قمت بإجراء تحليل عميق لبيانات الأنشطة اليومية (مثل بيانات Bellabeat) باستخدام مكتبات بايثون الشهيرة (Pandas, Seaborn, Matplotlib) لاستخلاص الأنماط السلوكية والعلاقات بين المتغيرات.
1. مصفوفة الارتباط (Correlation Matrix):
تصميم خريطة حرارية (Heatmap) تفاعلية باستخدام مكتبة Seaborn.
تحليل قوة العلاقة بين المتغيرات المختلفة (مثل العلاقة القوية بين عدد الخطوات والسعرات المحروقة)، مما يساعد في تحديد العوامل الأكثر تأثيراً على النتائج.
2. تحليل العلاقة بين الخطوات والسعرات (Total Steps vs Calories):
إنشاء مخطط تشتت (Scatter Plot) يوضح العلاقة الطردية بين النشاط البدني واستهلاك الطاقة.
إضافة خطوط مرجعية (Reference Lines) لتحديد المستويات المستهدفة للخطوات والسعرات، مما يسهل عملية المقارنة وتحديد القيم الشاذة (Outliers).
3. توزيع مستويات النشاط (Distribution of Activity Levels):
استخدام المخططات الدائرية (Pie Charts) لتوضيح الحصص الزمنية لكل مستوى نشاط (نشيط جداً، خفيف، خامل).
كشف التحليل عن هيمنة "وقت الخمول" (Sedentary Minutes) بنسبة 83.3%، مما يعطي رؤية واضحة حول حاجة المستخدمين لزيادة النشاط البدني.
4. التحليل الإحصائي الوصفي (Descriptive Statistics):
استخدام دوال بايثون مثل df.describe() لاستخراج المتوسطات الحسابية، الانحرافات المعيارية، والقيم الدنيا والقصوى للبيانات.
معالجة البيانات وتنظيفها (Data Preprocessing) للتأكد من خلوها من الأخطاء قبل البدء في عملية التمثيل البصري.
