import numpy as np          # المصفوفات متعددة الأبعاد الأساسية
import pandas as pd         # DataFrame: التعامل مع البيانات الجدولية
import matplotlib.pyplot as plt   # التصور (visualization)
import scipy as sp          # الحوسبة العلمية، المصفوفات المتناثرة
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier

arr = np.array([0, 1, 2, 3, 4])
np.arange(0, 10)          # array([0, 1, ..., 9])
np.arange(0, 10, 3)       # array([0, 3, 6, 9])
np.zeros((5, 5))          # مصفوفة 5×5 من الأصفار
np.ones((2, 4))           # مصفوفة 2×4 من الآحاد
np.random.randint(0, 100, (3, 3))   # مصفوفة أعداد صحيحة عشوائية 3×3
np.linspace(0, 10, 6)     # 6 قيم متباعدة بانتظام من 0 إلى 10

arr2.max()       # 95
arr2.min()       # 9
arr2.mean()      # 60.8
arr2.argmin()    # فهرس القيمة الصغرى
arr2.argmax()    # فهرس القيمة العظمى
arr2.reshape(2, 5)   # إعادة تشكيل مصفوفة مسطحة إلى 2×5

mat = np.arange(0, 100).reshape(10, 10)
mat[row, col]     # عنصر واحد
mat[:, 0]         # العمود الأول بأكمله
mat[0:3, 0:3]     # شريحة 3×3 من الزاوية العلوية اليسرى

step_counts = pd.Series(step_data, name='steps')
step_counts.index = pd.date_range('20240329', periods=6)
print(step_counts['2024-04-01'])   # الوصول بالتسمية، كالقاموس (dict)
print(step_counts[3])              # الوصول بالموضع، كالمصفوفة

activity_df = pd.DataFrame(joined_data,
                            index=pd.date_range('20240329', periods=6),
                            columns=['Walking', 'Cycling'])

data = pd.read_csv('Iris_Data.csv')
data.head()                          # أول 5 صفوف

print(data.loc[2, ['sepal_length']]) # الصف المسمى 2، عمود واحد
print(data.iloc[:5, :])              # أول 5 صفوف، كل الأعمدة
print(data.iloc[:, 0])               # العمود الأول، كل الصفوف

# تصفية الصفوف بشرط منطقي
print(data.loc[(data.sepal_width > 3.5)])

# اشتقاق عمود جديد من أعمدة موجودة
data['sepal_area'] = data.sepal_length * data.sepal_width

# عد الصفوف لكل فئة
group_sizes = data.groupby('species').size()

print(data.petal_length.mean())
print(data.petal_length.median())
print(data.petal_length.std())
print(data.petal_length.var())
print(data.petal_length.sem())

ax = plt.axes()
ax.hist(data.petal_length, bins=25)
ax.set(xlabel='Petal Length (cm)', ylabel='Frequency',
       title='Distribution of Petal Lengths')

plt.plot(data.sepal_length, data.sepal_width, marker='o')
plt.title("Distribution of Petal Lengths")
plt.xlabel("Petal Length (cm)")
plt.ylabel("sepal_width")