पायथन में, आप डेटा के साथ काम कर सकते हैं और इसकी कल्पना कर सकते हैं। न केवल प्रोग्रामर इसका लाभ उठाते हैं, बल्कि वैज्ञानिक भी: जीवविज्ञानी, भौतिक विज्ञानी और समाजशास्त्री। आज, शावर्स के साथ, एआई पाठ्यक्रम के लिए हमारे पायथन जम्पस्टार्ट के क्यूरेटर, हम संक्षेप में मौसम विज्ञानियों में बदल जाएंगे और रूसी शहरों की जलवायु का अध्ययन करेंगे। विज़ुअलाइज़ेशन के लिए पुस्तकालयों से और डेटा के साथ काम करने से, हम पंडों, माटप्लोटलिब और बोकेह का उपयोग करते हैं।



हम एज़्योर नोटबुक पर रिसर्च करते हैं, जुपाइटर नोटबुक के क्लाउड-आधारित संस्करण। इस प्रकार, पायथन के साथ शुरुआत करने के लिए, हमें अपने कंप्यूटर पर कुछ भी स्थापित करने की आवश्यकता नहीं है और हम सीधे ब्राउज़र से काम कर सकते हैं। आपको बस अपने Microsoft खाते से लॉग इन करना होगा, एक लाइब्रेरी और उसमें नया Python 3 लैपटॉप बनाना होगा। फिर आप इस लेख से कोड स्निपेट ले सकते हैं और प्रयोग कर सकते हैं!

हमें डेटा मिलता है

सबसे पहले, हम उन मुख्य पुस्तकालयों को आयात करते हैं जिनकी हमें आवश्यकता है। पंडास सारणीबद्ध डेटा, या तथाकथित डेटा फ़्रेमों के साथ काम करने के लिए एक पुस्तकालय है, और पाइलॉट हमें ग्राफ़ बनाने की अनुमति देगा।

import pandas as pd import matplotlib.pyplot as plt 

इंटरनेट पर स्रोत डेटा को खोजना आसान है, लेकिन हमने आपके लिए एक सुविधाजनक CSV प्रारूप में डेटा पहले ही तैयार कर लिया है। CSV एक पाठ प्रारूप है जिसमें सभी कॉलम अल्पविराम द्वारा अलग किए जाते हैं। इसलिए नाम - कोमा सेपरेटेड वैल्यूज।

पांडस सीएसवी फाइलें स्थानीय डिस्क के साथ-साथ सीधे इंटरनेट से भी खोल सकते हैं। डेटा खुद GitHub पर हमारी रिपॉजिटरी में निहित है , इसलिए हमें केवल सही URL निर्दिष्ट करने की आवश्यकता है।

 data = pd.read_csv("https://raw.githubusercontent.com/shwars/PythonJump/master/Data/climat_russia_cities.csv") data 

तालिका स्तंभों का नाम बदलें ताकि उन्हें नाम से एक्सेस करना अधिक सुविधाजनक हो। हमें उन पर काम करने के लिए स्ट्रिंग को संख्यात्मक मूल्यों में बदलने की भी आवश्यकता है। जब हम pd.to_numeric फ़ंक्शन का उपयोग करके ऐसा करने का प्रयास करते हैं, तो हम पाते हैं कि एक अजीब त्रुटि होती है। यह इस तथ्य के कारण है कि माइनस के बजाय, पाठ में लंबे डैश का उपयोग किया जाता है।

 data.columns=["City","Lat","Long","TempMin","TempColdest","AvgAnnual","TempWarmest","AbsMax","Precipitation"] data["TempMin"] = pd.to_numeric(data["TempMin"]) 

 --------------------------------------------------------------------------- ValueError Traceback (most recent call last) pandas/_libs/src/inference.pyx in pandas._libs.lib.maybe_convert_numeric() ValueError: Unable to parse string "−38.0" ... ... ... ValueError: Unable to parse string "−38.0" at position 0 

इस समस्या से एक महत्वपूर्ण नैतिकता है: डेटा आमतौर पर "गंदे" रूप में आता है, जिसका उपयोग करना असुविधाजनक है, और डेटा वैज्ञानिक का कार्य इस डेटा को एक अच्छे दृष्टिकोण पर लाना है।
आप देख सकते हैं कि हमारी तालिका के कुछ स्तंभ संख्यात्मक प्रकार के float64 बजाय टाइप object । ऐसे स्तंभों में, हम डैश को माइनस से बदल देंगे और फिर संपूर्ण तालिका को संख्या स्वरूप में बदल देंगे। जिन स्तंभों को परिवर्तित नहीं किया जा सकता है (शहर के नाम) अपरिवर्तित रहेंगे (इसके लिए हमने मुख्य errors='ignore' उपयोग किया है errors='ignore' )।

 print(data.dtypes) for x in ["TempMin","TempColdest","AvgAnnual"]: data[x] = data[x].str.replace('−','-') data = data.apply(pd.to_numeric,errors='ignore') print(data.dtypes) 

 City object Lat float64 Long float64 TempMin object TempColdest object AvgAnnual object TempWarmest float64 AbsMax float64 Precipitation int64 dtype: object City object Lat float64 Long float64 TempMin float64 TempColdest float64 AvgAnnual float64 TempWarmest float64 AbsMax float64 Precipitation int64 dtype: object 

हम डेटा पर शोध करते हैं

अब जब हमारे पास स्वच्छ डेटा है, तो हम दिलचस्प रेखांकन बनाने की कोशिश कर सकते हैं।

औसत वार्षिक तापमान

उदाहरण के लिए, आइए देखें कि अक्षांश पर औसत तापमान कैसे निर्भर करता है।

 ax = data.plot(x="Lat",y="AvgAnnual",kind="Scatter") ax.set_xlabel("") ax.set_ylabel(" ") 

ग्राफ से पता चलता है कि भूमध्य रेखा के करीब, गर्म।

रिकॉर्ड शहरों

अब हम उन शहरों पर नज़र डालते हैं जो तापमान चैंपियन हैं और देखते हैं कि शहर में न्यूनतम और अधिकतम तापमान के बीच संबंध है या नहीं।

 ax=data.plot(x="TempMin",y="AbsMax",kind="scatter") ax.set_xlabel("  ") ax.set_ylabel("  ") ax.invert_xaxis() 

जैसा कि आप देख सकते हैं, इस मामले में ऐसा कोई संबंध नहीं है। तेजी से महाद्वीपीय जलवायु वाले शहर हैं, और सिर्फ गर्म और ठंडे शहर हैं। हम एक अधिकतम तापमान प्रसार वाले शहरों को खोजते हैं, यानी तेजी से महाद्वीपीय जलवायु वाले शहर।

 data['spread'] = data['TempWarmest'] - data['TempColdest'] data.nlargest(3,'spread') 

इस बार हमने उच्च रिकॉर्ड नहीं किया, लेकिन सबसे गर्म और सबसे ठंडा महीना रहा। जैसा कि अपेक्षित था, सखा गणराज्य (याकूतिया) से शहरों के बीच सबसे बड़ा बिखराव।

सर्दी और गर्मी

आगे के शोध के लिए, मास्को से 300 किमी के दायरे में शहरों पर विचार करें। अक्षांश और देशांतर में बिंदुओं के बीच की दूरी की गणना करने के लिए, हम भू पुस्तकालय का उपयोग करते हैं, जिसे पहले pip install का उपयोग करके स्थापित किया जाना चाहिए।

 !pip install geopy import geopy.distance 

टेबल पर एक और कॉलम जोड़ें - मास्को की दूरी।

 msk_coords = tuple(data.loc[data["City"]==""][["Lat","Long"]].iloc[0]) data["DistMsk"] = data.apply(lambda row : geopy.distance.distance(msk_coords,(row["Lat"],row["Long"])).km,axis=1) data.head() 

हम अपने लिए केवल ब्याज की पंक्तियों का चयन करने के लिए अभिव्यक्ति का उपयोग करते हैं।

 msk = data.loc[data['DistMsk']<300] msk 

इन शहरों के लिए, हम न्यूनतम, औसत वार्षिक और अधिकतम तापमान का एक शेड्यूल बनाते हैं।

 ax=msk.plot(x="City",y=["TempColdest","AvgAnnual","TempWarmest"],kind="bar",stacked="true") ax.legend(["","",""],loc='lower right') 

सामान्य तौर पर, मास्को के आसपास 300 किलोमीटर के भीतर कोई भी विसंगति नहीं देखी जाती है। इवानोवो बाकी शहरों के उत्तर में स्थित है, और इसलिए वहां तापमान कई डिग्री कम है।

जियो-डेटा के साथ काम करें

अब हम शहरों के संदर्भ में औसत वार्षिक वर्षा के नक्शे पर प्रदर्शित करने का प्रयास करते हैं और देखते हैं कि भौगोलिक स्थिति पर वर्षा कैसे निर्भर करती है। इसके लिए हम एक और विज़ुअलाइज़ेशन लाइब्रेरी - बोकेह का उपयोग करते हैं। इसे भी स्थापित करने की आवश्यकता है।

फिर हम एक और कॉलम की गणना करते हैं - सर्कल का आकार, जो वर्षा की मात्रा दिखाएगा। गुणांक का चयन अनुभवजन्य रूप से किया जाता है।

 !pip install bokeh from bokeh.io import output_file, output_notebook, show from bokeh.models import ( GMapPlot, GMapOptions, ColumnDataSource, Circle, LogColorMapper, BasicTicker, ColorBar, DataRange1d, PanTool, WheelZoomTool, BoxSelectTool, HoverTool ) from bokeh.models.mappers import ColorMapper, LinearColorMapper from bokeh.palettes import Viridis5 from bokeh.plotting import gmap 

मानचित्र के साथ काम करने के लिए, आपको Google मानचित्र API कुंजी की आवश्यकता होगी। इसे स्वतंत्र रूप से साइट पर प्राप्त किया जाना चाहिए।

नक्शे पर प्लॉट चार्ट के लिए बोकेह का उपयोग करने के बारे में अधिक विस्तृत निर्देश यहां और यहां देखे जा सकते हैं ।

 google_key = "<INSERT YOUR KEY HERE>" data["PrecipSize"] = data["Precipitation"] / 50.0 map_options = GMapOptions(lat=msk_coords[0], lng=msk_coords[1], map_type="roadmap", zoom=4) plot = gmap(google_key,map_options=map_options) plot.title.text = "    " source = ColumnDataSource(data=data) my_hover = HoverTool() my_hover.tooltips = [('', '@City'),('','@Precipitation')] plot.circle(x="Long", y="Lat", size="PrecipSize", fill_color="blue", fill_alpha=0.8, source=source) plot.add_tools(PanTool(), WheelZoomTool(), BoxSelectTool(), my_hover) output_notebook() show(plot) 

जैसा कि आप देख सकते हैं, तटीय शहरों में सबसे अधिक वर्षा होती है। हालांकि शहरों की एक बड़ी संख्या है जहां बारिश औसत या राष्ट्रीय स्तर से भी कम है।

दिमित्री सोशनिकोव द्वारा लिखित टिप्पणियों के साथ पूरा कोड, आप स्वतंत्र रूप से यहां देख और चला सकते हैं ।

परिणाम

हमने जटिल एल्गोरिदम, विशिष्ट पुस्तकालयों का उपयोग किए बिना या कोड की सैकड़ों पंक्तियों को लिखने के बिना भाषा की क्षमताओं को दिखाया। हालांकि, मानक टूल से लैस, आप अपने डेटा का विश्लेषण कर सकते हैं और कुछ निष्कर्ष निकाल सकते हैं।

डेटासेट हमेशा पूरी तरह से बनने से दूर हैं, इसलिए इससे पहले कि आप विज़ुअलाइज़ेशन के साथ काम करना शुरू करें, आपको उन्हें क्रम में रखना होगा। विज़ुअलाइज़ेशन की गुणवत्ता काफी हद तक उपयोग किए गए डेटा की गुणवत्ता पर निर्भर करेगी।

विभिन्न प्रकार के चार्ट और ग्राफ़ की एक बड़ी संख्या है, और केवल मानक पुस्तकालयों तक सीमित होना आवश्यक नहीं है।

इसमें जियोप्लेटिब , प्लॉटली , मिनिमलिस्टिक लेदर और अन्य हैं।

यदि आप पायथन में डेटा के साथ काम करने के बारे में अधिक जानकारी प्राप्त करना चाहते हैं, साथ ही साथ कृत्रिम बुद्धिमत्ता से परिचित होते हैं, तो हम आपको बाइनरी डिस्ट्रिक्ट से एक दिन के गहन - एआई के लिए पायथन जम्पस्टार्ट में आमंत्रित करते हैं।