فلش‌کارت‌های آموزشی ساخت نمودارهای آماری برای نمایش تغییرات دمایی

📚 کتاب آموزشی جامع

📚 اطلاعات کتاب

عنوان کتاب: کتاب ساخت نمودارهای آماری برای نمایش تغییرات دمایی

موضوع کلی: برنامه نویسی

موضوع میانی: بصری‌سازی داده (Data Visualization)

📋 سرفصل‌های کتاب (100 موضوع)

• 1. مقدمه: چرا بصری‌سازی داده‌های دمایی اهمیت دارد؟
• 2. آشنایی با مفهوم بصری‌سازی داده و کاربردهای آن
• 3. معرفی ابزارهای اصلی: پایتون، پانداز، و کتابخانه‌های نمودار
• 4. آماده‌سازی محیط برنامه‌نویسی (نصب پایتون و Jupyter Notebook)
• 5. نصب کتابخانه‌های ضروری: Matplotlib, Seaborn, Plotly
• 6. اولین قدم: ساخت یک نمودار "سلام دنیا"
• 7. مروری بر انواع داده‌های دمایی (روزانه، ماهانه، سالانه)
• 8. شناخت منابع معتبر برای دریافت داده‌های دمایی
• 9. ساختار دوره و پروژه‌های پیش رو
• 10. مفاهیم آماری پایه برای تحلیل دما (میانگین، میانه، انحراف معیار)
• 11. ورود به دنیای داده: کار با پانداز (Pandas)
• 12. معرفی ساختارهای داده: Series و DataFrame
• 13. خواندن داده‌های دمایی از فایل CSV
• 14. بررسی اولیه داده‌ها: توابع head, tail, info
• 15. آمار توصیفی داده‌ها با تابع describe
• 16. پاکسازی داده‌ها: شناسایی و مدیریت مقادیر گمشده (Missing Values)
• 17. پاکسازی داده‌ها: حذف رکوردهای تکراری
• 18. کار با داده‌های زمانی: معرفی نوع داده Datetime
• 19. تبدیل ستون تاریخ از متن به فرمت Datetime
• 20. استفاده از تاریخ به عنوان ایندکس (Index) دیتافریم
• 21. فیلتر کردن داده‌ها بر اساس بازه‌های زمانی مشخص
• 22. انتخاب داده‌های یک شهر یا منطقه خاص
• 23. گروه‌بندی داده‌ها: محاسبه میانگین دمای ماهانه و سالانه
• 24. مفهوم Resampling: تبدیل داده‌های روزانه به هفتگی یا ماهانه
• 25. محاسبه دمای حداکثر و حداقل برای هر دوره زمانی
• 26. ترکیب چند مجموعه داده (Merge و Join)
• 27. ذخیره داده‌های پاکسازی شده در یک فایل جدید
• 28. مبانی بصری‌سازی با Matplotlib
• 29. آناتومی یک نمودار: آشنایی با Figure و Axes
• 30. رسم اولین نمودار خطی: تغییرات دمای یک شهر در طول یک سال
• 31. تنظیم عنوان نمودار و برچسب‌های محور X و Y
• 32. شخصی‌سازی خطوط نمودار: رنگ، ضخامت و استایل
• 33. افزودن نشانگر (Markers) به نقاط داده روی نمودار خطی
• 34. مقایسه دمای دو شهر مختلف در یک نمودار
• 35. افزودن راهنمای نمودار (Legend)
• 36. تنظیم محدوده‌های محورها (X-lim و Y-lim)
• 37. افزودن خطوط شبکه (Grid) برای خوانایی بهتر
• 38. رسم نمودار میله‌ای: مقایسه میانگین دمای فصول مختلف
• 39. شخصی‌سازی نمودارهای میله‌ای: رنگ و عرض میله‌ها
• 40. رسم نمودار میله‌ای گروهی: مقایسه دمای حداقل و حداکثر
• 41. رسم هیستوگرام: درک توزیع فراوانی دما در یک ماه
• 42. رسم نمودار پراکندگی (Scatter Plot): ارتباط دما با یک متغیر دیگر
• 43. افزودن خط روند به نمودار پراکندگی
• 44. کار با زیرنمودارها (Subplots) برای نمایش چندین نمودار کنار هم
• 45. ذخیره نمودارها در فرمت‌های مختلف (PNG, JPG, SVG)
• 46. بصری‌سازی حرفه‌ای با Seaborn
• 47. معرفی Seaborn و مزایای آن نسبت به Matplotlib
• 48. ایجاد نمودارهای زیباتر با استایل‌های پیش‌فرض Seaborn
• 49. رسم نمودار خطی پیشرفته با نمایش بازه اطمینان
• 50. رسم نمودار جعبه‌ای (Box Plot) برای نمایش توزیع دمای فصول
• 51. تفسیر نمودار جعبه‌ای: میانه، چارک‌ها و داده‌های پرت
• 52. رسم نمودار ویولن (Violin Plot): ترکیبی از Box Plot و نمودار چگالی
• 53. رسم نقشه حرارتی (Heatmap) برای نمایش دمای روزهای ماه
• 54. رسم نمودار توزیع زوجی (Pair Plot) برای بررسی روابط بین متغیرها
• 55. استفاده از پالت‌های رنگی مناسب برای داده‌های دمایی
• 56. کنترل جنبه‌های ظاهری نمودار با FacetGrid
• 57. ساخت نمودارهای تعاملی با Plotly
• 58. مقدمه‌ای بر کتابخانه Plotly و نمودارهای تعاملی
• 59. ساخت اولین نمودار خطی تعاملی
• 60. افزودن اطلاعات تکمیلی هنگام هاور کردن روی نقاط داده (Tooltips)
• 61. ساخت نمودار میله‌ای تعاملی با قابلیت بزرگنمایی و جابجایی
• 62. ساخت نمودار پراکندگی با اطلاعات دقیق هر نقطه
• 63. ایجاد دکمه‌ها و منوهای کشویی برای فیلتر کردن داده‌ها
• 64. مثال: انتخاب سال برای نمایش نمودار دمایی
• 65. مثال: مقایسه شهرها با استفاده از چک‌باکس
• 66. ساخت نمودارهای متحرک (Animation) برای نمایش تغییرات دما در طول زمان
• 67. ایجاد یک انیمیشن از گرمایش جهانی طی چند دهه
• 68. ذخیره نمودارهای تعاملی به صورت فایل HTML
• 69. تکنیک‌های پیشرفته و داستان‌سرایی با داده
• 70. انتخاب نوع نمودار مناسب برای هر سناریو
• 71. اصول طراحی در بصری‌سازی: اصل Data-Ink Ratio
• 72. روانشناسی رنگ‌ها در نمایش داده‌های دمایی (پالت‌های متوالی و واگرا)
• 73. برجسته‌سازی داده‌های مهم با حاشیه‌نویسی (Annotation)
• 74. افزودن خطوط افقی یا عمودی برای نمایش مقادیر مرجع (مانند نقطه انجماد)
• 75. شخصی‌سازی مقادیر محورها (Ticks) و فرمت نمایش تاریخ
• 76. استفاده از مقیاس لگاریتمی (در صورت کاربرد)
• 77. مفهوم داستان‌سرایی با داده (Data Storytelling)
• 78. ایجاد یک داشبورد ساده با ترکیب چند نمودار مرتبط
• 79. بهترین شیوه‌ها برای ارائه یک نمودار واضح و تأثیرگذار
• 80. اشتباهات رایج در بصری‌سازی داده و نحوه اجتناب از آن‌ها
• 81. آماده‌سازی نمودار برای گزارش‌ها و مقالات علمی
• 82. توجهات مربوط به افراد کوررنگ در انتخاب رنگ‌ها
• 83. پروژه‌های عملی
• 84. پروژه اول: تحلیل و بصری‌سازی داده‌های دمایی یک شهر خاص
• 85. پروژه دوم: مقایسه روند تغییرات دمایی در دو پایتخت جهان
• 86. پروژه سوم: ساخت یک نقشه حرارتی از میانگین دمای ماهانه طی یک دهه
• 87. پروژه چهارم: ایجاد یک نمودار تعاملی برای کاوش در داده‌های اقلیمی
• 88. پروژه نهایی: ساخت یک داشبورد کامل برای نمایش شاخص‌های تغییرات دمایی
• 89. جمع‌بندی دوره و مراحل بعدی برای یادگیری
• 90. **پردازش و پاکسازی داده‌های دمایی:** مدیریت داده‌های گمشده و پرت.
• 91. **نمودارهای سری زمانی:** نمایش روند تغییرات دما در طول زمان با Matplotlib و Seaborn.
• 92. **نمودارهای جعبه‌ای (Box Plot):** مقایسه توزیع دما در فصول مختلف سال.
• 93. **نمودارهای پراکندگی (Scatter Plot):** بررسی رابطه بین دما و سایر متغیرها (مانند میزان بارش).
• 94. **نمودارهای حرارتی (Heatmap):** نمایش تغییرات دمایی در مناطق مختلف جغرافیایی.
• 95. **نمودارهای کانتور (Contour Plot):** تجسم تغییرات دما در ارتفاعات مختلف.
• 96. **نقشه‌های جغرافیایی با Choropleth:** نمایش داده‌های دمایی روی نقشه‌ها با استفاده از Plotly.
• 97. **نمودارهای تعاملی با Plotly:** ایجاد نمودارهایی با قابلیت بزرگنمایی و فیلتر کردن داده‌ها.
• 98. **داشبوردسازی با Streamlit:** ساخت یک داشبورد ساده برای نمایش نمودارهای دمایی.
• 99. **تحلیل روند (Trend Analysis):** شناسایی الگوهای طولانی‌مدت در داده‌های دمایی.
• 100. **پیش‌بینی دما با روش‌های آماری (Simple Regression):** مقدمه‌ای بر پیش‌بینی آینده دما.