منشئ الاستبيانات

الاستبيانات في كل مكان ، نماذج التغذية الراجعة، أبحاث السوق، تقييمات الدورات ، وخلف كل منها محرك مُنظَّم: أنواع الأسئلة، التحقق، الفروع الشرطية، والتحليل. يبني هذا المشروع ذلك المحرك من الصفر: مجموعة فئات بايثون تمثل أنواع الأسئلة المختلفة (اختيار متعدد، مقاييس تقييم، نص مفتوح)، ومحرك يُرتب الأسئلة بالمنطق التشعبي، وخط pandas يحوّل الاستجابات الخام إلى رسوم تكرارية وتقاطعات.

يُفترض أساسيات بايثون تشمل الفئات والقوائم والقواميس، ومعرفة input() ، لا شيءeyond ذلك. هذا اختياري وغير مُقيَّم؛ راجع المشاريع الواقعية للقائمة الكاملة المتنامية.

🎯 ما ستفعله

1. نمذجة أنواع أسئلة مختلفة (اختيار متعدد، مقياس تقييم، نص مفتوح) كفئات بايثون بتحقق مشترك وسلوك تشعبي.
2. بناء محرك Survey يُرتب الأسئلة ويُطبّق قواعد الفروع ويجمع الاستجابات.
3. محاكاة بيانات استجابة واقعية عندما لا يكون input() مفيدًا للتشغيل الآلي.
4. تحويل الاستجابات إلى DataFrame حسابات pandas وتوزيعات التكرار والمتوسطات والتقاطعات.
5. إنشاء رسوم أعمدة وخريطة حرارية تجعل نتائج الاستبيان سهلة التفسير بلمحة.

أين تُشغّل هذا

يعمل هذا المشروع في أغلب الأماكن تقريبًا ، pandas و matplotlib بايثون نقية، والجزء التفاعلي الوحيد هو input() الذي يعمل في أي طرفية.

JupyterLite playground يعمل جيدًا ، الصق الخلايا مباشرة في دفتر. ستحتاج إلى !pip install pandas matplotlib في خلية أولًا. لاحظ أن input() يعمل بشكل مختلف في الدفتر عن الطرفية ، وظيفة simulate_responses() في الخطوة 3 موجودة جزئًا لهذا السبب.

Google Colab يعمل مباشرة ، المكتبتان مُثبّتتان مسبقًا، و input() يعمل أصليًا في الدفاتر.

محليًا باستخدام uv هو المسار المُوصى به لتشغيل حلقة التفاعل الحقيقية (الخطوة 2) حيث يسألك input() سؤالًا بسؤال ، اتبع قسم الإعداد أدناه.

• شغّله في المتصفح. هناك دفتر ملاحظات تفاعلي جاهز ، افتحه على Colab أو Kaggle أو Binder وتابع خطوة بخطوة.

الإعداد

كل ما تحتاجه قبل كتابة سؤال استبيان.

ثبّت uv

uv أداة واحدة تحل محل سلسلة “تثبيت بايثون، ثم تثبيت pip، ثم تثبيت أداة البيئة الافتراضية، ثم تثبيت الحزم” ، يمكنها تثبيت وإدارة إصدارات بايثون نفسها، بالإضافة إلى تبعيات مشروعك.

macOS / Linux (طرفية):

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows (PowerShell):

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

أغلق وأعد فتح طرفتك، ثم تأكد من التثبيت:

uv --version

أعد إعداد المشروع

uv init survey-builder
cd survey-builder
uv add pandas matplotlib

pandas يحوّل الاستجابات الخام إلى DataFrame منظّم للإحصائيات والتقاطعات؛ matplotlib يُنتج الرسوم البيانية. كلاهما بايثون نقية (مع NumPy تحتها)، فتثبّت بوضوح مع uv.

✅ قائمة التحقق

• ✅ uv --version طبع رقم إصدار.
• ✅ survey-builder/ موجود بملف pyproject.toml، و pandas و matplotlib مُثبّتتان.
• ✅ uv run python -c "import pandas, matplotlib; print('all good')" طبع all good.

الخطوة 1: حدد أنواع الأسئلة

استبيان ليس نموذجًا واحدًا ، بل سلسلة من الأسئلة المختلفة، لكل منها صيغة إدخاله وقواعد التحقق وسلوكه التشعبي. نمذجة كل نوع كفئة تتيح لك مشاركة الأجزاء المشتركة (العرض، التحقق، الفروع) في فئة أساسية مع تخصيص التفاصيل لكل نوع.

1.1 أنشئ فئة Question الأساسية وفئتين فرعيتين

from dataclasses import dataclass, field
from typing import Any, Optional

@dataclass
class Question:
    text: str
    required: bool = True
    branch_rules: dict[str, str] = field(default_factory=dict)

    def display(self) -> None:
        print(f"\n  {self.text}")

    def validate(self, answer: Any) -> bool:
        return True

    def next_question_id(self, answer: Any) -> Optional[str]:
        return self.branch_rules.get(str(answer))

@dataclass
class MultipleChoice(Question):
    options: list[str] = field(default_factory=list)

    def display(self) -> None:
        print(f"\n  {self.text}")
        for i, opt in enumerate(self.options, 1):
            print(f"    {i}. {opt}")

    def validate(self, answer: str) -> bool:
        return answer in [str(i) for i in range(1, len(self.options) + 1)]

@dataclass
class RatingScale(Question):
    low_label: str = "Poor"
    high_label: str = "Excellent"
    scale_min: int = 1
    scale_max: int = 5

    def display(self) -> None:
        print(f"\n  {self.text}")
        print(f"    {self.scale_min} ({self.low_label}) — {self.scale_max} ({self.high_label})")

    def validate(self, answer: str) -> bool:
        try:
            return self.scale_min <= int(answer) <= self.scale_max
        except ValueError:
            return False

mc = MultipleChoice("How often do you exercise?", options=["Daily", "Weekly", "Monthly", "Rarely"])
rating = RatingScale("How satisfied are you?", low_label="Not at all", high_label="Very")
mc.display()
rating.display()
print(f"MC valid '2': {mc.validate('2')} | Rating valid '6': {rating.validate('6')}")

👟 تلميح البداية : فئة Question الأساسية تفعل فقط ما هو مشترك بين كل سؤال: تخزين النص، التحقق (بساطة، True)، والبحث عن قاعدة فرعية. MultipleChoice و RatingScale تُوريثان منها وتُنفّذان display() و validate() ، نمط الوراثة الذي يتيح لمحرك Survey التعامل مع كل سؤال بنفس الطريقة. لاحظ أن branch_rules قاموس يربط الإجابة بمعرف السؤال التالي.

🎯 الناتج المتوقع :

  How often do you exercise?
    1. Daily
    2. Weekly
    3. Monthly
    4. Rarely

  How satisfied are you?
    1 (Not at all) — 5 (Very)
MC valid '2': True | Rating valid '6': False

🩹 إذا لم يعمل : إذا أعاد MultipleChoice.validate('2') قيمة False، تحقق أن options يحتوي على عنصرين على الأقل ، التحقق يبني range(1, len(options)+1). إذا أعاد RatingScale.validate('6') قيمة True، ف scale_max لا يُطبّق ، تأكد من تحويل int(answer) وترتيب مقارنة <=.

1.2 تحقق من فئات الأسئلة

✅ قائمة التحقق

• ✅ MultipleChoice.validate("2") تساوي True، و validate("5") تساوي False لسؤال بأربعة خيارات.
• ✅ RatingScale.validate("3") تساوي True، و validate("0") و validate("6") كلتاهما False.
• ✅ يمكنك تفسير لماذا تحفظ MultipleChoice الخيارات كقائمة نصوص بدلاً من أعداد صحيحة.

🤔 سؤال (أسئلة) سقراطي(ة)

• فئة RatingScale تحفظ scale_min و scale_max كسمات فئة بقيم افتراضية. إذا أردت مقياس 1–10، ماذا ستضبط عند التهيئة ، وهل سيحتاج validate إلى التغيير؟
• MultipleChoice.validate يبني قائمة الإجابات الصحيحة من len(self.options). ماذا يحدث إذا كان لديك 10 خيارات ، هل سيحتاج كود التحقق إلى التغيير، أم أنه يت_scale تلقائيًا؟ لماذا؟

الخطوة 2: أنشئ محرك الاستبيان

Question بمعزل عنها خاملة. فئة Survey تُرتبها، وتُطبّق قواعد الفروع لتحديد السؤال التالي، وتجمع الإجابات في كائن SurveyResponse واحد يمكنك تحليله لاحقًا.

2.1 أنشئ فئتي Survey و SurveyResponse

from dataclasses import dataclass
from typing import Any, Optional

@dataclass
class SurveyResponse:
    survey_title: str
    answers: dict[str, Any]
    timestamp: str = ""

    def __post_init__(self):
        if not self.timestamp:
            from datetime import datetime
            self.timestamp = datetime.now().isoformat()

class Survey:
    def __init__(self, title: str):
        self.title = title
        self.questions: dict[str, Question] = {}
        self.order: list[str] = []

    def add_question(self, q_id: str, question: Question) -> None:
        self.questions[q_id] = question
        self.order.append(q_id)

    def run(self) -> SurveyResponse:
        print(f"\n  Survey: {self.title}")
        answers: dict[str, Any] = {}
        idx = 0
        while idx < len(self.order):
            q_id = self.order[idx]
            question = self.questions[q_id]
            question.display()
            while True:
                answer = input("  Your answer: ").strip()
                if not question.required and answer == "":
                    break
                if question.validate(answer):
                    answers[q_id] = answer
                    break
                print("  Invalid answer, please try again.")
            branch = question.next_question_id(answer)
            idx = self.order.index(branch) if branch and branch in self.questions else idx + 1
        print("  Thank you for completing the survey!")
        return SurveyResponse(survey_title=self.title, answers=answers)

👟 تلميح البداية : حلقة while idx < len(self.order) تسير عبر الأسئلة بالترتيب. بعد كل إجابة، تبحث عن next_question_id(answer) ، إذا قالت قواعد الفروع “الإجابة 2 تقفز إلى السؤال ‘followup’”، يقفز الفهرس إلى هناك؛ وإلا يتقدم واحدًا. SurveyResponse.__post_init__ يضع طابعًا زمنيًا عندما لا يُقدم واحد ، فئات البيانات تُنفّذ __post_init__ مباشرة بعد __init__، وهو المكان المعتاد للمنطق المعتمد على القيم الافتراضية.

🎯 الناتج المتوقع : تشغيل Survey("Health Survey").run() يُسأل سؤالًا بسؤالًا ويعيد SurveyResponse بالإجابات المجمّعة وطابعًا زمنيًا.

🩹 إذا لم يعمل : إذا علق المحرك في حلقة لا نهائية، فالغالب أن branch يشير إلى معرف سؤال غير موجود في self.questions ، احتياطي else idx + 1 يعمل فقط عندما يكون الفرع None أو غير موجود، فمعرف مكتوب خطأ في branch_rules يتسبب في تكرار السؤال نفسه. إذا أخطأ input() فورًا في دفتر، فأنت في خلية غير تفاعلية ، استخدم نهج المحاكاة من الخطوة 3 بدلاً من ذلك.

2.2 تحقق من محرك الاستبيان

✅ قائمة التحقق

• ✅ Survey.run() يكمل ويعيد SurveyResponse بمفاتيح تتطابق مع معرفات أسئلتك.
• ✅ سؤال مطلوب يتلقى إجابة غير صحيحة يُطلب منك إجابتك مجددًا، لا يقبل أبدًا المدخلات الخاطئة.
• ✅ سؤال اختياري (required=False) يقبل إجابة فارغة.

🤔 سؤال (أسئلة) سقراطي(ة)

• يستخدم المحرك حلقة while idx < len(self.order) بدلاً من حلقة for عبر self.order. لماذا تحتاج while عندما يمكن لتعليمات الفرع تقفيّم الفهرس إلى الأمام أو الخلف؟
• إذا كان سؤالان بنفس النص المعروض لكن بمعرفين مختلفين، كيف سيميز سجل الاستبيان بينهما؟ ماذا يوحي هذا لماذا يجب أن تكون معرفات الأسئلة فريدة؟

الخطوة 3: اجمع الاستجابات ، مباشرة ومحاكاة

الاستبيانات الحقيقية تحتاج إلى استجابات كثيرة، لكن تشغيل input() 30 مرة في طرفية غير عملي. تبني هذه الخطوة المسارين: حلقة تستدعي survey.run() للجمع المباشر، ودالة simulate_responses() تولّد استجابات عشوائية واقعية حتى لا يعتمد التحليل على شخص يجلس أمام لوحة مفاتيح.

3.1 اجمع الاستجابات المباشرة

def collect_responses(survey: Survey, count: int) -> list[SurveyResponse]:
    responses = []
    for i in range(count):
        print(f"\n--- Participant {i + 1} of {count} ---")
        responses.append(survey.run())
    return responses

3.2حاكي الاستجابات للتحليل الآلي

def simulate_responses() -> list[dict]:
    import random
    return [{
        "exercise_freq": str(random.choice([1, 2, 3, 4])),
        "satisfaction": str(random.randint(1, 5)),
        "recommend": str(random.choice([1, 2, 3, 4, 5])),
        "feedback": random.choice(["Great service", "Needs improvement", "Excellent", "Could be better"]),
    } for _ in range(30)]

responses = simulate_responses()
print(f"Collected {len(responses)} simulated responses")

👟 تلميح البداية : collect_responses هو المسار المباشر ، استدعِه بـ Survey وعدد وشغّل الاستبيان تلك المرات، كل منها يُنتج SurveyResponse. simulate_responses هو المسار الآلي ، يستخدم random لتوليد 30 إجابة مرجحة بنفس المفاتيح التي تُنتجها أسئلة استبيانك. يجب أن تتطابق المفاتيح مع معرفات أسئلتك تمامًا، وإلا لن يجد خط pandas الأعمدة الصحيحة.

🎯 الناتج المتوقع :

Collected 30 simulated responses

🩹 إذا لم يعمل : إذا أعاد random.choice([1, 2, 3, 4]) عددًا صحيحًا من numpy يكسر الكود التالي، فالقيم محفوظة كنصوص (str(...)) ، هذا مقصود. إذا رأيت KeyError عند بناء DataFrame لاحقًا، فاستجابة محاكاة مفقودة منها مفتاح تُنتجه أسئلة استبيانك ، تحقق من تطابق مفاتيح simulate_responses مع معرفات أسئلتك.

3.3 تحقق من جمع الاستجابات

✅ قائمة التحقق

• ✅ simulate_responses() تعيد قائمة من 30 قاموسًا، كل منها بنفس الأربعة مفاتيح.
• ✅ قيم كل استجابة نصوص ( ليست أعدادًا صحيحة)، تتطابق مع ما تُنتجه Survey.run() من input().
• ✅ collect_responses تُنتج قائمة كائنات SurveyResponse عند تمرير Survey حقيقي.

🤔 سؤال (أسئلة) سقراطي(ة)

• تُحفظ الاستجابات كنصوص ("2", "4") رغم تمثيلها لأرقام. لماذا هذا يطابق الواقع ، ماذا يُعيد input()، وكيف يحفظ التخزين الخام المعلومات؟
• simulate_responses تستخدم random.choice لكل شيء. كيف سيبدو التوزيع إذا استخدمت random.randint(1, 4) بدلاً من random.choice([1, 2, 3, 4])؟ كيف سيتغيّر التحليل؟

الخطوة 4: حلل النتائج بـ pandas

البيانات مجمّعة ، الآن تحتاج أن تصبح رؤية. تحول هذه الخطوة قائمة الاستجابات إلى DataFrame، وتربط الإجابات الرقمية الخام بتصنيفات مقروءة، وتحسب توزيعات التكرار والمتوسطات التي تُجيب على أسئلة مثل “كم مرة يمارس الناس الرياضة؟” و “كم راضون في المتوسط؟”

4.1 حوّل إلى DataFrame واحسب الإحصائيات

import pandas as pd

df = pd.DataFrame(responses)

freq_map = {"1": "Daily", "2": "Weekly", "3": "Monthly", "4": "Rarely"}
df["exercise_label"] = df["exercise_freq"].map(freq_map)
exercise_counts = df["exercise_label"].value_counts()
satisfaction_counts = df["satisfaction"].value_counts().sort_index()

print("Exercise Frequency:")
print(exercise_counts)
print(f"\nAverage Satisfaction: {df['satisfaction'].astype(int).mean():.2f}")

👟 تلميح البداية : pd.DataFrame(responses) يحوّل قائمة قواميس إلى صفوف وأعمدة تلقائيًا. .map(freq_map) يحوّل "1" الخام إلى النص المقروء "Daily" ، هذه خطوة البحث/إعادة الترميز الكلاسيكية في تحليل الاستبيانات. value_counts() يعدّ كم مرة تظهر كل قيمة، و df[...].astype(int).mean() يحسب المتوسط الرقمي بتحويل عمود النصوص إلى أعداد صحيحة أولًا.

🎯 الناتج المتوقع :

Exercise Frequency:
Daily         <count>
Weekly        <count>
Monthly        <count>
Rarely        <count>
Name: exercise_label, dtype: int64

Average Satisfaction: <number between 1.0 and 5.0>

🩹 إذا لم يعمل : KeyError: 'exercise_freq' يعني أن responses لا يحتوي على هذا العمود ، تحقق من تطابق مفاتيح simulate_responses مع exercise_freq، satisfaction إلخ تمامًا. إذا كان exercise_counts فارغًا، ف value_counts() وجد فقط قيم NaN ، تحقق مما إذا كان df["exercise_freq"] None أو NaN في بعض الصفوف. إذا فشل .astype(int)، فقيمة استجابة ليست نصًا صحيحًا ، تحقق من وجود مسافات أو أحرف إضافية.

4.2 ابنِ جدول تقاطعي

cross_tab = pd.crosstab(df["exercise_label"], df["satisfaction"])
print("\nExercise Frequency vs Satisfaction:")
print(cross_tab)

🎯 الناتج المتوقع : جدول بـ 4 صفوف و5 أعمدة، كل خلية فيه عدد المستجيبين بذلك التكرار الرياضي وتلك درجة الرضا.

🩹 إذا لم يعمل : إذا أعاد pd.crosstab خطأ حول فهارس مكررة، فقد يكون لديك تصنيفات رياضية مكررة ، غير محتمل مع map نظيف، لكن تحقق من وجود أخطاء إملائية في freq_map. إذا كان الجدول يحتوي خلايا NaN، ف pd.crosstab يتعامل مع التجميعات الفارغة كـ 0 افتراضيًا ، تأكد من أنك لا تنظر إلى بيانات مفقودة بدلاً من عدّ فعلي صفري.

4.3 تحقق من التحليل

✅ قائمة التحقق

• ✅ pd.DataFrame(responses) يُنشئ DataFrame بنفس المفاتيح كأعمدة.
• ✅ exercise_counts يُظهر توزيع تكراري عبر أربعة تصنيفات ، لا ينقص أي تصنيف عندما يكون ممثلًا في البيانات.
• ✅ pd.crosstab(df["exercise_label"], df["satisfaction"]) يُنتج جدولًا غير تافه (صفوف > 1).

🤔 سؤال (أسئلة) socrates)

• value_counts() يحذف القيم المفقودة افتراضيًا، بينما crosstab يتعامل مع التجميع غير الظاهر كـ 0. متى يكون هذا الفرق مهمًا ، هل يمكنك التفكير في حالة تريد فيها بقاء صف مفقود بدلاً من أن يصبح 0؟
• إذا غيرت مقياس الرضا من 1–5 إلى 1–10، ما الكود الذي سيحتاج إلى تعديل؟ سيُظهر crosstab تلقائيًا 10 أعمدة ، هل سيحتاج أي خطوة أخرى إلى تغييرات؟

الخطوة 5: اعرض النتائج

الأرقام في DataFrame دقيقة لكنها بطيئة الاستيعاب. رسومتان عموديتان ، واحدة لتكرار الرياضة، وواحدة لتوزيع الرضا ، تحوّلان العدّات إلى صورة مقروءة بلمحة.

5.1 ابنِ الرسوم البيانية

import matplotlib.pyplot as plt

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

colors_ex = ["#2ecc71", "#3498db", "#f39c12", "#e74c3c"]
exercise_counts.plot(kind="bar", ax=axes[0], color=colors_ex)
axes[0].set_title("Exercise Frequency")
axes[0].set_ylabel("Responses")
axes[0].tick_params(axis="x", rotation=45)

colors_sat = ["#e74c3c", "#e67e22", "#f1c40f", "#2ecc71", "#27ae60"]
satisfaction_counts.plot(kind="bar", ax=axes[1], color=colors_sat[:len(satisfaction_counts)])
axes[1].set_title("Satisfaction Ratings")
axes[1].set_ylabel("Responses")

plt.tight_layout()
plt.savefig("survey_results.png", dpi=150)
plt.show()

👟 تلميح البداية : plt.subplots(1, 2, figsize=(12, 5)) يُنشئ شكلًا واحدًا بمحورين جنباً إلى جنب. كل Series.plot(kind="bar", ax=axes[n]) يرسم على رسم فرعي محدد؛ مصفوفات الألوان مرتبة بحيث الرضا المنخفض أحمر والرضا المرتفع أخضر ، خيار بصري مقصود يتطابق مع ارتباطات “الأحمر = سيئ، الأخضر = جيد” البديهية. color=colors_sat[:len(satisfaction_counts)] يقصّ القائمة إلى العدد الفعلي لقيم التقييم الموجودة، فيستبيان لم يختار فيه أحد 5 لا يُظهر عمودًا فارغًا.

🎯 الناتج المتوقع : رسومتان عموديتان في شكل واحد: تكرار الرياضة على اليسار (4 أعمدة ملونة)، وتقييمات الرضا على اليمين (حتى 5 أعمدة ملونة). يُحفظ الشكل في survey_results.png في مجلد مشروعك ويعرض على الشاشة.

🩹 إذا لم يعمل : شكل فارغ (بدون أعمدة) يعني أن Series الذي ترسمه فارغ ، تحقق من وجود بيانات في exercise_counts و satisfaction_counts. إذا أظهرت رسمة الرضا 3 ألوان فقط لكن 5 تقييمات، ف satisfaction_counts يحتوي على أقل من 5 قيم فريدة ، هذه بيانات لا خلل، والقص هو ما يحافظ على توافق القائمة. إذا أظهر plt.show() شيئًا في بيئة بدون شاشة، فقد كتب savefig الملف بالفعل ، تحقق منه.

5.2 تحقق من العرض

✅ قائمة التحقق

• ✅ survey_results.png موجود في مجلد مشروعك (أو يُخرج الدفتر الشكل).
• ✅ كلا الرسمين الفرعيين لهما عنوانان (Exercise Frequency, Satisfaction Ratings) وتسمية محور y.
• ✅ أعمدة الرضا تستخدم ترتيب ألوان يُcommunicates بصريًا الرضا المنخفض إلى المرتفع.

🤔 سؤال (أسئلة) socrates)

• مصفوفات الألوان مُثبّتة بخمسة أكواد ستة عشريّة. ماذا يحدث إذا شغّلت الاستبيان بمقياس 10 نقاط ، هل الألوان لا تزال تتناسب بشكل معقول، أم تحتاج إلى توليدها برمجيًا؟
• plt.savefig("survey_results.png") يكتب في الدليل الحالي. ماذا سيحدث إذا شغّلت هذا السكربت من دليل عمل مختلف، وماذا يعطيك Path(__file__).parent بدلاً من ذلك؟

⚠️ المآزق الشائعة

• معرفات الأسئلة لا تتطابق مع مفاتيح الاستجابة. Survey.run() يخزّن الإجابات تحت معرفات الأسئلة التي تمررها إلى add_question، و simulate_responses() تعيد قواميس بمفاتيح مُثبّتة. إذا كان المعرف في add_question هو "exercise_freq_x" لكن المحاكاة تستخدم "exercise_freq"، فسينقص DataFrame عمود. حافظ على تزامنهما ، أو الأفضل، اشتقّ مفاتيح المحاكاة من الاستبيان نفسه.
• التباس النصوص والأعداد. input() يُعيد نصوصًا، فتعليقات مثل “6 خارج النطاق” مقارنات نصية. df["satisfaction"].astype(int).mean() يُحوّل قبل التوسيط؛ نص رقمي خاطئ (مثل فراغ من سؤال اختياري) يجعل .astype(int) يُلقى خطأ. اصفِ أو املأ NaN قبل التحويل.
• حلقة الفروع قد تدور إلى الأبد. إذا ربطت branch_rules إجابة بمعرفة سؤال غير موجودة في self.questions، ف else idx + 1 لا يعمل والمحرك يُعيد السؤال نفسه. أخطاء إملائية في المفاتيح هي السبب الكلاسيكي ، احفظ مصدر حقيقة واحد لمعرفات الأسئلة.
• value_counts يحذف المفقودات مقابل crosstab يعدّ 0. مستجيب يتخطى سؤالاً اختياريًا يختفي من value_counts() لكن يظهر كعدّ 0 في crosstab فقط إذا كان التصنيف موجودًا في مكان آخر. اعرف أي سلوك يحتاجه تحليلك قبل تفسير الرسم.

ما بنيته للتو

منصة استبيان كاملة: فئات أسئلة آمنة النوع مع التحقق، محرك استبيان تشعبي، جمع استجابات مباشر ومحاكي، وخط تحليل بت Cubs يحوّل الإجابات الخام إلى تكرارات ومتوسطات وتقاطعات ورسومًا متجاورة. تعلمت أيضًا النمط الأساسي لأي سير عمل تحليل بيانات: خام → منظم → إحصائيات → عرض.

إلى أين تذهب من هنا

• أضف خريطة حرارية للتقاطعات: استخدم pd.crosstab + matplotlib.imshow (أو heatmap من Seaborn) لعرض تكرار الرياضة مقابل الرضا كشبكة ألوان بدلاً من جدول أرقام.
• أضف تصفية الاستجابات: اكتب دالة تعيد فقط المستجيبين الذين اختاروا إجابة محددة (مثلاً، كل ممارسي الرياضة اليوميين) واحسب متوسط رضاهم ، الكشف يكشف رؤية المجموعات الفرعية التي يفوتها التلخيص.
• وسّع الفروع إلى متعددة المستويات: عندما تقفز الإجابة A في السؤال 1 إلى السؤال X، والإجابة B في السؤال X إلى السؤال Y، يحتاج منطق next_question_id و order.index(branch) إلى التعامل مع سلاسل الفروع، لا مجرد القفزات الفردية.

شارك مشروعك مع الفصل

بنيت شيئًا تفتخر به؟ examples/student-projects/ معرض لمشاريع قدمها طلاب آخرون ، و README الخاص به يحتوي على دليل كامل ومناسب للمبتدئين لإضافة مشروعك عبر طلب سحب، حتى لو لم تستخدم git من قبل: تفرّع المستودع، وإنشاء فرع، وعمل commit لملفاتك، وفتح طلب السحب، خطوة بخطوة. لا يُفترض خبرة git مسبقة.

أهلاً بكتابة بايثون خارج المتصفح. 🎓