كيفية إنشاء المخططات الدائرية في ggplot2 (مع أمثلة)

تُعد عملية تمثيل البيانات بصرياً إحدى الركائز الأساسية في دورة التحليل الإحصائي الحديث، حيث تلعب الرسوم البيانية دور الوسيط التواصلي الفعال بين الأرقام المجردة والإدراك البشري. وفي منظومة لغة البرمجة الإحصائية R، تتربع حزمة ggplot2 على عرش أدوات التصوير البياني، بفضل استنادها إلى نظرية بنيوية رصينة تُعرف باسم “قواعد بيانات الرسوميات” (The Grammar of Graphics). هذه الفلسفة تفصل بين طبقات البيانات، والتحويلات الإحصائية، ونظم الإحداثيات، والخصائص الجمالية، مما يمنح الباحثين والمحللين مرونة لا متناهية في صياغة الأشكال البيانية بما يتوافق مع المعايير الأكاديمية والنشر العلمي الرصين.

وعلى الرغم من الشهرة الواسعة التي تحظى بها المخططات الدائرية (Pie Charts) في التقارير الإدارية ووسائل الإعلام بوصفها أداة كلاسيكية لعرض النسب المئوية وعلاقة الجزء بالكل، إلا أن التعامل معها برمجياً داخل حزمة ggplot2 يتسم بخصوصية فريدة تثير دهشة العديد من المبتدئين والمحترفين على حد سواء. فالقارئ المتفحص لكتالوج دوال الحزمة لن يجد دالة نمطية مباشرة باسم geom_pie، بل يتطلب إنشاء المخطط الدائري فهماً عميقاً لكيفية تحويل المخطط الشريطي المستطيل إلى نظام إحداثي قطبي دائري عبر دالة coord_polar، وهو ما يجسد التجرد الرياضي والجمالي للحزمة.

يهدف هذا الدليل الشامل والموسع إلى تفكيك كافة الجوانب النظرية، والبرمجية، والتطبيقية المتعلقة بإنشاء، وتخصيص، وتحسين المخططات الدائرية والمخططات الحلقية (Donut Charts) في بيئة ggplot2. سنتناول في هذا المقال كافة المراحل بدءاً من تنظيف البيانات وإعادة هيكلتها، ومروراً بالتحكم الدقيق في الألوان، والخطوط، والوسوم النصية، وصولاً إلى دراسة الاعتبارات الإدراكية والسيكولوجية التي تحكم تفسير الدماغ البشري للمساحات والزوايا، مع استعراض أمثلة برمجية واقعية وحلول جذرية للأخطاء الشائعة لضمان إخراج رسوم بيانية على أعلى مستويات الجودة الاحترافية.

1. مقدمة إلى المخططات الدائرية وفلسفة حزمة ggplot2 في لغة R

1.1 المفهوم النظري للمخطط الدائري واستخداماته الإحصائية

المخطط الدائري هو تمثيل بياني إحصائي يُقسم دائرة كاملة تمثل القيمة الإجمالية (100% أو النسبة الكلية للبيانات) إلى قطاعات أو شرائح زاويّة، بحيث يتناسب طول قوس كل شريحة، وبالتالي زاويتها المركزية ومساحتها السطحية، طردياً مع الكمية أو النسبة المئوية التي تمثلها تلك الفئة من المجموع الكلي. يُستخدم هذا النوع من المخططات في المقام الأول لعرض توزيع المتغيرات الفئوية الاسمية (Nominal) أو الترتيبية (Ordinal) ذات المستويات المحدودة، حيث يكون الهدف التحليلي الرئيسي هو إبراز الحصص النسبية والمساهمة الجزئية لكل فئة في تكوين الكل الموحد.

في السياق الأكاديمي والبحثي، يُوظف التمثيل الدائري في تلخيص العينات الاستطلاعية وتوزيعات السمات الديموغرافية والمسوح الميدانية، كتمثيل توزيع العينة حسب النوع الاجتماعي، أو النسب القطاعية للإنفاق المالي، أو الحصص السوقية للشركات. ومع ذلك، يخضع استخدام المخطط الدائري لتدقيق منهجي مقارنة بالبدائل البيانية مثل المخططات الشريطية (Bar Charts)؛ فالأخيرة تعتمد على طول الأعمدة على خط أساس موحد، وهو ما يسهل المقارنة الدقيقة بين الفئات المتقاربة، بينما يتطلب المخطط الدائري حكماً بصرياً على الزوايا والمساحات التناسبية، مما يجعله أكثر ملاءمة للبيانات ذات الفروق الواضحة والعدد المحدود من الفئات.

1.2 فلسفة قواعد بيانات الرسوميات (Grammar of Graphics) وتطبيقها

تستند حزمة ggplot2 التي طورها هادلي ويكهام (Hadley Wickham) إلى الإطار النظري الذي وضعه ليلاند ويلكينسون (Leland Wilkinson) في كتابه التأسيسي “The Grammar of Graphics”. تقوم هذه الفلسفة على فكرة أن أي رسم بياني يمكن تفكيكه إلى عناصر بنائية طبقية تراكمية تشمل: مجموعة البيانات (Data)، والربط الجمالي (Aesthetic Mappings مثل الموضع، واللون، والشكل)، والأشكال الهندسية (Geometric Objects أو Geoms)، والتحويلات الإحصائية (Stats)، والمقاييس (Scales)، ونظم الإحداثيات (Coordinate Systems)، وأخيراً السمات التنسيقية (Themes).

من هذا المنظور البنيوي، لا يُعتبر المخطط الدائري شكلاً هندسياً مستقلاً بذاته، بل هو مجرد مخطط شريطي مكدس أحادي البعد (Stacked Bar) مرسوم في نظام إحداثيات ديكارتي مستطيل، ثم تم إخضاعه لتحويل رياضي قطبي يحني المحور الخطي ليتحول إلى دائرة كاملة. ولهذا السبب بالتحديد، تخلو حزمة ggplot2 عمداً من دالة تُدعى geom_pie؛ إذ إن إدراج مثل هذه الدالة كان سيكسر الاتساق المنطقي للقواعد التوليدية للرسوميات، ويحد من قدرة المحلل على استكشاف العلاقات الفراغية بين نظم الإحداثيات المختلفة.

1.3 الأهمية الإدراكية للتمثيل الدائري في العلوم السلوكية والنفسية

تخضع قراءة المخططات البيانية لمبادئ الإدراك البصري التي درستها مدرسة الجشطالت (Gestalt Psychology) وأبحاث المعالجة المعرفية للمعلومات. يمتلك العقل البشري قدرة فطرية على إدراك الشكل الدائري ككل موحد ومغلق، مما يعزز الفهم الفوري لمفهوم “الاكتمال” و”النسبة من الإجمالي”. ومع ذلك، تؤكد الدراسات السيكوفيزيائية أن دقة التمييز البصري البشري تتدرج تنازلياً: حيث يأتي الحكم على الموضع على مقياس موحد في المرتبة الأولى من حيث الدقة، يليه الحكم على الطول، ثم الزاوية، ثم الانحدار، وأخيراً المساحة والتشبع اللوني.

بناءً على ذلك، يواجه المتلقي صعوبة إدراكية حقيقية عند محاولة التمييز بين زاويتين متقاربتين (مثلاً شريحة بزاوية 32 درجة وأخرى بزاوية 35 درجة) داخل المخطط الدائري إذا لم تكن هناك وسوم رقمية مباشرة توضح الفارق. لذلك، يشترط في الاستخدام البحثي والسلوكي السليم للمخطط الدائري أن يكون التباين بين الفئات جلياً، وأن يقتصر عدد المتغيرات المعروضة على فئات قليلة لتفادي إجهاد الذاكرة البصرية قصيرة المدى، وتحقيق التوازن بين الجاذبية التوصيلية والدقة التحليلية.

2. تثبيت البيئة البرمجية وإعداد مجموعات البيانات

2.1 تهيئة بيئة العمل وتحميل الحزم الضرورية

لبدء العمل الاحترافي في لغة R، يتعين إعداد بيئة التطوير المتكاملة مثل RStudio والتأكد من تثبيت الحزم الأساسية المحدثة. تعد حزمة ggplot2 جزءاً لا يتجزأ من منظومة tidyverse، وهي مجموعة متناسقة من الحزم المصممة خصيصاً لتسهيل علوم البيانات وهندستها. لتثبيت الحزم واستدعائها في بداية الجلسة البرمجية، نستخدم الأوامر المعيارية التالية:

install.packages("tidyverse")
library(ggplot2)
library(dplyr)
library(scales)

يضمن استدعاء حزمة dplyr توفير أدوات متقدمة لمعالجة وتلخيص البيانات عبر المعامل الأنبوبي (Pipe Operator)، بينما تسهم حزمة scales في تنسيق الأرقام والنسب المئوية ومحاور الرسم بدقة واحترافية. كما يُفضل التحقق من توافق إصدارات الحزم لضمان عدم حدوث تعارضات برمجية أثناء عمليات التحويل القطبي والتنسيق الجمالي المتقدم.

2.2 إنشاء وهيكلة البيانات المدخلة في R

يتطلب البناء البرمجي السليم داخل R هيكلة البيانات في هيئة إطار بيانات مجدول (data.frame أو tibble)، بحيث يتضمن المتغيرات التصنيفية والمتغيرات الكمية المعبرة عن التكرارات أو الأوزان النسبية. لنفترض أننا بصدد دراسة توزيع شرائح السوق البرمجي أو تقييم استجابات استبيان بحثي؛ نقوم ببناء الإطار البياني يدوياً أو استيراده، مع الحرص على احتساب النسب المئوية الدقيقة:

market_data <- data.frame(
  category = c("الذكاء الاصطناعي", "الحوسبة السحابية", "الأمن السيبراني", "تحليل البيانات", "تطوير الويب"),
  count = c(450, 320, 210, 180, 140)
)

تتضمن مرحلة المعالجة المسبقة أيضاً التحقق من خلو البيانات من القيم المفقودة (NA) التي قد تشوه النسب المئوية المحسوبة، والتأكد من دمج الفئات النادرة أو شديدة الصغر ضمن فئة موحدة تحمل اسم “أخرى” (Other) لتجنب إنتاج شرائح مجهرية تعوق القراءة والتحليل.

2.3 تحويل البيانات إلى التنسيق المناسب للرسم (Tidy Data)

تقوم فلسفة البيانات المرتبة (Tidy Data) على قاعدة ذهبية: كل متغير يمثل عموداً، وكل مشاهدة تمثل صفاً، وكل نوع من الوحدات الرصدية يشكل جدولاً. لتهيئة البيانات لرسم المخطط الدائري، يجب حساب النسبة المئوية (Percentage) والتكرار التراكمي ومواضع الوسوم النصية مسبقاً باستخدام دوال mutate وsummarise التابعة لحزمة dplyr:

market_data <- market_data %>%
  mutate(
    fraction = count / sum(count),
    percent = fraction * 100,
    category = factor(category, levels = category)
  )

إن تحويل المتغيرات النصية إلى عوامل تصنيفية مرتبة (Factors) يُعد خطوة جوهرية لا غنى عنها، حيث يسمح بالتحكم الصارم في ترتيب ظهور الشرائح داخل المخطط الدائري وفي وسيلة الإيضاح (Legend)، بدلاً من الترتيب الأبجدي التلقائي الذي قد يشتت التسلسل المنطقي للأهمية الإحصائية للفئات.

3. الآلية الهيكلية لإنشاء مخطط دائري أساسي في ggplot2

3.1 بناء المخطط الشريطي أحادي العمود كقاعدة تحويل

تتمثل الخطوة الأولى والجوهرية لإنشاء مخطط دائري في ggplot2 في بناء مخطط شريطي مكدس يتألف من عمود رأسي واحد فقط. في هذا المخطط المبدئي، نقوم بربط المتغير التصنيفي بخاصية التعبئة اللونية fill، وتعيين القيمة العددية على المحور الرأسي y، مع ضبط المحور الأفقي x ليكون قيمة ثابتة فارغة مثل x = "" أو x = 1.

يتم استخدام الدالة الهندسية geom_bar() مع تمرير المعامل stat = "identity" (أو استخدام الدالة المكافئة geom_col()) لإجبار الحزمة على استخدام القيم العددية الفعلية الموجودة في الجدول كأطوال للشرائط بدلاً من حساب التكرارات آلياً. كما يتم تعيين المعامل width = 1 لضمان أن يملأ العمود الشريطي كامل المساحة الأفقية المخصصة له، مما يمنع تكوّن فراغات أو فجوات داخلية عند إتمام عملية الطي والتحويل الإحداثي الدائري.

3.2 تطبيق التحويل القطبي باستخدام دالة coord_polar

بعد إرساء قاعدة المخطط الشريطي المكدس، نأتي إلى المرحلة السحرية التي تحول هذا العمود المستطيل إلى دائرة كاملة متسقة عبر إضافة طبقة التحويل الإحداثي coord_polar(). تستقبل هذه الدالة المعامل الحاسم theta = "y"، والذي يعطي تعليمات صريحة لمحرك الرسم بلف وتدوير المحور الرأسي y (الذي يحتوي على القيم التراكمية للفئات) حول نقطة المركز الدائرية بزاوية 360 درجة كاملة (ما يعادل 2π بالتقدير الدائري).

يقوم هذا التحويل بربط بداية العمود الشريطي بنهايته، بحيث تتحول الارتفاعات الخطية إلى مساحات قطاعية وزوايا مركزية متناسبة بدقة متناهية مع قيم المتغيرات. إن فهم هذه الآلية يزيل اللبس المتكرر حول كيفية بناء الرسوم الدائرية في R، ويبرهن على القوة الرياضية الكامنة في البنية الطبقية لحزمة ggplot2، حيث تصبح كافة الأشكال الدائرية والمروحية مجرد اشتقاقات هندسية من أصول ديكارتية بسيطة.

3.3 استعراض الكود البرمجي الأساسي وتحليل مخرجاته

دعنا نترجم هذا التسلسل المنطقي إلى شيفرة برمجية تنفيذية متكاملة لإنتاج المخطط الدائري الأساسي، وملاحظة المخرجات الأولية الناتجة:

basic_pie <- ggplot(market_data, aes(x = "", y = count, fill = category)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y")

print(basic_pie)

عند تنفيذ هذه الأسطر البرمجية، سنحصل على مخطط دائري مقسم حسب الفئات الخمس، ولكن بمظهر أولي يحتوي على العديد من الشوائب التصميمية؛ مثل وجود شبكة خلفية رمادية ذات خطوط دائرية وإشعاعية، وعلامات ترقيم لمحور الإحداثيات المستطيل القديم، وعناوين محاور غير ملائمة (مثل المتغير الفارغ للمحور السيني). هذا المخرج الأساسي يفي بالغرض الرياضي لكنه يفتقر إلى المعايير الجمالية الاحترافية، وهو ما يقودنا مباشرة إلى مرحلة التنقية والتحسين البصري.

4. تحسين المظهر الجمالي وإزالة العناصر غير المرغوبة

4.1 تطبيق القالب الشفاف theme_void لتبسيط الرسم

يُعد القالب التنسيقي theme_void() الخيار الأمثل والحل السحري لمعالجة التشوهات البصرية الملازمة للمخططات الدائرية المولدة حديثاً في ggplot2. يقوم هذا القالب التلقائي بتجريد لوحة الرسم تماماً من كافة العناصر الهيكلية الزائدة، بما في ذلك الخلفية الرمادية الافتراضية، وخطوط الشبكة الرئيسية والثانوية، ومحاور الإحداثيات، وتدريجات الأرقام المحيطية.

إن تبسيط الرسم عبر theme_void() ينبع من مبدأ تقليل “نسبة الحبر إلى البيانات” (Data-Ink Ratio) الذي وضعه إدوارد توفتي (Edward Tufte)، الرائد في مجال تصميم الرسوم الإحصائية. فالخطوط المشتتة لا تقدم أي قيمة إخبارية في المخطط الدائري، بل تزيد من الحمل المعرفي (Cognitive Load) على القارئ، وتصرف انتباهه عن تحليل الحصص والنسب النسبية للقطاعات المدروسة.

4.2 تخصيص مكونات المظهر عبر دالة theme المتقدمة

على الرغم من فعالية القالب الفارغ، قد يحتاج الباحث إلى تخصيص دقيق لبعض العناصر دون غيرها باستخدام دالة theme() متعددة الخيارات. توفر هذه الدالة إمكانية تصفير أو تعديل عناصر بعينها باستخدام الدالة المساعدة element_blank()، مثل إخفاء نصوص المحاور axis.text = element_blank()، وعلامات التجزئة axis.ticks = element_blank()، وخطوط اللوحة panel.grid = element_blank().

بالإضافة إلى ذلك، تتيح دالة theme() التحكم الكامل في موقع وسيلة الإيضاح وتنسيقها؛ إذ يمكن نقلها إلى أسفل المخطط عبر legend.position = "bottom" أو إلى الجانب الأيمن، أو حتى إدراجها داخل الفضاء الفارغ للرسم إذا كان المخطط يسمح بذلك. كما يمكن تعديل هوامش الرسم (Plot Margins) لضمان عدم اقتطاع حواف الدائرة أثناء العرض أو الحفظ النهائي.

4.3 إدارة العناوين والبيانات الوصفية

لا يكتمل المخطط البياني الموجه للنشر دون بيانات وصفية واضحة ومحددة سياقياً. يتم التحكم في النصوص التفسيرية من خلال دالة labs()، حيث نحدد العنوان الرئيسي للرسم title، والعنوان الفرعي المكمل subtitle، والتذييل المخصص لذكر مصدر البيانات caption، مع ضرورة تفريغ تسميات المحاور المستقلة صراحة عبر تمرير x = NULL و y = NULL لمنع ظهور أسماء الأعمدة المشوهة حول محيط الدائرة.

refined_pie <- basic_pie +
  theme_void() +
  labs(
    title = "توزيع الحصص السوقية للقطاعات التقنية",
    subtitle = "بيانات الربع السنوي الأخير لعام 2024",
    caption = "المصدر: استطلاع الرأي السنوي للمطورين",
    fill = "القطاع التقني"
  ) +
  theme(
    plot.title = element_text(face = "bold", size = 16, hjust = 0.5),
    plot.subtitle = element_text(size = 12, hjust = 0.5, margin = margin(b = 10)),
    plot.caption = element_text(size = 9, color = "gray30", hjust = 0),
    legend.position = "right"
  )

5. إضافة وتخصيص التسميات النصية والنسب داخل الشرائح

5.1 حساب المواضع الهندسية للنصوص باستخدام position_stack

تتمثل إحدى أهم العقبات التقنية في رسم المخططات الدائرية في وضع الوسوم النصية والنسب المئوية بدقة في منتصف كل قطاع زاوي. تعتمد حزمة ggplot2 على محاذاة التراكب لتحديد مواضع الكائنات النصية داخل الطبقات، ويتم ذلك بكفاءة عالية عبر استخدام الدالة المساعدة position_stack(vjust = 0.5) داخل الطبقة الهندسية geom_text().

يعمل المعامل vjust = 0.5 على حساب منتصف المسافة التراكمية لكل شريحة على طول المحور الرأسي قبل طيه، مما يضمن ظهور الرقم النصي في المركز الهندسي الدقيق لكل قطاع بعد تطبيق التحويل القطبي. من الضروري الانتباه إلى أن ترتيب تراكم الشرائح في geom_bar يجب أن يتطابق بدقة مع ترتيب الكائنات في geom_text، وإلا ستحدث إزاحة كارثية تُسند فيها نسب الفئات الكبرى إلى الشرائح الصغرى والعكس صحيح.

5.2 إدراج النصوص والنسب المئوية باستخدام geom_text

لإدراج القيم المئوية المصاغة بصورة احترافية، ندمج بين طبقة geom_text() والدوال التنسيقية من حزمة scales. تتيح دالة percent() تحويل الكسور العشرية مباشرة إلى نسب مئوية مع التحكم في عدد الخانات العشرية ورمز النسبة %، مما يوفر دقة متناهية وأناقة في العرض:

pie_with_labels <- ggplot(market_data, aes(x = "", y = fraction, fill = category)) +
  geom_bar(stat = "identity", width = 1, color = "white") +
  coord_polar(theta = "y") +
  geom_text(
    aes(label = percent(fraction, accuracy = 0.1)),
    position = position_stack(vjust = 0.5),
    color = "white",
    fontface = "bold",
    size = 4.5
  ) +
  theme_void()

في الحالات التي تحتوي فيها البيانات على قطاعات متناهية الصغر، قد يؤدي تمركز النصوص داخل الشرائح إلى تداخلها وتشوه المقروئية. هنا يبرز دور الحزمة الإضافية المتقدمة ggrepel عبر دالتها geom_text_repel()، والتي تقوم بدفع النصوص المتزاحمة خارج حدود الدائرة تلقائياً وربطها بشرائحها عبر خطوط إرشادية أنيقة ودقيقة.

5.3 إدراج تسميات الفئات المزدوجة (الاسم والنسبة معاً)

تتمثل إحدى أفضل الممارسات التصميمية في التخلص التدريجي من وسيلة الإيضاح الخارجية المستقلة (Legend)، ودمج اسم الفئة التصنيفية مع نسبتها المئوية في وسم نصي واحد يُطبع مباشرة فوق الشريحة أو بجوارها. يُسهم هذا النهج في القضاء على “تأثير الانقسام الانتباهي” (Split-Attention Effect)، حيث لا يضطر القارئ إلى نقل بصره ذهاباً وإياباً بين ألوان الشرائح وصندوق الشرح الجانبي لفك شفرة البيانات.

market_data <- market_data %>%
  mutate(
    combined_label = paste0(category, "n", percent(fraction, accuracy = 0.1))
  )

direct_label_pie <- ggplot(market_data, aes(x = "", y = fraction, fill = category)) +
  geom_bar(stat = "identity", width = 1, color = "white", show.legend = FALSE) +
  coord_polar(theta = "y") +
  geom_text(
    aes(label = combined_label),
    position = position_stack(vjust = 0.5),
    color = "white",
    size = 4,
    lineheight = 0.85
  ) +
  theme_void()

6. التحكم المتقدم في لوحات الألوان والتناسق البصري

6.1 استخدام لوحات الألوان المخصصة scale_fill_manual

يعد الاختيار المتقن للألوان عاملاً حاسماً في إبراز مصداقية البحث وجماليته. تتيح دالة scale_fill_manual() للباحث فرض لوحة ألوان محددة بدقة عبر إدخال رموز الألوان السداسية العشرية (HEX Codes)، مما يسمح بالتطابق التام مع الهوية البصرية المؤسسية أو المعايير الصارمة للدوريات العلمية المرموقة.

علاوة على البعد الجمالي، يجب مراعاة معايير سهولة الوصول البصري، خاصة للأشخاص الذين يعانون من اضطرابات رؤية الألوان (Color Vision Deficiency / عمى الألوان). إن استخدام مجموعات لونية متمايزة في السطوع والتشبع، وتجنب الخلط المباشر بين الأخضر والأحمر، يضمن وصول الرسالة الإحصائية لكافة فئات القراء دون لبس أو غموض.

يمكن أيضاً الاعتماد على لوحات الألوان الأكاديمية القياسية المستندة إلى أبحاث سينثيا بروير عبر دالة scale_fill_brewer()، والتي تقدم حزماً لونية مصممة خصيصاً للبيانات النوعية (Qualitative) والترتيبية والتقاربية:

pie_brewer <- direct_label_pie +
  scale_fill_brewer(palette = "Set2")

6.2 تطبيق التدرجات اللونية المستمرة للمتغيرات الرتبية

عندما تكون البيانات المعروضة ذات طبيعة ترتيبية متدرجة (مثل مستويات الرضا من “منخفض جداً” إلى “مرتفع جداً”، أو الفئات العمرية المتصاعدة)، يصبح استخدام لوحات الألوان الفئوية العشوائية خطأً منهجياً. في هذه الحالة، يتعين استخدام تدرجات لونية مستمرة أو أحادية اللون (Monochromatic Gradients) عبر دوال مثل scale_fill_gradient() أو scale_fill_viridis_d().

تساعد هذه التدرجات اللونية المنظمة القارئ على ربط الكثافة والسطوع اللوني بالقيمة الإحصائية بصورة تلقائية، حيث تشير الدرجات الداكنة عادةً إلى القيم الأعلى أو الأكثر كثافة، بينما تعبر الدرجات الفاتحة عن المستويات الأقل، مما يخلق انسجاماً بصرياً ومنطقياً يعزز تدفق المعلومات بسلاسة داخل التقرير التحليلي.

6.3 تخصيص حدود وهوامش الشرائح الدائرية

يؤدي غياب الفواصل البصرية بين الشرائح المتجاورة ذات الألوان المتقاربة إلى تداخل المساحات وصعوبة التحديد الدقيق لبداية ونهاية كل قطاع، لاسيما عند طباعة الرسوم في وسائط ورقية أحادية اللون أو منخفضة الجودة. للتغلب على هذه المعضلة، يُنصح بشدة بإضافة خطوط حدودية واضحة تفصل بين القطاعات.

يتحقق ذلك بتمرير المعامل color = "white" أو color = "gray20" مع ضبط سمك الخط عبر linewidth = 0.8 داخل دالة geom_bar(). تعمل هذه الحدود كفواصل كنتورية حادة تزيد من التباين المكاني (Spatial Contrast) وتمنح المخطط مظهراً هندسياً منسقاً وعصرياً يسهل تتبع زواياه بدقة فائقة.

7. ترتيب الشرائح وضبط زوايا الانطلاق والدوران

7.1 إعادة ترتيب الفئات ترتيباً تصاعدياً أو تنازلياً

إن الترتيب العشوائي للشرائح الدائرية يُعد من أسوأ الممارسات في التصوير البياني؛ إذ يشتت انتباه القارئ ويجبره على القفز البصري غير المنتظم للمقارنة بين الأحجام. تقتضي القواعد الاحترافية فرز البيانات تنازلياً بحيث تبدأ الدائرة بأكبر شريحة وتتدرج نزولاً حتى أصغر شريحة، مع استثناء فئة “أخرى” التي يجب وضعها دائماً في نهاية المطاف بغض النظر عن حجمها النسبي.

توفر حزمة forcats المدمجة في tidyverse دالة بالغة القوة تُدعى fct_reorder()، والتي تتيح إعادة ترتيب مستويات العامل التصنيفي تلقائياً وفقاً للقيم العددية للمتغير الكمي المقترن بها:

market_data <- market_data %>%
  arrange(desc(count)) %>%
  mutate(category = factor(category, levels = rev(category)))

7.2 التحكم في نقطة بداية الرسم باستخدام المعامل start

بشكل افتراضي، تبدأ حزمة ggplot2 برسم الشريحة الأولى عند موضع الساعة الثانية عشرة (أعلى الدائرة) إذا تم ضبط التوجيه بدقة، أو عند زاوية الصفر على المحور الأفقي الأيمن (موضع الساعة الثالثة) وفق النظام المثلثي التقليدي. يتيح المعامل start داخل دالة coord_polar() إمكانية تدوير نقطة بداية الرسم بالراديان (Radians) لضبط الاتجاه بالشكل الأمثل.

إذا أردنا جعل الشريحة الكبرى تبدأ تماماً من قمة الدائرة (موضع الساعة 12:00)، نقوم بضبط المعامل ليكون start = 0 أو تطبيق إزاحة زاوية مناسبة حسب عدد الشرائح وترتيبها. هذا التوجيه الرأسي يتوافق مع العادات القرائية للمجتمعات الإنسانية، حيث تتجه الأعين غريزياً إلى أعلى المركز كنقطة انطلاق طبيعية لمسح المحتوى الدائري وفق اتجاه حركة عقارب الساعة.

7.3 عكس اتجاه رسم الشرائح (اتجاه عقارب الساعة مقابل العكس)

يمكن التحكم في المسار الدوراني للشرائح عبر تعديل معامل الاتجاه direction داخل coord_polar(). يقبل هذا المعامل قيمتين أساسيتين: القيمة direction = 1 للرسم وفق التتابع المعياري، أو direction = -1 لعكس اتجاه التراكم ليدور عكس اتجاه عقارب الساعة.

في معظم التطبيقات العلمية والإدارية، يُفضل دائماً اعتماد الدوران في اتجاه عقارب الساعة (Clockwise)، حيث يعكس هذا النمط الطبيعي لقراءة الساعات والمؤشرات الميكانيكية التناظرية، مما يقلل من الجهد الذهني المبذول في استيعاب التسلسل التنازلي أو التصاعدي للشرائح المعروضة.

8. إنشاء وتخصيص المخطط الحلقي أو المجوف (Donut Chart)

8.1 الأساس الرياضي والبرمجي لتحويل المخطط الدائري إلى مجوف

المخطط الحلقي، أو ما يُعرف بمخطط الدونات (Donut Chart)، هو تنويع بصري أنيق على المخطط الدائري التقليدي، حيث يتم تفريغ مركزه الهندسي ليتحول إلى حلقة دائرية مفرغة. من الناحية الرياضية والبرمجية في ggplot2، يتحقق هذا المظهر من خلال تعديل نطاق المحور الأفقي المستقل x وتوسيعه إلى خارج نقطة الصفر المركزية.

بدلاً من تثبيت x = ""، نقوم بتعيين قيمة عددية لموضع الشريحة مثل aes(x = 2, y = count)، ثم نضيف طبقة تحديد النطاق الإحداثي xlim(0.5, 2.5). يؤدي هذا التوسيع إلى إزاحة بداية رسم الشريط المكدس بعيداً عن المركز بمقدار المسافة الممتدة بين 0 و 0.5، مما يخلق التجويف الدائري الأوسط بدقة متناهية ودون الحاجة إلى دوال إضافية معقدة.

8.2 إدراج معلومات إحصائية تلخيصية في المركز الفارغ

تتمثل الميزة الاستراتيجية الكبرى للمخطط الحلقي في إمكانية استغلال المساحة المركزية الفارغة لعرض مؤشرات أداء رئيسية (KPIs)، أو ذكر حجم العينة الإجمالي (N)، أو تدوين النسبة المئوية للفئة المستهدفة الرئيسية بخط عريض، وذلك باستخدام دالة الإضافة النصية المباشرة annotate():

donut_chart <- ggplot(market_data, aes(x = 2, y = fraction, fill = category)) +
  geom_bar(stat = "identity", width = 0.8, color = "white") +
  coord_polar(theta = "y", start = 0) +
  xlim(0.5, 2.5) +
  annotate("text", x = 0.5, y = 0, label = paste0("الإجماليn", sum(market_data$count)),
           size = 5, fontface = "bold", color = "gray20") +
  theme_void() +
  scale_fill_brewer(palette = "Pastel1")

8.3 المزايا التصميمية للمخطط المجوف في التقارير البحثية

من منظور علم النفس الإدراكي، يقدم المخطط المجوف ميزة بصرية تتفوق في بعض الجوانب على المخطط الدائري المصمت؛ إذ إن تفريغ المركز يقلل من تركيز العين البشرية على الزوايا المركزية الحادة، ويوجه الانتباه مباشرة نحو مقارنة “أطوال الأقواس الخارجية” (Arc Lengths).

تمنح هذه الخاصية المخطط الحلقي جاذبية حداثية فائقة وتجعله مفضلاً في لوحات التحكم التفاعلية (Dashboards) والتقارير التنفيذية والملصقات العلمية للمؤتمرات، حيث يجمع بين كفاءة المساحة والقدرة على دمج طبقات معلوماتية متعددة في حيز مكاني مدمج ومركّز.

9. التعامل مع المجموعات المتعددة وتطبيق التجزئة (Faceting)

9.1 توليد مخططات دائرية متعددة باستخدام facet_wrap

تعد التجزئة الشبكية (Faceting) إحدى أقوى ميزات حزمة ggplot2، حيث تسمح بتقسيم مجموعة البيانات الكلية إلى لوحات فرعية متعددة بناءً على متغير تصنيفي ثانوي (مثل مقارنة النسب عبر السنوات، أو بين المجموعات التجريبية والضابطة، أو عبر التقسيمات الجغرافية). يتم تطبيق ذلك بسهولة فائقة عبر إضافة دالة facet_wrap(~ group_variable) إلى كود المخطط الدائري الأساسي.

يتيح المعامل ncol و nrow داخل facet_wrap تنظيم ترتيب المصفوفة البصرية، مع الحفاظ الصارم على توحيد المقاييس اللونية عبر كافة الدوائر الفرعية، مما يضمن اتساق المقارنة المباشرة بين المجموعات المختلفة دون حدوث التباس في دلالات الألوان.

9.2 استخدام دالة facet_grid للمقارنات المتقاطعة المعقدة

عند الحاجة إلى دراسة توزيع النسب المئوية تحت تأثير متغيرين تصنيفيين مستقلين في آن واحد (مثل تحليل الاستجابات مقسمة حسب الفئة العمرية على الصفوف ونوع الجنس على الأعمدة)، تبرز دالة facet_grid(rows ~ cols) كأداة لا غنى عنها لإنشاء مصفوفة رسوم دائرية متقاطعة الأبعاد.

تضمن هذه الشبكة التحليلية توفير رؤية شمولية للعلاقات التفاعلية المعقدة بين المتغيرات متعددة المستويات، مع إمكانية ضبط هوامش اللوحات وعناوين التجزئة (Strip Text) لضمان وضوح التصنيف الأكاديمي الدقيق لكل خلية في المصفوفة البيانية.

9.3 التحديات الإدراكية لمقارنة المخططات الدائرية المتعددة

على الرغم من القوة البرمجية لخاصية التجزئة، إلا أن المقارنة البصرية للمخططات الدائرية المتعددة تفرض تحديات إدراكية جسيمة على المتلقي. فمقارنة مساحات القطاعات والزوايا المتناظرة عبر دوائر منفصلة مكانياً تتطلب جهداً ذهنياً مضاعفاً ونقلاً مستمراً للتركيز البصري، وهو ما يقلل من دقة استخلاص الفروق الإحصائية الدقيقة بين المجموعات.

في مثل هذه السيناريوهات التحليلية المقارنة، توصي أدبيات التصوير الإحصائي باستبدال شبكة المخططات الدائرية بمخططات شريطية مجمعة (Grouped Bar Charts) أو مخططات شريطية مقسمة ومكدسة بنسبة 100% (100% Stacked Bar Charts)؛ حيث تتيح الأعمدة محاذاة الفئات على خط أساس مشترك، مما يرفع من كفاءة وسرعة المعالجة الإدراكية للأرقام المعروضة بدرجة ملحوظة.

10. الاعتبارات الإدراكية والتطبيقية في المخططات الدائرية

10.1 علم النفس المعرفي وقراءة الزوايا والمساحات

يخضع إدراك المساحات والزوايا لقانون ستيفنز السيكوفيزيائي للقدرة (Stevens’ Power Law)، والذي يوضح أن الإدراك البشري للمثيرات البصرية غير خطي؛ حيث يميل الدماغ إلى التقليل من التقدير الحقيقي للمساحات السطحية المتزايدة مقارنة بتقديره للأطوال الخطية المستقيمة. يترتب على ذلك انحياز بصري مستمر يجعل القارئ يقدر أحجام القطاعات الدائرية بدرجات متفاوتة بناءً على اتجاه وميل الشريحة داخل الفضاء الدائري.

علاوة على ذلك، أظهرت الدراسات التجريبية في الرؤية الحاسوبية والإدراك أن الألوان ذات السطوع العالي والتشبع اللوني القوي تجعل الشرائح تبدو أكبر حجماً بصرياً مقارنة بشرائح مطابقة لها في المساحة تماماً ولكنها ملونة بألوان داكنة أو باهتة. يتطلب هذا الفهم السلوكي من الباحث التزام الحياد التام في توزيع التباين اللوني لمنع توجيه انتباه القارئ أو تضليله إحصائياً دون قصد.

10.2 العدد المثالي للشرائح وتأثير الزحام المعلوماتي

تتفق الجمعيات الإحصائية العالمية والمراجع الأكاديمية على أن المخطط الدائري يفقد وظيفته الاتصالية تماماً إذا زاد عدد الفئات المعروضة عن 5 إلى 7 فئات كحد أقصى مطلق. إن تجاوز هذا الحد يقود مباشرة إلى ظاهرة “الزحام المعلوماتي” (Visual Clutter)، حيث تتقلص زوايا القطاعات إلى شرائح خيطية يستحيل تمييزها بصرياً أو إدراج وسوم نصية واضحة داخلها.

للتعامل المنهجي مع المتغيرات ذات المستويات التصنيفية المتعددة، يتعين على المحلل تطبيق استراتيجية التلخيص والتجميع المسبق؛ وذلك بالإبقاء على أكبر 4 أو 5 فئات رئيسية فقط، ودمج كافة الفئات الصغرى المتبقية في شريحة تجميعية واحدة تُسمى “فئات أخرى”، مما يحافظ على بساطة التمثيل البصري وتركيزه التحليلي.

10.3 معايير الاختيار الدقيق بين المخطط الدائري والمخطط الشريطي

لكي يكون قرار استخدام المخطط الدائري مبرراً علمياً ومنهجياً، يجب توافر الشروط الصارمة التالية مجتمعة:

• أن يكون الهدف الأساسي هو إبراز علاقة الجزء بالكل بصورة فورية ومباشرة.
• أن تُمثل البيانات مجموعاً كلياً مغلقاً وكاملاً بنسبة 100% تماماً.
• أن تكون القيم المعروضة موجبة حصراً وخالية تماماً من الأرقام السالبة.
• أن يكون عدد الفئات محدوداً جداً (أقل من 7 فئات)، مع وجود تباين ملموس في الأحجام النسبية.

في المقابل، يجب استبعاد المخطط الدائري واللجوء فوراً إلى المخططات الشريطية إذا كان الهدف هو مقارنة دقيقة بين قيم عددية متقاربة، أو تتبع التغيرات عبر الزمن (Time Series)، أو عند التعامل مع متغيرات ذات مستويات فئوية متعددة.

11. الأخطاء البرمجية والتصميمية الشائعة وطرق تجنبها

11.1 أخطاء التراكب الإحداثي وحساب النسب

من الأخطاء البرمجية الأكثر شيوعاً بين مستخدمي ggplot2 عند محاولة رسم مخطط دائري هو إهمال ضبط المحور الأفقي كقيمة ثابتة فارغة (مثل نسيان كتابة x = "" وتركيب aes(x = category, y = count) مباشرة مع coord_polar()). يؤدي هذا الخطأ إلى رسم دوائر متحدة المركز أو أشكال مروحية مشوهة ومفتوحة (Coxcomb Plots) بدلاً من المخطط الدائري المطلوب.

الخطأ الشائع الآخر يتمثل في إدخال بيانات تمثل نسباً مئوية مستقلة لا يبلغ مجموعها 100% (كما في الأسئلة متعددة الخيارات التي تسمح باختيار أكثر من إجابة)، أو محاولة تمرير قيم سالبة إلى دالة التحويل القطبي، وهو ما ينتج عنه رسوم بيانية مضللة رياضياً وخرق صريح للمنطق الإحصائي الأساسي لعلاقة الجزء بالكل.

11.2 مشكلات التسميات المتداخلة وضعف المقروئية

تنشأ أزمة المقروئية عند محاولة فرض طباعة النصوص والنسب المئوية داخل شرائح بالغة الصغر، مما يؤدي إلى تراكب الكلمات فوق بعضها البعض وخروجها عن حدود الدائرة. لتفادي هذا التشوه، يُنصح بتطبيق تصفية شرطية على الوسوم النصية بحيث لا تُطبع الأرقام إلا للشرائح التي تتجاوز نسبة معينة (مثلاً fraction > 0.05)، بينما تُنقل الفئات الصغرى إلى وسيلة إيضاح خارجية.

كما يجب تجنب استخدام خطوط طباعية ذات أحجام ثابتة مفرطة الضخامة دون مراعاة أبعاد لوحة الإخراج، والحرص دائماً على اختيار تباين لوني كافٍ بين لون الخط ولون خلفية الشريحة لضمان سهولة القراءة السريعة تحت ظروف الإضاءة والطباعة المختلفة.

11.3 الأخطاء التنسيقية المشوهة للبيانات

يأتي استخدام المخططات الدائرية ثلاثية الأبعاد (3D Pie Charts) أو الرسوم ذات الزوايا المنظورية المائلة في مقدمة المحظورات التصميمية في النشر العلمي الرصين. تتسبب المؤثرات البصرية ثلاثية الأبعاد في تشويه هندسي حاد؛ حيث تبدو الشرائح القريبة من مقدمة الرسم أكبر مساحة بكثير من الشرائح الخلفية حتى لو كانت متطابقة أو أصغر منها عددياً، مما يمثل خداعاً بصرياً مرفوضاً تماماً.

يضاف إلى ذلك خطأ الإفراط اللوني واستخدام ألوان صارخة شديدة التنافر دون مسوغ وظيفي، أو ترك الشرائح مرتبة أبجدياً بدلاً من الترتيب المنطقي التنازلي، مما يحول الرسم البياني من وسيلة للاستبصار والتحليل إلى لوحة مشتتة تعيق التفكير النقدي واستخلاص النتائج.

12. تطبيقات ودراسات حالة عملية متكاملة في R

12.1 دراسة حالة: توزيع استجابات مقياس نفسي متعدد الفئات

لتطبيق كافة المفاهيم المتقدمة التي تم استعراضها، سنقوم ببناء دراسة حالة تطبيقية متكاملة لتمثيل نتائج استبيان يقيس مستوى “الرضا عن بيئة العمل الأكاديمية” لعينة من 1250 باحثاً. سنقوم بتنظيف البيانات، وحساب النسب بدقة، وترتيب الفئات منطقياً، وتطبيق لوحة ألوان احترافية مع وسوم نصية مدمجة متباينة:

# 1. إعداد مصفوفة البيانات النفسية
psych_survey <- data.frame(
  response = c("راضٍ جداً", "راضٍ", "محايد", "غير راضٍ", "غير راضٍ تماماً"),
  count = c(420, 510, 180, 95, 45)
)

# 2. المعالجة الإحصائية وحساب الإحداثيات
psych_survey <- psych_survey %>%
  mutate(
    fraction = count / sum(count),
    percent_label = percent(fraction, accuracy = 0.1),
    response = factor(response, levels = rev(response))
  )

# 3. بناء وتنسيق المخطط الدائري النهائي
final_publication_pie <- ggplot(psych_survey, aes(x = "", y = fraction, fill = response)) +
  geom_bar(stat = "identity", width = 1, color = "white", linewidth = 1) +
  coord_polar(theta = "y", start = 0) +
  geom_text(
    aes(label = paste0(response, "n", percent_label)),
    position = position_stack(vjust = 0.5),
    color = "white",
    fontface = "bold",
    size = 4.2
  ) +
  scale_fill_manual(values = c(
    "راضٍ جداً" = "#1b7837",
    "راضٍ" = "#7fbf7b",
    "محايد" = "#d9d9d9",
    "غير راضٍ" = "#af8dc3",
    "غير راضٍ تماماً" = "#762a83"
  )) +
  theme_void() +
  theme(
    plot.title = element_text(face = "bold", size = 15, hjust = 0.5, margin = margin(b = 10)),
    plot.caption = element_text(size = 9, color = "gray40", hjust = 0),
    legend.position = "none"
  ) +
  labs(
    title = "مستويات الرضا الوظيفي للباحثين الأكاديميين (N = 1250)",
    caption = "البيانات مستقاة من المسح الدوري لضمان الجودة 2024"
  )

print(final_publication_pie)

12.2 دراسة حالة: تصدير الرسوم بجودة نشر أكاديمية عالية

إنتاج مخطط بياني متقن داخل بيئة RStudio لا يكتمل إلا بتصديره بصيغ رسومية فائقة الدقة تتوافق مع المتطلبات الصارمة للمجلات والدوريات العالمية المحكمة. توفر حزمة ggplot2 دالة التصدير المعيارية ggsave()، والتي تتيح التحكم الدقيق في كثافة النقاط في البوصة (DPI)، والأبعاد الهندسية بالسنتيمتر أو البوصة، وصيغة الملف المخرج:

ggsave(
  filename = "figures/Figure1_Job_Satisfaction.pdf",
  plot = final_publication_pie,
  width = 7,
  height = 7,
  units = "in",
  dpi = 600
)

يُفضل دائماً تصدير الرسوم بالصيغ المتجهية (Vector Formats) مثل PDF أو EPS أو SVG، حيث تحتفظ هذه الصيغ بجودتها الرياضية المطلقة دون فقدان الحدة عند التكبير والطباعة على مساحات واسعة. أما في حال الرغبة في التصدير بصيغة نقطية (Raster)، فإن صيغتي TIFF و PNG بدقة لا تقل عن 300 DPI تُعدان المعيار الذهبي المعتمد لدى كبرى دور النشر الأكاديمية مثل Elsevier و Springer Nature.

12.3 بناء دالة مخصصة قابلة لإعادة الاستخدام لإنشاء المخططات الدائرية

لتحقيق أقصى درجات الكفاءة البرمجية وتجنب تكرار كتابة الكود عبر المشاريع التحليلية المختلفة، يمكن بناء دالة مخصصة (Custom Function) تستقبل إطار البيانات وأسماء الأعمدة المعنية، وتتكفل بكافة العمليات الحسابية والتحويلات الإحداثية والتنسيقية آلياً:

create_publication_pie <- function(data, cat_var, val_var, title_text = "") {
  cat_sym <- ensym(cat_var)
  val_sym <- ensym(val_var)
  
  df_processed <- data %>%
    group_by(!!cat_sym) %>%
    summarise(total = sum(!!val_sym), .groups = 'drop') %>%
    mutate(
      fraction = total / sum(total),
      label = paste0(!!cat_sym, "n", scales::percent(fraction, accuracy = 0.1)),
      !!cat_sym := factor(!!cat_sym, levels = rev(!!cat_sym))
    )
  
  ggplot(df_processed, aes(x = "", y = fraction, fill = !!cat_sym)) +
    geom_bar(stat = "identity", width = 1, color = "white", linewidth = 0.8, show.legend = FALSE) +
    coord_polar(theta = "y", start = 0) +
    geom_text(aes(label = label), position = position_stack(vjust = 0.5), fontface = "bold", size = 4) +
    scale_fill_brewer(palette = "Set3") +
    labs(title = title_text) +
    theme_void() +
    theme(plot.title = element_text(face = "bold", hjust = 0.5, size = 14, margin = margin(b = 10)))
}

تتيح هذه الأتمتة البرمجية دمج الدالة بسلاسة داخل تقارير R Markdown وبيئات Quarto، مما يتيح توليد تقارير دورية ديناميكية قابلة للتكرار العلمي (Reproducible Research) بضغطة زر واحدة كلما تم تحديث البيانات المصدرية.

خاتمة

استعرضنا في هذا الدليل التأسيسي الشامل المسار الكامل لإنشاء وتخصيص المخططات الدائرية والمجوفة في بيئة ggplot2 بلغة R. ومن خلال تفكيك فلسفة “قواعد بيانات الرسوميات”، تبين لنا بوضوح كيف يتحول المخطط الشريطي البسيط إلى تمثيل قطبي دائري عالي الدقة والمرونة عبر دالة coord_polar، دون الحاجة إلى دوال مغلقة أو قوالب جامدة.

إن الإتقان الحقيقي للتصوير البياني لا يتوقف عند حدود كتابة الشيفرة البرمجية السليمة فحسب، بل يمتد إلى استيعاب المحددات الإدراكية والسيكولوجية للمتلقي، والاختيار الواعي للوحات الألوان وسهولة الوصول البصري، والفرز المنطقي الدقيق للشرائح. ومع الالتزام بالمعايير الإحصائية وتجنب الممارسات التضليلية، تصبح المخططات الدائرية والمجوفة أداة تواصلية رصينة تُثري التقارير التحليلية والأوراق البحثية، وتجعل من لغة الأرقام تجربة بصرية ملهمة ودقيقة.

References

• Cleveland, W. S., & McGill, R. (1984). Graphical perception: Theory, experimentation, and application to the development of graphical methods. Journal of the American Statistical Association, 79(387), 531–554. https://doi.org/10.1080/01621459.1984.10478080
• Spence, I. (2005). No humble pie: The origins and usage of a statistical chart. Journal of Educational and Behavioral Statistics, 30(4), 353–368. https://doi.org/10.3102/10769986030004353
• Tufte, E. R. (2001). The visual display of quantitative information (2nd ed.). Graphics Press.
• Wickham, H. (2010). A layered grammar of graphics. Journal of Computational and Graphical Statistics, 19(1), 3–28. https://doi.org/10.1198/jcgs.2009.07098
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis (2nd ed.). Springer-Verlag New York. https://ggplot2-book.org/
• Wilkinson, L. (2005). The grammar of graphics (2nd ed.). Springer Science & Business Media. https://doi.org/10.1007/0-387-28695-0