اگر آخر ماه نمی‌دانید پولتان دقیقاً کجا خرج شده، ساخت یک داشبورد شخصی مدیریت هزینه با پایتون می‌تواند راه‌حل ساده و قابل‌کنترلی باشد. در این آموزش، یک فایل CSV از تراکنش‌ها می‌سازیم، داده‌ها را با pandas تحلیل می‌کنیم و با Streamlit صفحه‌ای تعاملی برای مشاهده هزینه‌ها، دسته‌بندی‌ها و روند ماهانه می‌سازیم. این پروژه به پایگاه‌داده یا سرویس پولی نیاز ندارد و بعداً می‌توانید آن را به داده‌های واقعی خودتان وصل کنید.

فهرست مطالب

پیش‌نیازهای ساخت داشبورد هزینه
طراحی فایل داده و نصب ابزارها
خواندن و پاک‌سازی تراکنش‌ها با pandas
ساخت رابط تعاملی با Streamlit
افزودن نمودار و فیلترهای کاربردی
اجرای پروژه و نکات امنیتی
سوالات متداول

پیش‌نیازهای ساخت داشبورد هزینه

برای اجرای پروژه به Python 3.10 یا جدیدتر، یک ویرایشگر کد مانند VS Code و آشنایی مقدماتی با ترمینال نیاز دارید. دو کتابخانه اصلی ما pandas برای کار با جدول‌ها و streamlit برای ساخت رابط وب هستند. اگر با محیط مجازی کار کنید، نصب‌های این پروژه از بسته‌های سایر پروژه‌ها جدا می‌ماند و عیب‌یابی آسان‌تر می‌شود.

ساخت محیط مجازی پایتون

یک پوشه با نام expense-dashboard بسازید و ترمینال را در همان مسیر باز کنید. سپس دستورهای زیر را اجرا کنید:

python -m venv .venv
# ویندوز
.venv\Scripts\activate
# مک و لینوکس
source .venv/bin/activate
pip install pandas streamlit plotly

برای اینکه پروژه در آینده روی رایانه دیگری هم قابل نصب باشد، فهرست وابستگی‌ها را ذخیره کنید:

pip freeze > requirements.txt

طراحی فایل داده و نصب ابزارها

در ساده‌ترین نسخه، هر ردیف CSV یک تراکنش است. فایل expenses.csv را با ستون‌های date، title، category و amount بسازید. مبلغ را به‌صورت عدد مثبت وارد کنید؛ نوع هزینه از روی دسته‌بندی مشخص می‌شود.

نمونه فایل expenses.csv

date,title,category,amount
2026-08-01,اجاره خانه,مسکن,12000000
2026-08-03,خرید هفتگی,خوراک,1850000
2026-08-05,اشتراک اینترنت,قبوض,450000
2026-08-07,تاکسی,حمل‌ونقل,230000
2026-08-10,کتاب,آموزش,380000

اگر تراکنش‌های بانکی را وارد می‌کنید، شماره کارت، شناسه حساب و هر داده‌ای را که برای تحلیل لازم نیست حذف کنید. برای آشنایی با خودکارسازی کارهای پایتونی، مقاله ساخت خبرنامه شخصی با پایتون هم ایده‌های خوبی درباره زمان‌بندی و پردازش داده دارد.

خواندن و پاک‌سازی تراکنش‌ها با pandas

حالا فایلی به نام app.py بسازید. ابتدا داده را می‌خوانیم و مطمئن می‌شویم تاریخ و مبلغ نوع درستی دارند. پاک‌سازی مهم است، چون وجود یک مبلغ خالی یا تاریخ نامعتبر می‌تواند نمودارهای نهایی را گمراه‌کننده کند.

تبدیل تاریخ و مبلغ به نوع درست

import pandas as pd

@st.cache_data
def load_data(file):
    df = pd.read_csv(file)
    required = {"date", "title", "category", "amount"}
    missing = required - set(df.columns)
    if missing:
        raise ValueError(f"ستون‌های ضروری وجود ندارند: {', '.join(missing)}")
    df["date"] = pd.to_datetime(df["date"], errors="coerce")
    df["amount"] = pd.to_numeric(df["amount"], errors="coerce")
    df = df.dropna(subset=["date", "amount", "category"])
    df = df[df["amount"] > 0].copy()
    df["month"] = df["date"].dt.to_period("M").astype(str)
    return df

در این قطعه از st استفاده شده، پس در ابتدای فایل باید import streamlit as st را هم اضافه کنید. errors="coerce" مقدارهای خراب را به مقدار خالی تبدیل می‌کند تا بتوانیم آن‌ها را کنار بگذاریم. کش کردن تابع باعث می‌شود با هر تغییر فیلتر، فایل از ابتدا خوانده نشود.

رسیدگی به اعداد فارسی و جداکننده‌ها

اگر مبلغ را از یک فایل فارسی کپی می‌کنید، ممکن است ویرگول یا رقم فارسی داشته باشد. قبل از to_numeric می‌توانید آن را استاندارد کنید:

persian_digits = str.maketrans("۰۱۲۳۴۵۶۷۸۹", "0123456789")
df["amount"] = (df["amount"].astype(str)
                .str.translate(persian_digits)
                .str.replace(",", "", regex=False)
                .str.strip())
df["amount"] = pd.to_numeric(df["amount"], errors="coerce")

ساخت رابط تعاملی با Streamlit

بعد از تابع بارگذاری، عنوان صفحه، آپلودر فایل و شاخص‌های خلاصه را اضافه کنید. نسخه کامل‌تر بخش ابتدایی برنامه چنین است:

import streamlit as st
import plotly.express as px

st.set_page_config(page_title="داشبورد هزینه شخصی", page_icon="💰", layout="wide")
st.title("داشبورد مدیریت هزینه")
st.caption("فایل تراکنش‌ها را انتخاب کنید تا گزارش شما ساخته شود.")

uploaded = st.file_uploader("فایل CSV را بارگذاری کنید", type=["csv"])
if uploaded is None:
    st.info("برای شروع، فایل expenses.csv را انتخاب کنید.")
    st.stop()

try:
    df = load_data(uploaded)
except ValueError as error:
    st.error(str(error))
    st.stop()

افزودن فیلتر تاریخ و دسته‌بندی

فیلترها را در نوار کناری قرار دهید تا فضای نمودار اصلی بیشتر بماند. انتخاب بازه تاریخ با داده‌های شمسی انجام نمی‌شود، اما تاریخ‌های میلادی در CSV به‌درستی نمایش داده می‌شوند و می‌توانید بعداً یک لایه تبدیل تاریخ اضافه کنید.

st.sidebar.header("فیلترها")
categories = st.sidebar.multiselect(
    "دسته‌بندی", sorted(df["category"].unique()), default=sorted(df["category"].unique())
)
min_date, max_date = df["date"].min().date(), df["date"].max().date()
date_range = st.sidebar.date_input("بازه تاریخ", value=(min_date, max_date),
                                    min_value=min_date, max_value=max_date)

filtered = df[df["category"].isin(categories)].copy()
if len(date_range) == 2:
    start, end = pd.to_datetime(date_range[0]), pd.to_datetime(date_range[1])
    filtered = filtered[filtered["date"].between(start, end)]

افزودن نمودار و فیلترهای کاربردی

اکنون سه شاخص اصلی را در بالای صفحه و دو نمودار را زیر آن نمایش می‌دهیم. در صورت خالی شدن نتیجه فیلتر، پیش از محاسبه نمودار پیام مناسب نشان دهید.

نمایش مجموع، میانگین و تعداد تراکنش

if filtered.empty:
    st.warning("برای این فیلتر تراکنشی پیدا نشد.")
    st.stop()

total = filtered["amount"].sum()
average = filtered["amount"].mean()
col1, col2, col3 = st.columns(3)
col1.metric("مجموع هزینه", f"{total:,.0f} تومان")
col2.metric("میانگین هر تراکنش", f"{average:,.0f} تومان")
col3.metric("تعداد تراکنش", f"{len(filtered):,}")

نمودار سهم دسته‌ها و روند ماهانه

by_category = (filtered.groupby("category", as_index=False)["amount"]
               .sum().sort_values("amount", ascending=False))
fig_categories = px.bar(by_category, x="category", y="amount",
                        title="هزینه بر اساس دسته‌بندی", text_auto=".2s")
st.plotly_chart(fig_categories, use_container_width=True)

by_month = filtered.groupby("month", as_index=False)["amount"].sum()
fig_month = px.line(by_month, x="month", y="amount", markers=True,
                    title="روند هزینه ماهانه")
st.plotly_chart(fig_month, use_container_width=True)

st.subheader("جزئیات تراکنش‌ها")
st.dataframe(filtered.sort_values("date", ascending=False), use_container_width=True)

برای بررسی ابزارهای دیگر کدنویسی و مقایسه کاربردشان می‌توانید بهترین ابزارهای هوش مصنوعی برای کدنویسی را نیز بخوانید؛ با این حال، منطق اصلی این پروژه بدون ابزار هوش مصنوعی هم کاملاً قابل اجراست.

اجرای پروژه و نکات امنیتی

اجرای محلی برنامه

در ترمینال و داخل محیط مجازی، دستور زیر را اجرا کنید:

streamlit run app.py

مرورگر معمولاً به‌صورت خودکار باز می‌شود. اگر نشد، نشانی نمایش‌داده‌شده در ترمینال را کپی کنید. هر بار که فایل را ذخیره می‌کنید، Streamlit امکان اجرای دوباره برنامه را نشان می‌دهد.

چهار نکته برای قابل‌اعتمادتر شدن گزارش

واحد پول را در عنوان ستون یا توضیح فایل مشخص کنید و همه مبلغ‌ها را با یک واحد وارد کنید.
برای تراکنش‌های برگشتی، ستون جداگانه‌ای مانند type بسازید؛ حذف ساده مبالغ منفی همیشه درست نیست.
فایل CSV را عمومی یا روی مخزن کد منتشر نکنید و در صورت اتصال به بانک، کلیدهای دسترسی را در کد ننویسید.
هر هفته چند ردیف را دستی با رسیدها مقایسه کنید تا خطای ورود داده به‌موقع مشخص شود.

قابلیت	نسخه ساده	ارتقای پیشنهادی
منبع داده	فایل CSV	SQLite یا Google Sheets
گزارش زمانی	ماه میلادی	تقویم شمسی و مقایسه سالانه
دسته‌بندی	ورود دستی	قواعد خودکار بر اساس عنوان
دسترسی	فقط روی رایانه	استقرار خصوصی روی سرور

نتیجه‌گیری

با چند خط پایتون و یک فایل CSV، داشبوردی ساخته‌اید که مجموع هزینه، میانگین تراکنش، سهم دسته‌ها و روند ماهانه را نشان می‌دهد. مهم‌ترین بخش پروژه، تمیز نگه داشتن داده‌هاست؛ نمودار زیبا با ورودی نادرست تصمیم مالی خوبی تولید نمی‌کند. بعد از اطمینان از نسخه محلی، می‌توانید ذخیره‌سازی را به SQLite منتقل کنید، ورود داده را با فرم انجام دهید و برای هر دسته سقف بودجه تعریف کنید.

سوالات متداول

آیا برای ساخت این داشبورد باید برنامه‌نویس حرفه‌ای باشم؟

خیر. آشنایی مقدماتی با نصب پایتون، اجرای دستورها و متغیرهای ساده کافی است. کد را مرحله‌به‌مرحله اجرا کنید و خطاها را از روی پیام Streamlit بررسی کنید.

آیا می‌توانم فایل اکسل را به جای CSV استفاده کنم؟

بله. با نصب openpyxl می‌توانید pd.read_excel را جایگزین pd.read_csv کنید. نام ستون‌ها و نوع داده‌ها باید همان ساختار توضیح‌داده‌شده را داشته باشد.

چطور داشبورد را روی اینترنت منتشر کنم؟

برای داده‌های مالی حساس، اجرای محلی امن‌تر است. اگر انتشار لازم بود، از یک سرور خصوصی، احراز هویت، HTTPS و فایل‌های بدون اطلاعات شناسایی استفاده کنید و دسترسی عمومی را به‌طور پیش‌فرض باز نگذارید.

چطور با پایتون یک داشبورد شخصی مدیریت هزینه بسازیم؟