كيفية إنشاء رسم بياني أوجيف في بايثون

يُمثّل التحليل الاستكشافي للبيانات وحساب المؤشرات الإحصائية الوصفية الركيزة الأساسية التي تنطلق منها كافة الأبحاث العلمية والتطبيقية المعاصرة. ومن بين مختلف الأدوات الإحصائية الكلاسيكية والحديثة، يبرز المنحنى التكراري التراكمي، المعروف في الأدبيات الإحصائية باسم منحنى الأوجيف (Ogive Graph)، كأحد أكثر الأشكال البيانية قدرة على تلخيص التوزيعات الاحتمالية والبيانات الرقمية المستمرة والمتقطعة. تكمن القوة الجوهرية لهذا المنحنى في قدرته الفائقة على تتبع تراكم التكرارات أو النسب المئوية بصورة بصرية سلسة ومباشرة، مما يتيح للباحث والمحلل استنتاج الرتب المئينية، وتحديد موقع الوسيط الحسابي، وقياس الانحرافات الربيعية دون الحاجة إلى الغوص في معادلات جبرية معقدة ومجهدة.

مع الثورة الرقمية وتعاظم الاعتماد على لغات البرمجة المتقدمة في معالجة البيانات الضخمة، أصبحت لغة بايثون (Python) الخيار القياسي الأول للمجتمعات الأكاديمية والمهنية على حد سواء. إن الجمع بين الدقة الإحصائية لمنحنى الأوجيف والمرونة البرمجية الفائقة لمكتبات بايثون الرائدة، مثل NumPy للحسابات المصفوفية، وMatplotlib للتمثيل البياني، وPandas لإدارة وهيكلة الجداول، يمنح الباحثين أداة تحليلية لا غنى عنها لاستخلاص الرؤى المعمقة من البيانات النفسية، والتربوية، والمالية، والطبية بدقة متناهية وسرعة قياسية.

يهدف هذا الدليل الشامل والمفصل إلى تقديم مرجع أكاديمي وتطبيقي متكامل لبناء وتخصيص منحنيات الأوجيف بأنواعها المختلفة (الصاعدة والهابطة) باستخدام لغة بايثون من الصفر. سنتناول بعمق الأساس الرياضي والخوارزمي لبناء الفئات التكرارية، وحساب التراكمات النسبية، وكتابة الشيفرات البرمجية النظيفة خطوة بخطوة، وصولاً إلى دراسة حالة تطبيقية معقدة في مجال القياس النفسي والتقييم السلوكي، مع استعراض أفضل الممارسات البرمجية وتفادي الأخطاء الشائعة.

1. مقدمة شاملة حول المنحنى التكراري التراكمي (Ogive Graph) وأهميته الإحصائية

1.1 التعريف العلمي لمنحنى الأوجيف ودوره في علم الإحصاء

يُعرَّف منحنى الأوجيف (Ogive Graph)، أو ما يُعرف في المعاجم الإحصائية بالمنحنى التكراري التراكمي (Cumulative Frequency Curve)، بأنه تمثيل بياني خطي متصل يُستخدم لتوضيح تراكم التكرارات الحسابية أو النسب المئوية التراكمية لمتغير عشوائي مقسم إلى فئات تكرارية محددة. يختلف منحنى الأوجيف جوهرياً عن المدرج التكراري (Histogram) والمضلع التكراري البسيط (Frequency Polygon)؛ فبينما يُركز المدرج التكراري على إظهار التكرار المطلق أو النسبي الواقع داخل حدود كل فئة منعزلة، يركز الأوجيف على رصد التكرار الإجمالي المتجمع عند أو دون حد فئوي معين، أو ما يعلوه. هذا الانتقال من النظرة التجزيئية المنفصلة إلى النظرة التراكمية الشاملة يجعل من الأوجيف الأداة المثلى لتقييم سلوك المتغير الإحصائي عبر مجاله العددي كاملاً.

تتجلى الأهمية العلمية لمنحنى الأوجيف في قدرته الفريدة على تحويل التوزيعات التكرارية المعقدة إلى شكل هندسي يسهل من خلاله قراءة المئينيات (Percentiles) والعشيرات (Deciles) والربيعيات (Quartiles). ففي البيئات البحثية التي تتعامل مع متغيرات مستمرة مثل درجات الذكاء، أو مؤشرات الدخل القومي، أو مستويات ضغط الدم، يتيح الأوجيف للباحث معرفة النسبة المئوية للمجتمع الإحصائي التي تقع تحت قيمة معينة بلمحة بصرية واحدة دون الحاجة إلى إعادة تجميع البيانات الخام أو إعادة حساب التكرارات يدوياً. كما يسهم المنحنى في تقييم مدى اعتدالية التوزيع التجريبي ومقارنته بالتوزيع الطبيعي المعياري.

علاوة على ذلك، يمثل منحنى الأوجيف الجسر الرابط بين الإحصاء الوصفي الكلاسيكي ونظرية الاحتمالات الحديثة، حيث يُعد التمثيل الهندسي التجريبي لما يُعرف في نظرية الاحتمالات بدالة التوزيع التراكمي (Cumulative Distribution Function – CDF). يتيح هذا التمثيل للباحثين استقراء الاحتمالات الشرطية وتقدير المساحات التراكمية تحت المنحنيات الاحتمالية بدقة هندسية عالية، سواء كانت البيانات محل الدراسة بيانات متقطعة ناتجة عن عمليات عد منفصلة أو بيانات مستمرة ناتجة عن أدوات قياس دقيقة ومتصلة.

1.2 استخدامات منحنى الأوجيف في الدراسات القياسية والنفسية

يحظى منحنى الأوجيف بمكانة مركزية ومرموقة في حقل القياس النفسي (Psychometrics) وعلم النفس القياسي والتقييم التربوي. يُستخدم هذا المنحنى بصورة مكثفة في معايرة الاختبارات النفسية المقننة، مثل اختبارات القدرات العقلية، ومقاييس الشخصية، واستبيانات الاضطرابات الانفعالية كالقلق والاكتئاب. من خلال بناء الأوجيف لدرجات عينة التقنين، يستطيع الأخصائي النفسي تحويل الدرجات الخام (Raw Scores) إلى رتب مئينية (Percentile Ranks) معيارية، مما يمنح الدرجة الفردية معنى تفسيرياً دقيقاً ومقارناً بالنسبة للمجتمع المرجعي الخاضع للدراسة.

يُعد منحنى الأوجيف الأداة المفضلة لدى باحثي علم النفس التجريبي لمقارنة التوزيعات التراكمية بين المجموعات التجريبية والمجموعات الضابطة. فعند تطبيق برنامج تدخلي أو علاجي معين، يتيح رسم منحنيين للأوجيف على نفس المحاور مقارنة التحولات التراكمية في الاستجابات السلوكية، وتحديد ما إذا كان التدخل قد أحدث إزاحة إيجابية في كامل التوزيع التراكمي أو اقتصر تأثيره على فئات معينة فقط من العينة. هذه المقارنة البصرية التراكمية توفر عمقاً تحليلياً يتجاوز مجرد مقارنة المتوسطات الحسابية البسيطة التي قد تتأثر بشدة بالقيم المتطرفة.

بالإضافة إلى ذلك، يُستخدم الأوجيف لاستخراج مقاييس النزعة المركزية والتشتت غير المعلمية (Non-parametric) بدقة متناهية. يمكن للباحث النفسي استخراج قيمة الوسيط الإحصائي (Median) بيسر تام من خلال تحديد النقطة المقابلة للتكرار التراكمي 50% على المنحنى، فضلاً عن تحديد الربيع الأول (Q1) المقابل لـ 25% والربيع الثالث (Q3) المقابل لـ 75%، مما يتيح حساب نصف المدى الربيعي (Semi-interquartile Range) بدقة متناهية، وهو المقياس الأكثر موثوقية في حال التوزيعات النفسية الملتوية.

1.3 الفرق بين الأوجيف الصاعد (Less Than) والأوجيف الهابط (More Than)

ينقسم منحنى الأوجيف في الأدبيات الإحصائية إلى نوعين رئيسيين يختلفان في المبدأ الرياضي واتجاه التراكم، وهما: الأوجيف الصاعد (Less Than Ogive) والأوجيف الهابط (More Than Ogive أو Greater Than Ogive). يستند الأوجيف الصاعد إلى حساب التكرار المتجمع الصاعد، والذي يمثل عدد أو نسبة المفردات الإحصائية التي تقل قيمتها عن أو تساوي الحد الأعلى لكل فئة تكرارية. يبدأ هذا المنحنى رياضياً من نقطة الصفر عند الحد الأدنى للفئة الأولى، ويتصاعد تدريجياً وبشكل رتيب (Monotonically Increasing) حتى يصل إلى أقصى تكرار إجمالي أو نسبة 100% عند الحد الأعلى للفئة الأخيرة.

في المقابل، يرتكز الأوجيف الهابط على حساب التكرار المتجمع الهابط، وهو يمثل عدد أو نسبة المفردات الإحصائية التي تزيد قيمتها عن أو تساوي الحد الأدنى لكل فئة تكرارية. ينطلق هذا المنحنى من أعلى قيمة تكرارية (الحجم الكلي للعينة N أو 100%) عند الحد الأدنى للفئة الأولى، ويتناقص رتيباً وبشكل تدريجي (Monotonically Decreasing) حتى يصل إلى الصفر عند الحد الأعلى للفئة الأخيرة. يعكس هذا المنحنى النظرة العكسية للتوزيع، وهو مفيد للغاية في دراسات البقاء والتحليل الإحصائي للاعتمادية والمخاطر.

تكتسب العلاقة الهندسية بين المنحنيين الصاعد والهابط أهمية تحليلية استثنائية؛ فعند رسم كلا المنحنيين معاً على نفس المستوى الإحداثي، يتقاطع المنحنيان حتماً في نقطة هندسية مفصلية واحدة. هذه النقطة المتقاطعة تمثل هندسياً وسيط التوزيع (Median) عند إسقاطها عمودياً على المحور الأفقي (X-axis)، وتناظر تكراراً نسبياً مقداره 50% على المحور الرأسي (Y-axis). يعتمد المحللون على هذا التقاطع المزدوج للتحقق البصري المباشر من اتساق البيانات وتقدير درجة التماثل أو الالتواء في التوزيع التكراري.

2. المفاهيم الرياضية والخوارزمية لبناء منحنى الأوجيف

2.1 تقسيم البيانات إلى فئات تكرارية (Bins & Class Limits)

تبدأ عملية بناء منحنى الأوجيف برمجياً ورياضياً من الخطوة الحاسمة المتمثلة في تقسيم البيانات الرقمية الخام إلى فئات تكرارية محددة ومنتظمة (Bins). يتطلب هذا الإجراء أولاً حساب المدى الكلي للبيانات (Range)، وهو الفرق المطلق بين القيمة العظمى (Maximum) والقيمة الصغرى (Minimum) في مصفوفة البيانات. بناءً على هذا المدى، يتعين على المحلل تحديد عدد الفئات المناسب، وهو قرار إحصائي حاسم يؤثر بشكل مباشر على شكل المنحنى النهائي ونعومته ودقته التحليلية وتفاديه لمشاكل التحيز أو فقدان المعلومات الأساسية.

لتحديد العدد الأمثل للفئات، يعتمد الإحصائيون على قواعد ومعادلات رياضية مقننة، من أشهرها قاعدة ستورجس (Sturges’ Rule) التي تحدد عدد الفئات وفق الصيغة الرياضية: k = 1 + 3.322 × log10(N)، حيث تمثل N الحجم الإجمالي للعينة. كما توجد قواعد أخرى أكثر ملاءمة للعينات الضخمة أو الملتوية مثل قاعدة فريدمان-دياكونيس (Freedman-Diaconis Rule) المعتمدة على المدى الربيعي، وقاعدة سكوت (Scott’s Rule). وبقسمة المدى الكلي على عدد الفئات k، يتم استخراج طول الفئة أو اتساعها (Class Width)، والذي يُفضل عادة تقريبه إلى رقم صحيح ملائم لتسهيل القراءة.

تتطلب المعالجة الرياضية الدقيقة لمنحنى الأوجيف التمييز بين حدود الفئات الظاهرية والحدود الفعلية الحقيقية (Real Class Limits أو Class Boundaries). الحدود الفعلية للفئة هي النقاط الفاصلة التي تضمن استمرارية المجال العددي وعدم وجود فجوات حسابية بين الفئات المتتالية. على سبيل المثال، إذا كانت الفئة الأولى تمتد ظاهرياً من 10 إلى 19، وكانت الفئة التالية من 20 إلى 29، فإن الحد الفعلي الأعلى للفئة الأولى والحد الفعلي الأدنى للفئة الثانية هو 19.5. تلعب هذه الحدود الفعلية دور المحاور الأساسية لنقاط الارتكاز في الرسم البياني للأوجيف لضمان الدقة الرياضية الصارمة للمنحنى المتصل.

2.2 حساب التكرارات التراكمية والمجاميع النسبية

بعد توزيع البيانات داخل الفئات التكرارية وحساب التكرار البسيط (Frequency – f_i) لكل فئة، تبدأ الخوارزمية في حساب التكرار التراكمي (Cumulative Frequency – CF_i). تعتمد خوارزمية الجمع التراكمي على علاقة تعاودية رياضية بسيطة تنص على أن التكرار التراكمي لفئة معينة يساوي تكرار تلك الفئة مضافاً إليه التكرار التراكمي للفئة السابقة لها مباشرة، وفق الصيغة: CF_k = ∑_i=1^k f_i. تستمر هذه العملية الحسابية تتابعياً عبر المصفوفة الإحصائية حتى تصل الفئة الأخيرة إلى التكرار التراكمي النهائي المطابق تماماً للحجم الكلي للعينة N.

لإضفاء صبغة معيارية قابلة للمقارنة بين العينات ذات الأحجام المتفاوتة، يتم تحويل التكرارات التراكمية المطلقة إلى تكرارات تراكمية نسبية أو نسب مئوية تراكمية (Relative Cumulative Frequency Percentage). يتم ذلك بقسمة التكرار التراكمي لكل فئة على الحجم الإجمالي للعينة وضرب الناتج في مئة: RCF% = (CF_i / N) × 100. ينتج عن هذا التحويل الرياضي متجهة رقمية تتراوح قيمها المعيارية بشكل حصري بين الصفر والمئة بالمئة، مما يسهل مقارنة التوزيعات المعقدة ومطابقتها مع المعايير القياسية العالمية والمؤشرات النفسية المعيارية.

تتضمن الخوارزمية البرمجية خطوة تحقق حاسمة (Validation Step) تضمن أن القيمة التراكمية الأخيرة في المصفوفة تطابق بدقة رياضية متناهية إجمالي عدد المشاهدات، وأن معدلات التزايد بين النقاط المتتالية غير سالبة أبداً في المنحنى الصاعد (حيث يجب أن تظل المشتقة الأولى للتوزيع التراكمي أكبر من أو تساوي الصفر في كافة المجالات). يعكس معدل تسارع التراكم بين فئتين متتاليتين كثافة البيانات وتركزها في ذلك النطاق، حيث يشير المنحدر الحاد إلى كثافة تكرارية مرتفعة، بينما يعكس المنحدر شبه الأفقي ندرة المشاهدات في تلك الفئة.

2.3 الربط الخوارزمي بين حدود الفئات والتكرارات المتراكمة

يتمثل الجوهر الهندسي لبناء منحنى الأوجيف الصاعد في الربط الإحداثي الدقيق بين الحدود الفعلية للفئات وقيم التكرار التراكمي المحسوبة. على المستوى الإحداثي الديكارتي ثنائي الأبعاد، يتم إسقاط الحدود الفعلية العليا للفئات (Upper Class Boundaries) على المحور الأفقي (X-axis)، بينما يتم إسقاط التكرارات التراكمية أو النسب المئوية التراكمية المتجمعة المقابلة لها على المحور الرأسي (Y-axis). هذا التناظر الهندسي يضمن أن كل نقطة (X_i, Y_i) على الرسم تعبر بدقة عن عبارة إحصائية صريحة: “عدد أو نسبة الأفراد الذين حصلوا على قيمة أقل من أو تساوي الحد الفعلي X_i هو Y_i“.

تقتضي الصحة الرياضية للمنحنى التراكمي الصاعد إضافة نقطة ارتكاز ابتدائية لا غنى عنها، وهي نقطة الصفر الإحصائي. تتمثل هذه النقطة في إحداثي يجمع بين الحد الفعلي الأدنى للفئة الأولى على محور السينات وتكرار تراكمي مقداره صفر على محور الصادات، أي النقطة (Lower Boundary of First Bin, 0). إن إغفال هذه النقطة الابتدائية يؤدي إلى رسم منحنى معلق في الفضاء الإحداثي يفقد قدرته على تمثيل بداية التراكم الحقيقي للتوزيع، ويشوه التقديرات البصرية للرتب المئينية الدنيا القريبة من أطراف التوزيع.

تتولى الخوارزمية بعد ذلك بناء مصفوفة الإحداثيات المتصلة عبر دمج نقطة البداية الصفرية مع بقية نقاط الحدود العليا والتكرارات المتراكمة. يتم ترتيب هذه النقاط تصاعدياً بحسب قيم المحور الأفقي، ثم يتم التوصيل بينها بقطع مستقيمة أو منحنيات استيفاء خطي (Linear Interpolation). تشكل هذه السلسلة المتصلة من الإحداثيات الأساس الرياضي الذي تستند إليه دوال الرسم البرمجية في لغة بايثون لتحويل الحسابات الإحصائية المجردة إلى منحنى بياني عالي الدقة والوضوح وقابل للتفسير العلمي المباشر.

3. إعداد بيئة العمل البرمجية وتثبيت المكتبات اللازمة في بايثون

3.1 تهيئة بيئة بايثون وتثبيت حزم التحليل الإحصائي

للبدء في التطبيق العملي وبناء منحنيات الأوجيف بكفاءة، يتعين على المطور والباحث تجهيز بيئة برمجية متكاملة للغة بايثون. يُنصح بشدة باستخدام بيئات العمل المعزولة مثل Virtual Environments أو بيئة Anaconda، والتي توفر إدارة احترافية للحزم البرمجية وتمنع حدوث أي تعارضات بين إصدارات المكتبات المختلفة. يتطلب عملنا الإحصائي والبياني الاعتماد على مجموعة متكاملة من المكتبات العلمية القياسية التي تمثل العمود الفقري لعلوم البيانات والحوسبة الإحصائية في بايثون.

تتضمن قائمة المكتبات الأساسية الواجب تثبيتها مكتبة NumPy، وهي الحزمة الجوهرية المعنية بالعمليات الرياضية المصفوفية عالية الأداء والحساب التكراري، ومكتبة Matplotlib، وتحديداً الوحدة النمطية matplotlib.pyplot المسؤولة عن بناء الرسوم وتخصيص المخططات البيانية بمختلف أنواعها. كما يُستحسن تثبيت مكتبة Pandas لإدارة وهيكلة مجموعات البيانات المعقدة وجداول التوزيع التكراري، ومكتبة Seaborn التي توفر واجهات جمالية وإحصائية متطورة للرسم البياني الحديث. يمكن تثبيت هذه الحزم بسهولة تامة عبر مدير الحزم القياسي بتنفيذ الأوامر التالية في سطر الأوامر:

pip install numpy matplotlib pandas seaborn scipy

عقب اكتمال عملية التثبيت، يجب التحقق من توافق الإصدارات البرمجية من خلال استيراد المكتبات داخل بيئة العمل البرمجية وفحص أرقام الإصدارات. يضمن هذا الإجراء الوقائي تفادي حدوث أي أخطاء أثناء التنفيذ ناتجة عن إيقاف دوال معينة (Deprecation) أو تغير وسائط الاستدعاء في الإصدارات الأحدث، مما يؤسس لبيئة عمل مستقرة وموثوقة قادرة على تنفيذ كافة العمليات الرياضية ورسم المنحنيات التراكمية بأعلى درجات الكفاءة والأمان البرمجي.

3.2 استيراد الوحدات النمطية وضبط المعلمات الافتراضية للرسم

يتبع المجتمع البرمجي في لغة بايثون أعرافاً قياسية ثابتة ومتفقاً عليها عند استيراد المكتبات العلمية والإحصائية، وذلك لضمان قابلية قراءة الشيفرات البرمجية ومشاركتها بسلاسة بين الباحثين. يتم استيراد مكتبة NumPy تحت الاسم المستعار np، ومكتبة Matplotlib وتحديداً واجهة pyplot تحت الاسم المستعار plt، ومكتبة Pandas تحت الاسم pd، ومكتبة Seaborn تحت الاسم sns. يُعد الالتزام بهذه الأسماء المستعارة المعيارية ممارسة برمجية فضلى تسهل فهم الأكواد واستكشاف الأخطاء وتصحيحها.

لضمان الحصول على رسوم بيانية ذات جودة بصرية احترافية تليق بالنشر الأكاديمي والتقارير العلمية المحكمة، يُفضل ضبط المعلمات الافتراضية للرسم في بداية جلسة العمل البرمجية عبر قاموس الإعدادات الشامل plt.rcParams. يتيح هذا القاموس التحكم المسبق في حجم الخطوط، وعائلات الخطوط المستخدمة، وأبعاد الرسوم الافتراضية (Figure Size)، وكثافة النقاط في البوصة (DPI)، ونمط خطوط الشبكة، ومحاذاة النصوص. يسهم هذا الضبط المسبق في توحيد المظهر الجمالي لكافة الأشكال والمنحنيات المنتجة خلال التحليل الإحصائي دون الحاجة لتكرار ضبط الخصائص مع كل رسم منفرد.

إذا كان التحليل يجري داخل دفاتر جوبيتر التفاعلية (Jupyter Notebooks)، يُنصح بتضمين الأمر السحري %matplotlib inline لضمان عرض الرسوم التفاعلية المباشرة داخل الدفتر نفسه أسفل خلايا التنفيذ. كما يجب تثبيت بذرة التوليد العشوائي للأرقام عبر استدعاء الدالة np.random.seed() وتمرير قيمة عددية صحيحة ثابتة؛ يُعد هذا الإجراء خطوة حاسمة لضمان تكرارية النتائج وموثوقيتها العلمية (Reproducibility)، بحيث يحصل أي باحث آخر يقوم بتشغيل نفس الشيفرة على نفس الأرقام والمنحنيات الإحصائية المتطابقة بدقة تامة.

4. توليد وتجهيز مجموعات البيانات الإحصائية في بايثون

4.1 توليد بيانات عشوائية محاكاة للتوزيعات الطبيعية والتجريبية

في العديد من السياقات التعليمية والبحثية، يحتاج المحلل الإحصائي إلى محاكاة مجموعات بيانات تجريبية خاضعة لرقابة محكمة لاختبار الخوارزميات وتقييم كفاءة الرسوم البيانية قبل تطبيقها على البيانات الميدانية الواقعية. توفر مكتبة NumPy عبر وحدتها النمطية numpy.random ترسانة هائلة من الدوال الرياضية المتقدمة القادرة على توليد متغيرات عشوائية تتبع مختلف التوزيعات الاحتمالية النظرية، مما يمنح الباحث مرونة مطلقة في تصميم السيناريوهات الإحصائية المختلفة وفحص سلوك منحنى الأوجيف تحت ظروف توزيعية متباينة.

لتوليد بيانات تحاكي مقياساً نفسياً مقنناً مثل مقياس الذكاء المعياري أو درجات اختبار تحصيلي متصل، يمكن استخدام الدالة np.random.normal(loc, scale, size)، حيث تمثل loc المتوسط الحسابي للتوزيع (Mean)، وscale الانحراف المعياري (Standard Deviation)، وsize حجم العينة المطلوب توليدها. على سبيل المثال، يمكن توليد درجات 1000 مشارك في اختبار تحصيلي بمتوسط 100 وانحراف معياري 15 لمحاكاة منحنى درجات طبيعي متماثل، ومن ثم دراسة شكل الأوجيف الصاعد المتولد عنه والذي يتخذ عادة الشكل السيني التقليدي (S-shape أو Sigmoid Curve).

كما يمكن استخدام الدالة np.random.randint(low, high, size) لتوليد مصفوفات من البيانات العددية الصحيحة المتقطعة التي تحاكي استجابات مقاييس ليكرت أو عدد الأخطاء المرتكبة في مهمة سلوكية معينة. بعد توليد المصفوفات العشوائية، يتعين على الباحث طباعة وفحص الأبعاد الهندسية للمصفوفة باستخدام الخاصية data.shape واستعراض العينات الأولى منها عبر التقطيع البرمجي (Slicing) للتأكد من مطابقتها للشروط والحدود المنطقية للظاهرة محل القياس والتحليل.

4.2 تنظيف وفحص مصفوفة البيانات قبل المعالجة

قبل الشروع في تقسيم البيانات إلى فئات وحساب التكرارات التراكمية، يجب إخضاع مصفوفة البيانات لعملية تدقيق وتنظيف إحصائي صارمة. تتضمن هذه المرحلة التحقق من خلو المصفوفة من القيم المفقودة (NaNs) والقيم اللانهائية (Infinities) التي قد تنتج عن أخطاء الإدخال أو العمليات الحسابية غير المعرفة، والتي يؤدي وجودها إلى إفساد حسابات التجميع التراكمي وتوقف دوال الرسم البياني عن العمل. يمكن إجراء هذا الفحص برمجياً عبر دمج الدوال المنطقية مثل np.isnan(data).any() للتحقق الفوري من سلامة المصفوفة.

كذلك تقتضي المعالجة الإحصائية السليمة فحص وتحديد القيم الشاذة والمتطرفة (Outliers) التي قد تشوه اتساع الفئات التكرارية وتؤثر سلباً على نعومة منحنى الأوجيف. يتم ذلك من خلال حساب المؤشرات الوصفية الأولية لمصفوفة البيانات، بما في ذلك حساب المتوسط الحسابي، والوسيط، والحدين الأدنى والأقصى، والانحراف المعياري والمدى الربيعي. يوفر هذا الفحص الأولي للباحث نظرة استكشافية متعمقة حول تشتت البيانات والتواء التوزيع العام، مما يمهد الطريق لاتخاذ قرارات واعية حول كيفية بناء الفئات التكرارية وحدودها الرياضية.

في حال كانت البيانات واردة في هياكل معقدة أو مصفوفات متعددة الأبعاد، يتعين تسطيحها وتحويلها إلى مصفوفة رقمية أحادية البعد (1D Array) باستخدام الدالة data.flatten() أو data.ravel(). يضمن هذا التسطيح الهيكلي توافق البيانات الكامل مع دوال الهيستوجرام والحساب التراكمي في بايثون، مما يلغي احتمالات حدوث أخطاء عدم تطابق الأبعاد البرمجية أثناء معالجة المتجهات الحسابية وتمريرها إلى محركات الرسم البياني.

5. حساب التوزيع التكراري والتراكمي برمجياً باستخدام NumPy

5.1 استخدام الدالة np.histogram لاستخراج الفئات والتكرارات

تُعد الدالة np.histogram في مكتبة NumPy الأداة الرياضية الأكثر كفاءة وسرعة لحساب التوزيعات التكرارية للبيانات الرقمية في بايثون. تعمل هذه الدالة على معالجة مصفوفة البيانات الخام وتقسيمها إلى عدد محدد من الفئات، ثم تقوم بعدّ تكرار المشاهدات الإحصائية الواقعة داخل كل مجال فئوي بدقة خوارزمية فائقة. تستقبل الدالة وسيط البيانات الأساسي a ومحدد الفئات bins، والذي يمكن أن يكون عدداً صحيحاً يمثل عدد الفئات المطلوبة، أو مصفوفة صريحة تحدد فواصل الحدود الفئوية يدوياً، أو نصاً برمجياً يحدد خوارزمية التحديد التلقائي مثل 'sturges' أو 'auto'.

تُرجع الدالة np.histogram زوجاً من المصفوفات الرياضية (Tuple): المصفوفة الأولى تمثل مصفوفة التكرارات المطلقة وتسمى اصطلاحاً counts أو values، وحجمها يساوي k (عدد الفئات). أما المصفوفة الثانية فتمثل مصفوفة حدود الفئات وتسمى bin_edges، وحجمها يساوي k + 1، نظراً لأنها تشتمل على الحد الأدنى للفئة الأولى بالإضافة إلى الحدود العليا لكافة الفئات المتتالية. يُعد فهم هذا الفارق الهيكلي في الأبعاد (بين المصفوفة ذات الطول k والمصفوفة ذات الطول k+1) حجر الزاوية لتفادي أخطاء عدم تطابق الأبعاد عند بناء رسوم الأوجيف لاحقاً.

تتميز خوارزمية np.histogram بأنها تتعامل مع الفئات وفق فترات نصف مفتوحة [a, b) لكافة الفئات ما عدا الفئة الأخيرة التي تكون مغلقة من الطرفين [a, b]، وذلك لضمان شمولية كافة القيم الرقمية في العينة دون ازدواجية أو إسقاط. يمكن للمحلل تمرير فترات مخصصة تتماشى مع المعايير النظرية للظاهرة محل القياس، مثل تقسيم درجات اختبار مقنن إلى فترات عشرية ثابتة، مما يمنح المعالجة الإحصائية مرونة مطلقة تتطابق تماماً مع متطلبات التصميم التجريبي.

5.2 حساب المجاميع التراكمية باستخدام np.cumsum

تمثل الدالة np.cumsum (Cumulative Sum) في مكتبة NumPy الأداة الحسابية القياسية المخصصة لإجراء عمليات الجمع التراكمي التتابعي على المتجهات والمصفوفات الرقمية. عند تمرير مصفوفة التكرارات البسيطة counts الناتجة من دالة الهيستوجرام إلى الدالة np.cumsum(counts)، تقوم الخوارزمية بالمرور التتابعي على عناصر المصفوفة وتوليد مصفوفة جديدة متطابقة في الطول (k عناصر)، بحيث يحتوي كل عنصر فيها على حاصل جمع العنصر الحالي وكافة العناصر التي سبقته في المصفوفة الأصلية.

لتحويل مصفوفة التكرار التراكمي المطلق إلى مصفوفة نسب مئوية تراكمية (Relative Cumulative Percentage)، يتم تطبيق عملية حسابية مصفوفية موجهة (Vectorized Operation) تتميز بأقصى درجات السرعة البرمجية. يتم ذلك بقسمة مصفوفة التراكم التتابعي على الحجم الإجمالي للبيانات والضرب في مئة عبر التعبير البرمجي المباشر: cum_relative = (np.cumsum(counts) / len(data)) * 100. يؤدي هذا التحويل الفوري إلى إنتاج مصفوفة نسب مئوية تبدأ من قيمة موجبة تعبر عن نسبة الفئة الأولى وتتدرج تصاعدياً لتنتهي حتماً بالقيمة 100.0% عند الفئة الأخيرة.

تتطلب الخطوة اللاحقة في الخوارزمية البرمجية تجهيز المتجهات للإسقاط البياني السليم. بما أن مصفوفة حدود الفئات bin_edges تحتوي على k + 1 عنصراً (تبدأ من الحد الأدنى للفئة الأولى)، بينما مصفوفة التراكم النسبي cum_relative تحتوي على k عنصراً فقط، يتعين برمجياً إدراج القيمة الصفرية في بداية مصفوفة التراكم لتتطابق الأبعاد الهندسية تماماً. يتم تحقيق ذلك بسهولة باستخدام الدالة np.insert(cum_relative, 0, 0)، مما ينتج مصفوفة تراكمية ذات طول k + 1 تبدأ من الصفر، وتتوافق نقطة بنقطة مع مصفوفة حدود الفئات.

6. بناء ورسم منحنى الأوجيف الأساسي باستخدام Matplotlib

6.1 كتابة شيفرة الرسم الأساسية وتوصيل النقاط

بعد تجهيز مصفوفتي الإحداثيات المتطابقتين (مصفوفة الحدود bin_edges ومصفوفة التراكم المئوي المعززة بالصفر cum_percentage)، يمكن الشروع في بناء كود الرسم الأساسي باستخدام واجهة matplotlib.pyplot. يتم إنشاء مساحة الرسم البياني ومحاوره عبر استدعاء الدالة fig, ax = plt.subplots(figsize=(10, 6))، والتي تتيح للمبرمج تحكماً دقيقاً في كائنات الشكل والمحاور وتوفر مرونة عالية في تخصيص الخصائص البصرية لاحقاً.

يتم رسم المنحنى التراكمي الفعلي عن طريق تمرير مصفوفتي الإحداثيات إلى دالة الرسم الخطي الأساسية: ax.plot(bin_edges, cum_percentage, marker='o', linestyle='-', color='#1f77b4', linewidth=2.5, markersize=7). يضمن تمرير مصفوفة الحدود كاملة على المحور الأفقي ومصفوفة التراكم المئوي المتضمنة للصفر على المحور الرأسي انطلاق المنحنى هندسياً من النقطة الدقيقة (الحد الأدنى للفئة الأولى، 0%)، ثم صعوده التتابعي وتوصيل النقاط الفئوية بخطوط مستقيمة تعبر عن الاستيفاء التراكمي المنتظم عبر فئات المتغير.

يوفر اختيار نمط العلامات (Markers) مثل الدوائر الممتلئة 'o' أو المربعات 's'، وتحديد سماكة الخطوط ولونها، تمييزاً بصرياً واضحاً لنقاط الارتكاز التراكمية الفعلية التي تمثل الحدود العليا للفئات، ويفصلها بصرياً عن مسار الخط التوصيلي. يسهم هذا التمثيل الهندسي الصريح في تمكين القارئ من التمييز المباشر بين البيانات المحسوبة بدقة عند الحدود الفئوية وبين التقديرات الخطية المستقيمة الواقعة داخل الفترات البينية.

6.2 إضافة العناوين والملصقات التوضيحية للمحاور

لا تكتمل القيمة العلمية والاتصالية لأي رسم بياني إحصائي دون تضمين تسميات دقيقة وشاملة للمحاور والعناوين، تصف الظاهرة المقاسة ووحدات القياس المستخدمة بوضوح لا يقبل اللبس. يتم استخدام التابع ax.set_xlabel() لتسمية المحور الأفقي، مع ذكر اسم المتغير بوضوح (مثل: “درجات الاختبار التحصيلي” أو “الحدود العليا لفئات درجات مقياس القلق”) مع توضيح وحدة القياس المعتمدة. كما يُستخدم التابع ax.set_ylabel() لتسمية المحور الرأسي بصيغة تعبر بدقة عن طبيعة التراكم، كأن يُكتب: “النسبة المئوية التراكمية (%)” أو “التكرار المتجمع الصاعد”.

يُعد وضع عنوان رئيسي واضح ومحدد أمراً جوهرياً لتقديم سياق المخطط البياني؛ يتم ذلك عبر استدعاء التابع ax.set_title() بخط واضح وحجم مناسب، متضمناً الإشارة إلى نوع المنحنى وطبيعة العينة (مثل: “منحنى الأوجيف الصاعد لتوزيع درجات عينة القياس النفسي (N = 1000)”). بالإضافة إلى ذلك، يجب ضبط حدود المحاور الرقمية بدقة باستخدام ax.set_ylim(0, 105) للمحور الرأسي، مما يمنع قص النقاط العلوية عند نسبة 100% ويمنح الرسم فضاءً بصرياً مريحاً ومكتمل الأركان.

كما يُنصح بضبط تدريجات المحور الرأسي (Y-axis Ticks) لتظهر بفواصل منتظمة كل 10% أو 25% باستخدام الدالة ax.set_yticks(np.arange(0, 101, 10)) أو np.arange(0, 101, 25)، وذلك لتسهيل القراءة المباشرة للمئينيات الكبرى والربيعيات الأساسية (الربيع الأول عند 25%، والوسيط عند 50%، والربيع الثالث عند 75%). يرفع هذا التنسيق المتقن من كفاءة استخراج المؤشرات الإحصائية البصرية ويزيد من جاذبية المخطط البياني واحترافيته.

6.3 إظهار الرسم البياني وتصديره بدقة عالية

عقب اكتمال بناء الشكل البياني وتنسيق كافة عناصره وعلاماته، يأتي دور مرحلة العرض والتصدير النهائي. يتم استدعاء الدالة plt.show() لعرض الشكل التفاعلي على الشاشة ومراجعته بدقة داخل بيئة التطوير. ولكن في السياقات الأكاديمية والمهنية، يتطلب العمل حفظ المخطط البياني في ملفات صور رقمية عالية الجودة لتضمينها في الأوراق البحثية المحكمة أو التقارير الإحصائية المطبوعة والمنشورة إلكترونياً.

يتم تصدير الرسم البياني برمجياً باستخدام الدالة plt.savefig('ogive_graph.png', dpi=300, bbox_inches='tight', transparent=False). تضمن المعلمة dpi=300 (Dots Per Inch) تصدير الصورة بكثافة نقطية فائقة الجودة تفي بالمعايير الصارمة لدور النشر والمجلات العلمية العالمية، مما يمنع حدوث أي تشويش أو ضبابية بصرية عند تكبير الصورة أو طباعتها. وتعمل المعلمة bbox_inches='tight' على قص المساحات البيضاء الزائدة والهوامش غير الضرورية حول أطراف الشكل، مما يضمن احتواء كافة التسميات والعناوين ضمن الإطار النهائي دون أي اقتطاع غير مقصود.

كما يدعم بايثون تصدير الرسوم بصيغ المتجهات الرسومية القابلة للتحجيم اللانهائي مثل صيغة SVG (Scalable Vector Graphics) أو صيغة PDF عبر كتابة plt.savefig('ogive_graph.svg', format='svg'). يُعد استخدام الصيغ المتجهية الخيار المثالي للعروض التقديمية الاحترافية والمنشورات الرقمية الحديثة. وعقب الانتهاء من عملية الحفظ، يُنصح دائماً باستدعاء الدالة plt.close(fig) لتحرير موارد الذاكرة الرسومية وتفريغها، وتفادي استهلاك الذاكرة العشوائية عند توليد عشرات الرسوم البيانية المتتالية في حلقات برمجية متقدمة.

7. تأثير عدد الفئات (Bins) على دقة وشكل منحنى الأوجيف

7.1 التحليل المقارن لنعومة المنحنى باختلاف عدد الفئات

يُمثل اختيار عدد الفئات (Bins) المتغير الإحصائي الأكثر حساسية وتأثيراً على الهيكل الهندسي لمنحنى الأوجيف والوظيفة التفسيرية المرتبطة به. إن التلاعب بعدد الفئات صعوداً أو هبوطاً يحدث تحولات جذرية في درجة نعومة المنحنى (Smoothness) ودقة التقديرات المئينية المستخلصة منه. فعند اختيار عدد قليل جداً من الفئات (Under-binning)، تنشأ ظاهرة الإفراط في التنعيم (Over-smoothing)، حيث تُدمج تفاصيل التوزيع الإحصائي وتختفي التغيرات الدقيقة في كثافة التكرار، مما ينتج منحنى مفرط التبسيط يتكون من خطوط طويلة ومستقيمة تفشل في التقاط التواءات التوزيع أو وجود قمم فرعية محتملة في البيانات.

على النقيض من ذلك، يؤدي اختيار عدد كبير ومفرط من الفئات (Over-binning) إلى تقسيم مصفوفة البيانات إلى فترات ضيقة للغاية، مما ينتج عنه ظاهرة التشويش البياني والتباين المرتفع (High Variance Noise). في هذه الحالة، تصبح بعض الفئات فارغة تماماً من التكرارات، بينما تحتوي فئات أخرى على قيم فردية مشتتة، مما يجعل منحنى الأوجيف يظهر على شكل درجات سلمية متقطعة وغير منتظمة (Steppy Curve)، تفقد المخطط صفته كمنحنى تراكمي متصل وتجعله شديد الحساسية للتقلبات العشوائية الطفيفة في العينة، مما يضلل الباحث ويفسد القراءة البصرية للرتب المئينية.

كما تتأثر حساسية المنحنى لحجم الفئات بحجم العينة الكلي (Sample Size N). ففي العينات الصغيرة، يتطلب الأمر حذراً شديداً واستخدام عدد محدود من الفئات لتفادي الفجوات التكرارية، بينما تتيح العينات الكبيرة والضخمة استخدام عدد أكبر من الفئات للاقتراب الهندسي من دالة التوزيع التراكمي الحقيقية للمجتمع الأصلي. تبرز هنا أهمية الموازنة الإحصائية الدقيقة بين التحيز (Bias) الناتج عن قلة الفئات، والتباين (Variance) الناتج عن كثرتها، للوصول إلى التمثيل البياني الأمثل والأكثر تعبيراً عن البنية الكامنة للبيانات.

7.2 اختيار المنهجية المثلى لتحديد حدود الفئات برمجياً

لتجاوز عشوائية الاختيار اليدوي لعدد الفئات، توفر حزم الحوسبة الإحصائية في بايثون خوارزميات رياضية متقدمة لحساب الحجم الأمثل للفئات تلقائياً استناداً إلى الخصائص التوزيعية للعينة. من أبرز هذه القواعد خوارزمية فريدمان-دياكونيس ('fd')، والتي تحسب طول الفئة بناءً على المدى الربيعي (IQR) وحجم العينة وفق الصيغة: Width = 2 × IQR × N^-1/3. تتميز هذه القاعدة بمقاومتها الفائقة للقيم الشاذة والمتطرفة، مما يجعلها الخيار المثالي للتوزيعات الملتوية والبيانات النفسية والسلوكية التي تتسم بعدم الاعتدالية الكاملة.

كما تبرز قاعدة سكوت ('scott') الرياضية، التي تعتمد على الانحراف المعياري للبيانات σ وصيغتها: Width = 3.49 × σ × N^-1/3، وهي منهجية فائقة الدقة عندما تقترب البيانات من التوزيع الطبيعي المتماثل. وتتيح مكتبة NumPy تفعيل هذه القواعد الخوارزمية بمنتهى السهولة عن طريق تمرير اسم الخوارزمية كنص إلى المعلمة bins داخل الدالة، مثل np.histogram(data, bins='fd') أو np.histogram(data, bins='auto')، حيث تقوم الدالة تلقائياً باختيار أفضل خوارزمية ملائمة لحجم البيانات وتشتتها.

في السياقات القياسية والتربوية، يُفضل الباحثون أحياناً اعتماد فئات ذات فواصل معيارية منتظمة ذات معنى نظري وميداني (مثل فئات متساوية الاتساع بطول 5 أو 10 درجات) بدلاً من الفواصل الخوارزمية الكسرية، وذلك لتسهيل صياغة المعايير النفسية وتحديد الدرجات القاطعة (Cut-off Scores). يتم ذلك برمجياً بإنشاء مصفوفة حدود صريحة باستخدام الدالة np.arange(start, stop, step) وتمريرها مباشرة إلى وسيط الفئات. يضمن هذا النهج تحقيق توازن مثالي بين الدقة الرياضية الصارمة وقابلية التفسير التطبيقي في الميدان السلوكي والتربوي.

8. تخصيص وتنسيق الرسم البياني للأوجيف بجودة احترافية

8.1 تنسيق الخطوط والعلامات والألوان المتقدمة

يتيح الانتقال من مرحلة الرسوم التخطيطية الأولية إلى مرحلة الإنتاج البصري المتقدم التحكم الكامل في الخصائص الجمالية والهندسية لمنحنى الأوجيف عبر مكتبة Matplotlib. يبدأ التخصيص الاحترافي من اختيار لوحات الألوان الأكاديمية المتناسقة والمتباينة بوضوح، مثل استخدام ألوان الباليتات القياسية الهادئة كالأزرق الداكن #1B365D أو الرمادي الفحمي #2C3E50 للخطوط الرئيسية، والابتعاد التام عن الألوان الصارخة غير المتناسقة التي تشتت انتباه القارئ عن المحتوى الإحصائي للرسم.

يمكن للمحلل تعديل سماكة الخط البياني عبر المعلمة linewidth=2.5 ونمط التقطيع عبر linestyle='-'، وتخصيص علامات النقاط الفئوية (Markers) بدقة متناهية من خلال تحديد حجم العلامة markersize=8، ولون ملء العلامة markerfacecolor='#FFFFFF'، ولون حافة العلامة وسماكتها markeredgecolor='#1B365D', markeredgewidth=2. هذا التنسيق المجوف للعلامات يمنح نقاط الارتكاز التراكمية مظهراً هندسياً أنيقاً يسهل تمييزه حتى عند طباعة المنشور العلمي باللونين الأبيض والأسود.

لتعزيز الإدراك البصري لمفهوم التراكم والمساحة المتجمعة، يمكن استخدام الدالة المتقدمة ax.fill_between(bin_edges, cum_percentage, color='#1B365D', alpha=0.15) لتلوين المساحة المحصورة بين منحنى الأوجيف ومحور السينات بتدرج لوني خفيف وشفافية مضبوطة (alpha). يضفي هذا التظليل بعداً جمالياً وتفسيرياً عميقاً يجسد هندسياً فكرة “تراكم الحجم الإحصائي” أسفل المنحنى عبر تصاعد مجالات المتغير، مما يعزز الفهم البديهي لطبيعة التوزيع التراكمي لدى غير المتخصصين.

8.2 إضافة خطوط الشبكة والمؤشرات المرجعية

تُعد خطوط الشبكة الإرشادية (Grid Lines) عنصراً وظيفياً لا غنى عنه في منحنيات الأوجيف؛ إذ تمكن القارئ من إجراء القياسات البصرية المباشرة وربط القيم الواقعة على المحور الرأسي بنظيراتها على المحور الأفقي بدقة عالية دون الحاجة لاستخدام مساطر ورقية أو تقديرات عشوائية. يتم تفعيل الشبكة وتخصيصها عبر استدعاء ax.grid(True, which='major', linestyle='--', linewidth=0.7, color='#CCCCCC', alpha=0.8)، مع إمكانية إضافة شبكة فرعية خفيفة لتوفير دقة قياس أعلى.

تكتسب منحنيات الأوجيف قوتها التحليلية القصوى عند إضافة الخطوط المرجعية المتقطعة (Reference Lines) لتحديد مواقع الربيعيات الكبرى: الربيع الأول (Q1 = 25%)، والوسيط (Q2 = 50%)، والربيع الثالث (Q3 = 75%). يتم رسم هذه الخطوط باستخدام الدالتين ax.axhline() للمحور الأفقي وax.axvline() للمحور الرأسي، بحيث ينطلق خط أفقي متقطع من نسبة 50% على محور الصادات حتى يتقاطع مع منحنى الأوجيف، ثم ينعكس عمودياً نحو الأسفل ليلتقي بمحور السينات عند قيمة الوسيط المحسوبة بدقة، مع تلوين هذه الخطوط بلون مميز كاللون القرمزي #D9534F.

لإبراز هذه المؤشرات التفسيرية بوضوح تام، تُستخدم دوال التعليقات التوضيحية المتقدمة مثل ax.annotate() لإضافة مربعات نصية وأسهم إرشادية أنيقة تشير مباشرة إلى نقطة الوسيط والربيعيات وتوضح قيمها العددية المحسوبة بدقة متناهية (مثل: Median = 100.2). كما يتم تخصيص خطوط وأرقام التدريجات الرقمية للمحاور (Tick Labels) باستخدام ax.tick_params(labelsize=11)، مما يجعل قراءة المخطط تجربة بصرية سهلة وممتعة تثري أي تقرير أكاديمي أو إكلينيكي رصين.

8.3 إنشاء لوحات رسومية متعددة ومقارنة المنحنيات التراكمية

عند إجراء دراسات مقارنة بين مجموعات إحصائية متعددة (مثل مقارنة الذكور والإناث، أو مقارنة عينة تجريبية بأخرى ضابطة عبر مراحل علاجية متعاقبة)، تبرز الحاجة إلى بناء لوحات رسومية متعددة ومتقدمة. تتيح الدالة fig, axes = plt.subplots(nrows=1, ncols=2, figsize=(16, 6)) تقسيم مساحة الرسم إلى مصفوفة من المحاور الفرعية المستقلة، مما يسمح بعرض توزيع كل مجموعة في لوحة خاصة ومقارنتها جنباً إلى جنب وفق نفس المقاييس الإحداثية الثابتة لضمان سلامة المقارنة البصرية.

كما يمكن، وهو الخيار التحليلي الأكثر كفاءة، رسم عدة منحنيات أوجيف تراكمية متراكبة فوق بعضها البعض داخل لوحة رسم واحدة باستخدام ألوان وأنماط خطوط متباينة بوضوح. يتيح هذا التراكب البصري رصد الفروق الدقيقة في سرعة التراكم بين المجموعات؛ فالمجموعة التي يقع منحناها التراكمي بالكامل إلى يسار منحنى المجموعة الأخرى تدل دلالة إحصائية قاطعة على أن درجات أفرادها تتراكم بشكل أسرع عند مستويات عددية أقل، مما يشير إلى انخفاض عام في مستويات أدائها أو سماتها المقاسة مقارنة بالمجموعة المرجعية.

يتطلب هذا الرسم التراكبي إضافة وسيلة إيضاح (Legend) غاية في الدقة والأناقة عبر استدعاء ax.legend(frameon=True, facecolor='white', edgecolor='#E0E0E0', fontsize=11, loc='upper left') للتمييز الفوري بين المجموعات. ويُختتم بناء اللوحة باستدعاء الدالة الهندسية الحيوية fig.tight_layout()، والتي تعمل تلقائياً على إعادة ضبط المسافات البينية والهوامش الفاصلة بين اللوحات الفرعية وتمنع أي تداخل غير مرغوب بين العناوين وملصقات المحاور الخارجية.

9. إنشاء منحنى الأوجيف التنازلي (Greater Than Ogive) في بايثون

9.1 الخوارزمية الحسابية لمنحنى الأوجيف الهابط

يرتكز منحنى الأوجيف التنازلي، أو ما يعرف بمنحنى “الأكثر من” (More Than Ogive / Greater Than Ogive)، على خوارزمية حسابية عكسية تماماً لمنطق التراكم الصاعد. في حين يحسب المنحنى الصاعد تراكم المشاهدات الواقعة دون الحدود العليا للفئات، يحسب المنحنى الهابط عدد أو نسبة المشاهدات الإحصائية التي تفوق أو تعادل الحد الفعلي الأدنى لكل فئة تكرارية. تبدأ الخوارزمية الرياضية للأوجيف الهابط من أعلى قيمة ممكنة للتوزيع، وهي الحجم الكلي للعينة N أو نسبة 100%، وتنحدر تدريجياً نحو الصفر عند نهاية المدى الإحصائي للبيانات.

برمجياً في بايثون، يمكن حساب التكرار التراكمي الهابط بمنتهى السهولة والكفاءة عبر طريقتين رياضيتين: الطريقة الأولى تعتمد على طرح مصفوفة التكرار التراكمي الصاعد من الحجم الإجمالي للعينة N مع مراعاة الإزاحة الفئوية المناسبة. أما الطريقة الثانية، وهي الأكثر دقة ومباشرة، فتعتمد على قلب مصفوفة التكرارات البسيطة counts باستخدام الدالة np.flip()، ثم تطبيق الجمع التراكمي np.cumsum() على المصفوفة المعكوسة، ثم إعادة قلب الناتج النهائي مرة أخرى للحصول على متجهة التراكم التنازلي المنتظم المقابلة للحدود الفئوية.

يتطلب الإسقاط البياني للأوجيف الهابط ربط قيم التراكم الهابط بالحدود الفعلية الدنيا للفئات (Lower Class Boundaries) على المحور الأفقي، وليس الحدود العليا كما هو الحال في الأوجيف الصاعد. كما تقتضي الصحة الرياضية إضافة نقطة النهاية الصفرية عند الحد الأعلى للفئة الأخيرة لضمان هبوط المنحنى واكتماله هندسياً عند مستوى الصفر المطلق. يتيح هذا البناء الرياضي المتقن تمثيل احتمالات البقاء (Survival Probabilities) ونسب الأفراد الذين تتجاوز درجاتهم عتبات معيارية محددة بدقة هندسية مطلقة.

9.2 رسم الأوجيف الصاعد والهابط معاً لتحديد الوسيط بيانياً

يُمثل الجمع بين منحنى الأوجيف الصاعد ومنحنى الأوجيف الهابط على لوحة رسم بياني واحدة أحد أروع التطبيقات الإحصائية الهندسية في علم استكشاف البيانات. عند كتابة شيفرة بايثون الموحدة التي تقوم برسم كلا المنحنيين معاً عبر استدعاء ax.plot() مرتين بمجموعتي الإحداثيات المستقلتين، ينشأ شكل هندسي مقاصي متقاطع (Intersecting Curves) تتصاعد فيه إحدى الذراعين من اليسار إلى اليمين بينما تهبط الذراع الأخرى من اليسار إلى اليمين لتتقاطعا بالضرورة في نقطة إحصائية فريدة وحاسمة.

تتمثل الأهمية الاستثنائية لنقطة التقاطع هذه في كونها تناظر هندسياً النقطة التي يتساوى عندها التكرار التراكمي الصاعد مع التكرار التراكمي الهابط، وهي النقطة المقابلة تماماً لنسبة 50% من حجم العينة. عند إسقاط خط رأسي وهمي أو مرسوم من نقطة التقاطع هذه باتجاه محور السينات (X-axis)، فإن القيمة التي يستقر عندها الخط على المحور الأفقي تمثل هندسياً وسيط العينة الإحصائي (Empirical Median) بدقة متناهية ودون الحاجة لأي حسابات جبرية مسبقة.

برمجياً، يمكن تحديد إحداثيات نقطة التقاطع بدقة رياضية متناهية في بايثون باستخدام خوارزميات الاستيفاء الخطي المتقدمة (Linear Interpolation) المتوفرة في مكتبة SciPy عبر الدالة scipy.interpolate.interp1d، أو من خلال إيجاد النقطة التي ينعدم عندها الفرق الرياضي بين دالتي المنحنيين. وبمقارنة قيمة الوسيط المستخرجة بيانياً من نقطة التقاطع مع الوسيط الحسابي الدقيق المحسوب بواسطة الدالة np.median(data)، يتبين مدى التطابق المذهل بين الهندسة البيانية لمنحنى الأوجيف والتحليل الرقمي الصارم، مما يوفر أداة برمجية بصرية فائقة القوة للتحقق من سلامة البيانات واتساق المعالجة الإحصائية.

10. بناء الأوجيف باستخدام مكتبات بايثون المتقدمة (Pandas و Seaborn)

10.1 تطبيق دالة التوزيع التراكمي التجريبي (ECDF) في Seaborn

توفر مكتبة Seaborn الحديثة، المبنية فوق مكتبة Matplotlib، أدوات بيانية متطورة وعالية المستوى تتيح رسم الدوال التراكمية بخطوة برمجية واحدة وأناقة بصرية فائقة. تبرز في هذا الصدد الدالة الرائدة sns.ecdfplot(data=df, x='score')، والتي تقوم بحساب ورسم دالة التوزيع التراكمي التجريبي (Empirical Cumulative Distribution Function – ECDF) مباشرة من سلاسل وجداول البيانات دون الحاجة للتقسيم اليدوي إلى فئات تكرارية مجدولة أو حساب التكرارات المسبقة عبر NumPy.

من الناحية الرياضية، ترتبط دالة ECDF ارتباطاً وثيقاً بمنحنى الأوجيف، إلا أنها تمثل النسخة المستمرة وغير المبوبة منه؛ حيث ترتفع الدالة خطوة بمقدار 1/N عند كل قيمة مفردة في مصفوفة البيانات الخام. يوفر هذا التمثيل غير المقيد بفئات دقة استثنائية في دراسة العينات الكبيرة، حيث يتلاشى أثر التحيز الناتج عن اختيار أحجام الفئات. وتدعم دالة Seaborn تخصيصاً جمالياً واسعاً وتكاملاً سلساً مع لوحات الألوان الحديثة وإعدادات التباين الأكاديمي المعتمدة.

تتجلى القوة الكبرى لمكتبة Seaborn عند دراسة المتغيرات الفئوية التصنيفية عبر المعلمة السحرية hue. بتمرير اسم المتغير التصنيفي (مثل hue='gender' أو hue='treatment_group')، تتولى الدالة تلقائياً تقسيم البيانات، وحساب التوزيع التراكمي لكل فئة على حدة، ورسم منحنيات تراكمية متعددة الألوان على نفس اللوحة مع إنشاء وسيلة إيضاح منسقة تلقائياً. يختصر هذا النهج البرمجي المتقدم عشرات الأسطر من الشيفرات اليدوية، ويمنح الباحث وسيلة سريعة وفعالة وموثوقة لاستكشاف الفروق التراكمية بين المجموعات الفرعية في الدراسات المقارنة.

10.2 استخدام سلاسل وجداول Pandas لبناء جداول التكرار التراكمي ورسمها

تُعد مكتبة Pandas البيئة المثالية والقياسية لإدارة البيانات المجدولة وهيكلتها في بايثون، وتوفر تكاملاً برمجياً بديعاً لبناء جداول التوزيع التكراري التراكمي التقليدية المنسقة بدقة وسلاسة فائقة. تتيح الدالة pd.cut() تقطيع السلاسل الرقمية للبيانات إلى فئات مغلقة أو نصف مفتوحة متساوية الأبعاد أو مخصصة الفواصل، مع إمكانية تسمية الفئات برموز أو حدود رقمية واضحة ومقروءة تعبر عن المجالات الإحصائية للظاهرة.

عقب عملية التقطيع الفئوي، يمكن استخراج جدول التوزيع التكراري الشامل عبر استدعاء df['bin'].value_counts(sort=False) لحساب التكرارات البسيطة، ثم تطبيق التابع التراكمي المباشر .cumsum() لتوليد عمود التكرار التراكمي، ثم قسمة الناتج على الطول الكلي للعينة لإنشاء عمود النسبة المئوية التراكمية. ينتج عن هذه السلسلة من العمليات الجدولية كائن pd.DataFrame أنيق ومنظم يشتمل على الحدود الفئوية، والتكرار البسيط، والتكرار النسبي، والتكرار المتجمع الصاعد والهابط في جدول إحصائي موحد ومتكامل.

يتيح كائن DataFrame في Pandas الرسم البياني المباشر لمنحنى الأوجيف عبر الواجهة البرمجية المدمجة df['cumulative_percent'].plot(kind='line', marker='o') دون الحاجة لكتابة أكواد Matplotlib التفصيلية الطويلة. كما توفر Pandas إمكانية تصدير هذه الجداول التكرارية التراكمية المنسقة مباشرة إلى ملفات Excel أو صيغ CSV عبر التابع to_excel() أو to_csv()، مما يسهل دمج النتائج الرقمية والرسوم البيانية في التقارير الإحصائية والوثائق الرسمية بكفاءة برمجية لا تضاهى.

11. دراسة حالة تطبيقية: تحليل درجات مقياس نفسي باستخدام منحنى الأوجيف

11.1 وصف بيانات العينة النفسية وإعداد الفرضيات التحليلية

لتجسيد القيمة التطبيقية والتحليلية لمنحنى الأوجيف في البحوث الميدانية، نستعرض دراسة حالة تطبيقية شاملة تحاكي تقييماً نفسياً واسع النطاق أُجري على عينة عشوائية مكونة من 1000 مشارك (N = 1000) خضعوا لمقياس مقنن لتقييم أعراض القلق النفسي والتوتر السلوكي. تتراوح الدرجات الخام على هذا المقياس نظرياً بين صفر (انعدام تام لأعراض القلق) و 100 درجة (أقصى درجات القلق الحاد والاضطراب الانفعالي الشديد). يهدف التحليل الإحصائي إلى استكشاف البنية التوزيعية لدرجات العينة، وتحديد الرتب المئينية للمستويات التشخيصية، ومقارنة التراكم النفسي بين الذكور والإناث.

تستند الدراسة إلى الفئات التشخيصية المعيارية المعتمدة للمقياس، والتي تصنف الأفراد وفق درجاتهم الخام إلى أربع فئات إكلينيكية رئيسية: فئة القلق الطبيعي أو الطفيف (0 – 24 درجة)، فئة القلق المعتدل (25 – 49 درجة)، فئة القلق الشديد (50 – 74 درجة)، وفئة القلق الحاد أو الهلع (75 – 100 درجة). وتتمثل الفرضية التحليلية الأساسية في التحقق مما إذا كانت درجات القلق تتبع توزيعاً طبيعياً متماثلاً حول المتوسط، أم أنها تظهر التواءً إيجابياً يعكس تركز غالبية المشاركين في المستويات المنخفضة والمتوسطة، مع وجود فئة حرجة محدودة تتجاوز العتبة التشخيصية الإكلينيكية الحادة (75 درجة فما فوق).

يتم استيراد بيانات العينة في بيئة بايثون وتهيئتها داخل كائن DataFrame يشتمل على المعرف الفردي للمشارك، والعمر، والنوع الاجتماعي (ذكور / إناث)، والدرجة الخام على المقياس النفسي. يتم إجراء فحص أولي للمؤشرات الوصفية للتحقق من سلامة البيانات وخلوها من الأخطاء الإدخالية قبل الشروع في بناء مصفوفات الفئات التكرارية وحساب التراكمات النسبية المئوية لدرجات المقياس.

11.2 التنفيذ البرمجي الكامل للتحليل واستخراج المؤشرات المئينية

يبدأ التنفيذ البرمجي ببناء الفئات التكرارية للمقياس باستخدام الدالة np.histogram بتمرير 10 فئات متساوية الاتساع تمتد من 0 إلى 100 (اتساع كل فئة 10 درجات). يتم حساب مصفوفة التكرارات البسيطة وتطبيق دالة الجمع التراكمي np.cumsum لتحويلها إلى نسب مئوية تراكمية تبدأ من الصفر عند الدرجة صفر وتنتهي عند 100% عند الدرجة 100. تُستخدم هذه المصفوفات لرسم منحنى الأوجيف الصاعد التراكمي للعينة الكلية باستخدام دالة plt.plot() المعززة بكافة التنسيقات المتقدمة والخطوط المرجعية.

لاستخراج المؤشرات المئينية الإكلينيكية الحاسمة، توظف الشيفرة البرمجية خوارزمية الاستيفاء الخطي العكسي لتقدير درجات المئين 25 (الربيع الأول Q1)، والمئين 50 (الوسيط الإحصائي)، والمئين 75 (الربيع الثالث Q3)، والمئين 90 (عتبة الخطورة النفسية). يُظهر التحليل البرمجي بدقة متناهية الدرجة الفاصلة التي تقع دونها استجابات 90% من أفراد العينة، مما يوفر للأخصائي الإكلينيكي عتبة معيارية دقيقة لتحديد الحالات المرضية الشديدة التي تستدعي التدخل العلاجي الفوري والمباشر.

يمتد التنفيذ البرمجي ليشمل مقارنة التوزيع التراكمي لدرجات القلق بين الذكور والإناث عبر بناء منحنيين تراكميين متراكبين على نفس اللوحة البيانية بألوان متباينة (الأزرق للذكور والوردي للإناث). يتيح هذا الرسم المقارن رصد التباين في المسار التراكمي عبر المجموعتين، واختبار ما إذا كان أحد الجنسين يظهر تراكم درجات أسرع في النطاقات الإكلينيكية المرتفعة، مما يسهم في الإجابة عن الفرضيات البحثية بدقة إحصائية ورؤية بصرية واضحة وحاسمة.

11.3 التفسير السلوكي والإحصائي لمخرجات منحنى الأوجيف

يكشف الفحص البصري والتحليلي لمنحنى الأوجيف المتولد عن درجات مقياس القلق عن طبيعة السلوك التراكمي للعينة النفسية؛ حيث يُظهر المنحنى تسارعاً حاداً في الصعود (انحداراً عمودياً كبيراً) في المدى الواقع بين الدرجتين 20 و 45، مما يدل إحصائياً على أن الكتلة التكرارية الكبرى والتركز الأكبر لدرجات أفراد العينة يقع في نطاق القلق الخفيف إلى المعتدل. ويتبع هذا التسارع تباطؤ تدريجي في الصعود (انحدار شبه أفقي) بعد تجاوز الدرجة 70، مما يؤكد ندرة الحالات التي تعاني من قلق حاد أو نوبات هلع متطرفة في العينة العامة غير الإكلينيكية.

كما يوضح تقاطع خط الوسيط (المئين 50) مع المنحنى عند الدرجة 36.5 أن نصف العينة تماماً تقع درجاتهم دون هذا المستوى المعتدل، بينما يقع نصفهم الآخر أعلاه. وبمقارنة منحنيي الذكور والإناث، إذا تبيّن أن منحنى الإناث ينزاح إلى اليمين بمحاذاة الفئات المرتفعة مقارنة بمنحنى الذكور، فإن ذلك يمثل دليلاً بصرياً وقياسياً قاطعاً على أن نسبة الإناث اللاتي يعانين من مستويات قلق تفوق العتبات الإكلينيكية المتوسطة والشديدة أعلى من نسبة نظرائهن من الذكور في هذه العينة المحددة.

تُترجم هذه الاستنتاجات البصرية والهندسية المباشرة إلى تقرير إحصائي وإكلينيكي شامل يقدم لصناع القرار التربوي والمرشدين النفسيين إرشادات واضحة مبنية على الدليل الملموس؛ حيث تتيح الرتب المئينية المستخلصة من الأوجيف تصنيف المفحوصين بدقة متناهية وتوجيه الموارد الإرشادية والعلاجية نحو الأفراد الواقعين في الشريحة المئينية الحرجة (أعلى من المئين 90) بأقصى درجات الكفاءة والموضوعية العلمية.

12. استكشاف الأخطاء الشائعة، أفضل الممارسات، والدوال المخصصة

12.1 الأخطاء البرمجية والإحصائية الشائعة وكيفية تصحيحها

يواجه العديد من المطورين والباحثين عند بناء منحنيات الأوجيف في بايثون مجموعة من الأخطاء البرمجية والإحصائية المتكررة التي تشوه النتائج وتؤدي إلى رسوم غير صحيحة علمياً. يأتي في مقدمة هذه الأخطاء خطأ عدم تطابق أبعاد المصفوفات (Dimension Mismatch Error)؛ حيث يُرجع تطبيق دالة np.histogram مصفوفة تكرارات بطول k ومصفوفة حدود بطول k + 1، وعند محاولة رسمهما مباشرة يطلق بايثون الخطأ الشهير ValueError: x and y must have same first dimension. يُعالج هذا الخطأ حصراً بإضافة القيمة الصفرية إلى بداية مصفوفة التراكم ليصبح طولها k + 1 متطابقاً تماماً مع مصفوفة الحدود.

يتمثل الخطأ الإحصائي الشائع الثاني في استخدام مراكز الفئات (Class Midpoints) بدلاً من الحدود الفعلية العليا (Upper Class Boundaries) على المحور الأفقي لمنحنى الأوجيف الصاعد. إن استخدام مراكز الفئات يُعد خطأً مفاهيمياً فادحاً يخل بالمعنى الرياضي للتراكم؛ إذ إن التكرار التراكمي لا يكتمل تحققه إلا عند نهاية الفئة وحدها الأعلى، وليس عند منتصفها، مما يؤدي إلى إزاحة بصرية خاطئة في تقدير الرتب المئينية والوسيط الحسابي بمقدار نصف طول الفئة نحو اليسار.

ومن الأخطاء الشائعة أيضاً تجاهل نقطة الانطلاق الصفرية عند الحد الأدنى للفئة الأولى، مما ينتج عنه منحنى أوجيف مبتور يبدأ معلقاً في الهواء عند قيمة تكرارية موجبة تفوق الصفر، ويفقد دقته في تمثيل بداية التوزيع التراكمي. كما يقع البعض في خطأ الخلط بين التكرار التراكمي المطلق والتكرار التراكمي النسبي دون توضيح ذلك على ملصق المحور الرأسي، مما يربك القارئ ويصعب مقارنة المخطط مع دراسات وعينات أخرى ذات أحجام مختلفة.

12.2 بناء دالة بايثون مخصصة وقابلة لإعادة الاستخدام لرسم الأوجيف

لتحقيق أعلى درجات الكفاءة البرمجية وتفادي تكرار كتابة الأكواد في كل تحليل، يُعد بناء دالة مخصصة معيارية وشاملة (Custom Reusable Function) ممارسة هندسية بالغة الأهمية. يجب أن تتميز هذه الدالة بالمرونة والقدرة على التعامل مع مختلف أنواع البيانات، واحتواء التوثيق البرمجي الكامل (Docstrings)، ومعالجة الاستثناءات والأخطاء المحتملة لضمان استقرار التنفيذ البرمجي تحت مختلف الظروف والشروط الإحصائية.

تستقبل الدالة المقترحة مصفوفة البيانات data، ووسيط الفئات bins، ونوع الأوجيف المطلوب kind='less_than' أو 'greater_than' أو 'both'، والعناوين والألوان وخيارات حفظ الصورة. تتولى الدالة داخلياً تنظيف البيانات، وحساب الهيستوجرام والتراكم النسبي، وضبط مصفوفات الإحداثيات بإدراج النقاط الصفرية، وبناء الشكل وتنسيقه وإضافة خطوط الوسيط التلقائية وإرجاع كائني الشكل والمحاور (fig, ax) لتمكين المستخدم من إجراء أي تعديلات إضافية لاحقة.

يوفر تغليف المنطق البرمجي داخل دالة معيارية واحدة أداة قوية يمكن استيرادها واستخدامها في أي مشروع تحليلي بطلب سطر برمجي واحد مثل: plot_ogive(data=scores, bins=10, kind='both', show_median=True). يضمن هذا النهج المعياري توحيد المعايير الإحصائية والجمالية لكافة الرسوم البيانية المنتجة في المؤسسة البحثية، ويوفر ساعات طويلة من العمل البرمجي الروتيني المتكرر، ويرفع من موثوقية الأكواد واستدامتها البرمجية على المدى الطويل.

12.3 خلاصة المنهجية وأفضل الممارسات في التصور البياني التراكمي

يتطلب التصور البياني التراكمي الفعال إدراكاً عميقاً لمصفوفة معايير الاختيار بين الأشكال البيانية المختلفة؛ فالأوجيف يتفوق تفوقاً مطلقاً على المدرج التكراري (Histogram) والمخطط الصندوقي (Box Plot) عندما يكون الهدف التحليلي الرئيسي هو استخراج الرتب المئينية، وحساب النسب المئوية المتراكمة فوق أو تحت درجات قاطعة محددة، ومقارنة التقارب التوزيعي التراكمي بين عينات متعددة. في حين يظل المدرج التكراري الخيار الأفضل لإظهار تعدد القمم (Multimodality) والتمركز اللحظي للبيانات المنفصلة.

تقتضي أفضل الممارسات الأكاديمية والمهنية الالتزام الصارم بمبادئ العلم المفتوح وقابلية التكرار (Reproducibility)؛ وذلك من خلال توثيق النسخ المستخدمة من لغة بايثون ومكتباتها، وتثبيت بذور الأرقام العشوائية، وإتاحة الشيفرات البرمجية والبيانات الخام في مستودعات عامة مفتوحة. كما يجب مراعاة إمكانية القراءة البصرية للرسوم من قِبل الأفراد المصابين بعمى الألوان عبر اختيار باليتات ألوان متباينة ومعتمدة بصرياً مثل مجموعات ألوان Viridis أو Cividis المدمجة في مكتبة Matplotlib.

وفي إطار الآفاق البرمجية المتقدمة، يمكن للمحللين نقل منحنيات الأوجيف إلى المستوى التفاعلي الرقمي الحديث عبر استخدام مكتبات متخصصة مثل Plotly. يتيح التمثيل التفاعلي للمستخدمين تمرير مؤشر الفأرة فوق منحنى الأوجيف لقراءة الإحداثيات الدقيقة لأي نقطة، وتكبير فئات معينة واستكشافها تفاعلياً، وتوليد تقارير ويب تفاعلية متطورة تعزز من قدرة صناع القرار على استيعاب الرؤى الإحصائية العميقة الكامنة خلف الأرقام والبيانات المعقدة.

خاتمة

استعرضنا في هذا الدليل الأكاديمي والبرمجي المتكامل الأبعاد النظرية والتطبيقية لبناء المنحنى التكراري التراكمي (منحنى الأوجيف) في بايثون. انطلقنا من الجذور الرياضية لمفاهيم التراكم الصاعد والهابط ودورها المحوري في القياس النفسي والتحليل الإحصائي، وتدرجنا خطوة بخطوة عبر المعالجة المصفوفية باستخدام NumPy، والتنسيق البياني المتقدم بواسطة Matplotlib، والاستفادة من الواجهات الحديثة لمكتبتي Pandas و Seaborn، وصولاً إلى تطبيق دراسة حالة إكلينيكية واقعية وبناء دوال برمجية معيارية قابلة لإعادة الاستخدام.

إن إتقان بناء وتفسير منحنيات الأوجيف يمثل مهارة جوهرية لا غنى عنها لكل باحث ومحلل بيانات يسعى لتحويل الأرقام الخام المبعثرة إلى رؤى بصرية بليغة وذات دلالة إحصائية صارمة. تتيح المرونة الهائلة للغة بايثون ومنظومتها العلمية المتطورة أفقاً لا محدوداً لتطويع هذه الأدوات الكلاسيكية والارتقاء بها لخدمة متطلبات البحث العلمي المعاصر، وصياغة المعايير النفسية والتربوية والطبية بأعلى معايير الدقة والاحترافية.

المراجع (References)

• Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics (4th ed.). SAGE Publications.
• Freedman, D., Pisani, R., & Purves, R. (2007). Statistics (4th ed.). W. W. Norton & Company.
• Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
• McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython (2nd ed.). O’Reilly Media.
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd ed.). McGraw-Hill.
• Sturges, H. A. (1926). The choice of a class interval. Journal of the American Statistical Association, 21(153), 65–66. https://doi.org/10.1080/01621459.1926.10502161
• van der Walt, S., Colbert, S. C., & Varoquaux, G. (2011). The NumPy array: A structure for efficient numerical computation. Computing in Science & Engineering, 13(2), 22–30. https://doi.org/10.1109/MCSE.2011.37
• Waskom, M. L. (2021). Seaborn: statistical data visualization. Journal of Open Source Software, 6(60), 3021. https://doi.org/10.21105/joss.03021