جمع آوری و تجزیه و تحلیل داده های آب و هوا برای شهرهای بزرگ در کنیا

Summarize this content to 400 words in Persian Lang
به جمع آوری و تجزیه و تحلیل داده های آب و هوا برای شهرهای بزرگ در کنیا پروژه این مخزن فرآیند جمع آوری، ذخیره و تجزیه و تحلیل داده های آب و هوا را برای پنج شهر اصلی کنیا نشان می دهد: نایروبی، مومباسا، کیسومو، ناکورو و الدورت. هدف این است که با استفاده از داده های API، MySQL برای ذخیره سازی، و ابزارهای مختلف مبتنی بر پایتون برای تجزیه و تحلیل و تجسم داده ها، بینش های ارزشمندی در مورد الگوهای آب و هوای این شهرها در یک دوره یک ساله ارائه دهیم.

بررسی اجمالی پروژه

پروژه شامل:

جمع آوری داده های آب و هوای تاریخی از یک API
تبدیل داده های JSON به فرمت CSV
ذخیره سازی داده ها در پایگاه داده MySQL
انجام تجزیه و تحلیل داده های اکتشافی (EDA) بر روی داده های آب و هوا
تجسم الگوهای آب و هوا، روندها و روابط بین متغیرها
ایجاد تجسم های جغرافیایی با استفاده از Folium

ساخت داشبورد تعاملی با Streamlit

فهرست مطالب

فن آوری های مورد استفاده
جمع آوری داده ها
ذخیره سازی داده ها
تجزیه و تحلیل داده ها
تجسم جغرافیایی
داشبورد Streamlit
نحوه اجرای پروژه
پیشرفت های آینده

فن آوری های مورد استفاده

پایتون برای پردازش، تجزیه و تحلیل و تجسم داده ها

MySQL برای ذخیره اطلاعات آب و هوا

Streamlit برای ساخت داشبورد تعاملی

برگ و توطئه برای تجسم های جغرافیایی و تعاملی

API آب و هوا برای داده های آب و هوای تاریخی

SQLAlchemy برای تعامل با پایگاه داده

جمع آوری داده ها

داده های آب و هوا با استفاده از API آب و هوا برای پنج شهر در کنیا (نایروبی، مومباسا، کیسومو، ناکورو و الدورت) جمع آوری شد. ژانویه 2023 و ژانویه 2024.

ذخیره سازی داده ها

داده های آب و هوا جمع آوری شده از API تبدیل شده و به یک ذخیره می شود MySQL پایگاه داده برای ذخیره سازی ساختار یافته و بازیابی آسان. داده ها در جدولی ذخیره می شوند که شامل ویژگی های کلیدی آب و هوا مانند دما، رطوبت، سرعت باد و غیره است.

طرحواره پایگاه داده MySQL

پایگاه داده حاوی جدولی به نام است weather، که ستون های زیر را ذخیره می کند:

شناسه: شناسه منحصر به فرد برای هر رکورد

شهر: نام شهر (به عنوان مثال، نایروبی، مومباسا)

تاریخ: تاریخ ثبت آب و هوا

max_temp_c: حداکثر دما (در درجه سانتیگراد)

min_temp_c: حداقل دما (در درجه سانتیگراد)

avg_temp_c: دمای متوسط ​​(در درجه سانتیگراد)

رطوبت: درصد رطوبت متوسط

بارش_میلی متر: میزان بارندگی (بر حسب میلی متر)

باد_کیلومتر در ساعت: سرعت باد (به کیلومتر در ساعت)

شرط_متن: شرح متنی وضعیت آب و هوا (به عنوان مثال، “صاف”، “بارانی”)

مثال SQL

CREATE DATABASE weather_data_db;
USE weather_data_db;

CREATE TABLE weather (
id INT AUTO_INCREMENT PRIMARY KEY,
town VARCHAR(100),
date DATE,
max_temp_c FLOAT,
min_temp_c FLOAT,
avg_temp_c FLOAT,
humidity FLOAT,
precipitation_mm FLOAT,
wind_kph FLOAT,
condition_text VARCHAR(255)
);

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

تجزیه و تحلیل داده ها

مرحله تجزیه و تحلیل داده ها با هدف کشف بینش ها و روندها از داده های آب و هوای جمع آوری شده در شهرهای مختلف کنیا است. این فرآیند شامل چندین مرحله بود: تمیز کردن داده ها، تجزیه و تحلیل داده های اکتشافی (EDA) و تجسم ویژگی های آب و هوا مانند دما، رطوبت، بارش و سرعت باد.

1. پاکسازی داده ها

قبل از انجام هر تجزیه و تحلیل، مجموعه داده تحت چندین مرحله تمیز کردن قرار گرفت:

مدیریت مقادیر از دست رفته: هر گونه داده از دست رفته یا با استفاده از روش‌های انتساب پر شده است (مانند پر کردن به جلو برای داده‌های سری زمانی) یا اگر نامربوط تلقی شود حذف شده است.

قالب بندی تاریخ: date ستون به a تبدیل شد datetime فرمت برای تسهیل تجزیه و تحلیل مناسب سری زمانی.

تبدیل نوع داده: فیلدهای عددی مانند دما، رطوبت و سرعت باد به انواع داده های مناسب ریخته شدند (به عنوان مثال، float) برای اطمینان از تجزیه و تحلیل صاف.

2. تجزیه و تحلیل داده های اکتشافی (EDA)

EDA برای درک بهتر ساختار داده های آب و هوا و روابط بین متغیرهای مختلف انجام شد.

2.1 روند دما

اولین گام در تجزیه و تحلیل، بررسی الگوهای دما در شهرهای مختلف بود. با نقشه کشیدن حداکثر، حداقل، و دمای متوسط در طول زمان، ما روندها و تغییرات فصلی قابل توجهی را بین شهرها شناسایی کردیم.

import matplotlib.pyplot as plt

# Plot maximum temperature trends for each town
plt.figure(figsize=(10,6))
for town in df[‘town’].unique():
town_data = df[df[‘town’] == town] plt.plot(town_data[‘date’], town_data[‘max_temp_c’], label=town)

plt.title(‘Maximum Temperature Trends Across Towns’)
plt.xlabel(‘Date’)
plt.ylabel(‘Maximum Temperature (°C)’)
plt.legend()
plt.grid(True)
plt.show()

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

داشبورد Streamlit

این پروژه شامل یک تعامل است داشبورد Streamlit برای ارائه یک رابط بصری به کاربران برای کشف داده های آب و هوا برای پنج شهر اصلی کنیا. داشبورد برای ارائه بینش و تجسم داده‌ها به روشی قابل دسترس طراحی شده است و به کاربران امکان می‌دهد با داده‌ها تعامل داشته باشند و دیدگاه‌های خود را بر اساس ترجیحات خود سفارشی کنند.

ویژگی های کلیدی داشبورد

تجسم های تعاملی:داشبورد دارای نمودارها و نمودارهای تعاملی است که به کاربران امکان می دهد به صورت پویا روند آب و هوا را در شهرهای مختلف بررسی کنند. کاربران می توانند شهرهای مورد علاقه خود را انتخاب کرده و داده هایی مانند دما، رطوبت، سرعت باد و بارش را در طول زمان مشاهده کنند. این عناصر تعاملی به کاربران کمک می کند تا نحوه تغییر پارامترهای آب و هوا در طول سال را تجسم کنند.
مقایسه شهر:کاربران می توانند شرایط آب و هوایی را در پنج شهر اصلی (نایروبی، مومباسا، کیسومو، ناکورو و الدورت) مقایسه کنند. داشبورد امکان مقایسه کنار هم از میانگین دما، سطح رطوبت و سرعت باد را فراهم می‌کند و بینش‌هایی را در مورد چگونگی تجربه مناطق مختلف شرایط آب و هوایی مختلف ارائه می‌دهد.
انتخاب محدوده تاریخ:داشبورد دارای یک ویژگی برای فیلتر کردن داده ها بر اساس یک محدوده تاریخ خاص است. کاربران می‌توانند تاریخ شروع و پایان را انتخاب کنند و تجسم‌ها بر این اساس به‌روزرسانی می‌شوند تا روند آب و هوا را در دوره انتخابی نشان دهند. این به کاربران اجازه می دهد تا روی بازه های زمانی خاص مانند تغییرات فصلی یا روندهای سالانه تمرکز کنند.

رابط کاربر پسند:داشبورد با در نظر گرفتن سهولت استفاده طراحی شده است و اطمینان می دهد که کاربران فنی و غیر فنی می توانند بدون مشکل در آن حرکت کنند. برچسب‌های پاک، کنترل‌های بصری و نکات ابزار آموزنده به هدایت کاربران در فرآیند انتخاب شهرها، فیلتر کردن داده‌ها و تعامل با تصاویر کمک می‌کنند.
گزارش های قابل دانلود:داشبورد دارای گزینه ای برای کاربران برای دانلود داده های آب و هوای تجزیه و تحلیل شده در قالب CSV است. این ویژگی برای کسانی مفید است که مایلند تجزیه و تحلیل بیشتری را به تنهایی انجام دهند یا داده ها را برای استفاده آفلاین ذخیره کنند.

بینش و برنامه های کاربردی

داشبورد تعاملی بینش های ارزشمندی در مورد الگوهای آب و هوای کنیا ارائه می دهد و به کاربران اجازه می دهد:

روندهای فصلی را دنبال کنید: درک کنید که دما، رطوبت و بارندگی چگونه در طول سال و در مناطق مختلف متفاوت است.

شرایط آب و هوایی را مقایسه کنید: شرایط آب و هوایی چند شهر را برای اطلاع از تصمیم گیری ها، مانند برنامه ریزی کشاورزی یا توسعه زیرساخت ها، مقایسه کنید.

مانیتور آب و هوا در زمان واقعی: از آخرین شرایط آب و هوایی به‌روز باشید، به‌ویژه در دوره‌های آب و هوای شدید یا تغییر فصول.(من این را به عنوان یک پیشرفت آینده در نظر می‌گیرم)

داشبورد Streamlit به عنوان یک ابزار عملی برای افراد و سازمان هایی است که به دنبال تصمیم گیری مبتنی بر داده ها بر اساس الگوهای آب و هوا هستند. داشبورد با ارائه داده‌های بلادرنگ، نماهای قابل تنظیم و تجسم‌های قابل درک، تجزیه و تحلیل آب و هوا را برای طیف گسترده‌ای از کاربران قابل دسترسی و عملی می‌کند.

نحوه اجرای این پروژه

برای اجرای جمع آوری و تجزیه و تحلیل داده های آب و هوا برای شهرهای بزرگ در کنیا پروژه، مراحل زیر را دنبال کنید:

پیش نیازها

اطمینان حاصل کنید که موارد زیر را روی دستگاه خود نصب کرده اید:

پایتون 3.8+

سرور MySQL (برای ذخیره اطلاعات آب و هوا)

Git (برای شبیه سازی مخزن)

محیط مجازی (اختیاری اما توصیه می شود)

مرحله 1: Repository را کلون کنید

ابتدا با استفاده از دستور زیر، مخزن پروژه را از GitHub کلون کنید:

git clone https://github.com/your-username/weather-data-kenya.git

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

اطلاعات بیشتری در مورد این پروژه در Github من پیدا کنید:Github

CREATE DATABASE weather_data_db;
USE weather_data_db;

CREATE TABLE weather (
    id INT AUTO_INCREMENT PRIMARY KEY,
    town VARCHAR(100),
    date DATE,
    max_temp_c FLOAT,
    min_temp_c FLOAT,
    avg_temp_c FLOAT,
    humidity FLOAT,
    precipitation_mm FLOAT,
    wind_kph FLOAT,
    condition_text VARCHAR(255)
);

import matplotlib.pyplot as plt

# Plot maximum temperature trends for each town
plt.figure(figsize=(10,6))
for town in df['town'].unique():
    town_data = df[df['town'] == town]
    plt.plot(town_data['date'], town_data['max_temp_c'], label=town)

plt.title('Maximum Temperature Trends Across Towns')
plt.xlabel('Date')
plt.ylabel('Maximum Temperature (°C)')
plt.legend()
plt.grid(True)
plt.show()

git clone https://github.com/your-username/weather-data-kenya.git