معرفی شرکت ها
clchoropleth-1.2
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشتر
تبلیغات ما
مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.
مشاهده بیشترتوضیحات
Creates SVG choropleths of Chilean regions
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | clchoropleth-1.2 |
| نام | clchoropleth |
| نسخه کتابخانه | 1.2 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Santiago Larrain |
| ایمیل نویسنده | santiagolarrain@gmail.com |
| آدرس صفحه اصلی | http://github.com/slarrain/clchoropleth |
| آدرس اینترنتی | https://pypi.org/project/clchoropleth/ |
| مجوز | MIT |
.. image:: https://img.shields.io/pypi/v/clchoropleth.svg
:target: https://pypi.python.org/pypi/clchoropleth
clChoropleth
============
It creates a SVG Choropleth of a Chilean region.
Description
-----------
You need a Dictionary or a Pandas.Series with the values. The index or key can be the Comuna name and the value an int. The package uses "clcomuna" to get the comuna code, and it creates bins for the values. You can specify the comuna region, even if your data has comunas for the hole country.
Installation
------------
::
pip3 install clchoropleth
Requirements
------------
- clcomuna
- pandas
- bf4 (BeautifulSoup)
- Python3.3+
Usage:
------
>>> import clchoropleth
Example
-------
::
import clchoropleth
arica = {'ARICA': 27, 'CAMARONES': 13, 'GENERAL LAGOS': 10, 'PUTRE': 8}
data = clchoropleth.prepare_data(arica)
clchoropleth.run(data, "arica.svg", "15")
This should save an SVG file similar to this:
.. image:: arica.png
**prepare_data**
``def prepare_data(data, t=70, noNone=False):``
Prepares the dataset. If its a dictionary, it turns it into a pandas.Series object.
It checks the comuna name and uses its code instead. You can specify the threshold for the clcomuna package.
It aggregates by comuna code, so, for exmaple, if you have ``{'arica':10, 'Arica':11, 'ARICA':12}`` it will return ``'arica':33`` as a pd.Series.
It can drops the 'None's that you will get for below the threshold.
Returns a pd.Series
::
arica = {'ARICA': 27, 'CAMARONES': 13, 'GENERAL LAGOS': 10, 'PUTRE': 8, 'arica': 33}
clchoropleth.prepare_data(arica)
>>>
15101 60
15102 13
15201 8
15202 10
dtype: int64
**select_comunas_from_region**
``def select_comunas_from_region (data, region):``
Given the dataset (after prepare_data), returns a subset with only the comunas from the given region. 'region' must be a string.
::
data = {'ARICA': 27, 'CAMARONES': 13, 'GENERAL LAGOS': 10, 'PUTRE': 8, 'arica': 33, 'iquique': 123, 'santiago': 999}
data_p = prepare_data(data)
data_p
>>>
01101 123
13101 999
15101 60
15102 13
15201 8
15202 10
dtype: int64
select_comunas_from_region(data_p, "15")
>>>
15101 60
15102 13
15201 8
15202 10
dtype: int64
**discretize**
``def discretize(data, bins=5, quantile=False):``
Changes the values of the data into a bin number. You can specify a number of bins to be used and if to use 'quintile' based cut or not.
::
arica
>>>
15101 60
15102 13
15201 8
15202 10
dtype: int64
discretize(arica)
>>>
15101 4
15102 0
15201 0
15202 0
dtype: category
Categories (5, int64): [0 < 1 < 2 < 3 < 4]
discretize(arica, 4, True)
>>>
15101 3
15102 2
15201 0
15202 1
dtype: category
Categories (4, int64): [0 < 1 < 2 < 3]
**make_map**
``def make_map(data, filename, region, colors='orange'):``
It creates the choropleth map and saves it to filename destination.
Args:
data: The pd.Series with the data. The index needs to be the code and the value the bin number.
filename: The filename of the map we are going to save.
region: we need to specify the region again, as a string ("09"), to open the original svg file and modify it.
colors: it can be a string, if is one of the 5 pre-set color lists:
orange, blue, green, red, pruple. Or it can be a list of strings, with each string being a color. For example:['#ffffcc','#c2e699','#78c679','#31a354','#006837']
It needs to have the same length as the number of bins.
For more colors: http://colorbrewer2.org/
Returns:
It saves the map. No return valule.
**run**
``def run(data, filename, region, colors='orange', bins=5, quantile=False):``
Is a wrapper function that runs all the other functions of the module, except for 'preapare_data'. Doesn't return anything.
نحوه نصب
نصب پکیج whl clchoropleth-1.2:
pip install clchoropleth-1.2.whl
نصب پکیج tar.gz clchoropleth-1.2:
pip install clchoropleth-1.2.tar.gz