Analyzing Crime In Los Angeles
تفاصيل العمل
فكرة المشروع
المشروع عبارة عن Exploratory Data Analysis (EDA) لبيانات الجرائم في مدينة لوس أنجلوس.
الهدف هو تحليل بيانات الجرائم لاكتشاف أنماط سلوكية وزمنية وجغرافية يمكن أن تساعد Los Angeles Police Department في فهم توزيع الجرائم ودعم قرارات تخصيص الموارد الأمنية.
بمعنى أبسط:
متى تحدث الجرائم؟ أين تتركز؟ ومن هم الضحايا الأكثر ظهورًا في البيانات؟
📊 البيانات
البيانات تحتوي على معلومات متعددة عن كل حادثة، منها:
معلومات الحادثة
رقم القضية DR_NO
تاريخ الإبلاغ
تاريخ وقوع الجريمة
وقت وقوع الجريمة
المنطقة AREA NAME
موقع الجريمة
معلومات الجريمة
نوع الجريمة Crm Cd Desc
السلاح المستخدم
حالة القضية
معلومات الضحية
العمر
الجنس
الخلفية/الأصل الديموغرافي
وهذا يجعل dataset غنيًا نسبيًا من ناحية التحليل.
🔎 ما الذي قمت بتحليله؟
1. تحليل الجرائم حسب الوقت
كانت إحدى أهم خطوات التحليل استخراج ساعة وقوع الجريمة من العمود:
TIME OCC
لأن البيانات كانت تحتوي الوقت بصيغة مثل:
1110 → 11:10
0635 → 06:35
قمت بتحويل البيانات إلى متغير جديد:
crime_hour
بحيث أصبح بالإمكان تحليل عدد الجرائم لكل ساعة من اليوم.
النتيجة
وجدت أن:
الساعة 12 ظهرًا هي أكثر ساعة تكررت فيها الجرائم في البيانات.
ثم استخدمت visualization لعرض توزيع الجرائم على مدار اليوم.
وهنا ننتقل من مجرد "بيانات وقت" إلى سؤال تحليلي:
هل هناك أوقات معينة ترتفع فيها معدلات وقوع الجرائم؟
🌙 2. تحليل الجرائم الليلية حسب المنطقة
بعد ذلك عرّفت فترة الليل تقريبًا على أنها:
22:00 → 04:00
ثم حللت المناطق التي تحتوي على أكبر عدد من الجرائم خلال هذه الفترة.
النتيجة
كانت:
Central
أكثر منطقة ظهورًا في بيانات الجرائم الليلية.
وهذه خطوة مهمة لأنها تربط بين عاملين:
Time + Location
بدل تحليل كل متغير بشكل منفصل.
👥 3. تحليل أعمار الضحايا
بدل استخدام العمر كرقم منفرد، قمت بإنشاء Age Groups:
0–17
18–25
26–34
35–44
45–54
55–64
65+
ثم قارنت عدد الضحايا في كل مجموعة.
النتيجة
كانت الفئة:
26–34 سنة
هي الأكثر ظهورًا في البيانات، بحوالي 47,470 حالة.
وهذا مثال جيد على Feature Engineering:
بدل أن يكون لديك:
Vict Age = 27
أصبح لديك:
Age Group = 26–34
مما يجعل التحليل والمقارنة أسهل.
📈 التصور البصري
استخدمت:
Python
Pandas
Matplotlib
Seaborn
ومن التصورات التي بنيتها:
Crime Distribution by Hour
يوضح توزيع الجرائم حسب ساعات اليوم.
وهذا يسمح برؤية الـpeak periods بصريًا بدل الاعتماد على الأرقام فقط.