البرمجة (انجليزية)

 هدف المحاضرة / Lecture Goal

تمكين الطالب من استخراج المؤشرات الإحصائية الأساسية (المتوسط، الوسيط، الانحراف) لفهم الظواهر السياسية، وتحويل هذه النتائج إلى رسوم بيانية احترافية (Charts) تسهل عملية تحليل السياسات العامة وتقديم التقارير.

 توطئة (Preamble)

البيانات بدون تحليل هي مجرد ضجيج. بالنسبة للمحلل السياسي، القيمة الحقيقية تكمن في القدرة على تلخيص آلاف السجلات في أرقام ذات دلالة؛ فمعرفة "متوسط الدخل" أو "تشتت آراء الناخبين" هو ما يصنع الفرق في التخطيط السياسي. ومن ثم، يأتي "تصور البيانات" (Visualization) ليكون لغة التواصل مع الجمهور وصناع القرار، فكما يقال في علم البيانات: "الصورة البيانية الجيدة تغني عن ألف جدول".

1. الإحصاء الوصفي للسياسيين (Descriptive Statistics)

بدلاً من النظر إلى 58 ولاية بشكل منفرد، نطلب من بايثون إعطاءنا صورة إجمالية:

• المتوسط (Mean): يعطينا الانطباع العام (مثلاً: متوسط نسبة المشاركة في الانتخابات).

• الوسيط (Median): الرقم الذي يتوسط القائمة، وهو أدق من المتوسط في حالات وجود تفاوت كبير (مثل الفوارق الشاسعة في الثروة).

• الانحراف المعياري (Standard Deviation): يخبرنا بمدى "الاستقطاب"؛ فإذا كان كبيراً، فهذا يعني أن الآراء السياسية مشتتة جداً وغير متفقة.

2. تصور البيانات (Data Visualization)

نستخدم مكتبات مثل Matplotlib و Seaborn لتحويل النتائج إلى أشكال بصرية:

• المخطط الشريطي (Bar Chart): الأفضل للمقارنة بين الكيانات (مثلاً: عدد مقاعد كل حزب).

• المخطط الخطي (Line Chart): الأفضل لمراقبة التطور عبر الزمن (مثلاً: تطور نسبة التضخم عبر السنوات).

• المخطط الدائري (Pie Chart): لتوضيح الحصص والنسب (مثلاً: توزيع فئات الناخبين).

Lecture 8: 

1. Descriptive Statistics in Political Research

Raw data needs summarization to become information. We focus on:

• Mean: The average value (e.g., average turnout across regions).

• Median: The middle value, crucial when dealing with "skewed" data like income inequality.

• Standard Deviation: Measures "spread" or "polarization." A high deviation in survey results indicates a deeply divided public opinion.

2. The Art of Visualization

Political data visualization is about clarity and persuasion. We use Python to create:

• Bar Charts: Ideal for comparing categories (e.g., Comparing GDP across different countries).

• Line Graphs: Essential for trend analysis (e.g., Tracking a candidate's popularity over time).

• Histograms: To see the distribution of voters' ages or income levels.

💡 مثال تطبيقي برمجـي (Practical Python Example)

في هذا المثال، سنقوم بتلخيص بيانات افتراضية لنتائج انتخابات ورسمها:

import pandas as pd
import matplotlib.pyplot as plt

# 1. إنشاء بيانات بسيطة لنتائج الانتخابات
results = {
    'Party': ['Party A', 'Party B', 'Party C', 'Independent'],
    'Votes': [4500, 3200, 1500, 800]
}
df = pd.DataFrame(results)

# 2. الإحصاء الوصفي (وصف سريع للبيانات)
print(df['Votes'].describe())

# 3. رسم مخطط شريطي للمقارنة بين الأحزاب
df.plot(kind='bar', x='Party', y='Votes', color='skyblue')
plt.title('نتائج الانتخابات الافتراضية - Election Results')
plt.xlabel('الأحزاب')
plt.ylabel('عدد الأصوات')
plt.show()

 ملخص المحور الثاني 

بهذا نكون قد أغلقنا المحور الثاني. الطالب الآن قادر على:

1. جلب بيانات سياسية من ملفات حقيقية.

2. تنظيف البيانات وتنظيمها.

3. استخراج المؤشرات الإحصائية التي تشخص الحالة السياسية.

4. رسم خرائط ومخططات بيانية توضح النتائج بشكل احترافي.