सदियों से लोग अपने आसपास की दुनिया को समझने और मार्गदर्शन के लिए मानचित्रों का उपयोग करते आए हैं। बिग डेटा के दौर में, मानचित्र डेटा विज़ुअलाइज़ेशन का एक अनिवार्य साधन बन गए हैं। ये हमें डेटा को सहज, इंटरैक्टिव और आसानी से समझ आने वाले तरीके से प्रदर्शित करने देते हैं। मानचित्र उन पैटर्न और संबंधों को उजागर करने में मदद कर सकते हैं जो अन्य प्रकार के विज़ुअलाइज़ेशन में देखना कठिन हो सकता है।
Plotly Python के लिए एक शक्तिशाली डेटा विज़ुअलाइज़ेशन लाइब्रेरी है, जिसके जरिए आप इंटरैक्टिव विज़ुअलाइज़ेशन की एक विस्तृत शृंखला—मानचित्र सहित—बना सकते हैं। Plotly का एक बड़ा लाभ यह है कि यह Pandas और NumPy जैसी अन्य Python लाइब्रेरियों के साथ आसानी से काम करता है। इससे डेटा आयात और रूपांतरण करना सरल हो जाता है और आप अपनी जरूरतों के अनुसार कस्टम विज़ुअलाइज़ेशन बना सकते हैं। यदि आप Plotly सीखना चाहते हैं, तो हमारा Introduction to Data Visualization with Plotly in Python कोर्स देखें।
इस ट्यूटोरियल में, आप Python में Plotly का उपयोग करके साधारण और इंटरैक्टिव मानचित्र चरण-दर-चरण बनाना और कस्टमाइज़ करना सीखेंगे। आप Choropleth मानचित्र बनाना भी सीखेंगे—यह एक विशेष प्रकार का मानचित्र है जो देशों, राज्यों या शहरों जैसे भौगोलिक क्षेत्रों के लिए डेटा दर्शाने हेतु रंग-कोडिंग का उपयोग करता है।
सामान्य Plotly मानचित्र विज़ुअलाइज़ेशन
आइए पहले देखें कि Plotly में आप किन-किन प्रकार के मानचित्र बना सकते हैं।
ScatterGeo प्लॉट
Scattergeo() फ़ंक्शन का उपयोग भौगोलिक मानचित्र पर स्कैटर प्लॉट बनाने के लिए होता है। यानी आप मानचित्र पर ऐसे बिंदु प्लॉट कर सकते हैं जहां हर बिंदु किसी विशेष भौगोलिक स्थान—जैसे किसी शहर या लैंडमार्क—का प्रतिनिधित्व करता है।
उदाहरण के लिए, यदि आपके पास दुनिया भर के अलग-अलग शहरों के अक्षांश और देशांतर वाले डेटा हैं, तो आप Scattergeo() का उपयोग करके हर शहर को विश्व मानचित्र पर प्लॉट कर सकते हैं।
मानचित्र पर हर बिंदु किसी विशिष्ट शहर के स्थान को दर्शाएगा, और आप शहरों की जनसंख्या या तापमान जैसे अलग-अलग लक्षण दिखाने के लिए हर बिंदु का आकार, रंग और आकार-प्रकार कस्टमाइज़ कर सकते हैं।
यह फ़ंक्शन डेटा विज़ुअलाइज़ेशन और विश्लेषण में, जैसे मौसम पूर्वानुमान, जनसंख्या विश्लेषण और व्यवसाय मैपिंग में, आम तौर पर उपयोग होता है। यह आपके डेटा बिंदुओं के स्थानिक वितरण को दिखाकर और उन पैटर्न/रुझानों को उजागर करके—जो तालिका या चार्ट में स्पष्ट न हों—डेटा को अधिक अर्थपूर्ण तरीके से विज़ुअलाइज़ करने में मदद करता है।
Plotly में ScatterGeo प्लॉट बनाना: उदाहरण
import plotly.express as px
import pandas as pd
# Import data from USGS
data = pd.read_csv('https://earthquake.usgs.gov/earthquakes/feed/v1.0/summary/all_month.csv')
# Drop rows with missing or invalid values in the 'mag' column
data = data.dropna(subset=['mag'])
data = data[data.mag >= 0]
# Create scatter map
fig = px.scatter_geo(data, lat='latitude', lon='longitude', color='mag',
hover_name='place', #size='mag',
title='Earthquakes Around the World')
fig.show()आउटपुट:
यह कोड उदाहरण Plotly का उपयोग कर दुनिया भर में भूकंप के स्थानों का एक इंटरैक्टिव जियो मानचित्र बनाता है। यह USGS वेबसाइट से भूकंप डेटा pandas DataFrame में आयात करता है और मैग्नीट्यूड के अभाव या अमान्य मान वाली पंक्तियाँ हटा देता है।
इसके बाद कोड px.scatter_geo मेथड से एक स्कैटर मानचित्र बनाता है जो भूकंप के स्थान दिखाता है, जहाँ अधिक तीव्र भूकंप गहरे रंगों में दिखते हैं। hover_name पैरामीटर सेट है ताकि मार्कर पर होवर करने पर स्थान का नाम दिखे।
अंत में, कोड मानचित्र का शीर्षक सेट करता है और fig.show() के माध्यम से मानचित्र प्रदर्शित करता है। इस प्रकार का मानचित्र भूकंप के पैटर्न की जाँच करने और वैश्विक भूकंपीय गतिविधि की समझ पाने में सहायक होता है।
बेसिक प्लॉट्स को कस्टमाइज़ करना
1. कलर स्केल बदलें: scatter_geo फ़ंक्शन में color पैरामीटर भूकंप की तीव्रता को मार्करों के रंग से मैप करता है। आप मैग्नीट्यूड मानों का बेहतर प्रतिनिधित्व करने के लिए कलर स्केल कस्टमाइज़ कर सकते हैं।
fig = px.scatter_geo(data, lat='latitude', lon='longitude', color='mag',
hover_name='place', color_continuous_scale='reds',
title='Earthquakes Around the World')
fig.show()आउटपुट:
2. मार्कर का आकार बदलें: आप मार्करों का आकार कस्टमाइज़ करके भूकंप की तीव्रता का बेहतर प्रतिनिधित्व कर सकते हैं।
fig = px.scatter_geo(data, lat='latitude', lon='longitude', color='mag',
hover_name='place', size='mag', size_max=10,
title='Earthquakes Around the World')
fig.show()
आउटपुट:
3. बैकग्राउंड रंग बदलें: आप मानचित्र की पृष्ठभूमि का रंग बदलकर उसे अधिक आकर्षक बना सकते हैं।
fig = px.scatter_geo(data, lat='latitude', lon='longitude', color='mag',
hover_name='place', color_continuous_scale='reds',
title='Earthquakes Around the World')
fig.update_layout(geo=dict(bgcolor='black'))
fig.show()
यदि आप Plotly में विज़ुअलाइज़ेशन और उन्नत कस्टमाइज़ेशन की संभावनाओं के बारे में अधिक जानना चाहते हैं, तो Bekhruz Tuychiev द्वारा लिखा हमारा Python Plotly Express Tutorial: Unlock Beautiful Visualizations देखें।
मानचित्र को इंटरैक्टिव HTML फ़ाइल के रूप में सहेजना
आप plotly.io मॉड्यूल के write_html() फ़ंक्शन का उपयोग करके किसी Plotly फ़िगर को HTML फ़ाइल के रूप में सहेज सकते हैं। उदाहरण देखें:
import plotly.io as pio
pio.write_html(fig, file='earthquakes.html', auto_open=True)
Choropleth मानचित्र
Choropleth मानचित्र वह मानचित्र होता है जिसमें क्षेत्रों—जैसे देश, राज्य या प्रांत—में अलग-अलग डेटा मानों को दिखाने के लिए भिन्न रंगों या शेड्स का उपयोग किया जाता है। इसमें हर क्षेत्र को किसी विशिष्ट डेटा वेरिएबल—जैसे जनसंख्या, आय या तापमान—के मान के अनुसार रंगा जाता है।
Choropleth मानचित्र कई परिदृश्यों में उपयोगी होते हैं, जैसे चुनाव मानचित्रण, जनसांख्यिकी विश्लेषण और भौगोलिक डेटा विज़ुअलाइज़ेशन। ये आपकी तालिकाओं या चार्ट में स्पष्ट न दिखने वाले पैटर्न और रुझान सामने लाने में मदद करते हैं और आपके दर्शकों तक जानकारी पहुँचाने का प्रभावी तरीका प्रदान करते हैं।
हालाँकि Plotly में scatter_geo और Choropleth दोनों फ़ंक्शन भौगोलिक विज़ुअलाइज़ेशन बनाने के लिए उपयोग होते हैं, लेकिन वे जिस प्रकार के डेटा के लिए उपयुक्त हैं और मानचित्र पर डेटा प्रस्तुत करने के तरीके के लिहाज़ से अलग हैं। scatter_geo फ़ंक्शन उस स्थिति में उपयुक्त है जब आपको मानचित्र पर व्यक्तिगत डेटा बिंदु प्लॉट करने हों, जहाँ हर बिंदु किसी शहर, लैंडमार्क या भूकंप जैसे विशिष्ट भौगोलिक स्थान का प्रतिनिधित्व करता है।
इसके विपरीत, Choropleth फ़ंक्शन उन डेटा के विज़ुअलाइज़ेशन के लिए उपयोग होता है जो क्षेत्रों—जैसे देश, राज्य या प्रांत—भर में समेकित या औसत किए गए हों। हर क्षेत्र को किसी विशिष्ट डेटा वेरिएबल—जैसे जनसंख्या घनत्व, औसत आय या बेरोज़गारी दर—के मान के अनुसार शेड या रंग दिया जाता है।
Plotly में Choropleth मानचित्र बनाना: उदाहरण
import plotly.express as px
import pandas as pd
# Import data from GitHub
data = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/master/gapminder_with_codes.csv')
# Create basic choropleth map
fig = px.choropleth(data, locations='iso_alpha', color='gdpPercap', hover_name='country',
projection='natural earth', title='GDP per Capita by Country')
fig.show()
आउटपुट:
ध्यान दें कि हमारे डेटा फ़्रेम में year नाम का एक समय आयाम है, जो 1952 से 2007 तक जाता है। हम इस आयाम का उपयोग विज़ुअलाइज़ेशन को एनिमेट करने के लिए कर सकते हैं। नीचे उदाहरण देखें।
नमूना डेटासेट:
import plotly.express as px
import pandas as pd
# Import data from GitHub
data = pd.read_csv('https://raw.githubusercontent.com/plotly/datasets/master/gapminder_with_codes.csv')
# Create basic choropleth map
fig = px.choropleth(data, locations='iso_alpha', color='gdpPercap', hover_name='country',
projection='natural earth', animation_frame='year',
title='GDP per Capita by Country')
fig.show()आउटपुट:
निष्कर्ष
बिग डेटा के युग में डेटा विज़ुअलाइज़ेशन के लिए मानचित्र अनिवार्य हैं। Plotly Python के लिए एक शक्तिशाली डेटा विज़ुअलाइज़ेशन लाइब्रेरी है जो आपको तरह-तरह के इंटरैक्टिव मानचित्र बनाने देती है। Scattergeo के साथ आप विशिष्ट भौगोलिक स्थानों के अनुरूप डेटा बिंदु प्लॉट कर सकते हैं, जबकि Choropleth क्षेत्र, शहर, देश आदि जैसी विभिन्न आयामों में समेकित डेटा को विज़ुअलाइज़ करने के लिए उपयुक्त है।
यदि आप Plotly में और उन्नत कस्टमाइज़ेशन विकल्पों को खोजना चाहते हैं या इसकी क्षमताओं के बारे में अधिक जानना चाहते हैं, तो Python Plotly Express Cheat Sheet देखें, जो सबसे अधिक प्रयुक्त Plotly फ़ंक्शनों और विकल्पों का त्वरित संदर्भ प्रदान करता है।
