تحليل بيانات 406 سيارة حقيقية من UCI لدراسة كفاءة استهلاك الوقود باستخدام Python

مشروع تحليل بيانات متكامل لمجموعة البيانات الشهيرة Auto MPG من مستودع UCI للتعلم الآلي، والتي تحتوي على 406 سيارة حقيقية من الولايات المتحدة وأوروبا واليابان خلال الفترة من 1970 إلى 1982. مصدر البيانات: UCI Machine Learning Repository - بيانات حقيقية موثقة تستخدم عالمياً في أبحاث تحليل البيانات وتعلم الآلة. هدف التحليل: دراسة العوامل المؤثرة على كفاءة استهلاك الوقود (MPG)، ومقارنة أداء السيارات بين الدول المصنعة الكبرى خلال حقبة مهمة شهدت أزمة النفط العالمية. المشاكل التي عالجتها: - قيم مفقودة في عمود Miles_per_Gallon (8 قيم) - قيم مفقودة في عمود Horsepower (6 قيم) - أخطاء إملائية في أسماء الشركات المصنعة (chevy، toyouta، maxda) - تحويل صيغ التواريخ لاستخراج السنة مراحل التنفيذ: 1. فحص جودة البيانات وتحديد نقاط الضعف 2. معالجة القيم المفقودة باستخدام الوسيط الإحصائي 3. توحيد أسماء الشركات المصنعة 4. هندسة متغيرات جديدة (نسبة القوة للوزن، العقد الزمني) 5. تحليل الارتباط بين المتغيرات الميكانيكية 6. إنشاء 7 تصورات بصرية متنوعة 7. كتابة تقرير بالنتائج والرؤى التاريخية أبرز النتائج: - السيارات اليابانية الأعلى كفاءة: متوسط 30.45 ميل/جالون - السيارات الأمريكية الأقل كفاءة: متوسط 20.08 ميل/جالون (50% أقل) - الوزن هو العامل الأكبر تأثيراً على الكفاءة (ارتباط -0.83) - السيارات الأمريكية أثقل بـ 1,150 رطل في المتوسط - تحسن ملحوظ في الكفاءة بعد أزمة النفط 1974 لجميع الدول - السيارات ذات 4 أسطوانات تستهلك نصف وقود السيارات ذات 8 أسطوانات 🔹 القيمة المضافة: التحليل يربط بين الأرقام والسياق التاريخي، موضحاً كيف أثرت أزمة النفط على صناعة السيارات العالمية وكيف تكيفت الشركات المختلفة معها. الأدوات المستخدمة: Python, Pandas, NumPy, Matplotlib, Seaborn, Jupyter Notebook التسليمات: - Jupyter Notebook كامل بالكود والشرح - 7 رسوم بيانية احترافية (Box plots, Violin plots, Correlation heatmap, Scatter plots) - ملف البيانات النظيف - تقرير نهائي بالنتائج - الكود الكامل مع التوثيق على GitHub