ನಿಮಿಷಗಳಲ್ಲಿ ನಿಮ್ಮದೇ ಹವಾಮಾನ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ನಿರ್ಮಿಸಿ (ಯಾವುದೇ API ಕೀಗಳಿಲ್ಲ, ಯಾವುದೇ ವೆಚ್ಚವಿಲ್ಲ)

ಹುಕ್

ನೀವು ಒಂದು ಪೈಸೆ ಖರ್ಚು ಮಾಡದೆ ಅಥವಾ API ಕೀಗಳಿಗಾಗಿ ಹುಡುಕಾಡದೆ Python ನಲ್ಲಿ ಲೈವ್ ಹವಾಮಾನ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಅನ್ನು ನಿರ್ಮಿಸಬಹುದು. ನೈಜ-ಸಮಯದ ಹವಾಮಾನ ಡೇಟಾವನ್ನು ಸುಂದರವಾದ ಸಂವಾದಾತ್ಮಕ ಚಾರ್ಟ್‌ಗಳೊಂದಿಗೆ ತೋರಿಸುವ, ಎಲ್ಲವೂ ಆನ್‌ಲೈನ್‌ನಲ್ಲಿ ರನ್ ಆಗುವಂತಹದ್ದನ್ನು ಹೇಗೆ ರಚಿಸುವುದು ಎಂಬುದು ಇಲ್ಲಿದೆ.

2026 ರಲ್ಲಿ ಇದು ಏಕೆ ಮುಖ್ಯ

ಇಂದು (ಜೂನ್ 30, 2026), ಡೇಟಾ ದೃಶ್ಯೀಕರಣ ಸಾಧನಗಳು ಎಷ್ಟು ಸುಲಭವಾಗಿ ಲಭ್ಯವಿವೆಯೆಂದರೆ, ಮೂಲಭೂತ Python ತಿಳಿದಿರುವ ಯಾರಾದರೂ ವೃತ್ತಿಪರ-ಕಾಣುವ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಬಹುದು. Streamlit ನಂತಹ ಸಾಧನಗಳು ವೆಬ್ ಡೆವಲಪ್‌ಮೆಂಟ್ ಕಲಿಯುವ ತಡೆಗೋಡೆಯನ್ನು ತೆಗೆದುಹಾಕಿವೆ—ನೀವು HTML, CSS, ಅಥವಾ JavaScript ತಿಳಿಯುವ ಅಗತ್ಯವಿಲ್ಲ. ತ್ವರಿತ ಕಲ್ಪನೆಯನ್ನು ವೇಗವಾಗಿ ನೈಜ ರೂಪಕ್ಕೆ ತರಲು ಬಯಸುವ ಜನರಿಗೆ ಇದು ದೊಡ್ಡ ವಿಷಯವಾಗಿದೆ. Open-Meteo API ಸಹ ಉಚಿತ ಹವಾಮಾನ ಡೇಟಾಗೆ ಉತ್ತಮ ಮೂಲವಾಗಿದೆ, ಯಾವುದೇ ನೋಂದಣಿ ಅಗತ್ಯವಿಲ್ಲ, ಇದು ಈ ರೀತಿಯ ಯೋಜನೆಗಳನ್ನು ನಿಜವಾಗಿಯೂ ಘರ್ಷಣೆಯಿಲ್ಲದಂತೆ ಮಾಡುತ್ತದೆ.

ನೀವು ಏನನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದೀರಿ

ಇದನ್ನು ಮಾಡುವ ಹವಾಮಾನ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್:

• ಯಾವುದೇ ಸ್ಥಳದ ಪ್ರಸ್ತುತ ಪರಿಸ್ಥಿತಿಗಳನ್ನು (ತಾಪಮಾನ, ಆರ್ದ್ರತೆ, ಗಾಳಿಯ ವೇಗ) ತೋರಿಸುತ್ತದೆ
• ಮುಂಬರುವ ಕೆಲವು ದಿನಗಳಲ್ಲಿನ ತಾಪಮಾನದ ಪ್ರವೃತ್ತಿಗಳ ಸುಂದರ ಚಾರ್ಟ್‌ಗಳನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ
• ಭೂಮಿಯ ಮೇಲಿನ ಯಾವುದೇ ನಗರವನ್ನು ಆಯ್ಕೆ ಮಾಡಲು ಮತ್ತು ತಕ್ಷಣ ಲೈವ್ ಡೇಟಾವನ್ನು ನೋಡಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ
• Streamlit Cloud (Streamlit ನ ಹೋಸ್ಟಿಂಗ್ ಸೇವೆ) ನಲ್ಲಿ ಉಚಿತವಾಗಿ ರನ್ ಆಗುತ್ತದೆ

ಇಡೀ ವಿಷಯವು ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ಆಗಿ ರನ್ ಆಗುತ್ತದೆ—ಕೇವಲ URL ಅನ್ನು ಭೇಟಿ ಮಾಡಿ ಮತ್ತು ನಿಮ್ಮ ಬ್ರೌಸರ್‌ನಲ್ಲಿ ಅದರೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಿ. ನಿರ್ವಹಿಸಲು ಯಾವುದೇ ಬ್ಯಾಕೆಂಡ್ ಇಲ್ಲ, ಚಿಂತಿಸಲು ಯಾವುದೇ ಸರ್ವರ್‌ಗಳಿಲ್ಲ.

ನಿಮಗೆ ಏನು ಬೇಕು

• ನಿಮ್ಮ ಕಂಪ್ಯೂಟರ್‌ನಲ್ಲಿ Python 3.7 ಅಥವಾ ನಂತರದ ಆವೃತ್ತಿಯನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿರಬೇಕು
• ಟೆಕ್ಸ್ಟ್ ಎಡಿಟರ್ (VS Code, Sublime, ನಿಮಗೆ ಇಷ್ಟವಾದದ್ದು)
• ಉಚಿತ GitHub ಖಾತೆ
• ಉಚಿತ Streamlit Cloud ಖಾತೆ (ಅದೇ GitHub ಲಾಗಿನ್ ಬಳಸುತ್ತದೆ)
• ಅಷ್ಟೇ. ಯಾವುದೇ API ಕೀಗಳಿಲ್ಲ, ಕ್ರೆಡಿಟ್ ಕಾರ್ಡ್‌ಗಳಿಲ್ಲ, ಚಂದಾದಾರಿಕೆಗಳಿಲ್ಲ.

ಇದು ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ (ಕಲ್ಪನೆ)

Streamlit ಸ್ವಯಂಚಾಲಿತವಾಗಿ Python ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ. ನೀವು Python ಬರೆಯುತ್ತೀರಿ, ವಿಷಯಗಳನ್ನು ಸಂವಾದಾತ್ಮಕವಾಗಿಸಲು ಕೆಲವು ವಿಶೇಷ ಕಮಾಂಡ್‌ಗಳನ್ನು ಸೇರಿಸುತ್ತೀರಿ, ಮತ್ತು ಅದನ್ನು ವೆಬ್‌ಸೈಟ್ ಆಗಿ ಪರಿವರ್ತಿಸುವುದನ್ನು Streamlit ನಿಭಾಯಿಸುತ್ತದೆ. Plotly ಚಾರ್ಟ್‌ಗಳನ್ನು ರಚಿಸುತ್ತದೆ—ಅವು ಸಂವಾದಾತ್ಮಕವಾಗಿವೆ, ಆದ್ದರಿಂದ ಜನರು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳ ಮೇಲೆ ಹೋವರ್ ಮಾಡಬಹುದು ಮತ್ತು ಜೂಮ್ ಇನ್ ಮಾಡಬಹುದು. Open-Meteo ಸ್ವಯಂಸೇವಕರಿಂದ ನಡೆಸಲ್ಪಡುವ ಉಚಿತ ಹವಾಮಾನ API ಆಗಿದ್ದು, ಇದಕ್ಕೆ ದೃಢೀಕರಣ ಅಥವಾ ದರ ಮಿತಿಯ (ಸಮಂಜಸವಾಗಿ) ಅಗತ್ಯವಿಲ್ಲ.

ಮೂರು ಭಾಗಗಳು ಒಟ್ಟಿಗೆ ಹೊಂದಿಕೊಳ್ಳುತ್ತವೆ: ನೀವು Open-Meteo ದಿಂದ ಡೇಟಾವನ್ನು ಪಡೆಯುತ್ತೀರಿ, ಅದನ್ನು Python ನೊಂದಿಗೆ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುತ್ತೀರಿ, ಅದನ್ನು Streamlit ನೊಂದಿಗೆ ಪ್ರದರ್ಶಿಸುತ್ತೀರಿ, ಮತ್ತು Plotly ನೊಂದಿಗೆ ದೃಶ್ಯೀಕರಿಸುತ್ತೀರಿ.

ಹಂತ 1: ಸಾಧನಗಳನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡಿ

ಟರ್ಮಿನಲ್ ತೆರೆಯಿರಿ ಮತ್ತು ರನ್ ಮಾಡಿ:

pip install streamlit plotly requests pandas

ಇದು ನಿಮಗೆ ಅಗತ್ಯವಿರುವ ಲೈಬ್ರರಿಗಳನ್ನು ಇನ್‌ಸ್ಟಾಲ್ ಮಾಡುತ್ತದೆ. requests ಇಂಟರ್ನೆಟ್‌ನಿಂದ ಡೇಟಾವನ್ನು ಪಡೆಯುತ್ತದೆ, pandas ಅದನ್ನು ಆಯೋಜಿಸಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಮತ್ತು streamlit ಮತ್ತು plotly ಉಳಿದದ್ದನ್ನು ನಿಭಾಯಿಸುತ್ತವೆ.

ಹಂತ 2: ನಿಮ್ಮ Python ಸ್ಕ್ರಿಪ್ಟ್ ರಚಿಸಿ

ಹೆಸರಿನ ಹೊಸ ಫೈಲ್ ರಚಿಸಿ app.py ಮತ್ತು ಇದನ್ನು ಅಂಟಿಸಿ:

import streamlit as st
import plotly.graph_objects as go
import requests
import pandas as pd
from datetime import datetime

st.set_page_config(page_title="Weather Dashboard", layout="wide")

st.title("Live Weather Dashboard")

city = st.text_input("Enter a city name:", "London")

if city:
    try:
        geo_url = f"https://geocoding-api.open-meteo.com/v1/search?name={city}&count=1"
        geo_response = requests.get(geo_url).json()
        
        if geo_response["results"]:
            location = geo_response["results"][0]
            lat, lon = location["latitude"], location["longitude"]
            name = location["name"]
            
            weather_url = f"https://api.open-meteo.com/v1/forecast?latitude={lat}&longitude={lon}&current=temperature_2m,humidity,weather_code,wind_speed_10m&hourly=temperature_2m&daily=temperature_2m_max,temperature_2m_min&timezone=auto"
            weather_response = requests.get(weather_url).json()
            
            current = weather_response["current"]
            daily = weather_response["daily"]
            
            col1, col2, col3, col4 = st.columns(4)
            col1.metric("Temperature", f"{current['temperature_2m']}°C")
            col2.metric("Humidity", f"{current['humidity']}%")
            col3.metric("Wind Speed", f"{current['wind_speed_10m']} km/h")
            col4.metric("Location", name)
            
            df = pd.DataFrame({
                "Date": pd.to_datetime(daily["time"]),
                "Max": daily["temperature_2m_max"],
                "Min": daily["temperature_2m_min"]
            })
            
            fig = go.Figure()
            fig.add_trace(go.Scatter(x=df["Date"], y=df["Max"], name="High", mode="lines+markers"))
            fig.add_trace(go.Scatter(x=df["Date"], y=df["Min"], name="Low", mode="lines+markers"))
            fig.update_layout(title="Temperature Forecast", xaxis_title="Date", yaxis_title="Temperature (°C)")
            
            st.plotly_chart(fig, use_container_width=True)
    
    except Exception as e:
        st.error(f"Could not fetch data: {e}")

ಈ ಸ್ಕ್ರಿಪ್ಟ್:

• ಬಳಕೆದಾರರಿಗೆ ನಗರದ ಹೆಸರನ್ನು ಟೈಪ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ
• ನಗರದ ಅಕ್ಷಾಂಶ ಮತ್ತು ರೇಖಾಂಶವನ್ನು ಹುಡುಕುತ್ತದೆ
• Open-Meteo ದಿಂದ ಪ್ರಸ್ತುತ ಹವಾಮಾನ ಮತ್ತು ಮುನ್ಸೂಚನೆಯನ್ನು ಪಡೆಯುತ್ತದೆ
• ಪ್ರಮುಖ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು (ತಾಪಮಾನ, ಆರ್ದ್ರತೆ, ಗಾಳಿ) ದೊಡ್ಡ ಬಾಕ್ಸ್‌ಗಳಲ್ಲಿ ಪ್ರದರ್ಶಿಸುತ್ತದೆ
• ಮುಂದಿನ ವಾರದ ಹೆಚ್ಚಿನ ಮತ್ತು ಕಡಿಮೆ ತಾಪಮಾನವನ್ನು ತೋರಿಸುವ ಚಾರ್ಟ್ ಅನ್ನು ಪ್ಲಾಟ್ ಮಾಡುತ್ತದೆ

ಹಂತ 3: ಇದನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಪರೀಕ್ಷಿಸಿ

ನಿಮ್ಮ ಟರ್ಮಿನಲ್‌ನಲ್ಲಿ, ಫೋಲ್ಡರ್‌ಗೆ ನ್ಯಾವಿಗೇಟ್ ಮಾಡಿ app.py ಮತ್ತು ರನ್ ಮಾಡಿ:

streamlit run app.py

Streamlit ಬ್ರೌಸರ್ ವಿಂಡೋವನ್ನು ತೆರೆಯುತ್ತದೆ. ನಗರದ ಹೆಸರನ್ನು ಟೈಪ್ ಮಾಡಿ ಮತ್ತು ಅದು ಕೆಲಸ ಮಾಡುವುದನ್ನು ನೋಡಿ. ಲೈವ್ ಡೇಟಾ ತಕ್ಷಣವೇ ಕಾಣಿಸಿಕೊಳ್ಳುವುದನ್ನು ನೀವು ನೋಡುತ್ತೀರಿ. "Tokyo," "New York," ಅಥವಾ ಭೂಮಿಯ ಮೇಲಿನ ಯಾವುದೇ ನಗರವನ್ನು ಟೈಪ್ ಮಾಡಲು ಪ್ರಯತ್ನಿಸಿ—Open-Meteo ಎಲ್ಲವನ್ನೂ ಹೊಂದಿದೆ.

ಹಂತ 4: GitHub ಗೆ ಪುಶ್ ಮಾಡಿ

ಹೊಸ GitHub ರೆಪೊಸಿಟರಿಯನ್ನು ರಚಿಸಿ (ಸಾರ್ವಜನಿಕ, ಯಾವುದೇ README ಅಗತ್ಯವಿಲ್ಲ). ನಂತರ:

git init
git add app.py
git commit -m "Initial weather dashboard"
git branch -M main
git remote add origin https://github.com/YOUR_USERNAME/REPO_NAME.git
git push -u origin main

ಬದಲಾಯಿಸಿ YOUR_USERNAME ಮತ್ತು REPO_NAME ನಿಮ್ಮ ನಿಜವಾದ GitHub ಬಳಕೆದಾರಹೆಸರು ಮತ್ತು ರೆಪೊಸಿಟರಿ ಹೆಸರಿನೊಂದಿಗೆ.

ಹಂತ 5: Streamlit Cloud ಗೆ ನಿಯೋಜಿಸಿ

ಗೆ ಹೋಗಿ Streamlit Cloud (ಇದು ಉಚಿತ ಮತ್ತು ನಿಮ್ಮ GitHub ಲಾಗಿನ್ ಬಳಸುತ್ತದೆ). "New app" ಕ್ಲಿಕ್ ಮಾಡಿ ಮತ್ತು ನಿಮ್ಮ ರೆಪೊಸಿಟರಿಯನ್ನು ಸಂಪರ್ಕಿಸಿ. Streamlit ನಿಮ್ಮದನ್ನು ಹುಡುಕುತ್ತದೆ app.py ಫೈಲ್ ಅನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮತ್ತು ಅದನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ. ಒಂದು ನಿಮಿಷದೊಳಗೆ, ನೀವು ಯಾರೊಂದಿಗಾದರೂ ಹಂಚಿಕೊಳ್ಳಬಹುದಾದ ಲೈವ್ URL ಅನ್ನು ಪಡೆಯುತ್ತೀರಿ.

ನೀವು GitHub ನಲ್ಲಿ ಕೋಡ್ ಅನ್ನು ನವೀಕರಿಸಿದರೆ, Streamlit ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಮರು-ನಿಯೋಜಿಸುತ್ತದೆ. ನೀವು ಎಂದಿಗೂ ಸರ್ವರ್ ಅನ್ನು ಮುಟ್ಟುವುದಿಲ್ಲ.

ಹಂತ 6: ಕಸ್ಟಮೈಸ್ ಮಾಡಿ (ಐಚ್ಛಿಕ)

ನೀವು ಸುಲಭವಾಗಿ ಹೆಚ್ಚಿನ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೇರಿಸಬಹುದು:

• ಒಂದೇ ಬಾರಿಗೆ ಹೆಚ್ಚಿನ ನಗರಗಳನ್ನು ತೋರಿಸಿ
• ಹೆಚ್ಚಿನ ಚಾರ್ಟ್ ಪ್ರಕಾರಗಳನ್ನು ಸೇರಿಸಿ (ಸಮಯಕ್ಕೆ ತಕ್ಕಂತೆ ಆರ್ದ್ರತೆ, ಗಾಳಿಯ ನಮೂನೆಗಳು)
• ವಿಪರೀತ ಹವಾಮಾನಕ್ಕಾಗಿ ಎಚ್ಚರಿಕೆಗಳನ್ನು ಪ್ರದರ್ಶಿಸಿ
• ನೆಚ್ಚಿನ ನಗರಗಳನ್ನು ಉಳಿಸಿ

Streamlit ನ ಡಾಕ್ಯುಮೆಂಟೇಶನ್ ಅತ್ಯುತ್ತಮವಾಗಿದೆ ಮತ್ತು ಆರಂಭಿಕ-ಸ್ನೇಹಿಯಾಗಿದೆ. ಪ್ರಮುಖ ಒಳನೋಟ: ನೀವು Python ಬರೆಯಬಹುದಾದರೆ, ವೆಬ್ ಡೆವಲಪ್‌ಮೆಂಟ್ ಕಲಿಯದೆಯೇ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್ ನಿರ್ಮಿಸಲು Streamlit ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.

ತೀರ್ಮಾನ

ಹವಾಮಾನ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ನಿರ್ಮಿಸುವುದು ಎಂದರೆ ಇನ್ನು ಮುಂದೆ ಸರ್ವರ್‌ಗಳು, ಡೇಟಾಬೇಸ್‌ಗಳು, ಅಥವಾ API ದೃಢೀಕರಣದೊಂದಿಗೆ ಕುಸ್ತಿ ಮಾಡುವುದಲ್ಲ. Streamlit ನೀರಸ ಭಾಗಗಳನ್ನು ನಿಭಾಯಿಸುತ್ತದೆ, Plotly ಚಾರ್ಟ್‌ಗಳನ್ನು ಸುಂದರವಾಗಿಸುತ್ತದೆ, ಮತ್ತು Open-Meteo ಡೇಟಾವನ್ನು ಉಚಿತವಾಗಿ ಒದಗಿಸುತ್ತದೆ. ನೀವು ಕಲ್ಪನೆಯಿಂದ ನಿಯೋಜಿತ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಒಂದು ಗಂಟೆಯೊಳಗೆ ಹೋಗಬಹುದು. ಡೇಟಾ ದೃಶ್ಯೀಕರಣವು ಎಷ್ಟು ಸುಲಭವಾಗಿ ಲಭ್ಯವಾಗಿದೆ ಎಂಬುದರಲ್ಲಿ ಇದು ನಿಜವಾದ ಬದಲಾವಣೆಯಾಗಿದೆ.

ಅನುಕೂಲಗಳು

• ಸಂಪೂರ್ಣ ಉಚಿತ—ಯಾವುದೇ ವೆಚ್ಚಗಳಿಲ್ಲ, ಯಾವುದೇ API ಕೀಗಳಿಲ್ಲ, ಯಾವುದೇ ಗುಪ್ತ ಶುಲ್ಕಗಳಿಲ್ಲ
• ನಿರ್ಮಿಸಲು ವೇಗ—ಇಡೀ ವಿಷಯವು ಸುಮಾರು ಒಂದು ಗಂಟೆ ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ
• ಡೀಫಾಲ್ಟ್ ಆಗಿ ಸುಂದರ—Plotly ಚಾರ್ಟ್‌ಗಳು ಟ್ವೀಕ್ ಮಾಡದೆಯೇ ವೃತ್ತಿಪರವಾಗಿ ಕಾಣುತ್ತವೆ
• ಸಂವಾದಾತ್ಮಕ—ಬಳಕೆದಾರರು ನಿಮ್ಮಿಂದ ಯಾವುದೇ ಹೆಚ್ಚುವರಿ ಕೆಲಸವಿಲ್ಲದೆ ಕ್ಲಿಕ್ ಮಾಡಬಹುದು, ಹೋವರ್ ಮಾಡಬಹುದು ಮತ್ತು ಜೂಮ್ ಮಾಡಬಹುದು
• ಸ್ವಯಂಚಾಲಿತವಾಗಿ ನಿಯೋಜಿಸಲಾಗಿದೆ—ಕೋಡ್ ಅನ್ನು GitHub ಗೆ ಪುಶ್ ಮಾಡಿ, Streamlit ತಕ್ಷಣವೇ ಮರು-ನಿಯೋಜಿಸುತ್ತದೆ
• ನೈಜ ಯೋಜನೆಗಳಿಗೆ ಸ್ಕೇಲೆಬಲ್—ಸಾವಿರಾರು ಡೇಟಾ ಪಾಯಿಂಟ್‌ಗಳಿರುವ ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳಿಗೆ ಅದೇ ವಿಧಾನವು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ
• ಯಾವುದೇ ವೆಬ್ ಡೆವಲಪ್‌ಮೆಂಟ್ ಕೌಶಲ್ಯಗಳ ಅಗತ್ಯವಿಲ್ಲ—ಶುದ್ಧ Python

ಅನಾನುಕೂಲಗಳು

• Streamlit Cloud ದರ ಮಿತಿಗಳು ಮತ್ತು ಸಂಪನ್ಮೂಲ ಕ್ಯಾಪ್‌ಗಳನ್ನು ಹೊಂದಿದೆ (ಉಚಿತ ಶ್ರೇಣಿಯು ಸಾಧಾರಣವಾಗಿದೆ)
• Open-Meteo ದ ಉಚಿತ ಶ್ರೇಣಿಗೆ ಯಾವುದೇ ಖಾತರಿಯ ಅಪ್‌ಟೈಮ್ ಇಲ್ಲ (ವಿಫಲಗೊಳ್ಳುವ ಸಾಧ್ಯತೆಯಿಲ್ಲ, ಆದರೆ SLA-ಬೆಂಬಲಿತವಾಗಿಲ್ಲ)
• ಬಳಕೆದಾರರು ಅದರೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸಿದಾಗಲೆಲ್ಲಾ Streamlit ಇಡೀ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಮರು-ರನ್ ಮಾಡುತ್ತದೆ (ಭಾರೀ ಲೆಕ್ಕಾಚಾರಗಳಿಗೆ ನಿಧಾನವಾಗಿರಬಹುದು)
• UI ವಿನ್ಯಾಸದ ಸೀಮಿತ ಕಸ್ಟಮೈಸೇಶನ್ (ನೀವು Streamlit ನ ನೋಟವನ್ನು ಪಡೆಯುತ್ತೀರಿ, ಸಂಪೂರ್ಣ ಬ್ರಾಂಡ್ ಅನುಭವವಲ್ಲ)
• ಡೀಫಾಲ್ಟ್ ಆಗಿ ಯಾವುದೇ ಬ್ಯಾಕೆಂಡ್ ಡೇಟಾಬೇಸ್ ಇಲ್ಲ (ನೀವು ಅದನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ನಿರ್ಮಿಸದ ಹೊರತು ಡೇಟಾ ಉಳಿಯುವುದಿಲ್ಲ)
• ನೀವು ಬೃಹತ್ ಐತಿಹಾಸಿಕ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಪಡೆಯಲು ಪ್ರಯತ್ನಿಸಿದರೆ ಕಾರ್ಯಕ್ಷಮತೆ ಕುಸಿಯುತ್ತದೆ

ಎಚ್ಚರಿಕೆ

ಮೇಲಿನ ಕೋಡ್ ಉದಾಹರಣೆಯು ಪ್ಲೇಸ್‌ಹೋಲ್ಡರ್‌ಗಳು ಮತ್ತು ಉದಾಹರಣೆ API ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಬಳಸುತ್ತದೆ. ನಿಯೋಜಿಸುವ ಮೊದಲು, ಅದನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ನೈಜ ಡೇಟಾದೊಂದಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ದೃಢೀಕರಿಸಿ. Open-Meteo ಉಚಿತ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿದೆ ಆದರೆ ದರ ಮಿತಿಗಳನ್ನು ಹೊಂದಿದೆ—ಅದನ್ನು ಪ್ರತಿ ಸೆಕೆಂಡಿಗೆ ಸಾವಿರಾರು ಬಾರಿ ಕರೆಯಬೇಡಿ. ಬಳಕೆದಾರರ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವ ಅಗತ್ಯವಿರುವ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ನೀವು ಸೇರಿಸಿದರೆ, ಸರಿಯಾದ ಬ್ಯಾಕೆಂಡ್ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಹೊಂದಿಸಲು ಮರೆಯದಿರಿ (Streamlit Cloud PostgreSQL ಅಥವಾ ಇತರ ಸೇವೆಗಳಿಗೆ ಸಂಪರ್ಕಿಸಬಹುದು, ಆದರೆ ಅದು ಇಲ್ಲಿನ ವ್ಯಾಪ್ತಿಯನ್ನು ಮೀರಿದೆ). ನಿಮ್ಮ ಸ್ವಂತ ಅಪಾಯದಲ್ಲಿ ಮುಂದುವರಿಯಿರಿ ಮತ್ತು ಲಿಂಕ್ ಅನ್ನು ಸಾರ್ವಜನಿಕವಾಗಿ ಹಂಚಿಕೊಳ್ಳುವ ಮೊದಲು ಸಂಪೂರ್ಣವಾಗಿ ಪರೀಕ್ಷಿಸಿ.

ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು

• Open-Meteo ಡೌನ್ ಆದರೆ ಏನಾಗುತ್ತದೆ?
• ನಾನು ಬಳಕೆದಾರರ ಖಾತೆಗಳನ್ನು ಸೇರಿಸಬಹುದೇ ಮತ್ತು ನೆಚ್ಚಿನ ನಗರಗಳನ್ನು ಉಳಿಸಬಹುದೇ?
• ಒಂದೇ ಬಾರಿಗೆ ಎಷ್ಟು ಜನರು ಡ್ಯಾಶ್‌ಬೋರ್ಡ್ ಅನ್ನು ಬಳಸಬಹುದು?
• ಪಕ್ಕ-ಪಕ್ಕದಲ್ಲಿ ಹೋಲಿಸಲು ನಾನು ಹೆಚ್ಚಿನ ನಗರಗಳನ್ನು ಸೇರಿಸಬಹುದೇ?
• ಡೇಟಾ ನೈಜ-ಸಮಯವಾಗಿದೆಯೇ ಅಥವಾ ಕ್ಯಾಶ್ ಮಾಡಲಾಗಿದೆಯೇ?
• ನಾನು ಹೆಚ್ಚಿನ ಚಾರ್ಟ್‌ಗಳು ಮತ್ತು ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಹೇಗೆ ಸೇರಿಸುವುದು?
• ನಾನು ಬಣ್ಣಗಳು ಮತ್ತು ಫಾಂಟ್‌ಗಳನ್ನು ಕಸ್ಟಮೈಸ್ ಮಾಡಬಹುದೇ?
• ನನ್ನ ಬಳಕೆಯ ಪ್ರಕರಣಕ್ಕೆ Streamlit Cloud ತುಂಬಾ ನಿಧಾನವಾಗಿದ್ದರೆ ಏನು?

ಟ್ಯಾಗ್‌ಗಳು

#streamlit #datavisualization #python #plotly #weather #webapps #datascience #opendata