظرية إلى المدى الربيعي (IQR) ومفهومه الإحصائي

1.1 تعريف المدى الربيعي وأهميته كمقياس للتشتت

يُعرَّف المدى الربيعي (Interquartile Range) إحصائياً بأنه المسافة العددية التي تفصل بين الربيع الثالث (المئين 75) والربيع الأول (المئين 25) في مجموعة بيانات مرتبة تصاعدياً. يمثل هذا النطاق الحيز المكاني الذي يضم بداخله النصف الأوسط بالضبط (50%) من الملاحظات المرصودة، مما يجعله مقياساً نقياً للانتشار الميداني لكتلة البيانات الأساسية دون الالتفات إلى الأطراف المتطرفة. تتجلى القيمة العلمية للمدى الربيعي في انتمائه الصارم إلى فئة مقاييس التشتت القوية (Robust Dispersion Measures)، وهي تلك الأدوات الإحصائية المصممة خصيصاً لمقاومة الانهيار التحليلي عند وجود أخطاء في القياس أو ملاحظات غير نمطية.

في التحليل الإحصائي الوصفي، يوفر المدى الربيعي تمثيلاً أميناً للتباين الحقيقي للبيانات؛ فبينما يؤدي وجود قيمة متطرفة واحدة بعيدة جداً إلى مضاعفة قيمة التباين والانحراف المعياري، يظل المدى الربيعي مستقراً وثابتاً لأنه يعتمد على رتب الملاحظات ومواقعها النسبية بدلاً من قيمها العددية المطلقة. تتيح هذه الخاصية للباحثين دراسة التغير الجوهري في الظاهرة محل الدراسة وتلخيص تشتتها بدرجة عالية من الموثوقية والموضوعية الإحصائية.

1.2 الفروق الجوهرية بين المدى المطلق، الانحراف المعياري، والمدى الربيعي

تختلف مقاييس التشتت في حساسيتها لطبيعة البيانات وتوزيعها. يُحسب المدى المطلق (Range) عبر طرح أدنى قيمة من أعلى قيمة في التوزيع، وعلى الرغم من سهولته الحسابية، إلا أنه يُعد مقياساً هشاً للغاية؛ إذ تكفي قيمة واحدة شاذة ناتجة عن خطأ تجريبي لتعطي انطباعاً مضللاً تماماً عن اتساع التشتت الكلي للمجتمع الإحصائي. من جهة أخرى، يرتكز الانحراف المعياري (Standard Deviation) على تربيع الفروق بين كل مشاهدة والمتوسط الحسابي، وهو ما يجعله مقياساً فائق الحساسية للقيم القصوى، حيث تتضخم الفروق المربعة بشكل أسي وتجذب المقياس نحو ذيول التوزيع.

يتفوق المدى الربيعي تفوقاً حاسماً على الانحراف المعياري عندما تكون البيانات ملتوية (Skewed Distributions) أو عندما تحتوي على ذيول ثقيلة (Heavy Tails). يكمن معيار الاختيار المنهجي في الآتي: عندما تتبع البيانات التوزيع الطبيعي المتماثل وتخلو من القيم المتطرفة، يكون الانحراف المعياري هو الخيار الأمثل لتمتعه بالكفاءة البارامترية الكاملة. أما في حال رصد التواء في البيانات، أو اشتمالها على فئات مقيدة، أو وجود قيم متطرفة لا يرغب الباحث في حذفها ولكن لا يريد لها تشويه الصورة الوصفية، فإن الجمع بين الوسيط والمدى الربيعي (Median & IQR) يمثل البديل الإحصائي الأكثر رصانة ومصداقية منهجية.

1.3 أهمية المدى الربيعي في تحليل البيانات غير المعلمية والسلوكية

تحفل العلوم السلوكية والاجتماعية والبحوث النفسية ببيانات ذات طبيعة ترتيبية أو فترية غير متصلة، مثل الاستبيانات المبنية على مقياس ليكرت (Likert Scale)، ودرجات مقاييس القلق، وأزمنة الاستجابة الحركية والإدراكية. نادراً ما تحقق هذه المتغيرات فرضية التوزيع السوي (Normality Assumption)، إذ غالباً ما تتجمع إجابات المبحوثين حول أحد الأطراف أو تتسم بوجود استجابات غير منضبطة تفرز قيماً متطرفة. في مثل هذه البيئات البحثية، تفشل المقاييس البارامترية في تقديم قراءة دقيقة للسلوك البشري المدروس.

يوفر المدى الربيعي إطاراً تحليلياً ملائماً جداً لاختبار الفروق الفردية في المتغيرات النفسية الحساسة. فهو يسمح للباحثين النفسيين بتحديد النطاق الذي يتحرك ضمنه الأداء النمطي للمشاركين دون أن يتشوه بالاستجابات الناتجة عن تشتت الانتباه أو الإرهاق التجريبي. كما يُعد IQR المقياس الوصفي المعتمد المصاحب للاختبارات اللامعلمية مثل اختبار مان-ويتني (Mann-Whitney U) واختبار كروسكال-واليس (Kruskal-Wallis)، حيث يقدم توصيفاً متطابقاً مع المنطق الرتبي الذي تقوم عليه تلك التحليلات الاستدلالية.

2. الأساس الرياضي لحساب المدى الربيعي والمئينات

2.1 مفهوم المئينات والربيعيات (Q1 وQ2 وQ3)

تُعد الربيعيات (Quartiles) نقاط تقسيم إحصائية تقطع توزيع البيانات المرتبة إلى أربعة أجزاء متساوية في التردد، يحتوي كل جزء منها على 25% من إجمالي عدد الحالات المرصودة. تُعرف هذه النقاط رياضياً بدلالة المئينات (Percentiles) على النحو التالي:

• الربيع الأول (Q1 / المئين 25): هو القيمة التي يقع تحتها بالضبط 25% من البيانات المرتبة، بينما تتجاوزها الـ 75% المتبقية من المشاهدات. يمثل هذا المقياس سقف الربع الأدنى في السلسلة الإحصائية.
• الربيع الثاني (Q2 / الوسيط / المئين 50): نقطة الارتكاز المركزية التي تقسم العينة إلى نصفين متساويين تماماً، حيث يقل نصف البيانات عن هذه القيمة ويزيد النصف الآخر عنها.
• الربيع الثالث (Q3 / المئين 75): القيمة التي يقع تحتها 75% من البيانات، ويمثل الحد الفاصل الذي تبدأ عنده أعلى 25% من القيم في التوزيع.

2.2 طرق الاستيفاء وحساب الرتب الإحصائية (Interpolation Methods)

عند حساب الربيعيات لمجموعة بيانات تحتوي على عدد $N$ من المشاهدات، نادراً ما تقع رتبة المئين على مؤشر صحيح بالكامل داخل المصفوفة، مما يستدعي استخدام خوارزميات الاستيفاء الرياضي (Interpolation Methods) لتحديد القيمة المقابلة للكسور العشرية للرتبة. ترتكز معظم البرمجيات على الاستيفاء الخطي (Linear Interpolation)، والذي يفترض تزايداً خطياً مستمراً بين القيمتين المتجاورتين للرتبة المحسوبة.

تتضمن الخوارزميات الإحصائية المعتمدة خمس طرق رئيسية للتعامل مع الرتب الكسرية بين النقطتين $i$ و $j$ بمعامل كسر $f$:

• الاستيفاء الخطي (linear): يحسب القيمة وفق المعادلة $i + (j – i) \times f$. وهو الخيار الافتراضي في غالبية مكتبات بايثون.
• الأدنى (lower): يأخذ القيمة العددية للمشاهدة ذات الرتبة الصحيحة الصغرى $i$ ويتجاهل الكسر بالكامل.
• الأعلى (higher): يجبر الرتبة إلى القيمة الأكبر $j$ التالية للكسر مباشرة.
• نقطة المنتصف (midpoint): يحسب المتوسط الحسابي البسيط بين المشاهدتين $(i + j) / 2$ بغض النظر عن قيمة الكسر $f$.
• الأقرب (nearest): يقرب الرتبة الكسرية إلى أقرب مؤشر عدد صحيح في البيانات.

يؤثر حجم العينة بشدة على مدى تباين هذه الطرق؛ ففي العينات الكبيرة تتقارب النتائج حتى تتطابق، بينما قد يؤدي اختلاف طريقة الاستيفاء في العينات الصغيرة إلى فروق طفيفة ولكنها ذات دلالة في حساب المدى الربيعي بين الحزم البرمجية المختلفة مثل R وSAS وبايثون.

2.3 الصيغة الرياضية لحساب IQR وتأثير شكل التوزيع عليها

تُعبر الصيغة الرياضية للمدى الربيعي عن عملية طرح حسابية مباشرة بين الربيعين الثالث والأول:

$$IQR = Q_3 – Q_1$$

يرتبط السلوك الهندسي والعددي لقيمة $IQR$ بالشكل العام لمنحنى التوزيع الاحتمالي. في التوزيعات المتماثلة تماماً (Symmetrical Distributions)، تتساوى المسافة بين الربيع الأول والوسيط مع المسافة بين الوسيط والربيع الثالث، أي أن $(Q_2 – Q_1) = (Q_3 – Q_2) = 0.5 \times IQR$. في مثل هذه الحالات، يرتبط المدى الربيعي بالتوزيع الطبيعي القياسي بعلاقة تحويلية ثابتة، حيث يُعادل $IQR \approx 1.349 \times \sigma$، حيث تمثل $\sigma$ الانحراف المعياري للمجتمع.

أما في التوزيعات ذات الالتواء الإيجابي (ذيل طويل نحو اليمين)، فإن المسافة $(Q_3 – Q_2)$ تتسع بشكل ملحوظ مقارنة بالمسافة $(Q_2 – Q_1)$، والعكس صحيح في التوزيعات ذات الالتواء السلبي. علاوة على ذلك، تعكس قيمة $IQR$ كثافة التمركز البياني حول الوسيط؛ فكلما تكتلت المشاهدات في المنطقة الوسطى وضاق نطاق التباين، انكمشت قيمة $IQR$ معبرة عن تجانس مرتفع للكتلة المركزية، بينما يتسع $IQR$ مشيراً إلى تشتت واسع وتراخٍ في ترابط نصف البيانات الأوسط.

3. إعداد بيئة العمل البرمجية في بايثون

3.1 تثبيت واستيراد المكتبات الأساسية للتحليل الإحصائي

يتطلب الشروع في التحليل الإحصائي وبناء النماذج الوصفية في بيئة بايثون تثبيت المنظومة الحسابية المعيارية للبيانات. يعتمد المحللون على أربع مكتبات أساسية تمثل العمود الفقري للرياضيات والبيانات في بايثون: مكتبة NumPy للعمليات المصفوفية عالية السرعة، ومكتبة SciPy للتحليلات الإحصائية المتقدمة، ومكتبة Pandas لهيكلة وإدارة جداول البيانات، ومكتبة Matplotlib جنباً إلى جنب مع Seaborn لتوليد المخططات البيانية.

يمكن تثبيت هذه الحزم في بيئة العمل الافتراضية عبر مدير الحزم البرمجية pip بتنفيذ الأمر المباشر التالي داخل الطرفية:

pip install numpy scipy pandas matplotlib seaborn

بعد اكتمال التثبيت، تُستورد هذه المكتبات في السكربت البرمجي أو دفتر الحوسبة التفاعلية باستخدام الأسماء المستعارة المعتمدة اصطلاحياً في مجتمع بايثون العلمي:

import numpy as np
import scipy.stats as stats
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

من الضروري التحقق من أرقام الإصدارات للبيئة المستخدمة لضمان توافق المعلمات المستحدثة في الدوال، مثل معلمة method التي حلت محل interpolation في التحديثات الحديثة لمكتبة NumPy ابتداءً من الإصدار 1.22 وما يليه.

3.2 تهيئة مصفوفات البيانات وهياكل DataFrames

تتعامل مكتبات بايثون مع هياكل بيانات متعددة الأنماط، حيث تُعد مصفوفات كائنات ndarray في NumPy الهيكل الأمثل للحسابات العددية المكثفة أحادية ومتعددة الأبعاد، بينما توفر هياكل pd.DataFrame وpd.Series في Pandas طبقة تجريدية غنية بالعناوين النصية وأنواع البيانات المتباينة التي تحاكي الجداول الإحصائية الكلاسيكية.

يمكن تهيئة مصفوفات رقمية اصطناعية لتمثيل تجارب نفسية وسلوكية واقعية تتضمن التواءات مقصودة وبعض القيم المتطرفة لغرض الفحص والتدريب، كما يوضح البناء البرمجي التالي:

# توليد عينة بيانات عشوائية تحاكي أزمنة استجابة سلوكية مع وجود قيم شاذة
np.random.seed(42)
reaction_times = np.concatenate([np.random.normal(loc=350, scale=40, size=100), np.array([650, 720, 810])])
# تحويل البيانات إلى إطار بيانات Pandas مهيكل
df_behavioral = pd.DataFrame({'Subject_ID': range(1, 104), 'Reaction_Time_ms': reaction_times})

3.3 ضبط خيارات العرض والدقة الرقمية في بايثون

لضمان الحصول على مخرجات أكاديمية منضبطة وتفادي تشتت الباحث بالأرقام العشرية الطويلة الناتجة عن تمثيل الفاصلة العائمة (Floating Point Representation)، يوصى بضبط معايير التنسيق الرقمي عالمياً داخل بيئة التحليل. توفر مكتبة Pandas دوال لتحديد عدد الخانات العشرية المعروضة في الجداول الإحصائية عبر تعديل متغيرات البيئة:

pd.set_option('display.float_format', lambda x: '%.3f' % x)
pd.set_option('display.max_columns', 15)
pd.set_option('display.width', 1000)

بالإضافة إلى ذلك، يُنصح بتفعيل إعدادات الرسم المضمن والتحكم في كثافة النقط في البوصة (DPI) في بيئة Jupyter Notebook لضمان وضوح الرسوم التوضيحية البيانية وتوافقها مع دقة النشر العلمي، مع معالجة وتجاوز التحذيرات التحليلية غير الحرجة (RuntimeWarnings) عند إجراء العمليات الحسابية على مصفوفات تحوي قيماً مفقودة.

4. حساب المدى الربيعي باستخدام مكتبة NumPy

4.1 استخدام الدالة numpy.percentile() لحساب Q1 وQ3

تُعد الدالة np.percentile() في مكتبة NumPy الأداة الأساسية والأكثر شيوعاً لحساب المئينات والربيعيات على المصفوفات العددية. يتم تمرير مصفوفة البيانات كمعلمة أولى، متبوعة بالمئينات المستهدفة كقائمة تحوي القطبين [25, 75] لحساب الربيع الأول والثالث في خطوة حوسبية واحدة، مما يتيح استخراج $IQR$ بطرح رياضي مباشر بين الناتجين.

# حساب المئين 25 والمئين 75 لمصفوفة أزمنة الاستجابة
q1, q3 = np.percentile(reaction_times, [25, 75])
iqr_numpy = q3 - q1
print(f"Q1 (25th percentile): {q1:.3f}")
print(f"Q3 (75th percentile): {q3:.3f}")
print(f"Calculated IQR via NumPy: {iqr_numpy:.3f}")

في هذا المثال، تستقبل الدالة المتجه الرقمي وتقوم داخلياً بفرز البيانات وتطبيق خوارزمية الترتيب الرتبي. تُرجع الدالة مصفوفة أحادية تضم قيمتي الربيعين، ويتم تخزينهما عبر التفكيك الهيكلي (Tuple Unpacking) في المتغيرين q1 وq3، ليعبر الفرق بينهما عن اتساع النطاق المركزي للعينة.

4.2 معالجة خيارات الاستيفاء الرياضي عبر معلمة method

توفر التحديثات الحديثة لمكتبة NumPy مرونة إحصائية كاملة من خلال المعلمة method، والتي تسمح للباحث بالاختيار بين تسع خوارزميات قياسية تمثل المعايير المعمول بها في الأدبيات الإحصائية وبرمجيات التحليل المختلفة مثل R وHyndman-Fan types.

# مقارنة نتائج خوارزميات الاستيفاء المختلفة على عينة صغيرة
sample_data = np.array([12, 15, 19, 24, 28, 31, 45])
methods = ['linear', 'lower', 'higher', 'midpoint', 'nearest']
for m in methods:
q1_m, q3_m = np.percentile(sample_data, [25, 75], method=m)
print(f"Method: {m:<10} | Q1: {q1_m:<6.2f} | Q3: {q3_m:<6.2f} | IQR: {q3_m - q1_m:.2f}")

يُظهر هذا التدقيق البرمجي كيف يمكن أن تتغير قيمة $IQR$ في العينات المحدودة بتغير الخوارزمية؛ حيث تفيد طريقة lower وhigher في التحليلات التي تتطلب التمسك الصارم بقيم فعلية من الملاحظات المرصودة دون توليد قيم بينية وهمية، بينما تضمن طريقة linear الانتقال السلس والمستمر المناسب للمتغيرات المتصلة.

4.3 حساب IQR للمصفوفات متعددة الأبعاد عبر المحاور (Axes)

تتميز NumPy بقدرتها الفائقة على إجراء العمليات الموجهة (Vectorized Computations) عبر المصفوفات متعددة الأبعاد بكفاءة برمجية عالية ودون الحاجة لكتابة حلقات تكرارية بطيئة (for-loops). تتيح معلمة axis في الدالة np.percentile() التحكم في اتجاه التحليل الحسابي عبر الصفوف أو الأعمدة داخل مصفوفة ثنائية الأبعاد (Matrix).

# إنشاء مصفوفة 2D تمثل 4 متغيرات نفسية عبر 50 مشاركاً
np.random.seed(101)
matrix_data = np.random.lognormal(mean=2.0, sigma=0.5, size=(50, 4))
# حساب IQR لكل متغير (عبر الأعمدة عمودياً axis=0)
q1_cols, q3_cols = np.percentile(matrix_data, [25, 75], axis=0)
iqr_per_variable = q3_cols - q1_cols
print("IQR for each of the 4 variables:", np.round(iqr_per_variable, 4))

عند تعيين axis=0، تجري الحسابات بشكل عمودي على مستوى كل متغير على حدة عبر جميع العينات، مما ينتج عنه متجه يحتوي على 4 قيم تمثل $IQR$ لكل مقياس تجريبي، موفراً مئات الملي ثوانٍ من زمن المعالجة الحسابية مقارنة بالأساليب التكرارية التقليدية.

5. حساب المدى الربيعي باستخدام مكتبة SciPy

5.1 استخدام الدالة المباشرة scipy.stats.iqr()

توفر حزمة الإحصاء المتقدمة scipy.stats داخل مكتبة SciPy دالة متخصصة ومصممة خصيصاً لحساب المدى الربيعي مباشرة وبخطوة برمجية واحدة دون الحاجة لطرح المئينات يدوياً: وهي الدالة scipy.stats.iqr().

from scipy.stats import iqr
# تطبيق الدالة المباشرة على مصفوفة البيانات
iqr_value = iqr(reaction_times)
print(f"Direct IQR calculation via SciPy: {iqr_value:.3f}")

تتميز دالة iqr() في SciPy بمرونة فائقة في تخصيص حدود النطاق عبر معلمة rng، والتي تقبل افتراضياً النطاق الربيعي (25, 75)، ولكن يمكن تعديلها لحساب النطاق العشيري (Interdecile Range) عبر تمرير rng=(10, 90) أو أي نطاق مئيني مخصص، مع دعم كامل لمعلمة scale التي تتيح تحويل $IQR$ مباشرة إلى تقدير معادل للانحراف المعياري عبر التمرير scale='normal'.

5.2 ضبط معلمات الدالة لمعالجة القيم المفقودة (nan_policy)

من أهم مزايا الاعتماد على SciPy في التحليل الإحصائي وجود المعلمة الصارمة nan_policy، والتي تمنح الباحث تحكماً كاملاً في كيفية تعامل الخوارزمية مع القيم المفقودة من نوع NaN (Not a Number) في البيانات دون الحاجة لتنظيف المصفوفة مسبقاً في خطوة منفصلة.

# مصفوفة تحتوي على بيانات مفقودة ناجمة عن عدم استجابة المبحوثين
data_with_nans = np.array([23.5, 18.2, np.nan, 30.1, 25.4, np.nan, 21.0, 27.8])
# 1. تجاهل القيم المفقودة وحساب المدى الربيعي للبيانات الصالحة
iqr_omitted = iqr(data_with_nans, nan_policy='omit')
print(f"IQR with NaNs omitted: {iqr_omitted:.3f}")
# 2. إطلاق خطأ برمجي عند وجود أي قيمة مفقودة لضمان سلامة البيانات
try:
iqr_strict = iqr(data_with_nans, nan_policy='raise')
except ValueError as e:
print("Data validation error:", e)

يوفر خيار nan_policy='omit' عزلاً آمناً للبيانات المفقودة أثناء الحساب الحظي، بينما يحمي الخيار nan_policy='raise' خطوط معالجة النماذج الصارمة من تسرب قيم غير مكتملة دون تفطن الباحث أو المهندس القائم على التحليل.

5.3 المقارنة الأدائية والدقة الحسابية بين SciPy وNumPy

عند تقييم التطابق الرياضي بين الدالتين np.percentile() وscipy.stats.iqr()، نجد تطابقاً كاملاً في النتائج العددية بنسبة دقة 100% عندما تتطابق بارامترات الاستيفاء. ولكن على صعيد السرعة الحوسبية (Execution Speed) واستهلاك الذاكرة في مجموعات البيانات الضخمة (Big Data Arrays)، تبرز فروق طفيفة مبينة في جدول المقارنة التالي:

مقارنة معيارية بين NumPy وSciPy في حساب المدى الربيعي

المعيار البرمجي / الإحصائي	NumPy (np.percentile)	SciPy (scipy.stats.iqr)
سهولة البناء البرمجي	تتطلب خطوتين (حساب Q1 وQ3 ثم الطرح)	خطوة برمجية واحدة مباشرة
التعامل مع القيم المفقودة	تتطلب استدعاء دالة بديلة np.nanpercentile	مدمج عبر معلمة nan_policy
كفاءة الذاكرة مع البيانات المليونية	فائقة السرعة ومنخفضة التجريد الأسي	سريعة جداً مع طبقة تجريد طفيفة إضافية
التحويل المعياري التلقائي	يتطلب الضرب اليدوي في المعامل 0.7413	مدعوم تلقائياً عبر المعلمة scale='normal'

6. حساب المدى الربيعي لأعمدة أطر البيانات في Pandas

6.1 تطبيق دالة quantile() على السلاسل الفردية (Series)

تُعد مكتبة Pandas الخيار الأفضل لإدارة وتحليل الجداول المهيكلة. توفر السلسلة الفردية (Series) الدالة quantile() التي تقبل قيمة المئين ككسر عشري يقع في النطاق بين $0.0$ و $1.0$. تتميز Pandas بتجاهلها التلقائي للقيم المفقودة NaN دون التسبب في توقف تنفيذ الكود البرمجي.

# حساب IQR لمتغير درجات القلق في إطار بيانات نفسي
anxiety_scores = pd.Series([45, 52, 48, 60, 55, 78, 51, np.nan, 49, 53, 58, 62])
q1_anxiety = anxiety_scores.quantile(0.25)
q3_anxiety = anxiety_scores.quantile(0.75)
iqr_anxiety = q3_anxiety - q1_anxiety
print(f"Anxiety Score - Q1: {q1_anxiety:.2f}, Q3: {q3_anxiety:.2f}, IQR: {iqr_anxiety:.2f}")

يقوم هذا البناء باستخراج الربيع الأول عند النقطة المئينية 0.25 والربيع الثالث عند 0.75 بعد استبعاد القيمة المفقودة تلقائياً، لينتج المدى الربيعي الحقيقي الممثل لتشتت درجات القلق لعينة الدراسة بدقة إحصائية كاملة.

6.2 حساب IQR لأعمدة متعددة ولكامل إطار البيانات دفعة واحدة

عند العمل مع قواعد بيانات تجريبية تحتوي على عشرات المتغيرات الرقمية، يكون من غير الفعال حساب كل عمود على حدة. تتيح دالة quantile() المطبقة على مستوى كائن DataFrame حساب الربيعيات لجميع الأعمدة الرقمية في خطوة مجمعة واحدة، مع استبعاد المتغيرات النصية والتصنيفية تلقائياً أو عبر تصفية الأعمدة الرقمية مسبقاً.

# إنشاء إطار بيانات يحوي متغيرات مقاييس نفسية متعددة
np.random.seed(42)
clinical_df = pd.DataFrame({
'Patient_Group': np.random.choice(['Control', 'Treatment'], size=100),
'Depression_Score': np.random.gamma(shape=2, scale=5, size=100),
'Stress_Score': np.random.normal(loc=50, scale=10, size=100),
'Sleep_Hours': np.random.uniform(4, 10, size=100)
})
# حساب المئينين 25 و 75 للأعمدة الرقمية فقط
quantiles = clinical_df.select_dtypes(include=[np.number]).quantile([0.25, 0.75])
# حساب IQR لجميع المتغيرات عبر طرح السلسلتين في جدول المئينات
iqr_all_columns = quantiles.loc[0.75] - quantiles.loc[0.25]
print("Interquartile Range across all clinical measures:n", iqr_all_columns)

تولد هذه العملية جدولاً إحصائياً موجزاً يُظهر التشتت الربيعي لكل متغير رقمي، مما يوفر للباحث نظرة بانورامية فورية على تباين مقاييس الاكتئاب والضغط وساعات النوم داخل العينة المشمولة بالدراسة.

6.3 حساب المدى الربيعي عبر المجموعات باستخدام دالة groupby()

في الدراسات التجريبية المقارنة والتجارب السريرية، يحتاج الباحث باستمرار إلى تقييم التشتت الوصفي لكل مجموعة تجريبية وضابطة على حدة. توفر دالة groupby() في Pandas أداة متطورة لتقسيم البيانات وفق المتغيرات التصنيفية وتطبيق دوال مخصصة لحساب المدى الربيعي عبر واجهة agg() أو apply().

# دالة مخصصة لحساب المدى الربيعي لاستخدامها داخل التجميع
def calculate_iqr(series):
return series.quantile(0.75) - series.quantile(0.25)

# حساب الوسيط والمدى الربيعي والانحراف الربيعي لكل مجموعة تجريبية
group_summary = clinical_df.groupby('Patient_Group').agg(
Depression_Median=('Depression_Score', 'median'),
Depression_IQR=('Depression_Score', calculate_iqr),
Stress_Median=('Stress_Score', 'median'),
Stress_IQR=('Stress_Score', calculate_iqr)
).reset_index()
print("Comparative Group Statistics:n", group_summary)

تُنتج هذه المنهجية جداول مقارنة رصينة تدعم التحليل المقارن، وتوضح كيف يتغير تشتت الاستجابات السريرية بتغير بروتوكول العلاج أو التصنيف الديموغرافي للمشاركين.

7. كشف القيم الشاذة (Outliers) باستخدام قاعدة المدى الربيعي

7.1 الأساس الإحصائي لحدود توكي (Tukey’s Fences)

قدّم عالم الإحصاء الشهير جون توكي (John Tukey) في عام 1977 منهجية ثورية لكشف القيم الشاذة والتفتيش الاستكشافي عن البيانات غير النمطية، عُرفت تاريخياً باسم حدود توكي (Tukey’s Fences). ترتكز هذه القاعدة على بناء سياج إحصائي محكم يعتمد حصرياً على الربيعيات وقيمة المدى الربيعي، متحرراً من أي افتراض مسبق حول خضوع البيانات للتوزيع الطبيعي المعياري.

تُعرّف حدود توكي الرياضية وفق القواعد الصارمة التالية:

• الحد الأدنى الداخلي (Lower Inner Fence): يُحسب بالمعادلة: $Q_1 – (1.5 \times IQR)$. وتُعد أي قيمة تقع دون هذا الحد قيمة شاذة معتدلة (Mild Outlier).
• الحد الأعلى الداخلي (Upper Inner Fence): يُحسب بالمعادلة: $Q_3 + (1.5 \times IQR)$. وتُعد أي قيمة تتجاوز هذا الحد قيمة شاذة معتدلة.
• الحدود الخارجية المتطرفة (Outer Fences): تُحسب بالمعادلتين: $Q_1 – (3.0 \times IQR)$ و $Q_3 + (3.0 \times IQR)$، وتُصنف المشاهدات الواقعة خارج هذا النطاق الأوسع بأنها قيم شاذة حادة أو متطرفة (Extreme Outliers).

7.2 برمجة كاشف القيم الشاذة وتصفيتها في مصفوفات NumPy

يمكن بناء كاشف برمجي فعال باستخدام الأقنعة البوليانية (Boolean Masks) في NumPy لتحديد المشاهدات الواقعة خارج حدود توكي، واستخراجها كمتجه تحليلي منفصل، ومن ثم تنقية المصفوفة الأصلية لإنشاء عينة معقمة إحصائياً.

# تحديد حدود توكي واكتشاف القيم الشاذة
q1 = np.percentile(reaction_times, 25)
q3 = np.percentile(reaction_times, 75)
iqr_val = q3 - q1
lower_bound = q1 - 1.5 * iqr_val
upper_bound = q3 + 1.5 * iqr_val

# إنشاء قناع الشذوذ البولياني
outlier_mask = (reaction_times < lower_bound) | (reaction_times > upper_bound)
outliers_detected = reaction_times[outlier_mask]
cleaned_times = reaction_times[~outlier_mask]

print(f"Lower Fence: {lower_bound:.2f} | Upper Fence: {upper_bound:.2f}")
print(f"Number of detected outliers: {len(outliers_detected)}")
print(f"Detected Outlier values: {np.round(outliers_detected, 2)}")
print(f"Original size: {len(reaction_times)} | Cleaned size: {len(cleaned_times)}")

تضمن هذه الآلية البرمجية السرعة والدقة العالية في معالجة مئات الآلاف من الملاحظات خلال أجزاء من الثانية، وتوفر عزلاً فورياً للقيم الشاذة التي قد تشوه تقديرات النماذج التنبؤية اللاحقة.

7.3 عزل وتنقية القيم الشاذة في أطر بيانات Pandas

عند إدارة مجموعات البيانات البحثية داخل أطر Pandas، يتطلب العزل الإحصائي توثيقاً دقيقاً للحالات المتأثرة دون حذف السجلات بشكل عشوائي، مما يتيح للباحث التحقق من طبيعة الحالات المستبعدة وتقديم تقارير شفافة حول حجم الفقد في العينة.

# تطبيق كاشف توكي على إطار بيانات Pandas
def filter_outliers_iqr(df, column_name):
Q1 = df[column_name].quantile(0.25)
Q3 = df[column_name].quantile(0.75)
IQR = Q3 - Q1
lower_limit = Q1 - 1.5 * IQR
upper_limit = Q3 + 1.5 * IQR
# إضافة عمود تشخيصي يوضح حالة القيد
df[column_name + '_Is_Outlier'] = (df[column_name] < lower_limit) | (df[column_name] > upper_limit)
filtered_df = df[~df[column_name + '_Is_Outlier']].copy()
return filtered_df, df[df[column_name + '_Is_Outlier']]

# تنقية متغير درجات الاكتئاب
clean_clinical_df, outliers_df = filter_outliers_iqr(clinical_df, 'Depression_Score')
print(f"Cleaned DataFrame Shape: {clean_clinical_df.shape}")
print(f"Isolated Outliers Records:n", outliers_df[['Depression_Score', 'Patient_Group']])

يسمح هذا المنهج بحفظ السجلات المشكوك في صحتها في جدول منفصل لإجراء مراجعة إكلينيكية أو نوعية، مع إبقاء جدول التحليل الأساسي خالياً تماماً من التشوهات الإحصائية الشديدة.

8. التمثيل البصري للمدى الربيعي والقيم الشاذة

8.1 رسم المخطط الصندوقي (Boxplot) باستخدام Matplotlib

يُمثل المخطط الصندوقي (Box and Whisker Plot)، الذي ابتكره جون توكي أيضاً، الترجمة الهندسية المباشرة لمفهوم المدى الربيعي والربيعيات الخمسة. يُعبر الارتفاع أو العرض الرأسي للصندوق المركزي عن قيمة $IQR$ بدقة متناهية، حيث يمثل الطرف الأدنى للصندوق الربيع الأول $Q_1$ والطرف الأعلى الربيع الثالث $Q_3$، ويشطر الخط الداخلي الصندوق عند الوسيط $Q_2$.

توفر مكتبة Matplotlib الدالة الأساسية plt.boxplot() للتحكم الدقيق في كافة العناصر البصرية للمخطط وتخصيص مظهر الشوارب (Whiskers) والنقاط الشاذة (Fliers):

plt.figure(figsize=(8, 6), dpi=100)
box_props = plt.boxplot(reaction_times, patch_artist=True,
boxprops=dict(facecolor='#D0E1FD', color='#1A365D', linewidth=1.5),
medianprops=dict(color='#E53E3E', linewidth=2),
whiskerprops=dict(color='#1A365D', linewidth=1.2),
capprops=dict(color='#1A365D', linewidth=1.2),
flierprops=dict(marker='o', markerfacecolor='#E53E3E', markersize=6, linestyle='none'))
plt.title("Boxplot Representation of Reaction Times (IQR Focus)", fontsize=14, fontweight='bold', pad=15)
plt.ylabel("Response Time (ms)", fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

يُبرز هذا الرسم الصندوقي المسافة المركزية للبيانات؛ وتمتد الشوارب لتغطي أبعد نقطة غير شاذة داخل حدود $1.5 \times IQR$، بينما تُعرض أي مشاهدة تقع خلف الشاربين كنقاط منفردة باللون الأحمر تمثل القيم الشاذة المكتشفة.

8.2 إنشاء مخططات صندوقية ومخططات كمانية متقدمة باستخدام Seaborn

تتفوق مكتبة Seaborn في بناء المخططات الإحصائية المركبة والجمالية الجاهزة للنشر الأكاديمي المباشر وفق معايير جمعية علم النفس الأمريكية (APA Style). تتيح Seaborn دمج مقارنة المجموعات بسهولة تامة، بالإضافة إلى دعم مخططات الكمان (Violin Plots) التي تدمج الصندوق الربيعي الداخلي مع تقدير كثافة النواة الاحتمالية (Kernel Density Estimation – KDE).

plt.figure(figsize=(10, 6), dpi=120)
sns.set_theme(style="ticks", palette="muted")
# رسم مخطط الكمان مع تضمين المدى الربيعي بداخله بصورة مصغرة
ax = sns.violinplot(x="Patient_Group", y="Stress_Score", data=clinical_df,
inner="quartile", cut=0, linewidth=1.5)
plt.title("Comparative Violin Plot of Stress Scores by Treatment Group", fontsize=14, pad=15)
plt.xlabel("Experimental Group", fontsize=12)
plt.ylabel("Stress Score Level", fontsize=12)
sns.despine(top=True, right=True)
plt.tight_layout()
plt.show()

يوفر خيار inner="quartile" رسماً دقيقاً للخطوط المتقطعة التي توضح مواقع $Q_1$ والوسيط و$Q_3$ داخل شكل الكمان، مما يمنح القارئ فهماً مزدوجاً يجمع بين كثافة التوزيع الاحتمالي ومقاييس التشتت الربيعية في آن واحد.

8.3 الربط البصري والتحليلي بين مخرجات بايثون والمفاهيم الإحصائية

تكتمل الرؤية التحليلية للباحث عندما يطابق القيم الرقمية المستخرجة من أطر البيانات مع الأبعاد الهندسية للمخططات البيانية. فالصندوق ليس مجرد شكل جمالي، بل هو التمثيل الفعلي للمدى $IQR = Q_3 – Q_1$؛ فإذا كانت قيمة المدى الربيعي المحسوبة مثلاً تساوي $45.3$ ملي ثانية، فإن الارتفاع الصافي للصندوق على المحور الصادي يطابق تماماً تلك القيمة.

كما يعكس تماثل موقع خط الوسيط داخل الصندوق اتجاه التوزيع؛ فاقتراب الوسيط من حافة الربيع الأول $Q_1$ مع استطالة الشارب العلوي يشير بوضوح لا يقبل اللبس إلى التواء إيجابي شديد، مما يدعم القرار المنهجي باعتماد الوسيط والمدى الربيعي كمقياسين وصفيين أساسيين واستبعاد المتوسط الحسابي الذي سيكون حينها منحازاً ومضللاً.

9. معالجة الحالات الخاصة والتحديات الحسابية في بايثون

9.1 التعامل مع البيانات المفقودة (NaNs) وتأثيرها على العمليات الحسابية

من الأخطاء البرمجية الشائعة التي تواجه المحللين استخدام دالة np.percentile() الافتراضية على مصفوفات تحوي قيماً مفقودة من نوع np.nan؛ إذ يؤدي ذلك بطبيعته إلى إرجاع قيمة nan كنتيجة للربيعيات والمدى الربيعي بأكمله، مفسداً العمليات التحليلية اللاحقة. يكمن الحل البرمجي في توظيف الدالة المخصصة np.nanpercentile() التي تتجاوز القيم المفقودة تلقائياً.

# التعامل مع مصفوفة ملوثة بالقيم المفقودة
corrupted_data = np.array([10.5, np.nan, 14.2, 18.9, np.nan, 22.1, 26.5, 31.0])
# الحساب الصحيح بتجاهل الـ NaNs
q1_nan, q3_nan = np.nanpercentile(corrupted_data, [25, 75])
iqr_nan = q3_nan - q1_nan
print(f"Robust NaN-aware IQR: {iqr_nan:.3f}")

من الناحية المنهجية، يجب على الباحث تقييم نسبة البيانات المفقودة؛ فإذا تجاوزت نسبة الفقد 15% إلى 20%، فإن مجرد تجاهلها موضعياً (Pairwise/Listwise omission) قد يفرز تقديراً متحيزاً للمدى الربيعي للعينة، مما يستدعي استخدام خوارزميات التعويض الإحصائي المتعدد (Multiple Imputation) قبل حساب مقاييس التشتت.

9.2 حساب IQR في العينات الصغيرة والبيانات المنفصلة (Discrete Data)

يطرح حساب المدى الربيعي في العينات الصغيرة جداً ($N < 30$) أو عند التعامل مع متغيرات منفصلة ذات رتب متكررة (Tied Ranks) تحديات رياضية تتعلق بدقة تقدير المئينات. في مثل هذه الحالات، قد يؤدي الاستيفاء الخطي الافتراضي إلى توليد قيم عشرية غير قابلة للتحقق الفعلي في الواقع العملي (مثل حساب ربيعي لعدد الأطفال أو عدد نوبات الهلع).

يوصى في مثل هذه السيناريوهات بضبط طريقة الاستيفاء على method='nearest' أو method='midpoint' لضمان الحفاظ على الخصائص المنفصلة للمتغير، مع توخي الحذر عند تفسير $IQR$ الناتج وتوثيق الخوارزمية البرمجية المتبعة بدقة في متن البحث العلمي لمنع أي تضارب عند إعادة إنتاج النتائج.

9.3 تحسين الأداء الحسابي للبيانات الضخمة (Big Data Optimization)

عند التعامل مع مجموعات بيانات عملاقة تتجاوز ملايين السجلات وتتخطى حدود الذاكرة العشوائية (RAM)، تصبح العمليات المصفوفية التقليدية بطيئة ومكلفة حوسبياً. يتطلب ذلك تطبيق تقنيات المعالجة الموزعة واستخدام حزم حوسبية متقدمة مثل Dask أو استخدام مصفوفات الذاكرة المشتركة (Memory-mapped arrays) في NumPy عبر np.memmap.

تسمح هذه الأدوات بحساب المئينات والمدى الربيعي عبر خوارزميات تقريبية فائقة السرعة مثل خوارزمية T-Digest، والتي توفر تقديراً فائق الدقة للربيعيات بهامش خطأ لا يتجاوز 0.01% مع استهلاك جزء ضئيل جداً من موارد المعالج والذاكرة.

10. بناء دوال مخصصة وأتمتة حساب IQR في بايثون

10.1 تصميم دالة بايثون معيارية وشاملة لحساب المدى والحدود

لضمان إعادة استخدام الكود البرمجي وتقليل التكرار، يُنصح بتصميم دالة برمجية مهيكلة ومعيارية تستقبل مصفوفات NumPy أو سلاسل Pandas، وتتضمن آليات التحقق من صحة المدخلات ومعالجة الأخطاء الاستثنائية، وترجع قاموساً إحصائياً شاملاً يحوي كافة المؤشرات المرتبطة بالمدى الربيعي وحدود توكي، وموثقة بأسلوب Docstrings الأكاديمي:

def calculate_comprehensive_iqr(data, factor=1.5, interpolation_method='linear'):
"""
حساب المدى الربيعي الشامل، وحدود توكي للقيم الشاذة، والوسيط الإحصائي.

المعلمات:
----------
data : array-like (np.ndarray أو pd.Series أو list)
البيانات الرقمية المستهدفة بالتحليل الوصفي.
factor : float, اختياري (القيمة الافتراضية = 1.5)
معامل مضاعف المدى الربيعي المستخدم لبناء حدود توكي.
interpolation_method : str, اختياري (القيمة الافتراضية = 'linear')
خوارزمية الاستيفاء الرياضي المعتمدة لحساب المئينات.

المخرجات:
-------
dict: قاموس يحوي: Q1, Median, Q3, IQR, Lower_Bound, Upper_Bound, Outliers_Count
"""
# تنقية المدخلات وتحويلها إلى مصفوفة NumPy خالية من القيم المفقودة
clean_arr = np.asarray(data, dtype=np.float64)
clean_arr = clean_arr[~np.isnan(clean_arr)]

if clean_arr.size == 0:
raise ValueError("المصفوفة الممررة فارغة أو تحوي قيماً مفقودة بالكامل.")

q1, median, q3 = np.percentile(clean_arr, [25, 50, 75], method=interpolation_method)
iqr_val = q3 - q1
lower_fence = q1 - (factor * iqr_val)
upper_fence = q3 + (factor * iqr_val)
outliers = clean_arr[(clean_arr < lower_fence) | (clean_arr > upper_fence)]

return {
'Sample_Size_N': len(clean_arr),
'Q1_25th': float(q1),
'Median_50th': float(median),
'Q3_75th': float(q3),
'IQR': float(iqr_val),
'Lower_Fence': float(lower_fence),
'Upper_Fence': float(upper_fence),
'Outliers_Count': len(outliers),
'Outliers_Percentage': float((len(outliers) / len(clean_arr)) * 100)
}

10.2 دمج دالة IQR في خطوط معالجة وتجهيز البيانات (Data Pipelines)

في مشاريع تعلم الآلة (Machine Learning) وتحليل البيانات المتقدمة، يُعد دمج حساب المدى الربيعي كخطوة تجهيزية داخل فئات متوافقة مع مكتبة Scikit-Learn أمراً حاسماً لمنع تسرب البيانات (Data Leakage). يجب أن تُحسب الربيعيات على بيانات التدريب فقط (Train Set)، ثم تُطبق الحدود الناتجة لتنقية أو تحويل بيانات الاختبار (Test Set).

from sklearn.base import BaseEstimator, TransformerMixin

class IQROutlierCapper(BaseEstimator, TransformerMixin):
def __init__(self, factor=1.5):
self.factor = factor
self.lower_bounds_ = {}
self.upper_bounds_ = {}

def fit(self, X, y=None):
X_df = pd.DataFrame(X)
for col in X_df.columns:
q1 = X_df[col].quantile(0.25)
q3 = X_df[col].quantile(0.75)
iqr = q3 - q1
self.lower_bounds_[col] = q1 - (self.factor * iqr)
self.upper_bounds_[col] = q3 + (self.factor * iqr)
return self

def transform(self, X):
X_df = pd.DataFrame(X).copy()
for col in X_df.columns:
# تقييد القيم الشاذة عند الحدود المحسوبة (Winsorization/Capping)
X_df[col] = np.clip(X_df[col], self.lower_bounds_[col], self.upper_bounds_[col])
return X_df.values

تضمن هذه الفئة المخصصة توافقاً تاماً مع فئات Pipeline المعيارية، مما يؤتمت التعامل مع القيم الشاذة استناداً إلى المدى الربيعي دون أي تدخل يدوي متكرر.

10.3 كتابة اختبارات الوحدة (Unit Testing) للتحقق من سلامة الحسابات

لضمان موثوقية الأكواد الإحصائية في البيئات الإنتاجية والمشاريع الأكاديمية المشتركة، يُعد بناء اختبارات الوحدة عبر إطار unittest أو pytest خطوة منهجية لا غنى عنها للتحقق من دقة الحسابات البرمجية ومقارنتها بقيم يدوية مرجعية مثبتة، واختبار حالات الحافة (Edge Cases).

import unittest

class TestIQRCalculations(unittest.TestCase):
def setUp(self):
# عينة معروفة النتائج مسبقاً: [1, 2, 3, 4, 5, 6, 7, 8]
# Q1 = 2.75, Q3 = 6.25, IQR = 3.5 (under linear method)
self.sample = np.array([1, 2, 3, 4, 5, 6, 7, 8])

def test_iqr_accuracy(self):
res = calculate_comprehensive_iqr(self.sample, interpolation_method='linear')
self.assertAlmostEqual(res['IQR'], 3.5, places=4)
self.assertAlmostEqual(res['Q1_25th'], 2.75, places=4)
self.assertAlmostEqual(res['Q3_75th'], 6.25, places=4)

def test_empty_input_exception(self):
with self.assertRaises(ValueError):
calculate_comprehensive_iqr([])

# تشغيل الاختبارات البرمجية
suite = unittest.TestLoader().loadTestsFromTestCase(TestIQRCalculations)
unittest.TextTestRunner(verbosity=1).run(suite)

11. تطبيقات عملية ودراسات حالة في البيانات النفسية والسلوكية

11.1 دراسة حالة: تنظيف مقاييس الاستجابة النفسية من القيم المتطرفة

في دراسة نفسية افتراضية استهدفت قياس مستويات الإجهاد النفسي عبر استبيان مركب، جمع الباحثون بيانات من 250 مشاركاً. اشتملت البيانات على استجابات عشوائية من بعض المشاركين الذين نقروا على أزرار التقييم دون قراءة الأسئلة، مما أنتج قيماً شاذة أثرت سلباً على معامل الاتساق الداخلي (كرونباخ ألفا).

تم تطبيق دالة المدى الربيعي لعزل المشاركين الذين تجاوزت درجاتهم حدود $Q_3 + (1.5 \times IQR)$ أو قلت عن $Q_1 – (1.5 \times IQR)$. بعد استبعاد الحالات الشاذة المحددة (7 حالات)، أظهرت النتائج ارتفاعاً ملحوظاً في مؤشر ثبات المقياس من $\alpha = 0.68$ إلى $\alpha = 0.84$، مما يؤكد الفاعلية العالية لاعتماد المدى الربيعي في تحسين الصدق البنائي والاتساق الإحصائي لأدوات القياس السيكومترية.

11.2 دراسة حالة: تحليل أزمنة الاستجابة السلوكية (Reaction Times)

تتميز أزمنة الرجع (Reaction Times – RT) في التجارب المعرفية الحاسوبية بالتواء إيجابي حاد ناجم عن فترات السهو اللحظي للمشاركين؛ حيث يكون للبيانات حد أدنى فسيولوجي صارم (حوالي 150 ملي ثانية) ولكن ليس لها سقف أعلى نظري، مما يجعل المتوسط الحسابي والانحراف المعياري مقياسين شديدي التحيز في مقارنة المجموعات.

# مقارنة تجريبية لأزمنة رد الفعل بين مجموعتين: الشباب وكبار السن
np.random.seed(50)
rt_young = np.random.exponential(scale=50, size=150) + 200
rt_elderly = np.random.exponential(scale=85, size=150) + 260

# تلخيص النتائج باستخدام الوسيط والمدى الربيعي
summary_rt = pd.DataFrame({
'Metric': ['Young Median', 'Young IQR', 'Elderly Median', 'Elderly IQR'],
'Value (ms)': [np.median(rt_young), iqr(rt_young), np.median(rt_elderly), iqr(rt_elderly)]
})
print(summary_rt)

أظهر التحليل استقراراً كبيراً في تقييم تشتت الأداء عبر $IQR$، حيث اتضح أن كبار السن لم يكونوا أبطأ في زمن الاستجابة المركزي فحسب، بل اتسم أداؤهم أيضاً بتشتت ربيعي أوسع ($IQR = 61.4 \text{ ms}$) مقارنة بمجموعة الشباب ($IQR = 34.2 \text{ ms}$)، مما قدم دليلاً سلوكياً متيناً على تراجع ثبات المعالجة المعرفية مع التقدم في العمر.

11.3 صياغة وتوليد التقارير الإحصائية التلقائية للبيانات السلوكية

تتطلب كتابة الأوراق العلمية الجاهزة للنشر أتمتة استخراج الجداول الإحصائية وتصديرها بتنسيقات متوافقة مع برامج تحرير النصوص مثل LaTeX أو Word/Excel. يمكن تسخير بايثون لبناء تقارير إحصائية كاملة تتضمن الربيعيات والمدى الربيعي لجميع متغيرات الدراسة وحفظها بصيغ متعددة.

# توليد جدول تقرير إحصائي وتصديره إلى صيغة LaTeX
report_table = clinical_df[['Depression_Score', 'Stress_Score', 'Sleep_Hours']].agg([
'count',
'median',
lambda x: x.quantile(0.25),
lambda x: x.quantile(0.75),
lambda x: x.quantile(0.75) - x.quantile(0.25)
]).rename(index={'<lambda_0>': 'Q1 (25%)', '<lambda_1>': 'Q3 (75%)', '<lambda_2>': 'IQR'})

# تصدير التقرير بتنسيق LaTeX الأكاديمي
latex_output = report_table.to_latex(float_format="%.2f")
print("Generated LaTeX Table Code:n", latex_output)

12. أفضل الممارسات والتوصيات المنهجية لاستخدام المدى الربيعي

12.1 المعايير المنهجية لتفضيل IQR على مقاييس التشتت الأخرى

يجب أن يستند قرار الباحث الإحصائي إلى معايير منهجية واضحة ومبررة في خطة البحث. يُلخص الشكل المعياري المنهجي التوصيات التالية لاختيار المدى الربيعي كبديل للتشتت الكلاسيكي:

• شكل التوزيع اللامعلمي: عندما تثبت اختبارات الحالة السوية (مثل Shapiro-Wilk أو Kolmogorov-Smirnov) خروج التوزيع عن التوزيع الطبيعي ($p < 0.05$).
• وجود التواء أو تفرطح شاذ: عندما يتجاوز معامل الالتواء (Skewness) القيمة المطلقة $\pm 1.0$.
• البيانات الترتيبية ومقاييس التقدير: عند تحليل مقاييس رتبية متعددة العناصر لا يمكن افتراض مسافات متساوية قطعية بين فئاتها.
• الرغبة في الاحتفاظ بالحالات الشاذة: عندما تمثل القيم المتطرفة حالات حقيقية من المجتمع ولكن لا يرغب الباحث في أن تسحب مؤشرات التشتت خلفها.

12.2 معايير التوثيق الأكاديمي لنتائج المدى الربيعي في الأبحاث العلمية

وفقاً لدليل النشر الصادر عن جمعية علم النفس الأمريكية (APA Publication Manual – 7th Edition)، يجب أن يتم الإفصاح عن المدى الربيعي جنباً إلى جنب مع الوسيط بصيغة موحدة في متن البحث والجداول الإحصائية. يُصاغ التوثيق النصي كالتالي:

“أظهرت درجات القلق لدى المشاركين تشتتاً متوسطاً ($Mdn = 52.00$, $IQR = 14.50$, $Q_1 = 45.00$, $Q_3 = 59.50$).”

علاوة على ذلك، ولضمان قابلية إعادة الإنتاج العلمي (Scientific Reproducibility)، يُلزم الباحث بالإفصاح الكامل في قسم المنهجية عن: إصدار بايثون المستخدم، وإصدارات الحزم (NumPy, SciPy, Pandas)، وخوارزمية الاستيفاء المعتمدة صراحة (مثل: Linear interpolation method via NumPy 1.26)، ومعيار الكشف عن القيم الشاذة المطبق ($1.5 \times IQR$).

12.3 دليل ملخص لاختيار المكتبة والأداة البرمجية الأنسب لكل سيناريو

يُلخص الجدول التالي التوجيهات الهندسية لاختيار الأداة البرمجية الأنسب في بايثون وفق طبيعة المهام الحسابية والبحثية:

دليل الاختيار البرمجي لحساب المدى الربيعي في بيئة بايثون

السيناريو التحليلي / طبيعة البيانات	المكتبة الموصى بها	الدالة المثالية	المبرر الهندسي والمنهجي
مصفوفات عددية نقية فائقة الحجم	NumPy	np.percentile()	أعلى أداء حوسبي وسرعة معالجة متجهة عبر الذاكرة
جداول مهيكلة ومقارنات بين مجموعات	Pandas	df.groupby().quantile()	سهولة فرز الفئات والدمج مع سلاسل المعالجة الجداولية
تحليل إحصائي مباشر مع بيانات مفقودة	SciPy	scipy.stats.iqr()	دالة بخطوة واحدة مع إدارة مدمجة للـ NaNs والتحويل المعياري
تجهيز البيانات ونماذج تعلم الآلة	Scikit-Learn + Custom	Custom Transformer	منع تسرب البيانات وضمان انضباط التحويل عبر خطوط Pipeline

خاتمة شاملة

يُمثل المدى الربيعي (IQR) أداة إحصائية لا غنى عنها في ترسانة الباحث العلمي ومحلل البيانات الحديث؛ فهو يجمع بين البساطة الرياضية والرصانة المنهجية التي تمنحه مناعة فائقة ضد تشوهات البيانات والالتواءات التوزيعية والقيم الشاذة. وقد استعرضنا في هذا الدليل التأسيس النظري والرياضي للمئينات، وخوارزميات الاستيفاء المتعددة، وكيفية توظيف مكتبات بايثون الرائدة (NumPy وSciPy وPandas) لإنجاز الحسابات بدقة متناهية وبأعلى كفاءة برمجية.

إن إتقان حساب المدى الربيعي وتوظيفه في كشف القيم الشاذة، وبناء التمثيلات البصرية عبر المخططات الصندوقية، ودمجه ضمن خطوط معالجة وتجهيز البيانات المعقدة، يُسهم بشكل مباشر في رفع جودة الأبحاث العلمية وضمان استقرار النماذج التنبؤية. ونحث الباحثين دائماً على اتباع معايير التوثيق الأكاديمي الصارمة والإفصاح البرمجي الشفاف، بما يعزز موثوقية المعرفة العلمية وقابليتها للتحقق وإعادة الإنتاج.

References

• American Psychological Association. (2020). Publication Manual of the American Psychological Association (7th ed.). American Psychological Association. https://doi.org/10.1037/0000165-000
• Harris, C. R., Millman, K. J., van der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., … & Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585(7825), 357–362. https://doi.org/10.1038/s41586-020-2649-2
• Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361–365. https://doi.org/10.1080/00031305.1996.10473566
• McKinney, W. (2010). Data structures for statistical computing in Python. In Proceedings of the 9th Python in Science Conference (Vol. 445, pp. 51–56). https://doi.org/10.25080/Majora-92bf1924-003
• Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley.
• Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., … & SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
• Waskom, M. L. (2021). Seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021
• Wilcox, R. R. (2017). Introduction to Robust Estimation and Hypothesis Testing (4th ed.). Academic Press.