علم داده‌ مکانی با پایتون - مصورسازی داده‌

آنچه یاد خواهید گرفت:

• شما با مصورسازی داده‌ جدولی و داده‌ مکانی با استفاده از matplotlib و pandas و geopandas و seaborn و plotly و folium و ابزارهای دیگر آشنا می‌شوید.

پیش‌نیازهای دوره

• انتظار می‌رود دانشجویان با پایتون و GeoPandas آشنایی کافی داشته باشند. این دانش را می‌توانید از طریق دوره‌های «بررسی پایتون برای کاربردهای GIS» و «علم داده‌ مکانی با پایتون - GeoPandas» کسب کنید.

توضیحات دوره

استفاده از Pandas و GeoPandas در محیط Jupyter Notebook، جایگزینی قدرتمند برای روش‌های سنتی نرم افزارهای دسکتاپ GIS در تحلیل داده‌ مکانی ارائه می‌دهد. این روش یکی از مزیت‌های بزرگ را در امکان گنجاندن مصورسازی‌های داده‌ جدولی و داده‌ مکانی در گردش‌کار تحلیل شما فراهم می‌سازد.

در این دوره با جزییات یاد می‌گیرید چگونه با استفاده از Matplotlib و Pandas و GeoPandas و Rasterio و Contextily و Seaborn و Plotly و Bokeh و سایر پکیج‌های پایتون در محیط Jupyter Notebook، تصاویر زیبای داده‌ جدولی و مکانی تولید کنید.

ابتدا با Matplotlib شروع می‌کنیم، زیرا پایه و اساس همه متدهای دیگر ترسیم نمودارهای استاتیک است. Pandas و GeoPandas و Rasterio و Contextily و Seaborn همگی خروجی‌هایی به صورت آبجکت‌های Matplotlib تولید می‌کنند. اگر Matplotlib را بدرستی بشناسید، می‌توانید دانش خود را برای اصلاح نمودارهای تولید شده توسط سایر پکیج‌ها استفاده کنید. شما کنترل کاملی روی برچسب‌ها و عناوین، قرار دادن حاشیه‌نویسی روی نقشه‌ها، افزودن تیک‌ها و گریدلاین‌ها، درج لجندها، تعیین محدودیت‌های محور x و y و بسیاری موارد دیگر خواهید داشت. حتی اگر APIs ترسیم نمودار سطح بالا، تولید خروجی اولیه را تنها با یک خط کد ساده کند، همچنان می‌توانید جزییات خروجی‌ها را کنترل نمایید.

Plotly و Bokeh، خروجی‌های پویا مبتنی بر جاوا اسکریپت تولید می‌کنند که امکان می‌دهند تا نمودارها به حرکت موس، کلیک‌ها و غیره واکنش نشان دهند.

این دوره برای چه کسانی مناسب است؟

• متخصصان داده‌ مکانی که می‌خواهند دانش خود را درباره استک علم داده‌ مکانی با پایتون، به‌ویژه از نظر مصورسازی داده‌ افزایش دهند.