നിമിഷങ്ങൾക്കുള്ളിൽ നിങ്ങളുടെ സ്വന്തം കാലാവസ്ഥാ ഡാഷ്‌ബോർഡ് നിർമ്മിക്കുക (API കീകൾ വേണ്ട, യാതൊരു ചെലവുമില്ല)

ഹുക്ക്

ഒരു പൈസ പോലും ചിലവാക്കാതെയോ API കീകൾക്കായി തിരയാതെയോ നിങ്ങൾക്ക് പൈത്തണിൽ ഒരു തത്സമയ കാലാവസ്ഥാ ഡാഷ്‌ബോർഡ് നിർമ്മിക്കാനാകും. ഓൺലൈനിൽ പ്രവർത്തിക്കുന്ന, മനോഹരമായ ഇന്ററാക്ടീവ് ചാർട്ടുകൾ ഉപയോഗിച്ച് തത്സമയ കാലാവസ്ഥാ ഡാറ്റ കാണിക്കുന്ന ഒന്ന് എങ്ങനെ സൃഷ്ടിക്കാമെന്ന് ഇതാ.

എന്തുകൊണ്ടാണ് 2026-ൽ ഇതിന് പ്രാധാന്യമുള്ളത്

ഇന്ന് (ജൂൺ 30, 2026), ഡാറ്റ വിഷ്വലൈസേഷൻ ടൂളുകൾ വളരെ എളുപ്പത്തിൽ ലഭ്യമായിരിക്കുന്നു, അതിനാൽ അടിസ്ഥാന പൈത്തൺ അറിയാവുന്ന ആർക്കും പ്രൊഫഷണലായി തോന്നുന്ന ഡാഷ്‌ബോർഡുകൾ നിർമ്മിക്കാൻ കഴിയും. Streamlit പോലുള്ള ടൂളുകൾ വെബ് ഡെവലപ്‌മെന്റ് പഠിക്കുക എന്ന തടസ്സം നീക്കി—നിങ്ങൾക്ക് HTML, CSS, അല്ലെങ്കിൽ JavaScript അറിയേണ്ടതില്ല. പെട്ടെന്നുള്ള ഒരു ആശയത്തെ വേഗത്തിൽ യഥാർത്ഥമായ ഒന്നാക്കി മാറ്റാൻ ആഗ്രഹിക്കുന്ന ആളുകൾക്ക് ഇതൊരു വലിയ കാര്യമാണ്. Open-Meteo API സൗജന്യ കാലാവസ്ഥാ ഡാറ്റയ്ക്കുള്ള ഒരു മികച്ച ഉറവിടമായി മാറിയിരിക്കുന്നു, രജിസ്ട്രേഷൻ ആവശ്യമില്ല, ഇത് ഇത്തരം പ്രോജക്റ്റുകളെ തികച്ചും തടസ്സരഹിതമാക്കുന്നു.

നിങ്ങൾ എന്താണ് നിർമ്മിക്കുന്നത്

ഇത് ചെയ്യുന്ന ഒരു കാലാവസ്ഥാ ഡാഷ്‌ബോർഡ്:

• ഏത് സ്ഥലത്തെയും നിലവിലെ അവസ്ഥകൾ (താപനില, ഈർപ്പം, കാറ്റിന്റെ വേഗത) കാണിക്കുന്നു
• അടുത്ത കുറച്ച് ദിവസങ്ങളിലെ താപനില പ്രവണതകളുടെ മനോഹരമായ ചാർട്ടുകൾ പ്രദർശിപ്പിക്കുന്നു
• ഭൂമിയിലെ ഏത് നഗരവും തിരഞ്ഞെടുക്കാനും തത്സമയ ഡാറ്റ തൽക്ഷണം കാണാനും നിങ്ങളെ അനുവദിക്കുന്നു
• Streamlit Cloud-ൽ (Streamlit-ന്റെ ഹോസ്റ്റിംഗ് സേവനം) സൗജന്യമായി പ്രവർത്തിക്കുന്നു

മുഴുവൻ കാര്യവും ഒരു വെബ് ആപ്പായി പ്രവർത്തിക്കുന്നു—ഒരു URL സന്ദർശിച്ച് നിങ്ങളുടെ ബ്രൗസറിൽ അതിൽ ഇടപെടുക. കൈകാര്യം ചെയ്യാൻ ബാക്കെൻഡ് ഇല്ല, വിഷമിക്കാൻ സെർവറുകളുമില്ല.

നിങ്ങൾക്ക് ആവശ്യമുള്ളത്

• നിങ്ങളുടെ കമ്പ്യൂട്ടറിൽ ഇൻസ്റ്റാൾ ചെയ്ത Python 3.7 അല്ലെങ്കിൽ അതിന് ശേഷമുള്ള പതിപ്പ്
• ഒരു ടെക്സ്റ്റ് എഡിറ്റർ (VS Code, Sublime, നിങ്ങൾക്ക് ഇഷ്ടമുള്ളത്)
• ഒരു സൗജന്യ GitHub അക്കൗണ്ട്
• ഒരു സൗജന്യ Streamlit Cloud അക്കൗണ്ട് (അതേ GitHub ലോഗിൻ ഉപയോഗിക്കുന്നു)
• അത്രമാത്രം. API കീകൾ ഇല്ല, ക്രെഡിറ്റ് കാർഡുകൾ ഇല്ല, സബ്‌സ്‌ക്രിപ്‌ഷനുകളില്ല.

ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു (ആശയം)

Streamlit പൈത്തൺ സ്ക്രിപ്റ്റുകളെ യാന്ത്രികമായി വെബ് ആപ്പുകളാക്കി മാറ്റുന്നു. നിങ്ങൾ പൈത്തൺ എഴുതുക, കാര്യങ്ങൾ ഇന്ററാക്ടീവ് ആക്കുന്നതിന് ചില പ്രത്യേക കമാൻഡുകൾ ചേർക്കുക, തുടർന്ന് അതിനെ ഒരു വെബ്‌സൈറ്റാക്കി മാറ്റുന്നത് Streamlit കൈകാര്യം ചെയ്യുന്നു. Plotly ചാർട്ടുകൾ സൃഷ്ടിക്കുന്നു—അവ ഇന്ററാക്ടീവ് ആണ്, അതിനാൽ ആളുകൾക്ക് ഡാറ്റ പോയിന്റുകൾക്ക് മുകളിൽ ഹോവർ ചെയ്യാനും സൂം ചെയ്യാനും കഴിയും. Open-Meteo എന്നത് വോളന്റിയർമാർ നടത്തുന്ന ഒരു സൗജന്യ കാലാവസ്ഥാ API ആണ്, ഇതിന് ഓതന്റിക്കേഷനോ നിരക്ക് പരിമിതിയോ ആവശ്യമില്ല (ന്യായമായ പരിധിക്കുള്ളിൽ).

മൂന്ന് ഭാഗങ്ങളും ഒരുമിച്ച് ചേരുന്നു: നിങ്ങൾ Open-Meteo-ൽ നിന്ന് ഡാറ്റ എടുക്കുകയും പൈത്തൺ ഉപയോഗിച്ച് പ്രോസസ്സ് ചെയ്യുകയും Streamlit ഉപയോഗിച്ച് പ്രദർശിപ്പിക്കുകയും Plotly ഉപയോഗിച്ച് വിഷ്വലൈസ് ചെയ്യുകയും ചെയ്യുന്നു.

ഘട്ടം 1: ടൂളുകൾ ഇൻസ്റ്റാൾ ചെയ്യുക

ഒരു ടെർമിനൽ തുറന്ന് റൺ ചെയ്യുക:

pip install streamlit plotly requests pandas

ഇത് നിങ്ങൾക്ക് ആവശ്യമായ ലൈബ്രറികൾ ഇൻസ്റ്റാൾ ചെയ്യുന്നു. requests ഇന്റർനെറ്റിൽ നിന്ന് ഡാറ്റ ലഭ്യമാക്കുന്നു, pandas അത് ക്രമീകരിക്കാൻ സഹായിക്കുന്നു, കൂടാതെ streamlit കൂടാതെ plotly ബാക്കിയുള്ളവ കൈകാര്യം ചെയ്യുന്നു.

ഘട്ടം 2: നിങ്ങളുടെ പൈത്തൺ സ്ക്രിപ്റ്റ് സൃഷ്ടിക്കുക

എന്ന് പേരുള്ള ഒരു പുതിയ ഫയൽ സൃഷ്ടിക്കുക app.py ഇത് പേസ്റ്റ് ചെയ്യുക:

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}")

ഈ സ്ക്രിപ്റ്റ്:

• ഒരു നഗരത്തിന്റെ പേര് ടൈപ്പ് ചെയ്യാൻ ഉപയോക്താക്കളെ അനുവദിക്കുന്നു
• നഗരത്തിന്റെ അക്ഷാംശവും രേഖാംശവും നോക്കുന്നു
• Open-Meteo-ൽ നിന്ന് നിലവിലെ കാലാവസ്ഥയും പ്രവചനവും എടുക്കുന്നു
• പ്രധാന മെട്രിക്‌സുകൾ (താപനില, ഈർപ്പം, കാറ്റ്) വലിയ ബോക്സുകളിൽ പ്രദർശിപ്പിക്കുന്നു
• അടുത്ത ആഴ്ചയിലെ ഉയർന്നതും താഴ്ന്നതുമായ താപനില കാണിക്കുന്ന ഒരു ചാർട്ട് വരയ്ക്കുന്നു

ഘട്ടം 3: ഇത് ലോക്കലായി പരീക്ഷിക്കുക

നിങ്ങളുടെ ടെർമിനലിൽ, ഇതിനൊപ്പമുള്ള ഫോൾഡറിലേക്ക് നാവിഗേറ്റ് ചെയ്യുക app.py റൺ ചെയ്യുക:

streamlit run app.py

Streamlit ഒരു ബ്രൗസർ വിൻഡോ തുറക്കുന്നു. ഒരു നഗരത്തിന്റെ പേര് ടൈപ്പ് ചെയ്ത് അത് പ്രവർത്തിക്കുന്നത് കാണുക. തത്സമയ ഡാറ്റ തൽക്ഷണം ദൃശ്യമാകുന്നത് നിങ്ങൾ കാണും. "Tokyo," "New York," അല്ലെങ്കിൽ ഭൂമിയിലെ ഏതെങ്കിലും നഗരം ടൈപ്പ് ചെയ്യാൻ ശ്രമിക്കുക—Open-Meteo-ൽ അവയെല്ലാം ഉണ്ട്.

ഘട്ടം 4: GitHub-ലേക്ക് പുഷ് ചെയ്യുക

ഒരു പുതിയ GitHub ശേഖരം സൃഷ്ടിക്കുക (പബ്ലിക്, README ആവശ്യമില്ല). തുടർന്ന്:

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

മാറ്റിസ്ഥാപിക്കുക YOUR_USERNAME കൂടാതെ REPO_NAME നിങ്ങളുടെ യഥാർത്ഥ GitHub ഉപയോക്തൃനാമവും റിപ്പോസിറ്ററി പേരും ഉപയോഗിച്ച്.

ഘട്ടം 5: Streamlit Cloud-ലേക്ക് ഡിപ്ലോയ് ചെയ്യുക

ഇതിലേക്ക് പോകുക Streamlit Cloud (ഇത് സൗജന്യമാണ്, നിങ്ങളുടെ GitHub ലോഗിൻ ഉപയോഗിക്കുന്നു). "New app" ക്ലിക്ക് ചെയ്ത് നിങ്ങളുടെ റിപ്പോസിറ്ററി ബന്ധിപ്പിക്കുക. Streamlit നിങ്ങളുടെ app.py ഫയൽ യാന്ത്രികമായി കണ്ടെത്തി അത് ഡിപ്ലോയ് ചെയ്യുന്നു. ഒരു മിനിറ്റിനുള്ളിൽ, നിങ്ങൾക്ക് ആരുമായും പങ്കിടാൻ കഴിയുന്ന ഒരു തത്സമയ URL ലഭിക്കും.

നിങ്ങൾ GitHub-ലെ കോഡ് അപ്‌ഡേറ്റ് ചെയ്യുകയാണെങ്കിൽ, Streamlit യാന്ത്രികമായി വീണ്ടും ഡിപ്ലോയ് ചെയ്യുന്നു. നിങ്ങൾ ഒരിക്കലും ഒരു സെർവറിൽ തൊടുന്നില്ല.

ഘട്ടം 6: ഇഷ്‌ടാനുസൃതമാക്കുക (ഓപ്ഷണൽ)

നിങ്ങൾക്ക് കൂടുതൽ ഫീച്ചറുകൾ എളുപ്പത്തിൽ ചേർക്കാൻ കഴിയും:

• ഒരേസമയം കൂടുതൽ നഗരങ്ങൾ കാണിക്കുക
• കൂടുതൽ ചാർട്ട് തരങ്ങൾ ചേർക്കുക (കാലക്രമേണ ഈർപ്പം, കാറ്റിന്റെ പാറ്റേണുകൾ)
• അതീവ തീവ്ര കാലാവസ്ഥയ്ക്കുള്ള മുന്നറിയിപ്പുകൾ പ്രദർശിപ്പിക്കുക
• പ്രിയപ്പെട്ട നഗരങ്ങൾ സംരക്ഷിക്കുക

Streamlit-ന്റെ ഡോക്യുമെന്റേഷൻ മികച്ചതും തുടക്കക്കാർക്ക് അനുയോജ്യവുമാണ്. പ്രധാന ഉൾക്കാഴ്ച: നിങ്ങൾക്ക് പൈത്തൺ എഴുതാൻ കഴിയുമെങ്കിൽ, വെബ് ഡെവലപ്‌മെന്റ് പഠിക്കാതെ തന്നെ ഒരു വെബ് ആപ്പ് നിർമ്മിക്കാൻ Streamlit നിങ്ങളെ അനുവദിക്കുന്നു.

ഉപസംഹാരം

ഒരു കാലാവസ്ഥാ ഡാഷ്‌ബോർഡ് നിർമ്മിക്കുക എന്നതിനർത്ഥം സെർവറുകൾ, ഡാറ്റാബേസുകൾ അല്ലെങ്കിൽ API ഓതന്റിക്കേഷൻ എന്നിവയുമായി മല്ലിടുക എന്നല്ല. വിരസമായ ഭാഗങ്ങൾ Streamlit കൈകാര്യം ചെയ്യുന്നു, Plotly ചാർട്ടുകളെ മനോഹരമാക്കുന്നു, കൂടാതെ Open-Meteo ഡാറ്റ സൗജന്യമായി നൽകുന്നു. നിങ്ങൾക്ക് ഒരു ആശയത്തിൽ നിന്ന് ഡിപ്ലോയ് ചെയ്‌ത ആപ്പിലേക്ക് ഒരു മണിക്കൂറിനുള്ളിൽ പോകാം. ഡാറ്റ വിഷ്വലൈസേഷൻ എത്രത്തോളം ആക്സസ് ചെയ്യാവുന്നതായി മാറിയിരിക്കുന്നു എന്നതിലെ ഒരു യഥാർത്ഥ മാറ്റമാണിത്.

ഗുണങ്ങൾ

• പൂർണ്ണമായും സൗജന്യം—ചെലവുകളില്ല, API കീകൾ ഇല്ല, മറഞ്ഞിരിക്കുന്ന ഫീസുകളില്ല
• നിർമ്മിക്കാൻ വേഗതയേറിയത്—മുഴുവൻ കാര്യത്തിനും ഏകദേശം ഒരു മണിക്കൂർ എടുക്കും
• ഡിഫോൾട്ടായി മനോഹരം—ക്രമീകരണങ്ങളില്ലാതെ തന്നെ Plotly ചാർട്ടുകൾ പ്രൊഫഷണലായി കാണപ്പെടുന്നു
• ഇന്ററാക്ടീവ്—ഉപയോക്താക്കൾക്ക് നിങ്ങളിൽ നിന്നുള്ള അധിക ജോലിയില്ലാതെ ക്ലിക്ക് ചെയ്യാനും ഹോവർ ചെയ്യാനും സൂം ചെയ്യാനും കഴിയും
• യാന്ത്രികമായി ഡിപ്ലോയ് ചെയ്യുന്നു—കോഡ് GitHub-ലേക്ക് പുഷ് ചെയ്യുക, Streamlit തൽക്ഷണം വീണ്ടും ഡിപ്ലോയ് ചെയ്യുന്നു
• യഥാർത്ഥ പ്രോജക്റ്റുകളിലേക്ക് സ്കെയിൽ ചെയ്യാവുന്നത്—ആയിരക്കണക്കിന് ഡാറ്റ പോയിന്റുകളുള്ള ഡാഷ്‌ബോർഡുകൾക്ക് ഇതേ സമീപനം പ്രവർത്തിക്കുന്നു
• വെബ് ഡെവലപ്മെന്റ് വൈദഗ്ധ്യം ആവശ്യമില്ല—ശുദ്ധമായ പൈത്തൺ

ദോഷങ്ങൾ

• Streamlit Cloud-ന് നിരക്ക് പരിമിതികളും റിസോഴ്‌സ് ക്യാപ്പുകളും ഉണ്ട് (സൗജന്യ ടയർ മിതമായതാണ്)
• Open-Meteo-യുടെ സൗജന്യ ടയറിന് ഗ്യാരണ്ടീഡ് അപ്‌ടൈം ഇല്ല (പരാജയപ്പെടാൻ സാധ്യതയില്ല, എന്നാൽ SLA പിന്തുണയുള്ളതല്ല)
• ഒരു ഉപയോക്താവ് അതിൽ സംവദിക്കുമ്പോഴെല്ലാം Streamlit മുഴുവൻ സ്ക്രിപ്റ്റും വീണ്ടും പ്രവർത്തിപ്പിക്കുന്നു (കനത്ത കണക്കുകൂട്ടലുകൾക്ക് മന്ദഗതിയിലായേക്കാം)
• UI ഡിസൈനിന്റെ പരിമിതമായ ഇഷ്‌ടാനുസൃതമാക്കൽ (നിങ്ങൾക്ക് Streamlit-ന്റെ ലുക്ക് ലഭിക്കുന്നു, പൂർണ്ണമായി ബ്രാൻഡ് ചെയ്‌ത അനുഭവമല്ല)
• ഡിഫോൾട്ടായി ബാക്കെൻഡ് ഡാറ്റാബേസ് ഇല്ല (നിങ്ങൾ അത് വെവ്വേറെ നിർമ്മിക്കുന്നില്ലെങ്കിൽ ഡാറ്റ നിലനിൽക്കില്ല)
• നിങ്ങൾ വലിയ ചരിത്ര ഡാറ്റാസെറ്റുകൾ ലഭ്യമാക്കാൻ ശ്രമിക്കുകയാണെങ്കിൽ പ്രകടനം കുറയുന്നു

മുന്നറിയിപ്പ്

മുകളിലുള്ള കോഡ് ഉദാഹരണം പ്ലെയ്‌സ്‌ഹോൾഡറുകളും ഉദാഹരണ API എൻഡ്‌പോയിന്റുകളും ഉപയോഗിക്കുന്നു. ഡിപ്ലോയ് ചെയ്യുന്നതിന് മുമ്പ്, ഇത് ലോക്കലായി പരീക്ഷിച്ച് യഥാർത്ഥ ഡാറ്റയിൽ പ്രവർത്തിക്കുന്നുണ്ടോയെന്ന് സ്ഥിരീകരിക്കുക. Open-Meteo സൗജന്യവും വിശ്വസനീയവുമാണ് എന്നാൽ നിരക്ക് പരിമിതികളുണ്ട്—സെക്കൻഡിൽ ആയിരക്കണക്കിന് തവണ വിളിക്കരുത്. ഉപയോക്തൃ ഡാറ്റ സംഭരിക്കേണ്ടതുണ്ടെങ്കിൽ, ശരിയായ ബാക്കെൻഡ് ഡാറ്റാബേസ് സജ്ജീകരിക്കാൻ ഓർക്കുക (Streamlit Cloud-ന് PostgreSQL അല്ലെങ്കിൽ മറ്റ് സേവനങ്ങളിലേക്ക് കണക്റ്റുചെയ്യാനാകും, എന്നാൽ അത് ഇവിടെ സ്കോപ്പിന് പുറത്താണ്). നിങ്ങളുടെ സ്വന്തം ഉത്തരവാദിത്തത്തിൽ തുടരുക കൂടാതെ ലിങ്ക് പരസ്യമായി പങ്കിടുന്നതിന് മുമ്പ് നന്നായി പരിശോധിക്കുക.

പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ

• Open-Meteo ഡൗൺ ആയാൽ എന്ത് സംഭവിക്കും?
• എനിക്ക് ഉപയോക്തൃ അക്കൗണ്ടുകൾ ചേർക്കാനും പ്രിയപ്പെട്ട നഗരങ്ങൾ സംരക്ഷിക്കാനും കഴിയുമോ?
• ഒരേസമയം എത്രപേർക്ക് ഡാഷ്‌ബോർഡ് ഉപയോഗിക്കാൻ കഴിയും?
• താരതമ്യം ചെയ്യാൻ എനിക്ക് കൂടുതൽ നഗരങ്ങൾ ചേർക്കാമോ?
• ഡാറ്റ തത്സമയമാണോ അതോ കാഷെ ചെയ്തതാണോ?
• ഞാൻ എങ്ങനെയാണ് കൂടുതൽ ചാർട്ടുകളും വിഷ്വലൈസേഷനുകളും ചേർക്കുന്നത്?
• എനിക്ക് നിറങ്ങളും ഫോണ്ടുകളും ഇഷ്‌ടാനുസൃതമാക്കാൻ കഴിയുമോ?
• എന്റെ ഉപയോഗത്തിന് Streamlit Cloud വളരെ മന്ദഗതിയിലാണെങ്കിൽ എന്തുചെയ്യും?

ടാഗുകൾ

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