كيفية حساب التغير المئوي في بانداز

تُعد معالجة وتحليل البيانات الكمية والسلاسل الزمنية أحد الأركان الجوهرية في علوم البيانات الحديثة وهندسة النظم المالية والتحليل الإحصائي المتقدم. في قلب هذه العمليات تبرز الحاجة الدائمة إلى تتبع ديناميكيات التحول والنمو، حيث لا تقدم القيم المطلقة بمفردها سياقاً كافياً لتقييم الأداء أو فهم السلوك المتغير للمؤشرات عبر الزمن. إن التغير المئوي يمثل الأداة الرياضية القياسية لتحويل الأرقام الخام إلى مقاييس نسبية موحدة، مما يتيح للباحثين والمحللين إجراء مقارنات موضوعية بين كيانات متباينة في الحجم أو متقلبة في المدى الزمني.

تقدم بيئة لغة Python البرمجية، وتحديداً من خلال مكتبة Pandas الرائدة، بنية تحتية فائقة التطور تتيح حساب وتطبيق هذه المقاييس الإحصائية بكفاءة متناهية. لا تقتصر قوة مكتبة Pandas على توفير واجهات برمجية سهلة الاستخدام فحسب، بل تمتد إلى معمارية متجهة (Vectorized Architecture) مبنية على لغة C و NumPy، تُمكّنها من إجراء مليارات العمليات الحسابية في أجزاء من الثانية دون الحاجة إلى اللجوء إلى الحلقات التكرارية البطيئة التي تُعيق خطوط معالجة البيانات الضخمة.

يهدف هذا الدليل الشامل والمفصل إلى استعراض كافة الأبعاد النظرية والتطبيقية لحساب التغير المئوي في مكتبة Pandas. سنغوص عميقاً في التشريح الداخلي للدوال المتخصصة، والتعامل مع الحالات الحسابية المعقدة مثل القيم المفقودة، والقسمة على الصفر، والبيانات المجمعة، والسلاسل الزمنية غير المنتظمة، والتحولات اللوغاريتمية، وصولاً إلى تحسين الأداء على مجموعات البيانات الضخمة ودراسات الحالة الواقعية في مجالات المال، وتطوير المنتجات، والاقتصاد الكلي.

1. مقدمة إلى مفهوم التغير المئوي وأهميته في تحليل البيانات باستخدام Pandas

1.1 المفهوم الرياضي والإحصائي للتغير المئوي

يُعرَّف التغير المئوي رياضياً بأنه النسبة المئوية للفرق بين قيمة لاحقة (أو حالية) وقيمة سابقة (أو مرجعية) بالنسبة إلى القيمة المرجعية ذاتها. تصاغ المعادلة الرياضية الكلاسيكية على النحو التالي: التغير المئوي = ((القيمة الحالية – القيمة السابقة) / القيمة السابقة) * 100. هذا المفهوم يمثل حجر الزاوية في التحليل الكمي، حيث يعكس الاتجاه (صعوداً بالإشارة الموجبة أو هبوطاً بالإشارة السالبة) ومقدار الحركة النسبية عبر وحدات زمنية أو تسلسلية متتالية.

يكمن الفرق الجوهري بين التغير المطلق والتغير النسبي في أن التغير المطلق يقيس الفارق الحسابي المباشر بين القيمتين، وهو ما يجعله شديد التأثر بوحدات القياس وحجم الأساس المقارن. على سبيل المثال، زيادة قدرها 100 وحدة في سهم سعره 10 دولارات تمثل قفزة هائلة بنسبة 1000%، بينما الزيادة نفسها في سهم سعره 10,000 دولار تمثل تغيراً طفيفاً بنسبة 1% فقط. من هنا تبرز الأهمية الإحصائية لتوحيد المقاييس (Scale Invariance)، حيث يسمح التغير المئوي بإجراء مقارنات متكافئة بين أصول مالية، أو مؤشرات ديموغرافية، أو مقاييس أداء متباينة في مقاييسها المطلقة.

تتعدد تطبيقات هذا المقياس في حساب معدلات النمو الاقتصادي، مثل الناتج المحلي الإجمالي، وقياس التضخم عبر مؤشرات أسعار المستهلكين، وتقدير سرعة انحدار أو توسع مبيعات الشركات، فضلاً عن استخدامه في خوارزميات التعلم الآلي لتوحيد سمات الإدخال (Feature Scaling) وتجنب تحيز النماذج للأرقام الكبيرة على حساب المتغيرات ذات القيم المطلقة الصغيرة ولكن ذات الديناميكية العالية.

1.2 دور مكتبة Pandas في أتمتة العمليات الإحصائية

تمثل مكتبة Pandas العمود الفقري لمعالجة البيانات الجدولية في لغة بايثون، وتستمد قوتها الاستثنائية من هيكلي البيانات الأساسيين: السلسلة (Series) وهو مصفوفة أحادية البعد ذات مؤشرات، وإطار البيانات (DataFrame) وهو هيكل ثنائي الأبعاد يشبه الجداول العلائقية. تعتمد هذه الهياكل على المعالجة المتجهة التي تلغي الحاجة إلى كتابة حلقات تكرارية يدوية (For-loops)، مما ينقل العمليات الحسابية إلى طبقات منخفضة المستوى مكتوبة بلغة C فائقة السرعة.

عند التعامل مع مجموعات بيانات ضخمة تحتوي على ملايين السجلات، يؤدي استخدام الحلقات التكرارية التقليدية في لغة بايثون إلى استنزاف هائل لموارد المعالج وزيادة زمن التنفيذ بشكل غير مقبول. تتيح Pandas أتمتة العمليات الإحصائية من خلال دوال مدمجة عالية التحسين تطبق العمليات الحسابية المعقدة عبر مساحات الذاكرة المتجاورة (Contiguous Memory Blocks)، مستفيدة من تسريع المعالجة عبر التعليمات البرمجية المتعددة للبيانات الواحدة (SIMD).

تتكامل Pandas بسلاسة مطلقة مع النظام البيئي الشامل لعلوم البيانات في بايثون، والذي يشمل مكتبات الحساب العلمي مثل NumPy و SciPy، وأدوات النمذجة الإحصائية والتعلم الآلي مثل Scikit-Learn و Statsmodels، فضلاً عن مكتبات التصور البصري المتقدمة مثل Matplotlib و Seaborn، مما يجعلها المنصة المثالية لبناء خطوط إنتاج بيانات متكاملة تبدأ من القراءة الأولية وتصل إلى الاستنتاج الإحصائي واتخاذ القرار.

1.3 نظرة عامة على دالة pct_change واستخداماتها الشائعة

توفر مكتبة Pandas الدالة المدمجة pct_change كمعيار صناعي لحساب التغير المئوي عبر العناصر المتسلسلة. تعمل الدالة بشكل تلقائي على مقارنة كل عنصر في السلسلة أو إطار البيانات بالعنصر الذي يسبقه بعدد محدد من الخطوات، مع إرجاع مصفوفة جديدة تحتوي على النسب العشرية المكافئة للتغير. هذه الدالة تتولى تلقائياً كافة التعقيدات الرياضية المتعلقة بمحاذاة الفهارس (Index Alignment) وإدارة الإزاحات الزمنية.

تتجلى استخدامات pct_change في السياقات المالية بشكل خاص، حيث تُستخدم يومياً لحساب عوائد الأسهم، وتقييم أداء المحافظ الاستثمارية، وتحديد تقلبات أسعار العملات الرقمية والسلع الأساسية. وفي مجال تحليل المنتجات وتطبيقات الويب، تُعد الدالة الأداة الأساسية لقياس معدلات نمو المستخدمين النشطين يومياً وأسبوعياً (DAU/WAU Growth)، وتتبع التغير في الإيرادات المتكررة الشهرية (MRR)، ومراقبة مؤشرات التحويل بين مراحل مسار الاستخدام (Funnel Conversion Rates).

تتفوق دالة pct_change على التطبيق اليدوي للمعادلات الرياضية (مثل الجمع بين دالتي shift والطرح والقسمة) بقدرتها الفائقة على معالجة البيانات المفقودة بمرونة، وتوفير معلمات مدمجة للتحكم في الفترات الزمنية والتكرارات، بالإضافة إلى حماية تدفق البيانات من أخطاء عدم محاذاة الفهارس التي تحدث غالباً عند كتابة العمليات الحسابية المجزأة يدوياً.

2. البنية التركيبية والمعلمات الأساسية لدالة pct_change

2.1 التشريح البرمجي لمعاملات الدالة

تتمتع دالة pct_change بتوقيع برمجي مرن وقوي في الوقت ذاته، حيث تأتي بالبنية الأساسية التالية: Series.pct_change(periods=1, fill_method=None, limit=None, freq=None, **kwargs). المعامل الأساسي هو periods، وهو عدد صحيح يحدد عدد الفترات أو الخطوات المستخدمة لحساب التغير؛ حيث تعني القيمة الافتراضية (1) حساب التغير بين كل صف والصف الذي يسبقه مباشرة، بينما تتيح زيادة هذا الرقم حساب التغير عبر مسافات زمنية أطول.

تاريخياً، كان المعامل fill_method يُستخدم لتحديد كيفية معالجة القيم المفقودة السابقة للحساب (مثل التمرير الأمامي للقيم عبر ‘pad’ أو ‘ffill’). ومع ذلك، فإن أحدث إصدارات مكتبة Pandas تشجع على الفصل بين معالجة القيم المفقودة وحساب التغير المئوي، حيث يُوصى باستخدام دالة ffill() بشكل صريح قبل استدعاء pct_change لتجنب السلوكيات غير المتوقعة وضمان وضوح الكود البرمجي.

يحدد المعامل limit الحد الأقصى لعدد القيم المفقودة المتتالية التي يمكن استبدالها في حال استخدام طرق ملء الفجوات. أما المعامل freq، فيُعد من أقوى المعاملات عند التعامل مع كائنات الفهرس الزمني المتخصص (DatetimeIndex)، حيث يسمح بتحديد إزاحة زمنية رسمية (مثل الأيام ‘D’ أو الشهور ‘M’) بدلاً من الاعتماد على عدد الصفوف الفيزيائية في الذاكرة.

2.2 تحديد محور الحساب عبر معامل axis

عند تطبيق دالة pct_change على أطر البيانات (DataFrames)، يصبح المعامل axis عنصراً حاسماً في توجيه العملية الحسابية. يأخذ هذا المعامل افتراضياً القيمة axis=0 (أو axis='index')، وهو ما يوجه الدالة لإجراء الحساب عمودياً عبر الصفوف المتتالية؛ أي أن كل خلية في عمود معين تُقارن بالخلية التي تعلوها في نفس العمود.

على النقيض من ذلك، فإن تعيين axis=1 (أو axis='columns') يوجه العملية لتتم أفقياً عبر الأعمدة المتوازية داخل نفس الصف. هذا النمط يُستخدم في سياقات خاصة، مثل مقارنة أداء مؤشرات متعددة مقاسة في نفس اللحظة الزمنية وتتواجد في أعمدة متجاورة، أو عند تتبع تطور مقاييس معينة تم تخزينها عبر أعمدة تمثل فترات زمنية متتالية (كما في بعض الجداول المحورية العريضة – Wide Format Data).

يؤثر اختيار المحور تأثيراً مباشراً على الهيكل البياني للمصفوفة الناتجة؛ فحساب التغير الرأسي يُنتج صفاً أولياً من القيم الفارغة (NaN) نظراً لعدم وجود بيانات سابقة، بينما يُنتج الحساب الأفقي عموداً أولياً من القيم الفارغة. من الضروري جداً التأكد من تجانس البيانات ونوعيتها عبر المحور المختار لتجنب محاولة حساب تغيرات غير منطقية بين متغيرات ذات طبيعة فيزيائية أو مالية مختلفة.

2.3 الأنواع البيانية المدعومة والقيود الحسابية

تدعم دالة pct_change كافة الأنواع البيانية الرقمية القياسية المدعومة في NumPy و Pandas، بما في ذلك الأعداد الصحيحة بمختلف أحجامها (int8, int16, int32, int64) والأرقام العشرية ذات الفاصلة العائمة (float16, float32, float64). وبمجرد تطبيق الدالة، يتم تحويل النتائج تلقائياً إلى أرقام عشرية (Float) لاستيعاب الكسور والنسب الناتجة عن عملية القسمة الحسابية.

تتوقف الدالة عن العمل وتطلق استثناءات برمجية (مثل TypeError) إذا واجهت أعمدة تحتوي على نصوص صريحة (object أو string) أو متغيرات فئوية (category) دون تحديد مسبق للأعمدة المستهدفة. لذلك، يُعد استبعاد الأعمدة غير الرقمية أو تحديد الأعمدة المالية والكمية بدقة قبل تطبيق الدالة أحد أفضل الممارسات البرمجية لضمان استقرار خطوط المعالجة.

تعتبر دقة الأرقام العشرية (Float Precision) عاملاً جوهرياً يجب مراعاته؛ حيث أن العمليات الحسابية المعتمدة على معيار IEEE 754 للأرقام العشرية قد تُنتج أحياناً فروقاً مجهرية متناهية في الصغر (مثل ظهور 0.0000000000000002 بدلاً من 0.0 الصريح). يتطلب التحليل الإحصائي الدقيق وعمليات الاختبار الآلي استخدام دوال تقريب ملائمة أو الاستعانة بمقارنات تتسامح مع الفروق الهامشية (Tolerant Comparisons) لضمان موثوقية النتائج.

3. حساب التغير المئوي في سلاسل البيانات (Pandas Series)

3.1 التطبيق الأساسي على القيم المتتالية

يُعد تطبيق دالة pct_change على كائن السلسلة (Series) أبسط صور استخدام هذه الأداة الإحصائية وأكثرها شيوعاً. عند إنشاء سلسلة تحتوي على قيم متتالية، مثل أسعار إغلاق يومية لأصل مالي، واستدعاء الدالة مباشرة عبر الكود s.pct_change()، تقوم Pandas بحساب النسبة بين كل عنصر والعنصر السابق له مباشرة بطريقة متجهة وسريعة.

النتيجة الحتمية لتطبيق هذه المعادلة هي ظهور القيمة الأولى في السلسلة كقيمة فارغة أو مفقودة (NaN – Not a Number). هذا السلوك منطقي وضروري رياضياً؛ فالقيمة الأولى تمثل نقطة البداية الأساسية ولا يتوفر في السلسلة أي مدخل يسبقها لتنفيذ عملية الطرح والقسمة عليه. إن محاولة إجبار الخلية الأولى على اتخاذ قيمة صفرية افتراضية قد يقود إلى استنتاجات خاطئة تماماً تشير إلى ثبات القيمة بدلاً من غياب المقارنة.

لإجراء التحقق الرياضي اليدوي، إذا كانت السلسلة تحتوي على القيمتين [100, 150]، فإن الدالة تطبق المعادلة: (150 – 100) / 100 = 0.50. هذا الناتج العشري يوضح فوراً أن القيمة ارتفعت بنسبة 50%. يضمن الفهم المعمق لهذا المسار الحسابي تجنب التفسيرات الخاطئة للنتائج الرقمية، خصوصاً في المراحل المبكرة من استكشاف البيانات.

3.2 تحويل النسب العشرية إلى نسب مئوية مقروءة

تُرجع دالة pct_change مخرجاتها في صورة نسب عشرية قياسية (حيث يمثل 0.05 زيادة بنسبة 5%، ويمثل -0.20 انخفاضاً بنسبة 20%). على الرغم من أن هذا الشكل العشري هو الأمثل للعمليات الرياضية اللاحقة والنمذجة الإحصائية، إلا أنه قد لا يكون ملائماً للعرض البصري النهائي أو التقارير التنفيذية الموجهة لأصحاب المصلحة.

لتحويل هذه النسب إلى قيم مئوية صريحة، يمكن ببساطة ضرب السلسلة الناتجة في المعامل 100 عبر العملية المتجهة: percentage_series = s.pct_change() * 100. هذا التحويل الرياضي المباشر يُبقي على طبيعة البيانات كأرقام عشرية قابلة لمزيد من المعالجة والتحليل الإحصائي دون تغيير نوعها البرمجي.

لأغراض العرض الجمالي في لوحات البيانات (Dashboards) والتقارير المكتوبة، يمكن تنسيق الأرقام بإضافة رمز النسبة المئوية (%) وتحديد عدد الخانات العشرية عبر دالة التنسيق الموضعي: s.pct_change().map('{:,.2%}'.format). كما يمكن ضبط خيارات العرض العامة في مكتبة Pandas عبر تعيين المعلمة pd.options.display.float_format = '{:.2%}'.format، مما يضمن عرض كافة القيم العشرية كنسب مئوية منسقة تلقائياً دون تعديل البيانات الخام في الذاكرة.

3.3 معالجة التغير التراكمي مقابل التغير النقطي

من الضروري التمييز الدقيق بين نوعين رئيسيين من التغير: التغير النقطي البسيط (Period-to-Period Change) والتغير التراكمي الإجمالي (Cumulative Change). يقيس التغير النقطي، وهو المخرج المباشر لدالة pct_change، نسبة التذبذب بين خطوتين زمنيتين متجاورتين، متجاهلاً المسار التاريخي الأوسع للحركة الرقمية.

في المقابل، يقيس التغير التراكمي إجمالي النمو أو الانكماش المحقق من نقطة انطلاق أساسية ثابتة حتى اللحظة الحالية. لحساب هذا التراكم رياضياً، لا يمكن جمع نسب التغير النقطية جمعاً حسابياً بسيطاً بسبب تأثير الفائدة المركبة والتغير في أساس الحساب؛ بل يجب استخدام الجداء التراكمي لعوامل النمو عبر المعادلة: (1 + s.pct_change()).cumprod() - 1.

يؤدي الخلط الإحصائي بين التغير التراكمي والمتوسط الحسابي للتغيرات اليومية إلى أخطاء فادحة في تقييم العوائد طويلة الأجل. فإذا هبطت قيمة أصل بنسبة 50% في اليوم الأول ثم ارتفعت بنسبة 50% في اليوم الثاني، فإن المتوسط الحسابي للتغير هو صفر%، في حين أن المحصلة التراكمية الحقيقية هي خسارة إجمالية قدرها 25% من رأس المال الأصلي، وهو ما توضحه الحسابات التراكمية الدقيقة.

4. التحكم في الفترات الزمنية والمسافات باستخدام المعامل periods

4.1 حساب التغير عبر فترات زمنية متباعدة (periods > 1)

يتيح المعامل periods في دالة pct_change توسيع نافذة المقارنة لتتجاوز الصفوف المتجاورة مباشرة، وذلك بتمرير قيمة عددية صحيحة موجبة أكبر من واحد. على سبيل المثال، يؤدي تعيين periods=5 إلى مقارنة كل صف بالصف الذي يسبقه بخمس خطوات في السلسلة، وهو ما يُترجم عملياً بحساب التغير الأسبوعي في سلاسل البيانات اليومية لأسواق المال التي تعمل خمسة أيام في الأسبوع.

تترتب على زيادة قيمة periods نتيجة حتمية تتمثل في تراكم قيم NaN في بداية السلسلة الناتجة؛ حيث يظهر عدد من القيم المفقودة مساوٍ تماماً لقيمة periods المحددة. يعود ذلك إلى عجز الدالة عن العثور على أزواج مقابلة لتلك الصفوف الأولى في الماضي، مما يستوجب مراعاة ذلك عند إجراء عمليات التنظيف والتصفية اللاحقة.

يُعد استخدام الفترات المتباعدة وسيلة فعالة للغاية لتقليل الضوضاء العشوائية (Noise Filtering) المتأصلة في البيانات عالية التردد (High-Frequency Data). فبدلاً من التأثر بالتقلبات اليومية الحادة وغير المعبرة، يتيح حساب التغير عبر 10 أو 20 فترة زمنية رؤية أوضح للاتجاه العام والموجات الصعودية والهبوطية الحقيقية في الظاهرة الخاضعة للدراسة.

4.2 الحساب العكسي للتغير باستخدام القيم السالبة (periods < 0)

تمتلك دالة pct_change ميزة برمجية متقدمة تتمثل في قبول قيم عددية سالبة لمعامل periods. عند تمرير قيمة سالبة، مثل periods=-1، تعكس الدالة اتجاه العملية الحسابية، لتقارن القيمة الحالية بالقيمة المستقبلية التي تليها في الترتيب، بدلاً من مقارنتها بالقيمة السابقة.

تكتسب هذه التقنية أهمية قصوى في تطبيقات النمذجة التنبؤية وهندسة السمات (Feature Engineering) لتدريب نماذج التعلم الآلي. فمن خلال حساب التغير المستقبلي، يستطيع مهندس البيانات إنشاء المتغير الهدف (Target Variable أو Label) الذي يسعى النموذج للتنبؤ به، مثل معرفة ما إذا كان سعر الأصل سيرتفع بنسبة معينة خلال الفترة القادمة بناءً على المؤشرات الحالية.

يؤدي استخدام القيم السالبة إلى انتقال موقع القيم الفارغة (NaN) من بداية السلسلة إلى نهايتها؛ فعند تطبيق periods=-2، ستكون السجلات الأخيرة في إطار البيانات محتوية على قيم فارغة لعدم وجود بيانات مستقبلية كافية لمقارنتها، وهو ما يجب الانتباه إليه لمنع تسرب البيانات المستقبلية (Look-ahead Bias) أثناء مرحلة تدريب النماذج الإحصائية.

4.3 تطبيقات المقارنات السنوية والربع سنوية (YoY و QoQ)

تُعد المقارنات الدورية المنتظمة، مثل النمو السنوي على أساس سنوي (Year-over-Year – YoY) والنمو الربع سنوي على أساس ربع سنوي (Quarter-over-Quarter – QoQ)، من أهم المؤشرات في التحليل المالي والاقتصادي الكلي، حيث تساعد في قياس الأداء الحقيقي مع تحييد العوامل الموسمية المتكررة.

إذا كانت مجموعة البيانات مرتبة شهرياً، فإن حساب التغير السنوي (YoY) يتطلب ضبط المعامل على periods=12، مما يقارن شهر يناير من العام الحالي بشهر يناير من العام السابق مباشرة. أما بالنسبة للبيانات الربع سنوية، فإن حساب النمو السنوي يتطلب تعيين periods=4، بينما يُحسب النمو الربع سنوي المتتالي عبر القيمة الافتراضية periods=1.

تكمن القوة التحليلية للمقارنات السنوية في قدرتها على التخلص من الأثر الموسمي الذي يؤثر على قطاعات معينة، مثل قطاع التجزئة الذي ترتفع مبيعاته موسمياً في الربع الأخير من كل عام. إن مقارنة الربع الرابع بالربع الثالث من نفس العام (QoQ) قد تعطي انطباعاً خادعاً بنمو استثنائي، في حين أن مقارنة الربع الرابع بالربع الرابع من العام السابق (YoY) تكشف المعدل الحقيقي لنمو الأعمال بعيداً عن الطفرات الموسمية المتكررة.

5. حساب التغير المئوي عبر أعمدة أطر البيانات (DataFrames)

5.1 تطبيق الدالة على عمود منفرد داخل DataFrame

في معظم سيناريوهات العمل الفعلية، يتعامل المحلل مع أطر بيانات معقدة تحتوي على عشرات الأعمدة المتنوعة. لحساب التغير المئوي لمتغير محدد، يُستخرج العمود المستهدف ككائن سلسلة، وتُطبق عليه دالة pct_change، ثم تُسند النتيجة إلى عمود جديد داخل نفس إطار البيانات، مثل: df['Sales_Growth'] = df['Sales'].pct_change().

تقتضي أفضل الممارسات الهندسية اختيار أسماء واضحة وذات دلالة للأعمدة الناتجة، تعكس المتغير وطبيعة الحساب والمدى الزمني (مثل Revenue_YoY_Growth أو Close_Price_Pct_Change)، مما يسهل قراءة المخطط البياني للجدول ويمنع الالتباس لدى المطورين والمحللين الآخرين المشاركين في المشروع.

من الناحية المعمارية، يُفضل إنشاء الأعمدة الجديدة مباشرة عبر التعيين الصريح أو باستخدام دالة assign() لتمكين أسلوب ربط الدوال (Method Chaining). كما يجب الحذر من تحذيرات التعيين على نسخ من البيانات (SettingWithCopyWarning) من خلال التأكد من أن إطار البيانات الأصلي ليس مجرد شريحة مقطوعة (Slice) من جدول آخر دون استخدام صريح للدالة copy().

5.2 تطبيق التغير المئوي على جميع الأعمدة الرقمية دفعة واحدة

تتيح مكتبة Pandas تطبيق دالة pct_change على مستوى إطار البيانات بأكمله عبر استدعاء df.pct_change(). في هذه الحالة، تتولى الدالة إجراء الحسابات المتجهة عبر كل عمود رقمي على حدة وبشكل متزامن، مع الحفاظ على الهيكل العام وأسماء الأعمدة والفهارس دون تغيير.

ومع ذلك، إذا كان إطار البيانات يحتوي على أعمدة غير رقمية (مثل أسماء العملاء، أو الفئات النصية، أو الطوابع الزمنية)، فإن محاولة تطبيق الدالة مباشرة ستؤدي إلى أخطاء برمجية في الإصدارات الحديثة. لتفادي ذلك، يُنصح بتصفية الأعمدة الرقمية أولاً باستخدام دالة select_dtypes على النحو التالي: numeric_df = df.select_dtypes(include=[np.number]).pct_change().

بعد إتمام الحسابات المتجهة على الأعمدة الرقمية، يمكن إعادة دمج هذه النتائج مع الأعمدة الوصفية والتعريفية الأصلية باستخدام دوال الدمج والربط مثل pd.concat أو عبر تزويد الأعمدة الجديدة ببادئات أو لاحقات مميزة (Prefixes/Suffixes) باستخدام add_suffix('_pct_change') لضمان الحفاظ على السياق الكامل للبيانات.

5.3 الحساب المشروط بين أعمدة مختلفة متزامنة

في حالات تحليلية معينة، لا يكون الهدف هو تتبع التغير الزمني لعمود واحد عبر الصفوف، بل حساب نسبة الفارق النسبي بين عمودين مستقلين يمثلان متغيرين مختلفين مقاسين في اللحظة الزمنية نفسها (داخل نفس الصف). من الأمثلة الشائعة على ذلك قياس نسبة الانحراف بين السعر المتوقع والسعر الفعلي، أو نسبة الفارق بين ميزانية التسويق والمصروفات الفعلية.

في هذه السيناريوهات، لا تُستخدم دالة pct_change المخصصة للإزاحات المتسلسلة، بل تُطبق المعادلة الحسابية مباشرة بين الأعمدة عبر العمليات المتجهة: df['Variance_Pct'] = (df['Actual'] - df['Budget']) / df['Budget']. تتميز هذه الطريقة بسرعة حسابية فائقة ومحاذاة دقيقة للخلايا المتقابلة أفقياً.

قبل إجراء مثل هذه المقارنات البينية، يقع على عاتق المحلل التحقق التام من توافق الوحدات الرياضية والمقاييس المستخدمة في العمودين؛ إذ إن مقارنة عمود مقاس بالدولار بعمود آخر مقاس بآلاف الدولارات دون توحيد مسبق سينتج عنه نسب تغير مضللة كارثية تؤثر سلباً على كافة التحليلات اللاحقة.

6. التعامل مع القيم المفقودة (Missing Values) والبيانات الشاذة

6.1 تأثير وجود NaN على دقة حسابات التغير المئوي

تمثل القيم المفقودة (NaN) تحدياً إحصائياً كبيراً عند حساب التغيرات المئوية. نظراً لأن حساب التغير يتطلب عنصرين صالحين (قيمة سابقة وقيمة حالية)، فإن وجود خلية واحدة مفقودة في السلسلة يؤدي إلى إفساد نقطتي حساب متتاليتين: النقطة التي تتواجد فيها القيمة المفقودة ذاتها، والنقطة التالية التي تحاول استخدام هذه القيمة المفقودة كأساس للمقارنة.

تتضمن الاستراتيجيات التقليدية لمعالجة هذه المعضلة استخدام ملء الفجوات التلقائي (Forward Fill عبر ffill()) قبل تطبيق pct_change، وهو ما يفترض ثبات القيمة خلال فترة الفقدان. ومع ذلك، يجب توخي الحذر الشديد؛ إذ إن هذا الافتراض قد يخفي انقطاعات حقيقية في مسار البيانات أو يؤدي إلى حساب نسب نمو وهمية عند عودة البيانات للظهور بقيم مختلفة كلياً.

يظل الخيار البديل هو إسقاط القيم المفقودة تماماً باستخدام dropna() قبل الحساب، ولكن هذا الإجراء يغير الفترات الزمنية الفعلية الفاصلة بين المشاهدات، مما يحول الحساب من تغير يومي منتظم إلى تغير عبر فواصل زمنية متغيرة وغير متجانسة، وهو ما يتطلب معالجة خاصة على مستوى الفهرس الزمني.

6.2 مشكلة القسمة على صفر ومعالجتها الرياضية

تحدث إحدى أكثر المشكلات الحسابية شيوعاً في دالة pct_change عندما تكون القيمة المرجعية السابقة مساوية للصفر الصريح (0.0). وفقاً لقواعد الحساب في لغة بايثون ومكتبة NumPy، فإن قسمة أي رقم موجب على صفر تُنتج قيمة لانهاية موجبة (inf)، بينما تُنتج قسمة رقم سالب على صفر قيمة لانهاية سالبة (-inf)، وتُنتج قسمة الصفر على الصفر قيمة غير معرفة (NaN).

وجود قيم اللانهاية في مصفوفات البيانات يؤدي إلى انهيار العمليات الإحصائية اللاحقة؛ حيث تفشل دوال حساب المتوسط والانحراف المعياري، وترفض نماذج التعلم الآلي استقبال مصفوفات تحتوي على inf. لمعالجة ذلك، يجب تنظيف النتائج فورياً عبر استبدال قيم اللانهاية بقيم فارغة ثم التعامل معها: df.replace([np.inf, -np.inf], np.nan, inplace=True).

من الناحية الإحصائية المتقدمة، يُستخدم في بعض الأحيان أسلوب التنعيم الرياضي (Epsilon Smoothing)، والذي يعتمد على إضافة ثابت متناهي في الصغر ($epsilon = 1e-9$) إلى المقام لتجنب القسمة المباشرة على الصفر، على الرغم من أن هذا الحل يتطلب تدقيقاً لضمان عدم تشويه النسب الناتجة للمتغيرات ذات القيم الأصلية شديدة الصغر.

6.3 التعامل مع القيم الشاذة الناتجة عن التغيرات الحادة

تنتج القيم الشاذة (Outliers) في حسابات التغير المئوي عن عدة عوامل، منها أخطاء القياس والإدخال البشري، أو التحولات الهيكلية الجذرية في الظاهرة المدروسة (مثل إعادة تسعير المنتجات أو الانهيارات والقفزات السعرية المفاجئة للأصول متناهية الصغر). يمكن لتغير مئوي منفرد بقيمة 10,000% أن يدمر التوزيع الإحصائي للبيانات ويجعل مقاييس النزعة المركزية غير معبرة إطلاقاً.

لاكتشاف هذه القيم الشاذة، يعتمد المحللون على مقاييس التشتت القوية مثل المدى الربيعي (IQR) أو الانحراف المعياري المعدل (Z-Score). يمكن تصفية هذه الحالات أو تطبيق تقنيات التحديد السقفي والتطويق (Winsorization)، والتي تقوم بقص النسب المتطرفة عند مئينات محددة (مثل المئين 1% والمئين 99%) لمنعها من تشويه النموذج التحليلي العام.

يوضح الجدول التحليلي التالي تأطير المعالجات الإحصائية المختلفة للمخرجات غير النمطية الناتجة عن pct_change وتأثيراتها:

الحالة الحسابية	المخرج البرمجي الافتراضي	المخاطر الإحصائية	المعالجة البرمجية الموصى بها
قيمة سابقة مفقودة (NaN)	NaN	فقدان نقاط مقارنة لاحقة وتوليد فجوات	df.ffill().pct_change() أو الفرز الزمني المسبق
قيمة سابقة صفرية (0.0)	inf / -inf	انهيار حسابات المتوسط والانحراف المعياري	.replace([np.inf, -np.inf], np.nan)
تغير حاد مفرط (طفرة)	نسبة عشرية ضخمة (> 100.0)	انحراف حاد في مقاييس النزعة المركزية	التطويق الإحصائي (Winsorization) أو التحديد السقفي (Clipping)

7. حساب التغير المئوي المقيد بالمجموعات (GroupBy with pct_change)

7.1 أهمية عزل المجموعات لمنع تسرب البيانات بين الفئات

عند التعامل مع مجموعات بيانات مدمجة تحتوي على فئات أو كيانات متعددة (مثل بيانات مبيعات لعدة فروع، أو أسعار أسهم لعشرات الشركات في جدول واحد)، فإن تطبيق pct_change مباشرة على العمود الإجمالي يعد خطأً فادحاً وكارثياً في منهجية التحليل الإحصائي.

السبب وراء ذلك هو حدوث ما يُعرف بتسرب البيانات عبر الحدود الفئوية؛ حيث ستقوم الدالة بحساب التغير في أول صف لكيان معين (وليكن شركة ب) بمقارنته بآخر صف للكيان السابق له في الجدول (وليكن شركة أ). هذه النتيجة لا معنى لها رياضياً أو واقعياً، إذ تقارن مقاييس شركتين مختلفتين وكأنهما سلسلة زمنية واحدة مستمرة.

لضمان سلامة التحليل، يجب عزل كل مجموعة عزلًا تاماً بحيث تبدأ حسابات كل فئة بقيمة NaN مستقلة، وتتم الحسابات الزمنية حصرياً داخل حدود السجلات التابعة لتلك الفئة دون أدنى تداخل مع الفئات المجاورة، وهو ما توفره أدوات التجميع المتقدمة في Pandas.

7.2 استخدام groupby() بالاقتران مع pct_change() و transform()

توفر Pandas بنية برمجية تجمع بين دالة التجميع groupby ودالة pct_change لضمان إجراء الحسابات داخل كل مجموعة بشكل منفصل تماماً. يتم ذلك عادة من خلال البنية التالية: df.groupby('Ticker')['Close'].pct_change().

تتجلى القوة القصوى لهذه المنهجية عند استخدامها بالاقتران مع دالة transform()؛ حيث تضمن هذه الدالة إرجاع سلسلة بيانات تمتلك الفهرس والأبعاد المتطابقة تماماً مع إطار البيانات الأصلي، مما يسمح بإسناد النتائج المحسوبة إلى عمود جديد في الجدول الأساسي بسطر برمجي واحد وبكفاءة حسابية متناهية: df['Return'] = df.groupby('Ticker')['Close'].transform(lambda x: x.pct_change()).

من الضروري للغاية التأكد من ترتيب البيانات تصاعدياً حسب المجموعة والزمن قبل تطبيق groupby عبر استدعاء df.sort_values(by=['Ticker', 'Date'])؛ لأن التجميع لا يقوم بترتيب الصفوف الداخلية تلقائياً، وأي اضطراب في الترتيب الزمني سيؤدي إلى حساب نسب نمو بين أوقات غير متتالية داخل المجموعة الواحدة.

7.3 التجميع متعدد المستويات وحساب التغيرات الهيكلية

في الهياكل البيانية المتقدمة، قد تحتاج الحسابات إلى التقييد بأكثر من متغير تصنيفي واحد؛ مثل حساب التغير المئوي لمبيعات المنتجات مقيدة بالمنطقة الجغرافية ونوع المتجر معاً. يتيح Pandas تمرير قائمة من الأعمدة إلى دالة التجميع: df.groupby(['Region', 'Store_Type', 'Product_ID'])['Sales'].pct_change().

تتعامل هذه المعمارية بسلاسة مع هياكل الفهارس المتعددة (MultiIndex)، مما يتيح استخراج رؤى تفصيلية حول كيفية تباين معدلات النمو عبر الشرائح الدقيقة في المؤسسة. بعد إتمام هذه الحسابات، يمكن استخدام دوال التلخيص الإحصائي لاستخراج جداول محورية (Pivot Tables) تقارن متوسطات النمو بين المناطق والفئات المختلفة بكفاءة عالية.

تساعد هذه التحليلات الهيكلية متعددة المستويات الإدارات التنفيذية في عزل المحركات الحقيقية للنمو والانكماش؛ فبدلاً من الاكتفاء بمعرفة أن المبيعات الإجمالية نمت بنسبة 5%، يكشف التجميع متعدد المستويات أن هذا النمو مدفوع بقطاع واحد قفز بنسبة 40% بينما تعاني باقي القطاعات من انكماش مستمر.

8. تطبيقات التغير المئوي في السلاسل الزمنية (Time Series Analysis)

8.1 إعداد الفهرس الزمني (DatetimeIndex) وأهميته الحسابية

تمثل السلاسل الزمنية أحد أهم مجالات تطبيق التغير المئوي. للاستفادة الكاملة من إمكانيات Pandas في هذا المجال، يجب تحويل العمود المخصص للتاريخ والوقت إلى كائن طابع زمني رسمي عبر pd.to_datetime()، ثم تعيينه كفهرس رسمي لإطار البيانات باستخدام df.set_index('Date', inplace=True).

يمنح الفهرس الزمني (DatetimeIndex) إطار البيانات وعياً زمنياً شاملاً؛ حيث تصبح العمليات الحسابية مدركة لتسلسل الأيام والشهور والسنوات بدلاً من التعامل مع الصفوف كأرقام مجردة. من المتطلبات الصارمة في هذا السياق فرز الفهرس تصاعدياً باستخدام df.sort_index(inplace=True) لضمان تدفق الحسابات من الماضي إلى الحاضر بشكل سليم.

يجب كذلك معالجة أي طوابع زمنية مكررة (Duplicate Timestamps) قبل الشروع في حساب التغيرات؛ حيث إن وجود قراءات متعددة لنفس اللحظة الزمنية يربك خوارزميات الإزاحة ويؤدي إلى حساب نسب تغير بين قيم متزامنة زمنياً، وهو ما يمكن حله بتجميع التكرارات عبر أخذ المتوسط أو إسقاط القراءات الفائضة.

8.2 استخدام المعامل freq لتحديد التكرار الزمني بدقة

عندما يمتلك إطار البيانات فهرساً زمنياً منتظماً أو غير منتظم، يمكن الاستفادة من المعامل freq داخل دالة pct_change لتوجيه عملية الحساب وفق فواصل زمنية تقويمية محددة، متجاوزة الترتيب الفيزيائي للصفوف المجاورة في الذاكرة.

يمكن تمرير العديد من رموز التردد القياسية إلى هذا المعامل، مثل freq='D' للأيام التقويمية، و freq='B' لأيام العمل الرسمية، و freq='W' للأسابيع، و freq='M' لنهايات الشهور، و freq='QS' لبدايات الأرباع السنوية. عند تعيين df.pct_change(freq='7D')، ستقوم الدالة بمقارنة كل قراءة بالقراءة المسجلة قبل سبعة أيام تماماً في الفهرس الزمني.

يكمن الفرق الجوهري بين periods و freq في أن periods=7 تقفز سبعة صفوف فيزيائية في الجدول بغض النظر عن التاريخ المسجل فيها (مما قد يمثل 10 أو 12 يوماً في حال وجود عطلات أسبوعية أو فجوات بيانات)، بينما تضمن freq='7D' مطابقة الفارق الزمني الحقيقي بدقة تقويمية مطلقة، مما يجعلها الخيار الأنسب للتحليلات الإحصائية الدقيقة للظواهر المرتبطة بالزمن الواقعي.

8.3 الدمج مع إعادة التشكيل الزمني (Resampling and Shifting)

في كثير من التطبيقات، تكون البيانات الخام مسجلة بترددات غير منتظمة أو دقيقة للغاية (مثل تسجيل قراءات المعاملات المصرفية بالثواني). في هذه الظروف، يمثل الدمج بين إعادة التشكيل الزمني (Resampling) وحساب التغير المئوي منهجية العمل القياسية في الصناعة.

تتيح دالة resample() تجميع البيانات وضغطها إلى فترات زمنية منتظمة (مثل تحويل البيانات اللحظية إلى بيانات شهرية عبر أخذ آخر سعر إغلاق df.resample('M').last())، يعقب ذلك مباشرة استدعاء pct_change() لحساب العوائد الشهرية المنتظمة بسلاسة ونظافة فائقة.

علاوة على ذلك، يمكن محاكاة سلوك دالة pct_change يدوياً والتحكم في تفاصيلها عبر دمج دالة الإزاحة الزمانية shift()، مثل كتابة: (df - df.shift(1)) / df.shift(1). كما يتيح دمج التغير المئوي مع النوافذ المتدحرجة (Rolling Windows) حساب متوسط التغير المئوي على مدى 30 يوماً متدحرجة، وهو أسلوب إحصائي بارز لتتبع الاتجاهات وتنعيم التقلبات اللحظية الحادة.

9. التغير المئوي اللوغاريتمي والعائدات المستمرة

9.1 الأساس النظري للتغير اللوغاريتمي (Log Returns)

في التحليل الكمي المتقدم والنمذجة المالية، يفضل الاقتصاديون والباحثون استخدام العائد اللوغاريتمي (أو التغير المستمر) كبديل للتغير المئوي الحسابي البسيط. يُعرَّف التغير اللوغاريتمي رياضياً بأنه اللوغاريتم الطبيعي لنسبة السعرين المتتاليين: $r_t = \ln(P_t / P_{t-1}) = \ln(P_t) – \ln(P_{t-1})$.

تتمثل الميزة الرياضية الأبرز للتغير اللوغاريتمي في خاصية القابلية للجمع الزمني (Time Additivity)؛ فلحساب العائد الإجمالي عبر فترات زمنية متعددة، يكفي ببساطة جمع العوائد اللوغاريتمية لتلك الفترات حسابياً، وهو ما لا يمكن تطبيقه على نسب التغير المئوي البسيطة التي تتطلب الضرب المركب المرهق حسابياً.

بالإضافة إلى ذلك، يتميز التغير اللوغاريتمي بالتماثل العددي (Numerical Symmetry)؛ فالارتفاع من 100 إلى 200 يُنتج عائداً لوغاريتمياً قدره +0.693، بينما الهبوط المعاكس من 200 إلى 100 يُنتج عائداً قدره -0.693 تماماً، على عكس التغير البسيط الذي يُسجل +100% في الصعود و -50% في الهبوط، مما يجعل البيانات اللوغاريتمية أقرب للتوزيع الطبيعي وتفضيلها في خوارزميات التسعير المالي ونماذج السلاسل الزمنية مثل ARIMA و GARCH.

9.2 حساب التغير اللوغاريتمي برمجياً في Pandas

لا تحتوي مكتبة Pandas على دالة مدمجة باسم log_change، ولكن يمكن حساب التغير اللوغاريتمي بسهولة وسرعة فائقة باستخدام دوال مكتبة NumPy المتجهة المطبقة على أعمدة Pandas. يتم ذلك عبر الصيغة البرمجية المباشرة: df['Log_Return'] = np.log(df['Close'] / df['Close'].shift(1)) أو عبر صيغة الفروق اللوغاريتمية: df['Log_Return'] = np.log(df['Close']).diff().

عندما تكون التغيرات المئوية صغيرة جداً (أقل من 5%، كما هو معتاد في تحركات الأسهم اليومية للشركات الكبرى)، تتطابق قيم التغير اللوغاريتمي مع قيم دالة pct_change بشكل شبه تام حتى الخانة العشرية الثالثة، ولكن الفروق تبدأ في الاتساع بشكل ملحوظ كلما كبرت الحركة السعرية أو طالت الفترة الزمنية المقاسة.

يجب الحذر الشديد من تطبيق اللوغاريتم الطبيعي على سلاسل تحتوي على قيم سالبة أو أصفار؛ إذ إن لوغاريتم الصفر يولد قيمة غير معرفة سالبة (-inf)، بينما يولد لوغاريتم الأرقام السالبة قيماً غير حقيقية (NaN مع تحذير رياضي)، مما يستوجب فحص نطاق البيانات قبل الشروع في هذا التحويل.

9.3 التحويل بين التغير المئوي البسيط والتغير اللوغاريتمي

يمكن التحويل التبادلي بين التغير المئوي البسيط ($R$) والتغير اللوغاريتمي ($r$) في أي لحظة باستخدام العلاقات الرياضية الدقيقة التالية: $R = e^r – 1$ و $r = ln(1 + R)$. تتيح هذه العلاقات الانتقال بسلاسة بين العالم الإحصائي الرياضي وعالم التقارير التنفيذية.

برمجياً داخل Pandas، يمكن تحويل سلسلة العوائد اللوغاريتمية إلى نسب مئوية بسيطة مقروءة عبر: df['Simple_Return'] = np.exp(df['Log_Return']) - 1. هذا الإجراء يسمح بتنفيذ كافة عمليات النمذجة والتدريب الإحصائي في الفضاء اللوغاريتمي المستقر، ثم إعادة تحويل المخرجات النهائية إلى نسب مئوية مفهومة لأصحاب القرار.

يسهم هذا التحويل في تحسين خصائص التوزيع الإحصائي للبيانات المدخلة في نماذج التعلم الآلي والشبكات العصبية العميقة؛ حيث يقلل التغير اللوغاريتمي من ظاهرة التفرطح الحاد (Kurtosis) والالتواء (Skewness) مقارنة بالتغير البسيط، مما يؤدي إلى تقارب أسرع واستقرار أعلى أثناء تدريب الخوارزميات وتحسين الأوزان.

10. الأداء الحسابي وتحسين الكفاءة مع مجموعات البيانات الكبيرة

10.1 تحسين استهلاك الذاكرة وسرعة المعالجة

عند التعامل مع مجموعات بيانات عملاقة تصل إلى عشرات الملايين من الصفوف، يصبح الاستخدام الرشيد للذاكرة وسرعة المعالجة متطلباً حاسماً لتجنب نفاد الذاكرة العشوائية (Out of Memory Errors). تقوم Pandas افتراضياً بتعيين نوع البيانات العائمة كـ float64، وهو ما يستهلك 8 بايت لكل خلية مفردة في الجدول.

يمكن تقليص استهلاك الذاكرة بنسبة 50% فوريًا عن طريق خفض دقة البيانات (Downcasting) إلى float32 قبل أو بعد تطبيق pct_change باستخدام الكود: df['Return'] = df['Close'].pct_change().astype(np.float32). في معظم التطبيقات المالية والاقتصادية، تكون دقة float32 كافية تماماً لتخزين النسب المئوية دون أي فقدان يُذكر في الدقة التحليلية.

من المهم أيضاً تجنب إنشاء النسخ غير الضرورية من البيانات (Avoiding Redundant Copies) أثناء تنفيذ العمليات الحسابية المتتالية. يجب تجنب تكرار إنشاء إطارات بيانات وسيطة واستخدام التعيين المباشر للأعمدة لتشجيع بايثون على تحرير مساحات الذاكرة غير المستخدمة بشكل دوري عبر جامع القمامة (Garbage Collector).

10.2 المعالجة المتوازية والتسريع باستخدام مكتبات موازية

على الرغم من الأداء العالي لمكتبة Pandas، إلا أنها مصممة للعمل في الأساس على نواة معالج واحدة (Single Thread). عند التعامل مع مجموعات بيانات ضخمة (تتجاوز عدة غيغابايت)، يمكن الاستعانة بمكتبات معالجة بديلة وحديثة تعتمد على بنى برمجية متعددة الخيوط أو موزعة.

تأتي مكتبة Polars المكتوبة بلغة Rust في مقدمة هذه البدائل، حيث توفر دالة pct_change فائقة السرعة مع استهلاك استثنائي منخفض للذاكرة، متفوقة على Pandas بفارق زمني قد يصل إلى أضعاف مضاعفة بفضل قدرتها على استغلال كافة أنوية المعالج تلقائياً. كما تبرز مكتبات مثل Dask و Modin لتوزيع عمليات الحساب عبر عناقيد حوسبة كاملة دون تغيير نمط الكود البرمجي المعتاد في Pandas.

يوضح الجدول التالي مقارنة مرجعية تقريبية لكفاءة استهلاك الذاكرة وزمن التنفيذ لمعالجة 10 ملايين صف عبر محركات البيانات المختلفة:

المحرك البرمجي / التقنية	زمن التنفيذ التقريبي (10M صف)	استهلاك الذاكرة RAM	طبيعة المعالجة
Pandas (float64 الافتراضي)	~ 450 ميلي ثانية	~ 160 ميغابايت	نواة واحدة (Single Thread)
Pandas (float32 مخفض)	~ 280 ميلي ثانية	~ 80 ميغابايت	نواة واحدة (Single Thread)
Polars (محرك Rust)	~ 45 ميلي ثانية	~ 40 ميغابايت	متعدد الأنوية تلقائياً (Multi-threaded)
Dask DataFrame	~ 120 ميلي ثانية	موزع عبر الأقسام (Partitioned)	توزيع متوازي / متعدد الأنوية

10.3 أفضل الممارسات لكتابة كود نظيف وقابل للتوسع

تقتضي كتابة الأكواد الإنتاجية الموجهة للعمل في خطوط البيانات المؤتمتة (Data Pipelines) الالتزام بمبادئ الكود النظيف وقابلية القراءة والصيانة. يُعد أسلوب ربط الطرق البرمجية (Method Chaining) أحد أقوى الأنماط البرمجية لتحقيق ذلك داخل بيئة Pandas.

يتيح هذا النمط دمج خطوات الفرز، والتجميع، وحساب التغير، وتنظيف القيم الشاذة في تدفق برمجي واحد متناسق وأنيق، مثل:

clean_df = (
    raw_df
    .sort_values(by=['Entity', 'Timestamp'])
    .assign(Growth=lambda d: d.groupby('Entity')['Metric'].pct_change())
    .replace([np.inf, -np.inf], np.nan)
    .dropna(subset=['Growth'])
)

كما يُنصح بكتابة اختبارات تحقق آلية (Data Integrity Assertions) باستخدام مكتبات التحقق مثل pytest للتحقق المستمر من أن مخرجات pct_change تقع ضمن النطاقات المعقولة منطقياً، وتوثيق كافة الافتراضات الرياضية المستخدمة في معالجة الفجوات وحالات القسمة على الصفر في تعليقات الكود البرمجي لضمان فهمها من قِبل الفريق الهندسي الموسع.

11. الأخطاء الشائعة واستكشاف المشكلات وحلها (Troubleshooting)

11.1 الخلط بين التغير المئوي ونقاط النسبة المئوية (Percentage Points)

يقع كثير من المحللين في فخ الخلط الإحصائي والدلالي الشائع بين “التغير المئوي” و”النقاط المئوية”. هذا الخطأ يحدث تحديداً عندما تكون البيانات الأصلية الخاضعة للتحليل هي في الأصل نسب مئوية؛ مثل معدلات الفائدة المصرفية، أو معدلات البطالة، أو نسب هامش الربح التشغيلي.

إذا ارتفع معدل الفائدة من 2% إلى 3%، فإن هذا التغير يمثل زيادة قدرها نقطة مئوية واحدة (1 Percentage Point) عبر الطرح المباشر: 3 – 2 = 1. أما إذا قمنا بتطبيق دالة pct_change على هذه الأرقام، فستقوم بحساب التغير النسبي لتلك النسبة: (3 – 2) / 2 = 0.50، أي زيادة بنسبة 50%. كلا الرقمين صحيح رياضياً في سياقه، ولكن الخلط بينهما في التقارير يؤدي إلى تفسيرات مضللة بالكامل.

لتجنب هذا الخطأ البرمجي، يجب الامتناع تماماً عن تطبيق pct_change على المتغيرات المقاسة بالنسب المئوية إذا كان المطلوب هو معرفة مقدار الزيادة في الهامش أو المعدل، واستبدالها بحساب الفروق المطلقة المباشرة عبر دالة diff(): df['Rate_Point_Diff'] = df['Interest_Rate'].diff().

11.2 أخطاء الترتيب غير المقصود للبيانات (Unsorted Data Traps)

تفترض دالة pct_change افتراضاً جازماً بأن البيانات المدخلة مرتبة بدقة زمنية أو تسلسلية صحيحة من الصف الأعلى (الأقدم) إلى الصف الأسفل (الأحدث). لا تقوم الدالة بفحص قيم الفهارس أو الطوابع الزمنية للتأكد من تسلسلها قبل إجراء عملية الطرح والقسمة.

إذا كانت البيانات مشوشة الترتيب، أو كانت مرتبة تنازلياً (من الأحدث إلى الأقدم)، فإن تطبيق الدالة سينتج عنه حساب تغيرات مئوية معكوسة أو لا معنى لها إطلاقاً؛ حيث ستتم مقارنة يوم الأربعاء بيوم الخميس اللاحق له، أو مقارنة قراءات متباعدة زمنياً، مما يقود إلى نتائج تحليلية خاطئة تماماً دون أن يصدر بايثون أي خطأ برمجي ينبه المطور.

للوقاية من هذا الفخ البرمجي الصامت، يجب أن تبدأ أي عملية حسابية تتضمن pct_change بخطوة فرز صريحة وإلزامية: df = df.sort_values(by='Date') أو df = df.sort_index(). كما يمكن إضافة أسطر تحقق برمجية تتأكد من أن الفهرس الزمني مرتب تصاعدياً بشكل رتيب عبر خاصية assert df.index.is_monotonic_increasing.

11.3 معالجة النتائج غير المتوقعة للبيانات السالبة

يواجه مفهوم التغير المئوي مأزقاً رياضياً معقداً عندما تتضمن البيانات قيماً سالبة (مثل الشركات التي تحقق خسائر مالية صافية وتتغير أرباحها بين السالب والموجب). إن تطبيق المعادلة القياسية ينتج عنه في كثير من الأحيان إشارات مضللة ومخالفة للمنطق الاقتصادي.

على سبيل المثال، إذا تحولت أرباح شركة من -100 دولار في العام الأول إلى +50 دولار في العام الثاني، فإن التحسن الواضح في الأداء مقداره 150 دولاراً. ولكن عند تطبيق المعادلة الكلاسيكية: (50 – (-100)) / -100 = 150 / -100 = -1.5 (-150%)؛ تظهر النتيجة كنسبة سالبة توحي بحدوث تدهور حاد في الأداء على الرغم من أن الشركة حققت تحسناً كبيراً وانتقلت إلى الربحية.

لحل هذه المعضلة الحسابية في السياقات المالية، يُستخدم تعديل رياضي يعتمد على أخذ القيمة المطلقة للمقام: df['Adjusted_Pct_Change'] = (df['Earnings'] - df['Earnings'].shift(1)) / df['Earnings'].shift(1).abs(). يؤدي هذا التعديل إلى إرجاع إشارة موجبة صحيحة (+150%) تعكس الاتجاه الحقيقي لتحسن الأداء المالي، على الرغم من أن تفسير هذه النسب يتطلب دائماً إرفاق السياق الرقمي المطلق للقراءات.

12. تطبيقات ودراسات حالة عملية باستخدام بيانات واقعية

12.1 دراسة حالة 1: تحليل تقلبات أسعار الأسهم وحجم التداول

في هذه الدراسة التطبيقية، سنقوم ببناء خط معالجة متكامل لتحليل أسعار الأسهم اليومية لأحد الأصول المالية، بهدف حساب العوائد اليومية والشهرية، واستنتاج مقاييس التقلب الإحصائي والمخاطر باستخدام دالة pct_change في Pandas.

تبدأ العملية باستيراد مكتبات pandas و numpy و matplotlib.pyplot، يعقبها تحميل بيانات التداول اليومية التي تشمل أسعار الإغلاق (Close) وأحجام التداول (Volume). نقوم بفرز البيانات وتعيين عمود التاريخ كفهرس زمني، ثم نحسب العائد اليومي البسيط عبر الكود التالي المتكامل مفاهيمياً:

# حساب العوائد اليومية للأسهم وحجم التداول
stock_df['Daily_Return'] = stock_df['Close'].pct_change()
stock_df['Volume_Change'] = stock_df['Volume'].pct_change()

# حساب العائد التراكمي الشامل
stock_df['Cumulative_Return'] = (1 + stock_df['Daily_Return']).cumprod() - 1

# قياس التقلب التاريخي السنوي المتدحرج على نافذة 21 يوم عمل
trading_days = 252
stock_df['Historical_Volatility'] = (
    stock_df['Daily_Return']
    .rolling(window=21)
    .std() * np.sqrt(trading_days)
)

تتيح لنا هذه المؤشرات المحسوبة إجراء تصوير بياني متقدم؛ حيث يمكن رسم منحنى العوائد اليومية لتحديد أيام الهبوط الحاد والصعود الاستثنائي، ومقارنة التغير المئوي في حجم التداول مع حركة الأسعار للتحقق من نظرية تأكيد الحجم للاتجاه السعري، وتوفير مقاييس التقلب لإدارات المخاطر لتحديد حدود الخسارة المقبولة (Value at Risk – VaR).

12.2 دراسة حالة 2: تحليل المقاييس السلوكية وتفاعل المستخدمين

يركز هذا التطبيق على تحليل نمو المنتجات الرقمية وتطبيقات الهواتف الذكية، حيث يُعد تتبع نمو المستخدمين النشطين أسبوعياً (Weekly Active Users – WAU) ومعدلات الاحتفاظ بالمستخدمين (Retention Cohort Analysis) المحرك الأساسي لاتخاذ القرارات الاستثمارية والتطويرية.

نفترض وجود جدول بيانات يسجل نشاط المستخدمين اليومي موزعين حسب قنوات الاستحواذ (Acquisition Channels مثل Organic، Paid Social، Referral). نقوم بتجميع البيانات أسبوعياً وتطبيق التغير المئوي المقيد بكل قناة تسويقية بشكل مستقل:

# تجميع البيانات أسبوعياً وحساب نمو المستخدمين النشطين لكل قناة
weekly_users = (
    user_data
    .groupby(['Channel', pd.Grouper(key='Date', freq='W-MON')])['User_ID']
    .nunique()
    .reset_index()
    .rename(columns={'User_ID': 'WAU'})
)

# حساب التغير الأسبوعي في قاعدة المستخدمين داخل كل قناة
weekly_users['WAU_Growth'] = (
    weekly_users
    .groupby('Channel')['WAU']
    .pct_change()
    .fillna(0)
)

يقدم هذا النموذج لإدارة المنتج رؤية تفصيلية دقيقة؛ فإذا أظهرت قناة الإعلانات الممولة (Paid Social) نمواً أسبوعياً متناقصاً (مثلاً انخفاض النمو من +15% إلى -3%) بينما تواصل القناة الطبيعية (Organic) النمو بمعدل ثابت +8%، يتم فورياً اتخاذ قرار بإعادة تقييم الحملات الإعلانية المدفوعة وتوجيه الميزانيات نحو تحسين محركات البحث وتجربة المستخدم الأساسية.

12.3 دراسة حالة 3: قياس التضخم والتغير في الأسعار الاستهلاكية

في التحليل الاقتصادي، يمثل قياس التغير في الأرقام القياسية لأسعار المستهلكين (Consumer Price Index – CPI) الأداة الرسمية لتحديد معدلات التضخم عبر القطاعات الاقتصادية المتباينة مثل الغذاء، والطاقة، والرعاية الصحية، والإسكان.

في هذه الدراسة، سنقوم بمعالجة بيانات CPI الشهرية الصادرة عن الهيئات الإحصائية، وحساب التضخم الشهري المتتالي (MoM) والتضخم السنوي المتدرج (YoY)، مع بناء نظام تقارير مؤتمت يُصدر المخرجات في جداول إكسل و CSV منسقة:

# حساب التضخم الشهري والسنوي لكل قطاع استهلاكي
cpi_df = cpi_df.sort_values(by=['Sector', 'Date'])

# التضخم الشهري MoM
cpi_df['Inflation_MoM'] = cpi_df.groupby('Sector')['CPI_Score'].pct_change(periods=1)

# التضخم السنوي YoY
cpi_df['Inflation_YoY'] = cpi_df.groupby('Sector')['CPI_Score'].pct_change(periods=12)

# تصفية أحدث قراءة وتصدير جدول تقرير تنفيذي
latest_report = (
    cpi_df
    .groupby('Sector')
    .last()
    [['CPI_Score', 'Inflation_MoM', 'Inflation_YoY']]
    .style.format({'Inflation_MoM': '{:+.2%}', 'Inflation_YoY': '{:+.2%}'})
)

# تصدير التقرير النهائي إلى ملف Excel
latest_report.to_excel('Inflation_Executive_Report.xlsx', engine='openpyxl')

يوفر هذا النظام المؤتمت تقارير شاملة يمكن الاعتماد عليها من قِبل المحللين الاقتصاديين وصناع القرار في البنوك المركزية والمؤسسات المالية، لمراقبة الضغوط التضخمية وتحديد القطاعات الأكثر تأثراً بارتفاع الأسعار لاتخاذ التدابير النقدية والمالية المناسبة.

خاتمة

استعرضنا في هذا الدليل المتعمق الأبعاد النظرية والبرمجية الشاملة لحساب التغير المئوي في مكتبة Pandas. لقد رأينا كيف تشكل دالة pct_change جسراً فائق الكفاءة يربط بين المفاهيم الرياضية المجردة والتطبيقات العملية في معالجة البيانات الواقعية المعقدة.

إن إتقان حساب التغير المئوي لا يقتصر فقط على معرفة البنية البرمجية للدالة، بل يتطلب إدراكاً عميقاً للتحديات المصاحبة لها؛ مثل الإدارة الصحيحة للفهارس الزمنية، والمعالجة الصارمة لحالات القيم المفقودة والقسمة على الصفر، والفهم الدقيق للفروق بين التغيرات الحسابية واللوغاريتمية، وعزل المجموعات لمنع تسرب البيانات، واختيار المحركات الحوسبية المناسبة عند التعامل مع مجموعات البيانات العملاقة.

يمثل الاستخدام المنهجي والمنضبط لهذه الأدوات ركيزة أساسية لأي محلل بيانات أو مهندس تعلم آلي يسعى إلى بناء خطوط معالجة تتسم بالدقة الرياضية، والسرعة الفائقة، والموثوقية العالية في بيئات العمل الإنتاجية المعاصرة.

المراجع (References)

• McKinney, W. (2022). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media. https://wesmckinney.com/book/
• Pandas Development Team. (2024). pandas.Series.pct_change — pandas 2.2.2 documentation. PyData. https://pandas.pydata.org/docs/reference/api/pandas.Series.pct_change.html
• Pandas Development Team. (2024). pandas.DataFrame.pct_change — pandas 2.2.2 documentation. PyData. https://pandas.pydata.org/docs/reference/api/pandas.DataFrame.pct_change.html
• 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
• Tsay, R. S. (2010). Analysis of Financial Time Series (3rd ed.). John Wiley & Sons. https://www.wiley.com/en-us/Analysis+of+Financial+Time+Series%2C+3rd+Edition-p-9780470414354
• VanderPlas, J. (2016). Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media. https://jakevdp.github.io/PythonDataScienceHandbook/
• Polars Development Team. (2024). Polars: Fast Multi-threaded DataFrame Library. https://pola.rs/