Πώς κάνουμε οπτική απεικόνιση δεδομένων σε χάρτη με χρήση Python

• Σχετικά με
• τελευταίες δημοσιεύσεις

Stratos Matzouranis

Το ταξίδι άρχισε το 2008 όπου ξεκίνησα να εργάζομαι επίσημα στον τομέα της τεχνολογίας πληροφορικής (IT). Ξεκινώντας το πρώτο εξάμηνο της σχολής κατάλαβα μια ιδιαίτερη έλξη προς τις βάσεις δεδομένων και τους αυτοματισμούς.Έχω ασχοληθεί με βάσεις δεδομένων όπως Microsoft SQL Server / Oracle Database, ανάλυση δεδομένων και αυτοματισμούς με τη χρήση γραμμής εντολών (CLI), Visual Basic for Applications και Python. Μέσα από τα χρόνια εμπειρίας εξέλιξα αυτές τις δυνατότητες ώστε να μπορώ να κάνω τη ζωή μου πιο εύκολη. Για μένα ο σκοπός του κάθε IT guy αλλά και κάθε υπαλλήλου γραφείου είναι το να έχει τις γνώσεις ώστε μέσω εργαλείων να μπορεί να δουλεύει λίγο αλλά να παράγει πολύ. Μέσα από αυτό τον ιστότοπο του DataPlatform.gr προσπαθώ να προσφέρω γνώσεις και να προτείνω λύσεις σε καθημερινά προβλήματα.

Πιστοποιήσεις:

Τελευταίες δημοσιεύσεις από Stratos Matzouranis (Προβολή όλων)

• Πώς να γυρίσουμε μία Oracle Database πίσω στον χρόνο με χρήση restore point σε περιβάλλον Data Guard - 28 Απρίλιος 2025
• Πώς μπορούμε να αυξήσουμε την απόδοση στο target Replicat του Oracle GoldenGate με παραλληλία - 19 Μάρτιος 2025
• Πώς φτιάχνουμε χρήστες σε βάσεις δεδομένων που ανήκουν σε Always On Availability Group του SQL Server - 10 Φεβρουάριος 2025

Στο άρθρο αυτό με τη βοήθεια του jupyter notebook και της python θα φτιάξουμε ένα heatmap. Θα κάνουμε μια πλήρη ανάλυση με χρήση dataframe, polynomial regression scatter plot, bar plot.

Ας ξεκινήσουμε φορτώνοντας τις βιβλιοθήκες που θα χρειαστούμε:

import folium  #είναι για την δημιουργία χάρτη
import json
import numpy as np  #easy maths calculations
import pandas as pd    #για τα dataframe
import matplotlib      #για τα γραφήματα
import matplotlib.pyplot as plt

geo_Data = 'https://raw.githubusercontent.com/python-visualization/folium/master/examples/data/world-countries.json'

Τι είναι όμως το json που βάλαμε στην μεταβλητή geo_Data;

Είναι ουσιαστικά ένα αρχείο με συσχετισμένες τις χώρες με τις συντεταγμένες τους που χρειάζεται στο folium ώστε να φτιάξει τα περιθώρια του χάρτη.

Στο επόμενο βήμα θα φορτώσουμε ένα csv με δεδομένα που βρήκα για την Ευρώπη και μας κάνουν για το παράδειγμα:

dfun = pd.read_csv('https://gist.githubusercontent.com/str4t3gos/d089dd9bab5d075a4c39e48da301b374/raw/653feea057e6b7aa54ee772922e696e7f7d1ba61/country_un2.csv')

Αφού έχουμε φορτώσει σε μια μεταβλητή που έχει πάρει τις ιδιότητες του panda dataframe ως csv με την εντολή .head() μας δείξει τα δεδομένα μας:

dfun.head()

Μπορούμε να  φιλτράρουμε τα δεδομένα του dataframe πχ να φέρουμε μόνο τα  δεδομένα του 2017:

dfun17 = dfun[dfun['YEAR'] == 2017]

dfun17.head()

Ας γεμίσουμε μια ακόμα μεταβλητή με τα δεδομένα του 2010 θα τα χρειαστούμε αργότερα:

dfun10 = dfun[dfun['YEAR'] == 2010]

dfun10.head()

Ορίζουμε σε μια μεταβλητή τις ιδιότητες του χάρτη από το folium και του βάζουμε τα χρώματα μαζί με τα υπόλοιπα ορίσματα μέσω της ιδιότητας choropleth.

*Να υπενθυμίσω ότι legend είναι το κουτάκι που επεξηγεί τι είναι σημαίνουν τα διαφορετικά χρώματα που βλέπουμε. Επίσης με την ιδιότητα .save έχουμε την δυνατότητα να το σώσουμε ως html.

Δημιουργία χάρτη

sf_map= folium.Map([40., 10.], zoom_start=4)

sf_map.choropleth(

    geo_data=geo_Data,

    name='choropleth',

    data=dfun17,

    columns=['COUNTRY','VALUE'],

    fill_color='BuPu',

    fill_opacity=0.7,

    line_opacity=0.5,

    key_on='feature.properties.name',

    legend_name='Unemployment Rate (%)'

)

folium.LayerControl().add_to(sf_map)

sf_map

#sf_map.save('europe17.html')

Ας δούμε και την διαφορά με  το 2010 που φτιάξαμε και το άλλο dataframe:

sf_map10= folium.Map([40., 10.], zoom_start=4)

sf_map10.choropleth(

    geo_data=geo_Data,

    name='choropleth',

    data=dfun10,

    columns=['COUNTRY','VALUE'],

    fill_color='BuPu',

    fill_opacity=0.7,

    line_opacity=0.5,

    key_on='feature.properties.name',

    legend_name='Unemployment Rate (%)'

)

folium.LayerControl().add_to(sf_map10)

sf_map10

Δημιουργία γραφήματος polynomial regression

Ας φτιάξουμε ένα γράφημα polynomial regression με τα δεδομένα της κάθε χρονιάς της Ελλάδας.

Θα χρειαστούμε ένα καινούργιο dataframe φιλτραρισμένο μόνο με την Ελλάδα και να κάνουμε import την βιβλιοθήκη seaborn:

dgreece = dfun[dfun['COUNTRY'] == 'Greece']

dgreecefinal = dgreece[['YEAR','VALUE']]

import seaborn as sns

ax = sns.regplot(x="YEAR", y="VALUE", data=dgreecefinal,

                 scatter_kws={"s": 80},

                 order=6, ci=None)

Δημιουργία γραφήματος bar plot

Ας πάμε στο τελευταίο παράδειγμα.

Θα φτιάξουμε ένα γράφημα barplot με τα δεδομένα της Ελλάδος από το 2007 και μετά:

dgreecefinal10years = dgreecefinal[dgreecefinal['YEAR'] >=2007]

dgreecefinal10years.head()

Θα χρησιμοποιήσουμε την βιβλιοθήκη matplotlib ορίζοντας τις παραμέτρο της και με την ιδιότητα .show κάνει την προβολή:

%matplotlib inline

ax=dgreecefinal10years.plot.bar('YEAR','VALUE')

ax.spines['left'].set_visible(False)

ax.spines['top'].set_visible(False)

ax.spines['right'].set_visible(False)

for p in ax.patches:

    ax.annotate(np.round(p.get_height(),decimals=2), 

                (p.get_x()+p.get_width()/2., p.get_height()), 

                ha='center', 

                va='center', 

                xytext=(0, 10), 

                textcoords='offset points',

                fontsize = 12

               )

ax.legend(['Greece'],loc='upper left')

plt.show()

Πηγές:

• Folium