WedX - журнал о программировании и компьютерных науках

Сюжет: карта Австралии.

У меня есть список штатов и территорий Австралии с соответствующими значениями. Теперь я хочу создать такую ​​тепловую карту:

введите описание изображения здесь

Я следую примерам с Pyplot из этой ссылки < / a> но это просто пример для штатов США.

введите описание изображения здесь

В частности, в этом блоке кода:

data = [ dict(
    type='choropleth',
    colorscale = scl,
    autocolorscale = False,
    locations = df['code'],
    z = df['total exports'].astype(float),
    locationmode = 'USA-states',
    text = df['text'],
    marker = dict(
        line = dict (
            color = 'rgb(255,255,255)',
            width = 2
        ) ),
    colorbar = dict(
        title = "Millions USD")
    ) ]

layout = dict(
    title = '2011 US Agriculture Exports by State<br>(Hover for breakdown)',
    geo = dict(
        scope='usa',
        projection=dict( type='albers usa' ),
        showlakes = True,
        lakecolor = 'rgb(255, 255, 255)'),
         )

Как я могу изменить код в соответствии с моими требованиями? Какими должны быть правильные значения параметров location, locationmode, scope, projection в случае карты Австралии? Например, как я могу узнать коды штатов, территорий и городов Австралии, если у меня есть их названия?

Будем признательны за любые указатели. Также будут рассмотрены другие рекомендации библиотеки.

24.04.2018

Ответы:


1

Я пытался сделать что-то подобное несколько месяцев назад, и, к сожалению, в настоящее время Plotly не предлагает ни одной карты Австралии (или любой другой страны, кроме США) даже наполовину приличного разрешения.

Если вы обратитесь к Plotly API, доступны только locationmode варианты ["ISO-3" | "USA-states" | "country names"]

Чтобы отобразить любую страну, кроме США, единственный вариант - использовать locationmode = "country names", как в случае с Western Пример Африки и задайте:

geo = dict(
    scope = 'australia'
)

Однако вы обнаружите, что все береговые линии неровные и выглядят ужасно, нет возможности установить границы штатов и т. Д.

Лучший вариант, который мне удалось найти после довольно скучного поиска, - это использовать matplotlib и Basemap. Например. это руководство.

Похоже, что Basemap предлагает огромный выбор вариантов сопоставления, так что, надеюсь, вы сможете найти некоторые там любовь.

В качестве альтернативы, если ваши ценности общегосударственные, я бы просто использовал небольшой классный веб-инструмент автор: Socialcops.

28.05.2018
Новые материалы

Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что это выглядит сложно…
Просто начните и учитесь самостоятельно Я хотел выучить язык программирования MVC4, но не мог выучить его раньше, потому что он кажется мне сложным, и я бросил его. Это в основном инструмент..

Лицензии с открытым исходным кодом: руководство для разработчиков и создателей
В динамичном мире разработки программного обеспечения открытый исходный код стал мощной парадигмой, способствующей сотрудничеству, инновациям и прогрессу, движимому сообществом. В основе..

Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка. Во время предварительного обучения модель обучается на неразмеченных данных с помощью..

Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..

Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv) Автор : Бар Лайт Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..

Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята? В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..

Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение. В этом процессе мы будем использовать неконтролируемое обучение, чтобы..


Для любых предложений по сайту: [email protected]