كيفية رسم خط عمودي في Matplotlib (مع أمثلة)

يمثل التصور البصري للبيانات أحد الركائز الجوهرية في علوم البيانات، والإحصاء التطبيقي، والذكاء الاصطناعي؛ إذ يتيح للباحثين والمحللين استيعاب الأنماط المعقدة وتفسير العلاقات الرياضية الكامنة خلف التدفقات الرقمية الكثيفة. وفي منظومة الحوسبة العلمية بلغة بايثون، تبرز مكتبة Matplotlib كمعيار صناعي وأكاديمي لا غنى عنه لبناء المخططات البيانية الثابتة، والتفاعلية، والمتحركة بدقة متناهية وتحكم برمجي غير محدود.

تكمن قوة التحليل الرسومي في قدرته على تحويل البيانات الخام إلى رؤى قابلة للتنفيذ، وتبرز هنا الحاجة الملحة لإدراج عناصر مساعدة ومعالم مرجعية توجه عين القارئ وتربط بين البنية الهندسية للمخطط والدلالات الإحصائية للبيانات. وتعد الخطوط العمودية المرجعية (Vertical Reference Lines) من أهم الأدوات البصرية المستخدمة لإبراز نقاط التحول، وتحديد العتبات الحرجة، وعزل الفترات الزمنية، وتوضيح الإحصاءات الوصفية كالمتوسطات والانحرافات داخل المخططات البيانية المختلفة.

يتناول هذا الدليل الشامل والمنهجي آليات رسم الخطوط العمودية وتخصيصها المتقدم داخل بيئة Matplotlib، بدءاً من البنية التحتية البرمجية لدالة plt.axvline ومقارنتها المعمقة مع دالة plt.vlines، مروراً بإدارة الإحداثيات النسبية وإحداثيات البيانات، وتكاملها مع هياكل بيانات Pandas، وصولاً إلى تطبيقات هندسية متقدمة في مراقبة الجودة الإحصائية، وتحليل السلاسل الزمنية، وتصميم اللوحات الرسومية متعددة المحاور بمعايير النشر الأكاديمي.

1. مقدمة شاملة حول مكتبة Matplotlib وأهمية الخطوط المرجعية العمودية

1.1 دور التمثيل البياني للبيانات في التحليل الاستكشافي

يشكل التحليل الاستكشافي للبيانات (Exploratory Data Analysis – EDA) المرحلة التأسيسية لأي مشروع بحثي أو تحليلي متقدم. في هذه المرحلة، لا تقتصر معالجة البيانات على استخراج المقاييس العددية التلخيصية مثل المتوسط الحسابي، أو الوسيط، أو التباين؛ بل تتطلب استكشاف التوزيعات الاحتمالية، ورصد التشوهات الهيكلية، واكتشاف القيم الشاذة (Outliers) التي قد تفلت من أدوات الرصد الإحصائي التلخيصي المجرد. وهنا يظهر الدور الحاسم للتصور البصري كوسيط إدراكي يربط بين العقل البشري والتراكيب الرياضية عالية التعقيد.

تتبوأ مكتبة Matplotlib موقع الصدارة في بيئة لغة Python العلمية منذ تأسيسها على يد جون هنتر (John D. Hunter) عام 2003. صُممت المكتبة لمحاكاة إمكانيات بيئة MATLAB الرسومية مع الاستفادة من مرونة بايثون كوجبات مفتوحة المصدر وكائنية التوجه. توفر المكتبة بنية تحتية هندسية عميقة تتيح التحكم في كل عنصر رسومي داخل فضاء الرسم، بدءاً من وحدات البكسل ومقاييس النقاط وصولاً إلى طبقات التصيير الجرافيكي (Rendering Engines).

على الرغم من قدرة المنحنيات والمخططات النقطية على رسم مسار البيانات بدقة، إلا أن غياب المراجع البصرية قد يترك التفسير عرضة للغموض أو التقدير غير الدقيق. تبرز هنا الحاجة المنهجية إلى استخدام الخطوط المرجعية (Reference Lines) كأدوات قياس معيارية مدمجة داخل الشكل البياني. تعمل هذه الخطوط كمساند هندسية تثبت سياق التفسير، مما يسمح بمقارنة المنحنيات بنقاط ثابتة أو حدود مدروسة سلفاً، وتحويل المخطط من مجرد رسم توضيحي ساذج إلى وثيقة استدلالية علمية مكتملة الأركان.

1.2 المفهوم الرياضي والوظيفي للخطوط العمودية في المخططات البيانية

من منظور الهندسة الإحداثية، يُعرف الخط العمودي في المستوى الديكارتي ثنائي الأبعاد بالمعادلة الجبرية $x = c$، حيث يمثل $c$ قيمة ثابتة ومحددة على المحور السيني المستقل (Abscissa)، بينما يمتد المتغير الصادي التابع (Ordinate) من $-\infty$ إلى $+\infty$. يعكس هذا التعريف الرياضي استقلالية تامة للموقع الأفقي؛ فالخط العمودي يمثل نقطة ارتكاز زمنية أو مكانية أو فئوية لا تتغير بتغير قيم المحور الرأسي، مما يجعله الأداة المثالية لتقييم سلوك المتغير التابع عند لحظة محددة بدقة على المحور السيني.

وظيفياً، تعمل الخطوط العمودية كفواصل مكانية وزمنية تقسم فضاء البيانات إلى مناطق دلالية متمايزة. في السلاسل الزمنية (Time Series)، يُستخدم الخط العمودي لتحديد التواريخ المفصلية؛ مثل لحظات إطلاق المنتجات، أو تواريخ التدخلات التشريعية، أو الصدمات الاقتصادية المفاجئة. يتيح هذا الإسقاط للمحلل فحص ديناميكيات المنظومة المدروسة ومقارنة سلوكها في الفترتين: ما قبل الحدث (Pre-event) وما بعد الحدث (Post-event).

من الضروري التمييز من الناحية الحسابية والرسومية بين نوعين من الخطوط العمودية: الخطوط اللانهائية المرجعية (Infinite Reference Lines) التي تخترق كامل الفضاء الرأسي لنظام المحاور وتتكيف تلقائياً مع عمليات تكبير وتصغير المخطط (Zooming and Panning)، والقطع المستقيمة العمودية المحدودة (Bounded Vertical Segments) التي ترتبط بداياتها ونهاياتها بقيم محددة سلفاً على المحور الصادي. تخدم الفئة الأولى أغراض التقسيم الهيكلي والإسناد الشامل، بينما تخدم الفئة الثانية تمثيل فترات الثقة، وأشرطة الأخطاء، ونطاقات التذبذب الموضعية.

1.3 السياقات التطبيقية لإبراز المعالم البيانية باستخدام الخطوط العمودية

تتعدد السياقات التطبيقية للخطوط العمودية عبر مختلف التخصصات العلمية والصناعية. في ميدان الإحصاء الرياضي ونظرية الاحتمالات، تُسقط الخطوط العمودية على المدرجات التكرارية (Histograms) ومنحنيات الكثافة الاحتمالية (Kernel Density Estimations) لتجسيد مقاييس النزعة المركزية؛ مثل إبراز موقع المتوسط الحسابي ($\mu$)، والوسيط، والانحرافات المعيارية الموضعية ($\mu \pm \sigma, \mu \pm 2\sigma$). هذا التمثيل البصري يكشف فوراً عن درجة التواء التوزيع (Skewness) وتفرطحه (Kurtosis) مقارنة بالتوزيع الطبيعي القياسي.

في مجالات العلوم السلوكية والاقتصاد القياسي والتجارب السريرية، تُعد دراسات التدخل (Intervention Studies) المستفيد الأكبر من الخطوط العمودية. عند رصد استجابة نظام حيوي أو مالي لجرعة علاجية أو سياسة نقدية جديدة، يُرسم خط عمودي عند اللحظة الزمنية الدقيقة للتدخل. يساعد هذا الرسم على عزل الأثر الحقيقي للمتغير التجريبي وفصله عن المسار التاريخي الطبيعي، مما يوفر سنداً بصرياً قاطعاً يدعم التحليلات الإحصائية المرافقة كنماذج الانحدار المتقطع (Regression Discontinuity Design).

أما في سياق اختبار الفرضيات الإحصائية ومراقبة العمليات الصناعية، فتُستخدم الخطوط العمودية لترسيم المناطق الحرجة (Critical Regions) وقيم الدلالة الإحصائية مثل القيم الحرجة لاختبارات $Z$ و $t$ عند مستويات معنوية محددة ($\alpha = 0.05$ أو $\alpha = 0.01$). كما تشكل ركناً أساسياً في مخططات ضبط الجودة الإحصائية (SPC Charts) لتحديد مواضع التحول في خطوط الإنتاج أو أوقات الصيانة الوقائية الطارئة، مما يضمن اتخاذ قرارات تصحيحية سريعة ومبنية على براهين بصرية دقيقة.

2. الدالة الأساسية plt.axvline: البنية التركيبية والمعاملات الجوهرية

2.1 التشريح البرمجي لدالة axvline في واجهة pyplot

تنتمي دالة plt.axvline إلى واجهة matplotlib.pyplot الإجرائية، وهي اختصار تركيبي يجمع بين مفهوم المحور الموجه (Axes) والخط العمودي (Vertical Line). تقنياً، لا تقوم هذه الدالة بإنشاء بيانات جديدة داخل المخطط، بل تُنشئ كائناً رسومياً من فئة matplotlib.lines.Line2D يتم ربطه مباشرة بمصفوفة التحويلات الإحداثية لنظام المحاور النشط. يتيح هذا التصميم للخط أن يتصرف كعنصر تكميلي يتكيف ديناميكياً مع خصائص الشكل.

تستقبل الدالة المعامل الإلزامي x، وهو قيمة عددية فردية (سواء كانت عدداً صحيحاً int أو عشرياً float، أو كائن تاريخ datetime في حالة المحاور الزمنية) تحدد الموضع الأفقي الدقيق للخط وفق وحدات إحداثيات البيانات (Data Coordinates). يضمن نظام العرض داخل Matplotlib أن يتقاطع هذا الخط عمودياً مع المحور السيني عند النقطة المحددة بدقة تامة، بغض النظر عن تحجيم المخطط أو تغيير مقاييس العرض والارتفاع للشكل الإجمالي.

يرتبط الموضع x بنظام التحويل ax.transData على المحور الأفقي، مما يعني أن أي تعديل في حدود المحور السيني عبر plt.xlim() سينقل الخط تلقائياً إلى موضعه الصحيح رياضياً. إذا تم ضبط حدود المحور السيني لتكون بين 0 و 10، وتم تعيين x=5، فإن الخط سينصف فضاء الرسم أفقياً، محافظاً على دلالته التحليلية مهما تغيرت مساحة النافذة الرسومية.

2.2 معاملات المدى الرأسي: ymin و ymax في الإحداثيات النسبية

من أهم الجوانب التقنية التي تثير لبساً لدى مستخدمي Matplotlib آلية عمل المعاملين الاختياريين ymin و ymax داخل دالة axvline. على عكس المعامل x الذي يستخدم إحداثيات البيانات، يعتمد المعاملان ymin و ymax افتراضياً على نظام الإحداثيات المعيارية للمحور (Normalized Axes Coordinates)، حيث يمثل الرقم 0.0 الحافة السفلية القصوى للمحور الصادي، بينما يمثل الرقم 1.0 الحافة العلوية القصوى، بصرف النظر تماماً عن القيم العددية الفعلية للمتغير التابع المعروض.

القيمة الافتراضية للمعامل ymin هي 0.0، وللمعامل ymax هي 1.0، وهو ما يجعل الدالة ترسم خطاً يمتد على كامل الارتفاع الرأسي لنظام المحاور. إذا رغب المحلل في رسم خط عمودي ينطلق من قاعدة الرسم ويتوقف عند منتصف الفضاء الرأسي تماماً، فإنه يقوم بضبط المعاملات البرمجية لتكون ymin=0.0 و ymax=0.5. يوفر هذا النظام المعياري استقراراً فائقاً للرسم؛ إذ يضمن بقاء أطراف الخط متسقة مع إطار المخطط حتى لو تغيرت حدود المحور الصادي ديناميكياً نتيجة تدفق بيانات جديدة.

يتيح هذا التجريد الإحداثي مرونة تصميمية متقدمة؛ فهو يفصل بين الامتداد البصري للخط المرجعي وبين التدريجات العددية المتغيرة للمتغير التابع. يوضح الجدول التالي مقارنة دقيقة بين معاملات الدالة وسلوكها الإحداثي:

المعامل البرمجي	نوع البيانات	النظام الإحداثي المستخدم	القيمة الافتراضية	الوظيفة والدلالة التطبيقية
x	عدد (float/int) أو تاريخ	إحداثيات البيانات (Data Coordinates)	إلزامي (بلا قيمة افتراضية)	تحديد الموضع الأفقي الدقيق للخط على المحور السيني
ymin	عدد عشري (0.0 إلى 1.0)	إحداثيات المحاور النسبية (Axes Normalized)	0.0 (قاع المحور)	تحديد نقطة بداية الخط الرأسية كنسبة مئوية من ارتفاع المحور
ymax	عدد عشري (0.0 إلى 1.0)	إحداثيات المحاور النسبية (Axes Normalized)	1.0 (قمة المحور)	تحديد نقطة نهاية الخط الرأسية كنسبة مئوية من ارتفاع المحور

2.3 معاملات التخصيص الجمالي والأسلوبي (Styling Parameters)

تحتوي دالة plt.axvline على مجموعة متكاملة من معاملات التخصيص الرسومي المستمدة من كائن Line2D، مما يمنح المطور سيطرة كاملة على الطابع البصري للخط بما يخدم الوضوح العلمي والجمالي. يأتي في مقدمة هذه الخصائص معامل اللون color (أو اختصاراً c)، والذي يدعم أنظمة متعددة لتعريف الألوان؛ بما في ذلك الأسماء الاصطلاحية القياسية (مثل 'red' و 'navy')، ورموز الست عشري (Hex Triplet مثل '#E74C3C')، وقيم RGB و RGBA المعيارية، ولوحات التدرج الرمادي المخصصة للمنشورات الورقية.

يتحكم المعامل linestyle (أو اختصاراً ls) في النمط الهندسي للخط. يوفر Matplotlib خيارات قياسية متنوعة تشمل الخط المصمت ('solid' أو '-')، والمتقطع ('dashed' أو '--')، والمنقط ('dotted' أو ':')، والمتقطع المنقط ('dashdot' أو '-.'). يلعب اختيار نمط الخط دوراً دلالياً محورياً؛ فالخطوط المتقطعة والمنقطة تُستخدم عادة للإشارة إلى التقديرات النظرية، أو القيم المتوقعة، أو فترات الثقة، في حين تعبر الخطوط المصمتة عن الحدود الفعلية القاطعة أو نقاط القياس الصارمة.

بالإضافة إلى ذلك، يتيح المعامل linewidth (أو اختصاراً lw) ضبط سماكة الخط بوحدة النقاط المطبعية (Typography Points)، حيث تبلغ السماكة الافتراضية نقطة واحدة (1.0 pt). كما يتيح المعامل alpha التحكم في درجة الشفافية بنطاق يتراوح بين 0.0 (شفاف تماماً وغير مرئي) و 1.0 (معتم تماماً). تسهم الشفافية المدروسة في منع حجب نقاط البيانات الكثيفة أو المنحنيات الأساسية التي قد تقع خلف الخط المرجعي مباشرة، مما يحقق توازناً بصرياً بين بروز العنصر المرجعي وسهولة قراءة البيانات الأصلية.

3. إعداد بيئة العمل وبناء هياكل البيانات التجريبية باستخدام Pandas

3.1 تهيئة بيئة بايثون واستيراد المكتبات الأساسية

يتطلب الشروع في بناء المخططات البيانية الاحترافية تهيئة بيئة العمل البرمجية عبر استيراد الحزم القياسية وفق التسميات الاصطلاحية (Conventions) المعترف بها عالمياً في مجتمع الحوسبة العلمية. يتم استيراد واجهة matplotlib.pyplot تحت الاسم المختصر plt، ومكتبة Pandas المتخصصة في هياكل البيانات والتحليل المجدول تحت الرمز pd، بالإضافة إلى مكتبة NumPy للحسابات المصفوفية تحت الاسم np.

لضمان الحصول على مخرجات رسومية عالية الجودة تتوافق مع المعايير الطباعية وشاشات العرض الحديثة فائقة الدقة (High-DPI)، يُنصح بضبط الإعدادات الافتراضية لمحرك الرسم عبر قاموس plt.rcParams. يتيح هذا التكوين المسبق تحديد حجم الأشكال الرسومية الافتراضي (Figure Size)، وكثافة النقاط لكل بوصة (DPI)، وعائلة الخطوط المستخدمة، وحجم النصوص التوضيحية لتفادي تكرار ضبط هذه الإعدادات مع كل مخطط بياني مستقل.

يوضح الإجراء البرمجي التالي كيفية استيراد الوحدات وضبط مصفوفة التكوين العامة لضمان اتساق المخرجات الرسومية وتوافق الإصدارات:

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# ضبط المعايير الرسومية الافتراضية
plt.rcParams['figure.figsize'] = (10, 6)
plt.rcParams['figure.dpi'] = 150
plt.rcParams['font.size'] = 12
plt.rcParams['axes.grid'] = True
plt.rcParams['grid.alpha'] = 0.3

3.2 إنشاء وتجهيز إطار البيانات (DataFrame) النموذجي

لبناء تجربة عملية تحاكي سيناريوهات العالم الحقيقي، نقوم بإنشاء إطار بيانات تركيبي (Synthetic DataFrame) يعبر عن سلسلة زمنية ديناميكية تخضع لتأثيرات اتجاهية دورية وتدخلات مفاجئة. يتيح استخدام السلاسل الزمنية المركبة تطبيق مفاهيم الخطوط العمودية على متغيرات متصلة ومتغيرات زمنية تقويمية في آن واحد.

نقوم بتوليد نطاق زمني يمتد عبر 100 يوم باستخدام دالة pd.date_range، ونربط هذا النطاق بمتغير عددي مستمر يمثل قراءات تجريبية أو مؤشرات مالية تخضع لتوزيع عشوائي متراكم مع إزاحة جيبية (Sinusoidal Drift). يُظهر هذا النموذج الرياضي تقلبات واقعية تبرز أهمية تعيين نقاط مرجعية للفصل بين مراحل التذبذب ومراحل الاستقرار النسبي.

يتم تنفيذ هيكلة البيانات عبر الكود التالي:

# ضبط البذرة العشوائية لضمان تكرار نفس النتائج بدقة
np.random.seed(42)

dates = pd.date_range(start='2026-01-01', periods=100, freq='D')
trend = np.linspace(10, 50, 100)
noise = np.random.normal(loc=0, scale=3, size=100)
signal = trend + np.sin(np.linspace(0, 4 * np.pi, 100)) * 8 + noise

# بناء إطار البيانات النموذجي
df = pd.DataFrame({
    'Day_Index': np.arange(1, 101),
    'Date': dates,
    'Measurement': signal
})

3.3 إنشاء المخطط الخطي الأولي لعرض مسار البيانات

قبل الشروع في إسقاط المعالم المرجعية، يجب رسم المسار الخطي الأولي للبيانات لفحص بنيتها العامة وتحديد المواضع الهندسية المناسبة للتدخلات التحليلية. نستخدم الدالة الأساسية plt.plot لتصوير العلاقة بين الفهرس الرقمي Day_Index والمتغير Measurement، مع الحرص على تنسيق عناوين المحاور وإضافة عنوان رئيسي وصفي وشبكة إرشادية خفيفة.

يُبرز المخطط الأولي السلوك العام للإشارة؛ حيث يظهر اتجاهاً تصاعدياً عاماً يتخلله نمط تذبذبي واضح. عند هذه النقطة، يجد المحلل نفسه بحاجة إلى أدوات ترسيم بصرية تفصل بين النصف الأول من التجربة والنصف الثاني، أو تحدد بدقة نقطة التحول الكبرى التي حدثت في مسار البيانات، وهو ما يمهد للدور الوظيفي للخطوط العمودية.

يتم بناء الشكل الأساسي عبر الخطوات البرمجية التالية:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#2C3E50', linewidth=2, label='القياس التجريبي اليومي')
plt.title('المسار الزمني للبيانات التجريبية قبل إدراج المعالم المرجعية', fontsize=14, pad=15)
plt.xlabel('رقم اليوم التجريبي (Day Index)', fontsize=12)
plt.ylabel('قيمة المؤشر المقاس (Units)', fontsize=12)
plt.tight_layout()

4. رسم خط عمودي مفرد: التطبيق العملي الأساسي

4.1 كتابة وتنفيذ الكود البرمجي لخط عمودي افتراضي

يمثل رسم خط عمودي مفرد الخطوة الأولى والأساسية في بناء المخططات التفسيرية. عند استدعاء الدالة plt.axvline(x=50) مباشرة بعد رسم المنحنى الأساسي، يتولى محرك التصيير في Matplotlib حساب موقع النقطة 50 على المحور السيني، ثم يسقط خطاً مستقيماً يمتد عمودياً من أسفل إطار الرسم البياني إلى أعلاه عبر استدعاء طبقات الرسم المتجهة.

في حالته الافتراضية، يظهر الخط العمودي بلون أسود مصمت وبسماكة قياسية تعادل نقطة واحدة، ممتداً بين القيمة النسبية ymin=0 والقيمة ymax=1. يتموضع الخط بدقة متناهية فوق قيمة التدريج 50 على المحور السيني، متقاطعاً مع المنحنى البياني ليقسم فضاء العرض إلى نصفين متساويين تماماً من الناحية الزمنية المستقلة.

يوضح المثال البرمجي التالي آلية تنفيذ هذا الإسقاط المرجعي الأساسي:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#2980B9', linewidth=2, label='الإشارة الأصلية')
# إسقاط خط عمودي افتراضي عند اليوم 50
plt.axvline(x=50)
plt.title('إسقاط خط عمودي مفرد بالخصائص الافتراضية', fontsize=14)
plt.xlabel('رقم اليوم')
plt.ylabel('الاستجابة')
plt.legend()
plt.show()

4.2 تخصيص الخط العمودي المنفرد لزيادة التباين البصري

على الرغم من كفاءة الخط الافتراضي من الناحية الهندسية، إلا أن ظهوره بلون أسود مصمت قد يؤدي إلى التباس بصري، حيث يصعب على القارئ أحياناً التمييز بينه وبين حدود محاور الرسم أو خطوط البيانات المعقدة في المخططات الكثيفة. لتفادي هذا القصور الإدراكي، يجب تطبيق استراتيجية تباين بصري متعمدة تعتمد على تغيير اللون، ونمط التقطيع، والشفافية.

من أفضل الممارسات التصميمية استخدام خط متقطع (Dashed Line) بلون لافت ذي دلالة تنبيهية، مثل درجات الأحمر القرمزي (Crimson أو #C0392B)، مع زيادة طفيفة في السماكة (linewidth=2) وتعديل معامل الشفافية (alpha=0.8). هذا التكوين البصري يمنح الخط طابعاً مرجعياً مستقلاً بوضوح عن البيانات المستمرة، مما يجذب انتباه القارئ فوراً إلى اللحظة المحورية دون تشتيت تركيزه عن مسار المنحنى العام.

تتم صياغة الكود المخصص على النحو التالي:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#34495E', linewidth=2, label='مسار البيانات')
# تخصيص المظهر البصري للخط العمودي
plt.axvline(x=50, color='#E74C3C', linestyle='--', linewidth=2.5, alpha=0.85, label='نقطة التدخل التجريبي')
plt.title('خط عمودي مخصص بتباين بصري عالٍ', fontsize=14)
plt.xlabel('رقم اليوم التجريبي')
plt.ylabel('المتغير التابع')
plt.legend(loc='upper left')
plt.show()

4.3 تحليل الأثر التفسيري لإضافة الخط المفرد

إن إضافة خط عمودي مخصص عند النقطة $x=50$ لا تمثل مجرد تحسين شكلي للمخطط، بل تعد تدخلاً تفسيرياً يغير طريقة قراءة البيانات جذرياً. من خلال هذا الخط، يدرك القارئ فوراً أن هناك حدثاً نوعياً قد طرأ عند اليوم الخمسين، ويبدأ عقله التحليلي في مقارنة ديناميكيات ما قبل الخط (حيث كان المنحنى يتراوح بين 10 و 35 وحدة) بما بعد الخط (حيث قفز المنحنى ليتجاوز 50 وحدة).

يسهم هذا الأسلوب الرسومي في تقليل “الحمل المعرفي” (Cognitive Load) المفروض على المتلقي؛ فبدلاً من إجباره على قراءة جداول مرافقة أو البحث في نصوص التقرير المكتوبة لتحديد توقيت التغير التجريبي، يقدم المخطط البياني الإجابة البصرية في أجزاء من الثانية. يحقق ذلك أحد أهم مبادئ إدوارد تفتي (Edward Tufte) في التصميم الإحصائي: تعظيم نسبة حبر البيانات إلى الحبر الكلي (Data-to-Ink Ratio) عبر جعل كل عنصر مرسوم يؤدي وظيفة إخبارية محددة ولا غنى عنها.

5. تخصيص المظهر البصري للخط العمودي: الألوان والأنماط والسماكة

5.1 استراتيجيات اختيار الألوان وتوافقها مع المعايير العلمية

يخضع اختيار ألوان العناصر الرسومية في الأبحاث والتقارير الاحترافية لضوابط دقيقة تتجاوز التفضيلات الجمالية الذاتية. ينبغي في المقام الأول مراعاة إمكانية الوصول الشامل (Accessibility)، وخاصة للأشخاص الذين يعانون من اضطرابات رؤية الألوان (Color Vision Deficiency – CVD). يؤدي تجنب الاعتماد الحصري على التباين بين الأحمر والأخضر واستبداله بلوحات ألوان معيارية مثل Viridis أو الألوان المستقلة ذات التباين اللمعاني العالي إلى ضمان وصول المعلومة لكافة القراء دون تشويه.

يلعب الترميز اللوني الدلالي دوراً بالغ الأهمية في تسريع الفهم الاستدلالي. يُفضل استخدام درجات الأزرق والرمادي الداكن للخطوط المرجعية المحايدة (مثل المتوسطات التاريخية)، واستخدام درجات البرتقالي أو الأحمر الداكن للإشارة إلى العتبات الحرجة ومناطق الخطر ونقاط الفشل الميكانيكي، في حين تُخصص درجات الأخضر الزمردي للإشارة إلى مستويات الأداء المستهدفة ونقاط التعافي التشغيلي.

تسمح قناة الشفافية alpha بدمج الخطوط العمودية داخل فضاء الرسم دون افتعال حواجز بصرية مصمتة. عند ضبط alpha=0.6 مثلاً، يسمح الخط العمودي للشبكة التحتية ونقاط البيانات المبعثرة بالظهور من خلفه، مما يحافظ على استمرارية الإدراك المكاني للبيانات ويمنع الانقطاع البصري الذي تسببه الألوان المعتمة تماماً.

5.2 تنوع أنماط الخطوط ودلالاتها التفسيرية

يوفر نظام الأنماط في Matplotlib لغة رمزية ثرية تسهم في تعزيز البنية الدلالية للرسم. تمثل الأنماط المختلفة طبقة إضافية من المعلومات المشفرة بيانياً، ويمكن تصنيف استخداماتها التفسيرية وفق الجدول المنهجي التالي:

رمز النمط البرمجي	التسمية الاصطلاحية	الشكل الهندسي للخط	الدلالة الاستدلالية الموصى بها علمياً
'-' أو 'solid'	المصمت (Solid)	خط مستمر متصل بلا فواصل	الحدود القاطعة، الوقائع الثابتة، نقاط البداية والنهاية الفعلية للتجارب
'--' أو 'dashed'	المتقطع (Dashed)	شرطات متتالية تفصل بينها مسافات منتظمة	المتوسطات الإحصائية، العتبات التحذيرية، الفترات الزمنية للتدخلات المؤقتة
':' أو 'dotted'	المنقط (Dotted)	نقاط متقاربة دقيقة	فترات الثقة، الحدود القصوى والدنيا المتوقعة، المعالم المرجعية الثانوية
'-.' أو 'dashdot'	المتقطع المنقط (Dash-Dot)	تبادل منتظم بين شرطة ونقطة	النماذج التنبؤية، الفرضيات البديلة، خطوط التقسيم القطاعي والمرحلي

5.3 التحكم المتقدم في سمك الخط ونهايات الأطراف (Capstyles)

يتيح معامل linewidth التدرج في الأوزان البصرية للعناصر داخل المخطط؛ فالخطوط ذات السماكة المنخفضة (lw=0.8 إلى lw=1.2) تناسب الشبكات الثانوية والمعالم الاسترشادية المتكررة، بينما تُحجز السماكات الأكبر (lw=2.0 إلى lw=3.5) للخطوط الدلالية الرئيسية التي تستوجب تركيزاً فورياً من المتلقي.

تتيح مكتبة Matplotlib أيضاً التحكم المتقدم في مظهر نهايات الخطوط والشرطات المتقطعة عبر ضبط معاملات dash_capstyle و solid_capstyle داخل كائن الخط. الخيارات المتاحة تشمل:

• 'butt': قطع مستقيم ومفاجئ عند حافة الإحداثي الدقيق دون أي امتداد إضافي.
• 'round': نهايات دائرية ناعمة تضفي طابعاً انسيابياً حديثاً على الأشكال والرسومات التوضيحية.
• 'projecting': قطع مربع يمتد قليلاً خلف نقطة الإحداثي بنصف سماكة الخط.

يوضح المثال التالي كيفية دمج هذه الخصائص المتقدمة في كود برمجي واحد:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='gray', alpha=0.5)

# تطبيق أنماط وسماكات ونهايات متقدمة
plt.axvline(x=25, color='#8E44AD', linestyle=':', linewidth=2.5, label='عتبة أولية (Dotted)')
plt.axvline(x=50, color='#D35400', linestyle='--', linewidth=3.0, dash_capstyle='round', label='نقطة التحول (Dashed Round)')
plt.axvline(x=75, color='#27AE60', linestyle='-.', linewidth=2.0, label='استقرار المنظومة (Dash-Dot)')

plt.title('التخصيص المتقدم لأنماط وأطراف الخطوط العمودية', fontsize=14)
plt.xlabel('الأيام')
plt.ylabel('القيم')
plt.legend()
plt.show()

6. رسم خطوط عمودية متعددة على نفس المخطط البياني

6.1 إضافة عدة خطوط عمودية عبر الاستدعاء المتكرر للدالة

في العديد من السيناريوهات التحليلية المعقدة، يتطلب المخطط البياني إسقاط أكثر من معلم مرجعي واحد لترسيم مراحل متتابعة أو مقارنة أحداث متعددة عبر الخط الزمني. أبسط الطرق البرمجية لتنفيذ ذلك هي الاستدعاء المباشر والمتكرر لدالة plt.axvline مع تمرير إحداثيات ومواصفات مختلفة في كل استدعاء مستقل.

تسمح هذه الطريقة بتخصيص دقيق لكل خط على حدة، حيث يمكن إعطاء كل مرحلة لوناً مستقلاً ونمطاً هندسياً يعكس طبيعتها؛ كأن يُخصص خط متقطع أزرق لبداية مرحلة المعايرة، وخط مصمت برتقالي لبداية مرحلة التشغيل الكامل، وخط متقطع أحمر للحظة التوقف الإجباري. يتم بناء المشهد الرسومي عبر تراكم هذه العناصر في طبقات العرض الرسومي.

يوضح الكود التالي هذه الآلية التنفيذية:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#2C3E50', lw=1.5)

# استدعاءات متكررة لتحديد مراحل تجريبية متمايزة
plt.axvline(x=20, color='#2980B9', linestyle='--', linewidth=2, label='المرحلة 1: المعايرة')
plt.axvline(x=45, color='#F39C12', linestyle='-', linewidth=2.5, label='المرحلة 2: التشغيل التجريبي')
plt.axvline(x=80, color='#27AE60', linestyle=':', linewidth=2, label='المرحلة 3: الإنتاج المستقر')

plt.title('تحديد مراحل متعددة عبر استدعاءات axvline المستقلة', fontsize=14)
plt.xlabel('رقم اليوم')
plt.ylabel('معدل التدفق')
plt.legend(loc='upper left')
plt.show()

6.2 أتمتة رسم الخطوط المتعددة باستخدام الحلقات التكرارية (Loops)

عند التعامل مع فترات زمنية دورية منتظمة (مثل بدايات الشهور، أو نهايات الأسابيع، أو تدريبات النماذج المتكررة)، يصبح الاستدعاء اليدوي المتكرر للدالة عملاً غير فعال ويتنافى مع مبدأ البرمجة النظيفة (Don’t Repeat Yourself – DRY). يبرز هنا الحل الأمثل عبر أتمتة عملية الرسم باستخدام الحلقات التكرارية (Loops) وفياكل البيانات كالقوائم (Lists) والقواميس (Dictionaries).

يمكن للمطور تعريف قائمة بالإحداثيات الأفقية المستهدفة، ثم استخدام حلقة for للمرور عبر هذه القيم وإسقاط الخطوط العمودية ديناميكياً. يتيح هذا النمط البرمجي إدراج شروط منطقية داخل الحلقة لتعديل سمات الخطوط تلقائياً؛ كأن تأخذ الخطوط ذات الفهارس الزوجية لوناً ونمطاً مختلفاً عن الخطوط الفردية دون الحاجة لكتابة أسطر برمجية إضافية.

يوضح النموذج التالي كفاءة هذا النهج المؤتمت:

milestones = [15, 30, 45, 60, 75, 90]

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#34495E')

# أتمتة إسقاط الخطوط المرجعية الدورية
for i, marker in enumerate(milestones):
    plt.axvline(x=marker, color='#7F8C8D', linestyle=':' if i % 2 == 0 else '--',
                linewidth=1.5, alpha=0.7)

plt.title('أتمتة رسم المعالم المرجعية الدورية عبر الحلقات التكرارية', fontsize=14)
plt.xlabel('الأيام')
plt.ylabel('القياس')
plt.show()

6.3 تقسيم المخطط البياني إلى مناطق زمنية أو فئات تحليلية

يتجاوز الاستخدام المتقدم للخطوط العمودية مجرد الإشارة لنقاط منفصلة، ليمتد إلى تقسيم الفضاء الكلي للمخطط إلى قطاعات تحليلية محصورة. يتم ذلك عبر دمج أزواج من الخطوط العمودية التي تحدد بدايات ونهايات الفترات مع دالة plt.axvspan المخصصة لتظليل المساحات الرأسية الممتدة بين قيمتين على المحور السيني.

يخلق هذا الدمج التكاملي تجربة بصرية غنية ومقنعة؛ حيث ترسم الخطوط العمودية الحدود الدقيقة للحدث، بينما يوفر التظليل اللوني الشفاف (معامل alpha منخفض بين 0.1 و 0.2) خلفية بصرية تفصل فترة الإغلاق، أو الركود الاقتصادي، أو التوقف المفاجئ عن بقية المخطط العام. يعد هذا التكنيك المعيار الذهبي في دراسات ما قبل وما بعد الحدث (Pre-Post Event Analysis).

تتم صياغة هذا التطبيق المركب برمجياً عبر الكود الآتي:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#16A085', lw=2, label='البيانات الفعلية')

# تحديد حدود الفترة الحرجة
start_event, end_event = 40, 65
plt.axvline(x=start_event, color='#C0392B', linestyle='--', lw=2, label='بداية الصدمة')
plt.axvline(x=end_event, color='#27AE60', linestyle='--', lw=2, label='نهاية الصدمة والتعافي')

# تظليل المساحة المحصورة بين الخطين
plt.axvspan(start_event, end_event, color='#F39C12', alpha=0.15, label='فترة التدخل الاستثنائي')

plt.title('الدمج بين الخطوط العمودية ومساحات التظليل القطاعي', fontsize=14)
plt.xlabel('الفهرس الزمني')
plt.ylabel('المتغير المالي')
plt.legend(loc='lower right')
plt.show()

7. إضافة وسيلة الإيضاح (Legend) وتسمية الخطوط العمودية برمجياً

7.1 ربط الخطوط العمودية بوسيلة الإيضاح عبر معامل label

لا تكتمل القيمة العلمية للمخططات البيانية دون وسيلة إيضاح (Legend) واضحة تفسر دلالات العناصر والألوان للمتلقي. في مكتبة Matplotlib، يتم ربط أي كائن خطي مرسوم بصندوق الإيضاح التلقائي بمجرد تمرير نص وصفي إلى المعامل label داخل استدعاء الدالة الرسومية، ثم استدعاء التابع plt.legend() في نهاية المخطط.

عند تمرير label='المتوسط الحسابي' إلى plt.axvline، يُنشئ محرك الرسم عينة مصغرة تحاكي تماماً لون الخط، ونمطه المتقطع، وسماكته، ويدرجها بجوار النص التعريفي داخل صندوق وسيلة الإيضاح. إذا تم رسم خطوط عمودية مساعدة لا يرغب المحلل في إظهارها داخل وسيلة الإيضاح، يكفي تجاهل معامل label أو تمرير نص يبدأ بشرطة سفلية (مثل label='_nolegend_')، مما يوجه المحرك لتجاهلها ومنع ازدحام الصندوق بعناصر غير ضرورية.

يوضح المثال التالي التعيين السليم لوسائل الإيضاح على خطوط متعددة:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#2C3E50', label='منحنى القياس المستمر')

plt.axvline(x=30, color='#E74C3C', ls='--', lw=2, label='الحد الأدنى للأداء')
plt.axvline(x=70, color='#2ECC71', ls='-', lw=2, label='الحد المستهدف للإنتاج')

plt.title('دمج الخطوط العمودية مع وسيلة الإيضاح التلقائية', fontsize=14)
plt.xlabel('الجدول الزمني')
plt.ylabel('الكفاءة التشغيلية')
plt.legend(frameon=True, facecolor='#F8F9F9', edgecolor='#BDC3C7')
plt.show()

7.2 التحكم في موضع وتنسيق وسيلة الإيضاح

يشكل الموضع الجغرافي لوسيلة الإيضاح عنصراً حاسماً في الحفاظ على مقروئية المخطط؛ إذ يجب تجنب حجب وسيلة الإيضاح للمنحنيات أو الخطوط العمودية الهامة. توفر دالة plt.legend المعامل loc الذي يستقبل نصوصاً اصطلاحية لتحديد الركن المطلوب؛ مثل 'upper right'، أو 'upper left'، أو 'lower center'، أو القيمة التلقائية الذكية 'best' التي تحسب موضع الفراغ الأكبر داخل الرسم وتضع الصندوق فيه تلقائياً.

في المخططات الكثيفة ذات المنحنيات المتشابكة، يُفضل إخراج وسيلة الإيضاح خارج إطار الرسم تماماً باستخدام المعامل bbox_to_anchor. يستقبل هذا المعامل إحداثيات نسبية تعتمد على صندوق الشكل الإجمالي، مما يتيح وضع وسيلة الإيضاح على اليمين أو في الأعلى خارج مساحة الرسم الفعلية، مع استخدام plt.tight_layout() لضمان عدم اقتطاع الصندوق أثناء التصدير والتخزين.

يوضح الكود التالي الإخراج المنهجي لوسيلة الإيضاح خارج الإطار:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], label='البيانات')
plt.axvline(x=50, color='red', ls='--', label='عتبة الفصل')

# وضع وسيلة الإيضاح في الركن العلوي الأيمن خارج إطار الرسم
plt.legend(bbox_to_anchor=(1.04, 1), loc="upper left", borderaxespad=0, fontsize=11)
plt.title('وضع وسيلة الإيضاح خارج المساحة المخصصة للبيانات', fontsize=14)
plt.tight_layout()
plt.show()

7.3 إدراج التسميات النصية المباشرة (Direct Annotations) بجانب الخطوط

على الرغم من أهمية وسيلة الإيضاح المنفصلة، إلا أن الدراسات الإدراكية في التصميم البصري تشير إلى أن التسميات النصية المباشرة (Direct Labeling) الملصقة بالخطوط العمودية تكون أسرع في الفهم وأقل تشتيتاً لانتباه القارئ، حيث تلغي الحاجة للتنقل البصري المستمر بين المنحنى وصندوق الإيضاح البعيد.

توفر مكتبة Matplotlib دالتين رئيسيتين للنصوص: plt.text لوضع نصوص إرشادية عند إحداثيات محددة، و plt.annotate لإنشاء نصوص متقدمة مرفقة بأسهم توجيهية (Arrows). عند استخدام هذه الأدوات بجانب الخطوط العمودية، يُراعى تطبيق إزاحة أفقية طفيفة (Horizontal Offset) لتفادي تداخل الحروف مع جسم الخط، مع إمكانية تدوير النص بزاوية 90 درجة إذا كان الخط يمتد رأسياً عبر مسافة طويلة.

يوضح المثال التالي إدراج الشروحات التوضيحية المباشرة بدقة:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#34495E', lw=1.5)

x_crit = 60
plt.axvline(x=x_crit, color='#E67E22', ls='--', lw=2)

# كتابة نص وصفي مباشر بمحاذاة الخط العمودي
plt.text(x=x_crit + 1.5, y=df['Measurement'].max() * 0.9, s='إعادة هيكلة الخوارزمية (اليوم 60)',
         color='#D35400', fontsize=11, fontweight='bold', rotation=0,
         bbox=dict(boxstyle='round,pad=0.3', facecolor='#FEF9E7', edgecolor='#F39C12', alpha=0.8))

# استخدام سهم توضيحي مباشر
plt.annotate('بداية الصعود الحاد', xy=(x_crit, 35), xytext=(x_crit - 25, 45),
             arrowprops=dict(facecolor='black', shrink=0.05, width=1, headwidth=6),
             fontsize=10, backgroundcolor='white')

plt.title('الشروحات النصية والأسهم التوجيهية المباشرة', fontsize=14)
plt.xlabel('الأيام')
plt.ylabel('المتغير')
plt.show()

8. التحكم في نطاق الخط العمودي باستخدام المعاملين ymin و ymax

8.1 التمييز الدقيق بين الإحداثيات النسبية وإحداثيات البيانات

يعد الخلط بين الإحداثيات النسبية للمحاور (Axes Coordinates) وإحداثيات البيانات الفعلية (Data Coordinates) أحد أكثر الأخطاء البرمجية شيوعاً لدى مستخدمي دالة plt.axvline. إن فهم الفلسفة التصميمية لنظام تحويل الإحداثيات داخل Matplotlib أمر جوهري للتحكم الدقيق في أطوال الخطوط المرجعية وتفادي النتائج غير المتوقعة.

في نظام الإحداثيات المعيارية للمحور، يتم تجريد مساحة الرسم إلى فضاء ثنائي الأبعاد يتراوح فيه كل محور من 0.0 (القاع أو أقصى اليسار) إلى 1.0 (القمة أو أقصى اليمين)، بغض النظر عما إذا كان المحور الصادي يعرض قياسات حرارية بين -50 و +150، أو مبيعات بالمليارات. عندما نمرر ymin=0.2 و ymax=0.8 إلى plt.axvline، فإننا نأمر المحرك برسم خط يبدأ عند 20% من الارتفاع الكلي لإطار المخطط وينتهي عند 80% من هذا الارتفاع.

إذا قام المبرمج خطأً بتمرير قيم البيانات المطلقة (كأن يكتب ymin=15 و ymax=45 ظناً منه أنها قيم المحور الصادي)، فإن الدالة ستفسر الرقم 15 على أنه 1500% من ارتفاع المحور، مما يؤدي إلى رسم الخط بالكامل خارج مساحة الرؤية أو تشويه الامتداد الهندسي للشكل. لذلك، يجب دائماً تذكر أن معاملات ymin و ymax في axvline هي نسب مئوية كسرية محصورة بين الصفر والواحد.

8.2 رسم خطوط عمودية مجتزأة تغطي قطاعات محددة من الارتفاع

تفيد الخطوط العمودية المجتزأة (Segmented Lines) في السيناريوهات التي يراد فيها لفت الانتباه إلى منطقة محددة في النصف العلوي أو السفلي من الرسم دون تقطيع كامل الفضاء البصري. يتيح ذلك تركيز الإسناد المرجعي في نطاق البيانات ذات الصلة فقط، مما يقلل من الازدحام الرسومي ويترك بقية المخطط نقياً لقراءة المنحنيات الأخرى.

على سبيل المثال، عند بناء مخطط مركب يحتوي على مؤشرات أداء متعددة مقسمة رأسياً داخل نفس فضاء الرسم، يمكن إسقاط خط عمودي ينطلق من منتصف المحور الصادي (ymin=0.5) وينتهي عند قمته (ymax=1.0) ليربط بين قمم البيانات في النصف العلوي، مع ترك النصف السفلي خالياً تماماً ليعبر عن متغير ثانوي مستقل.

يوضح المثال التالي كيفية ضبط الخطوط المجتزأة نسبياً:

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#2C3E50')

# خط يبدأ من قاع الرسم ويتوقف عند المنتصف (0% إلى 50%)
plt.axvline(x=25, ymin=0.0, ymax=0.5, color='#2980B9', ls='-', lw=2.5, label='نطاق القاع (0.0 إلى 0.5)')

# خط يبدأ من المنتصف ويمتد إلى قمة الرسم (50% إلى 100%)
plt.axvline(x=75, ymin=0.5, ymax=1.0, color='#E74C3C', ls='-', lw=2.5, label='نطاق القمة (0.5 إلى 1.0)')

plt.title('التحكم في امتداد الخطوط العمودية المجتزأة عبر الإحداثيات النسبية', fontsize=14)
plt.xlabel('الأيام')
plt.ylabel('القيم')
plt.legend()
plt.show()

8.3 حساب القيم النسبية برمجياً بناءً على إحداثيات البيانات الفعلية

إذا كانت المتطلبات التحليلية تستوجب بالضرورة رسم خط عمودي يبدأ وينتهي عند قيم بيانات محددة بدقة على المحور الصادي (مثلاً من القيمة $Y_1 = 15$ إلى $Y_2 = 45$)، ولكن مع الرغبة في استخدام axvline للحفاظ على ميزة الخط المرجعي، يجب كتابة دالة رياضية وسيطة تقوم بتحويل إحداثيات البيانات الفعلية إلى نسب معيارية بين 0 و 1 ديناميكياً.

تعتمد هذه المعادلة التحويلية على استخراج الحدود الدنيا والقصوى النشطة للمحور الصادي عبر التابع ax.get_ylim(). تُحسب النسبة المعيارية لأي نقطة بيانات $Y$ وفق المعادلة الخطية المعيارية:

$$Y_{norm} = \frac{Y – Y_{\min_axis}}{Y_{\max_axis} – Y_{\min_axis}}$$

يوضح الكود التالي بناء واستخدام هذه الدالة التحويلية الذكية:

fig, ax = plt.subplots()
ax.plot(df['Day_Index'], df['Measurement'], color='#34495E')

# تثبيت حدود المحور الصادي لاستقرار الحسابات
ax.set_ylim(0, 60)
y_bottom, y_top = ax.get_ylim()

# دالة تحويل إحداثيات البيانات إلى إحداثيات نسبية معيارية
def data_to_normalized_y(y_val, y_min, y_max):
    return (y_val - y_min) / (y_max - y_min)

# حساب النسب لقيم البيانات الفعلية: البداية عند 20 والنهاية عند 50
ymin_norm = data_to_normalized_y(20, y_bottom, y_top)
ymax_norm = data_to_normalized_y(50, y_bottom, y_top)

ax.axvline(x=50, ymin=ymin_norm, ymax=ymax_norm, color='#8E44AD', lw=3, label='خط محسوب ديناميكياً (Y: 20 -> 50)')

ax.set_title('حساب المدى المعياري ديناميكياً من إحداثيات البيانات الفعلية', fontsize=14)
ax.set_xlabel('الأيام')
ax.set_ylabel('المتغير المقاس')
ax.legend()
plt.show()

9. المقارنة التقنية بين plt.axvline و plt.vlines وطرق استخدامهما

9.1 الفروق الجوهرية في البنية وفلسفة التصميم البرمجي

تقدم مكتبة Matplotlib أداتين أساسيتين لرسم الخطوط العمودية: plt.axvline و plt.vlines. على الرغم من تشابه المخرجات البصرية للوهلة الأولى، إلا أن هناك تبايناً جذرياً في الفلسفة الهندسية، والبنية التركيبية، ونظام الإحداثيات المعتمد في كلتا الدالتين.

صُممت دالة axvline لتعمل كأداة إسقاط “خطوط مرجعية محورية” (Axes Reference Lines)؛ حيث تستقبل قيمة x واحدة فقط في كل استدعاء، وترسم خطاً يمتد افتراضياً عبر كامل فضاء الرسم باستخدام الإحداثيات النسبية للارتفاع. لا تؤثر axvline على التحجيم التلقائي للمحور الصادي (Autoscaling)، بل تتكيف معه تلقائياً كعنصر زخرفي وإسنادي فوق طبقة البيانات.

في المقابل، صُممت دالة vlines لتعمل كأداة رسم “متجهات بيانية رأسية” (Data Vectors)؛ حيث تستقبل قيم ymin و ymax بإحداثيات البيانات الحقيقية والمطلقة. والأهم من ذلك، أن vlines دالة متجهة (Vectorized) بالكامل، مما يعني أنها قادرة على استقبال مصفوفات وقوائم كاملة من الإحداثيات x، و ymin، و ymax لترسم مئات أو آلاف الخطوط العمودية المستقلة في استدعاء برمجي واحد، مع تعديل حدود المحاور تلقائياً لتستوعب كافة المتجهات المرسومة.

9.2 الأداء والكفاءة عند التعامل مع كميات ضخمة من الخطوط

يبرز الفارق الحاسم بين الدالتين عند الانتقال إلى تطبيقات البيانات الضخمة (Big Data Visualization)؛ مثل رسم مخططات الرموز الشريطية (Barcode Plots)، ومخططات خطوط الانحدار السريعة، وأشرطة الأخطاء الضخمة، أو مخططات الارتفاع والانخفاض المالي (High-Low Plots) التي تحتوي على عشرات الآلاف من النقاط.

عند استخدام axvline داخل حلقة تكرارية لرسم 10,000 خط، يقوم محرك Matplotlib بإنشاء 10,000 كائن مستقل من فئة Line2D، مما يستهلك قدراً هائلاً من الذاكرة العشوائية ويؤدي إلى بطء شديد في التصيير والتفاعل. في المقابل، تقوم دالة vlines بجمع كافة الخطوط داخل كائن مصفوفي موحد من فئة matplotlib.collections.LineCollection. تتم معالجة هذا الكائن كطبقة رسومية واحدة منخفضة المستوى، مما يوفر سرعة معالجة تفوق استخدام axvline بعشرات المرات ويقلل البصمة الذاكرية بشكل جذري.

9.3 جدول مقارنة تفصيلي وأمثلة برمجية توضيحية للتباين بين الدالتين

يلخص الجدول المنهجي التالي المقارنة الشاملة بين الدالتين لمساعدة المطور على اتخاذ القرار الهندسي السليم وفق متطلبات مشروعه:

وجه المقارنة	الدالة plt.axvline	الدالة plt.vlines
الهدف التصميمي الأساسي	خطوط مرجعية هيكلية لتقسيم الشكل وإبراز العتبات	متجهات وقطع مستقيمة كجزء أصيل من بيانات المخطط
طبيعة الإحداثي الأفقي (x)	قيمة عددية فردية واحدة فقط لكل استدعاء	قيمة فردية أو مصفوفة / قائمة من القيم (Vectorized)
إحداثيات الارتفاع (ymin, ymax)	إحداثيات نسبية معيارية للمحور (من 0.0 إلى 1.0)	إحداثيات البيانات الفعلية والمطلقة (Data Coordinates)
الكائن البرمجي الناتج	كائن فردي من فئة Line2D	كائن تجميعي من فئة LineCollection
الأداء مع البيانات الكثيفة	منخفض (غير مخصص للرسم المصفوفي المتكرر)	فائق السرعة ومحسن للأداء العالي وتوفير الذاكرة
التأثير على تحجيم المحاور	لا يغير حدود المحور الصادي تلقائياً	يوسع حدود المحاور (Autoscaling) لتشمل أطراف الخطوط

يوضح المثال البرمجي التالي كيفية تطبيق كلتا الدالتين جنباً إلى جنب لإبراز التباين الوظيفي بينهما:

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))

# التطبيق الأول: استخدام axvline كمعلم مرجعي لانهائي
ax1.plot(df['Day_Index'], df['Measurement'], color='#2C3E50')
ax1.axvline(x=50, color='#E74C3C', ls='--', lw=2, label='عتبة مرجعية (axvline)')
ax1.set_title('استخدام axvline (إحداثيات نسبية للمحور)')
ax1.legend()

# التطبيق الثاني: استخدام vlines لرسم متجهات بيانات محددة
sample_days = [10, 30, 50, 70, 90]
y_mins = [10, 15, 20, 25, 30]
y_maxs = [30, 45, 55, 40, 50]

ax2.plot(df['Day_Index'], df['Measurement'], color='lightgray', alpha=0.7)
ax2.vlines(x=sample_days, ymin=y_mins, ymax=y_maxs, color='#2980B9', lw=2.5, label='متجهات محددة (vlines)')
ax2.set_title('استخدام vlines (إحداثيات البيانات الحقيقية)')
ax2.legend()

plt.tight_layout()
plt.show()

10. رسم الخطوط العمودية داخل المخططات الفرعية (Subplots) والواجهة الموجهة للكائنات

10.1 التحول من واجهة pyplot الإجرائية إلى الواجهة الموجهة للكائنات (OOP)

في المشاريع البرمجية المتقدمة ولوحات التحكم الرسومية الاحترافية، يُعد الاعتماد على واجهة pyplot الإجرائية غير محبذ؛ نظراً لاعتمادها على مفهوم “المخطط الحالي النشط” (State-machine)، مما يرفع احتمالية حدوث أخطاء خلط العناصر عند بناء لوحات متعددة الأشكال. يُنصح دائماً بالتحول الكامل إلى النمط كائني التوجه (Object-Oriented Pattern – OOP).

في النمط الموجه للكائنات، يتم إنشاء كائن الشكل العام (Figure) وكائنات المحاور المستقلة (Axes) بشكل صريح عبر استدعاء fig, ax = plt.subplots(). في هذا السياق، نستبدل الدالة العامة plt.axvline بالتابع الكائني ax.axvline() الخاص بكائن المحور المعني. يوفر هذا الأسلوب عزلاً برمجياً تاماً، مما يضمن توجيه أوامر الرسم والتخصيص بدقة متناهية إلى المحور المستهدف دون أي تداخل غير مقصود.

يوضح الهيكل البرمجي التالي هذا النمط الموصى به برمجياً:

# النمط الكائني المعياري (OOP)
fig, ax = plt.subplots(figsize=(9, 5))

ax.plot(df['Day_Index'], df['Measurement'], color='#34495E', lw=2)
# استدعاء التابع مباشرة من كائن المحور ax
ax.axvline(x=42, color='#16A085', linestyle='--', linewidth=2, label='الحدث المستهدف')

ax.set_title('التطبيق بالنمط الموجه للكائنات (Object-Oriented API)', fontsize=13)
ax.set_xlabel('المحور الأفقي')
ax.set_ylabel('المحور الرأسي')
ax.legend()
plt.show()

10.2 إسقاط الخطوط العمودية عبر شبكات المخططات المتعددة (Subplot Grids)

تتطلب السيناريوهات التحليلية المعقدة في كثير من الأحيان فحص عدة متغيرات تابعة مرتبطة بنفس المحور الزمني جنباً إلى جنب داخل شبكة من المخططات الفرعية (Subplot Grid). يبرز التحدي هنا في كيفية إسقاط خط عمودي مرجعي موحد يخترق كافة المخططات الفرعية عند نفس اللحظة الزمنية لتحقيق التزامن البصري والمقارنة الفورية بين المؤشرات المختلفة.

لتحقيق ذلك بأعلى كفاءة، يتم إنشاء شبكة المحاور مع تفعيل خاصية مشاركة المحور السيني (sharex=True). يضمن هذا الربط البرمجي محاذاة كافة المحاور الفرعية أفقياً بدقة تامة. بعد ذلك، يمكن استخدام حلقة تكرارية بسيطة للمرور عبر مصفوفة كائنات المحاور axes وإسقاط التابع ax.axvline() في كل مخطط فرعي على حدة بنفس الإحداثي، مما يخلق تأثيراً بصرياً موحداً يشبه المسطرة المرجعية المخترقة لكامل اللوحة الرسومية.

يوضح المثال العملي التالي بناء لوحة متعددة المخططات متزامنة بالخطوط المرجعية:

# توليد متغير تابع إضافي للمقارنة
df['Secondary_Metric'] = np.cos(np.linspace(0, 4 * np.pi, 100)) * 20 + 30

# إنشاء شبكة من مخططين فرعيين مع مشاركة المحور السيني
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 8), sharex=True)

# رسم البيانات في المخطط الأول والثاني
ax1.plot(df['Day_Index'], df['Measurement'], color='#2980B9', lw=2, label='القياس التجريبي')
ax2.plot(df['Day_Index'], df['Secondary_Metric'], color='#8E44AD', lw=2, label='مؤشر الاستقرار')

event_day = 55
# إسقاط خط عمودي متزامن عبر المحاور الفرعية كلها
for ax in (ax1, ax2):
    ax.axvline(x=event_day, color='#C0392B', linestyle='--', linewidth=2, label='صدمة المنظومة (اليوم 55)')
    ax.legend(loc='upper right')
    ax.grid(True, alpha=0.3)

ax1.set_title('المتغير الأساسي', fontsize=12)
ax2.set_title('المتغير الثانوي المتزامن', fontsize=12)
ax2.set_xlabel('رقم اليوم المشترك', fontsize=11)

plt.tight_layout()
plt.show()

10.3 التعامل مع التواريخ والبيانات الزمنية في المحاور الفرعية

يواجه العديد من المطورين إشكاليات تقنية عند محاولة إسقاط خط عمودي فوق محور سيني يعتمد على التواريخ والوقت (Datetime Axis). ينشأ هذا التعقيد من أن Matplotlib يقوم داخلياً بتحويل كائنات التواريخ إلى أرقام عشرية عائمة تعبر عن عدد الأيام المنقضية منذ نقطة الصفر الزمنية للمكتبة (المعروفة بـ matplotlib.dates.date2num).

لتفادي أي أخطاء تحويلية أو انحرافات في موضع الخط، تتيح الإصدارات الحديثة من Matplotlib و Pandas تمرير كائنات التواريخ القياسية (مثل pd.Timestamp أو datetime.datetime أو حتى النصوص المنسقة بتنسيق قياسي 'YYYY-MM-DD') مباشرة إلى المعامل x في دالة axvline، بشرط أن يكون المحور السيني قد تم إنشاؤه في الأصل باستخدام كائنات زمنية حقيقية.

يوضح المثال التالي التعامل المباشر مع التواريخ الزمنية دون الحاجة لتحويلات يدوية معقدة:

fig, ax = plt.subplots(figsize=(10, 5))

# رسم البيانات بالاعتماد على عمود التواريخ التقويمية
ax.plot(df['Date'], df['Measurement'], color='#16A085', lw=2)

# إسقاط خط عمودي بتمرير كائن تاريخ صريح من Pandas
target_date = pd.to_datetime('2026-02-15')
ax.axvline(x=target_date, color='#D35400', linestyle='--', linewidth=2.5, label='تاريخ التحديث التقني (15 فبراير)')

# تنسيق ظهور التواريخ على المحور السيني
fig.autofmt_xdate()
ax.set_title('إسقاط الخطوط العمودية على المحاور الزمنية التقويمية', fontsize=13)
ax.set_xlabel('التاريخ التقويمي')
ax.set_ylabel('القيمة')
ax.legend()
plt.show()

11. تطبيقات متقدمة وسياقية: إبراز الفترات الزمنية وعتبات البيانات

11.1 إبراز نقاط التغير الهيكلي ونماذج الكشف عن الشذوذ

في ميدان النمذجة الإحصائية المتقدمة وتعلم الآلة، يُعد كشف نقاط التغير (Change-Point Detection) والكشف عن الشذوذ في السلاسل الزمنية (Anomaly Detection) من الركائز الأساسية للتحليل التنبؤي. عند تدريب خوارزميات مثل كشف الانحدار المتعدد أو خوارزميات التجميع الزمني، يحتاج المطور لوسيلة بصرية توضح اللحظات التي قررت فيها الخوارزمية حدوث تحول بنيوي في توزيع البيانات.

تخدم الخطوط العمودية هذا الغرض بدقة فائقة؛ حيث يمكن تلوين كل خط بلون يعبر عن احتمالية الشذوذ أو نوع التغير الهيكلي المكتشف (مثلاً: تغير في المتوسط مقابل تغير في التباين). يتيح هذا العرض المقارن للباحثين والمطورين تدقيق أداء النماذج الخوارزمية ومطابقة التنبؤات الرقمية مع المنحنيات الرسومية الفعلية للتحقق من خلوها من الإنذارات الخاطئة (False Positives).

يوضح المثال التالي إدراج نقاط التغير الهيكلي المكتشفة خوارزمياً داخل المخطط:

# تحديد نقاط تغير هيكلي مفترضة
change_points = [28, 62, 85]
confidences = [0.85, 0.95, 0.70]

plt.figure()
plt.plot(df['Day_Index'], df['Measurement'], color='#2C3E50', lw=1.5, label='الإشارة المراقبة')

# رسم خطوط التغير مع تعديل الشفافية والسماكة بناءً على مستوى ثقة النموذج
for cp, conf in zip(change_points, confidences):
    plt.axvline(x=cp, color='#C0392B', linestyle='--', linewidth=conf * 3,
                alpha=conf, label=f'تغير هيكلي عند اليوم {cp} (ثقة: {conf*100:.0f}%)')

plt.title('إبراز مخرجات نماذج كشف التغير الهيكلي (Change-Point Detection)', fontsize=14)
plt.xlabel('الأيام')
plt.ylabel('الاستجابة')
plt.legend(loc='lower right')
plt.show()

11.2 دمج الخطوط العمودية مع المدرجات التكرارية وتوزيعات الكثافة

لا يقتصر استخدام الخطوط العمودية على السلاسل الزمنية والمخططات الخطية، بل يمتد ليشكل عنصراً حيوياً في تحليلات التوزيعات الاحتمالية والمدرجات التكرارية (Histograms). عند فحص توزيع متغير مستمر، يُعد وضع خطوط عمودية تمثل الإحصاءات الوصفية الأساسية الوسيلة الأكثر فاعلية لتقييم شكل التوزيع ومطابقته النظرية.

من خلال رسم خط يمثل المتوسط الحسابي ($\bar{X}$)، وخط آخر يمثل الوسيط (Median)، وخطوط منقطة تمثل مضاعفات الانحراف المعياري ($\pm 1\sigma, \pm 2\sigma$) فوق المدرج التكراري، يستطيع المحلل فوراً تشخيص وجود التواء إيجابي أو سلبي في التوزيع. إذا انحرف خط المتوسط بشكل ملحوظ عن خط الوسيط، يُستدل بصرياً على وجود قيم شاذة تجذب التوزيع في أحد الاتجاهين، مما يوجه الباحث لاختيار الاختبارات المعلمية أو اللامعلمية المناسبة.

يوضح الكود التالي بناء مخطط توزيعي مكتمل المعالم الإحصائية:

# توليد عينة بيانات غير متماثلة (Log-normal distribution)
data_sample = np.random.lognormal(mean=2.5, sigma=0.5, size=1000)

mean_val = np.mean(data_sample)
median_val = np.median(data_sample)
std_val = np.std(data_sample)

plt.figure()
# رسم المدرج التكراري مع منحنى الكثافة
count, bins, ignored = plt.hist(data_sample, bins=40, density=True, color='#BDC3C7', alpha=0.7, edgecolor='white')

# إسقاط المعالم الإحصائية الوصفية بالخطوط العمودية
plt.axvline(mean_val, color='#E74C3C', linestyle='-', linewidth=2.5, label=f'المتوسط الحسابي ({mean_val:.2f})')
plt.axvline(median_val, color='#2980B9', linestyle='--', linewidth=2.5, label=f'الوسيط ({median_val:.2f})')
plt.axvline(mean_val + std_val, color='#27AE60', linestyle=':', linewidth=2, label=f'انحراف معياري (+1σ) ({mean_val+std_val:.2f})')
plt.axvline(mean_val - std_val, color='#27AE60', linestyle=':', linewidth=2, label=f'انحراف معياري (-1σ) ({mean_val-std_val:.2f})')

plt.title('تحليل التواء التوزيع الاحتمالي ومقاييس النزعة المركزية', fontsize=14)
plt.xlabel('قيمة المتغير')
plt.ylabel('الكثافة الاحتمالية')
plt.legend()
plt.show()

11.3 بناء مخططات التحكم الإحصائي في العمليات (SPC Charts)

تعتمد منهجيات إدارة الجودة الحديثة ومراقبة العمليات الإحصائية (Statistical Process Control – SPC) على مخططات التحكم (مثل مخططات شيوارت للعينات الفردية والمعدلات) لتقييم ما إذا كانت العملية الصناعية أو البرمجية تعمل في حالة استقرار إحصائي. تشكل الخطوط العمودية والأفقية معاً البنية الهيكلية لهذه المخططات.

في هذا السياق، تُستخدم الخطوط العمودية لترسيم حدود التحولات الإجرائية؛ مثل تغيير دفعات المواد الخام، أو ترقية البرمجيات الخادمة، أو استبدال طواقم العمل. عند دمج هذه الخطوط العمودية مع الخطوط الأفقية التي تمثل حدود التحكم العليا (Upper Control Limit – UCL) وحدود التحكم الدنيا (Lower Control Limit – LCL)، يصبح من السهل تحديد ما إذا كان التغير في استقرار العملية ناتجاً عن حيود عشوائي طبيعي أم عن التدخل الإجرائي المحدد بالخط العمودي.

يوضح النموذج التالي صياغة مخطط ضبط الجودة الإحصائي:

# محاكاة مؤشر جودة التصنيع
samples = np.arange(1, 61)
process_mean = 50.0
process_std = 1.5
measurements = np.random.normal(process_mean, process_std, 60)
# افتعال خلل بعد النقطة 40
measurements[40:] += np.linspace(0, 4, 20)

ucl = process_mean + 3 * process_std
lcl = process_mean - 3 * process_std

plt.figure()
plt.plot(samples, measurements, marker='o', color='#34495E', lw=1.5, markersize=5)

# خطوط التحكم الأفقية
plt.axhline(ucl, color='#C0392B', ls='--', lw=1.5, label='حد التحكم الأعلى (UCL)')
plt.axhline(process_mean, color='#27AE60', ls='-', lw=1.5, label='المتوسط المستهدف (CL)')
plt.axhline(lcl, color='#C0392B', ls='--', lw=1.5, label='حد التحكم الأدنى (LCL)')

# خط عمودي يحدد لحظة التدخل وصيانة الآلات
plt.axvline(x=40, color='#8E44AD', ls='-', lw=2.5, label='لحظة استبدال قالب الحقن (Sample 40)')

plt.title('مخطط التحكم الإحصائي في العمليات الصناعية (SPC Chart)', fontsize=14)
plt.xlabel('رقم العينة المتتابعة')
plt.ylabel('القياس الميكرومتري')
plt.legend(loc='upper left')
plt.show()

12. معالجة الأخطاء الشائعة وأفضل الممارسات البرمجية والأداء

12.1 استكشاف الأخطاء الشائعة وإصلاحها (Troubleshooting)

أثناء التطوير البرمجي باستخدام Matplotlib، قد يواجه المطورون سلوكيات غير متوقعة تؤدي إلى اختفاء الخطوط العمودية أو تشوه الشكل العام للمخطط. يلخص هذا القسم أهم هذه الإشكاليات البرمجية وسبل حلها الجذرية:

• وقوع الخط خارج النطاق المعروض (Out-of-Bounds Error): يحدث هذا عندما يتم تمرير قيمة x تقع خارج الحدود الدنيا أو القصوى للمحور السيني (مثلاً: x=150 بينما نطاق الرسم محدد بين 0 و 100). نظراً لأن axvline لا تغير حدود المحور السيني تلقائياً، فإن الخط يُرسم خارج النافذة المرئية ولا يظهر للقارئ. الحل: التأكد من ضبط حدود المحور السيني باستخدام plt.xlim() أو ax.set_xlim() لاستيعاب موضع الخط المرجعي.
• تمرير مصفوفات إلى axvline: يؤدي تمرير قائمة أو مصفوفة من الإحداثيات (مثل plt.axvline(x=[10, 20, 30])) إلى إطلاق خطأ برمجي (ValueError أو TypeError)؛ لأن الدالة مصممة هندسياً لاستقبال قيمة عددية فردية فقط. الحل: استخدام حلقة تكرارية للمرور على عناصر القائمة، أو التحول المباشر إلى استخدام دالة plt.vlines المخصصة للمصفوفات والمتجهات.
• ازدحام وسيلة الإيضاح بالعناصر المكررة: عند رسم عدة خطوط عمودية داخل حلقة تكرارية وتمرير نفس المعامل label='مرجع' في كل دورة، ستظهر الكلمة مكررة بعدد الدورات داخل صندوق وسيلة الإيضاح. الحل: إضافة شرط لتمرير label في الدورة الأولى فقط، أو استخدام نصوص تبدأ بشرطة سفلية _ لتجاهلها في الدورات اللاحقة.
• تعارض أنواع البيانات الزمنية (Datetime Incompatibility): محاولة رسم خط عمودي بتمرير نص تاريخ غير محول (مثل x='2026-02-01') فوق محور سيني يعتمد على أرقام الفهارس أو كائنات np.datetime64 دون تحويل متطابق. الحل: استخدام pd.to_datetime لتوحيد نمط البيانات عبر كافة عناصر المخطط.

12.2 أفضل الممارسات لتصميم رسومات بيانية أكاديمية واحترافية

يتطلب إنتاج أشكال ومخططات بيانية صالحة للنشر في المجلات العلمية المحكمة والمؤتمرات الدولية الامتثال لمجموعة من المعايير التحريرية والتصميمية الصارمة:

• الالتزام بمبدأ تقليل الحبر غير الضروري (Data-to-Ink Ratio): تجنب المبالغة في سماكة الخطوط أو استخدام ألوان فاقعة متعددة تشتت الانتباه عن المنحنيات الأساسية. اجعل الخط المرجعي رفيعاً، متقطعاً، وذا تباين ناعم متناسق مع الخلفية.
• تصدير الأشكال بدقة طباعية فائقة (High Resolution): عند حفظ المخططات النهائية للنشر، يجب دائماً استخدام معامل الدقة dpi=300 أو dpi=600 داخل دالة التصدير plt.savefig('figure.png', dpi=300, bbox_inches='tight')، أو التصدير بتنسيقات متجهة لا تفقد دقتها بالتكبير مثل PDF أو SVG أو EPS.
• توحيد الهوية البصرية ونمط الخطوط: احرص على استخدام نفس عائلة الخطوط وأحجام النصوص النسبية عبر جميع الأشكال داخل ورقتك البحثية، مع ضمان وضوح عناوين المحاور ووحدات القياس الفيزيائية أو الاقتصادية المستخدمة.
• استخدام التسميات المباشرة بدلاً من وسائل الإيضاح المعقدة: إذا كان المخطط يحتوي على خط مرجعي رئيسي واحد أو اثنين، فإن كتابة نص توضيحي مباشر فوق الخط يرفع قابلية القراءة ويختصر المساحة المستهلكة في وسيلة الإيضاح.

12.3 الخلاصة والتوصيات البرمجية للمطورين والباحثين

في الختام، يمثل رسم الخطوط العمودية في مكتبة Matplotlib أداة تحليلية واستدلالية متقدمة تتجاوز مجرد إضافة لمسات رسومية تجميلية. إن الفهم العميق للفرق بين الدوال المتاحة، والإدراك الدقيق لطبيعة أنظمة الإحداثيات النسبية والمطلقة، والتحول المنهجي نحو الواجهة كائنية التوجه (OOP)، يمنح المطورين والباحثين القدرة الكاملة على بناء أشكال بيانية تعبر عن البيانات بدقة متناهية وترتقي بالرسالة العلمية للبحث.

يوصى دائماً ببدء التطوير بتحديد طبيعة المتطلب التحليلي: هل هو خط مرجعي لانهائي لتقسيم المراحل (استخدم ax.axvline)، أم هو مجموعة ضخمة من المتجهات والقطع المستقيمة المستمدة من نقاط البيانات (استخدم ax.vlines)؟ كما ينبغي الحرص على توثيق الأكواد البرمجية، واختبار توافق الألوان مع معايير الوصول الشامل، لضمان إنتاج مخرجات بصرية تخدم العلم وصناعة القرار بأعلى درجات الموثوقية والوضوح.

References

• Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90–95. https://doi.org/10.1109/MCSE.2007.55
• McKinney, W. (2022). Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter (3rd ed.). O’Reilly Media. https://wesmckinney.com/book/
• Tufte, E. R. (2001). The Visual Display of Quantitative Information (2nd ed.). Graphics Press.
• Matplotlib Development Team. (2026). matplotlib.pyplot.axvline API Reference Manual. Matplotlib Documentation. https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.axvline.html
• Matplotlib Development Team. (2026). matplotlib.pyplot.vlines API Reference Manual. Matplotlib Documentation. https://matplotlib.org/stable/api/_as_gen/matplotlib.pyplot.vlines.html
• VanderPlas, J. (2016). Python Data Science Handbook: Essential Tools for Working with Data. O’Reilly Media. https://jakevdp.github.io/PythonDataScienceHandbook/
• Cleveland, W. S. (1993). Visualizing Data. Hobart Press.
• Montgomery, D. C. (2019). Introduction to Statistical Quality Control (8th ed.). John Wiley & Sons.