କିଛି ମିନିଟରେ ନିଜର Weather Dashboard ତିଆରି କରନ୍ତୁ (କୌଣସି API Keys ନାହିଁ, କୌଣସି ମୂଲ୍ୟ ନାହିଁ)

Hook

ଆପଣ ଗୋଟିଏ ପଇସା ଖର୍ଚ୍ଚ ନକରି କିମ୍ବା API keys ନ ଖୋଜି Python ରେ ଏକ ଲାଇଭ୍ weather dashboard ତିଆରି କରିପାରିବେ। ଏଠାରେ କିପରି ଏକ ଏମିତି ଜିନିଷ ତିଆରି କରିବେ ଯାହା ସୁନ୍ଦର interactive charts ସହିତ ରିଅଲ-ଟାଇମ୍ ପାଣିପାଗ ଡାଟା ଦେଖାଏ, ସବୁକିଛି ଅନଲାଇନରେ ଚାଲିବ, ତାହା ଦିଆଯାଇଛି।

2026 ରେ ଏହା କାହିଁକି ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ

ଆଜି (30 ଜୁନ୍, 2026), data visualization tools ଏତେ ସହଜଲଭ୍ୟ ହୋଇଯାଇଛି ଯେ basic Python ଜାଣିଥିବା ଯେକେହି professional ଦେଖାଯାଉଥିବା dashboards ତିଆରି କରିପାରିବେ। Streamlit ଭଳି tools web development ଶିଖିବାର ପ୍ରତିବନ୍ଧକକୁ ଦୂର କରିଦେଇଛି—ଆପଣଙ୍କୁ HTML, CSS, କିମ୍ବା JavaScript ଜାଣିବା ଆବଶ୍ୟକ ନାହିଁ। ଯେଉଁମାନେ ଏକ ଶୀଘ୍ର ଧାରଣାକୁ କିଛି ବାସ୍ତବିକତାରେ, ଶୀଘ୍ର ପରିଣତ କରିବାକୁ ଚାହାଁନ୍ତି, ସେମାନଙ୍କ ପାଇଁ ଏହା ବହୁତ ବଡ଼ ଅଟେ। Open-Meteo API ମଧ୍ୟ ମାଗଣା ପାଣିପାଗ ଡାଟା ପାଇଁ ଏକ ମୁଖ୍ୟ ଉତ୍ସ ପାଲଟିଛି, କୌଣସି ପଞ୍ଜୀକରଣ ଆବଶ୍ୟକ ନାହିଁ, ଯାହା ଏହିଭଳି projects କୁ ପ୍ରକୃତରେ ସହଜ କରିଥାଏ।

ଆପଣ କଣ ତିଆରି କରୁଛନ୍ତି

ଏକ weather dashboard ଯାହା ଏହା କରେ:

• ଯେକୌଣସି ସ୍ଥାନ ପାଇଁ ବର୍ତ୍ତମାନର ସ୍ଥିତି (ତାପମାତ୍ରା, ଆର୍ଦ୍ରତା, ପବନର ବେଗ) ଦେଖାଏ
• ଆଗାମୀ କିଛି ଦିନର ତାପମାତ୍ରା ଧାରାର ସୁନ୍ଦର ଚାର୍ଟ ପ୍ରଦର୍ଶନ କରେ
• ଆପଣଙ୍କୁ ପୃଥିବୀର ଯେକୌଣସି ସହର ବାଛିବାକୁ ଏବଂ ସାଙ୍ଗେ ସାଙ୍ଗେ ଲାଇଭ୍ ଡାଟା ଦେଖିବାକୁ ଦିଏ
• Streamlit Cloud (Streamlit ର hosting service) ରେ ମାଗଣାରେ ଚାଲେ

ପୁରା ଜିନିଷଟି ଏକ web app ଭାବରେ ଚାଲେ—କେବଳ ଏକ URL କୁ ଯାଆନ୍ତୁ ଏବଂ ଆପଣଙ୍କ ବ୍ରାଉଜରରେ ଏହା ସହିତ interact କରନ୍ତୁ। ପରିଚାଳନା କରିବାକୁ କୌଣସି backend ନାହିଁ, ବ୍ୟସ୍ତ ହେବା ପାଇଁ କୌଣସି servers ନାହିଁ।

ଆପଣଙ୍କୁ କଣ ଦରକାର

• ଆପଣଙ୍କ କମ୍ପ୍ୟୁଟରରେ Python 3.7 କିମ୍ବା ତା'ଠାରୁ ନୂଆ ସଂସ୍କରଣ ଇନଷ୍ଟଲ ହୋଇଥିବା ଆବଶ୍ୟକ
• ଏକ ଟେକ୍ସଟ୍ ଏଡିଟର୍ (VS Code, Sublime, ଆପଣଙ୍କ ପସନ୍ଦ ଅନୁସାରେ ଯେକୌଣସି)
• ଏକ ମାଗଣା GitHub account
• ଏକ ମାଗଣା Streamlit Cloud account (ସମାନ GitHub ଲଗଇନ୍ ବ୍ୟବହାର କରେ)
• ଏତିକି ହିଁ। କୌଣସି API keys ନାହିଁ, କୌଣସି credit cards ନାହିଁ, କୌଣସି subscriptions ନାହିଁ।

ଏହା କିପରି କାମ କରେ (ଆଇଡିଆ)

Streamlit ସ୍ୱୟଂଚାଳିତ ଭାବରେ Python scripts କୁ web apps ରେ ପରିଣତ କରେ। ଆପଣ Python ଲେଖନ୍ତି, ଜିନିଷଗୁଡ଼ିକୁ interactive କରିବା ପାଇଁ କିଛି ସ୍ୱତନ୍ତ୍ର କମାଣ୍ଡ ଯୋଡ଼ନ୍ତି, ଏବଂ Streamlit ଏହାକୁ ଏକ ୱେବସାଇଟରେ ପରିଣତ କରିବାର ଦାୟିତ୍ୱ ନିଏ। Plotly ଚାର୍ଟ ତିଆରି କରେ—ସେଗୁଡ଼ିକ interactive, ତେଣୁ ଲୋକମାନେ ଡାଟା ପଏଣ୍ଟ ଉପରେ ହୋଭର୍ କରିପାରିବେ ଏବଂ ଜୁମ୍ ଇନ୍ କରିପାରିବେ। Open-Meteo ହେଉଛି ସ୍ୱେଚ୍ଛାସେବୀମାନଙ୍କ ଦ୍ୱାରା ପରିଚାଳିତ ଏକ ମାଗଣା ପାଣିପାଗ API ଯେଉଁଥିରେ authentication କିମ୍ବା rate limiting (ଯୁକ୍ତିଯୁକ୍ତ ମାତ୍ରାରେ) ଆବଶ୍ୟକ ନାହିଁ।

ଏହି ତିନୋଟି ଅଂଶ ଏକାଠି ମିଶି କାମ କରନ୍ତି: ଆପଣ Open-Meteo ରୁ ଡାଟା ଆଣନ୍ତି, ଏହାକୁ Python ସହିତ ପ୍ରକ୍ରିୟାକରଣ କରନ୍ତି, Streamlit ସହିତ ପ୍ରଦର୍ଶନ କରନ୍ତି, ଏବଂ Plotly ସହିତ ଦୃଶ୍ୟମାନ କରନ୍ତି।

ପଦକ୍ଷେପ 1: Tools ଇନଷ୍ଟଲ୍ କରନ୍ତୁ

ଏକ ଟର୍ମିନାଲ୍ ଖୋଲନ୍ତୁ ଏବଂ run କରନ୍ତୁ:

pip install streamlit plotly requests pandas

ଏହା ଆପଣଙ୍କୁ ଦରକାର ଥିବା libraries ଇନଷ୍ଟଲ୍ କରେ। requests ଇଣ୍ଟରନେଟରୁ ଡାଟା ଆଣେ, pandas ଏହାକୁ ସଜାଡ଼ିବାରେ ସାହାଯ୍ୟ କରେ, ଏବଂ streamlit ଏବଂ plotly ବାକି ସବୁ ପରିଚାଳନା କରନ୍ତି।

ପଦକ୍ଷେପ 2: ଆପଣଙ୍କର Python Script ତିଆରି କରନ୍ତୁ

ଏକ ନୂଆ ଫାଇଲ୍ ତିଆରି କରନ୍ତୁ ଯାହାର ନାମ app.py ଏବଂ ଏହାକୁ ପେଷ୍ଟ କରନ୍ତୁ:

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}")

ଏହି script:

• ବ୍ୟବହାରକାରୀମାନଙ୍କୁ ଏକ ସହରର ନାମ ଟାଇପ୍ କରିବାକୁ ଦିଏ
• ସହରର ଅକ୍ଷାଂଶ ଏବଂ ଦ୍ରାଘିମା ଖୋଜେ
• Open-Meteo ରୁ ବର୍ତ୍ତମାନର ପାଣିପାଗ ଏବଂ ଏକ ପୂର୍ବାନୁମାନ ଆଣେ
• ବଡ଼ ବାକ୍ସରେ ମୁଖ୍ୟ ମେଟ୍ରିକ୍ସ (ତାପମାତ୍ରା, ଆର୍ଦ୍ରତା, ପବନ) ପ୍ରଦର୍ଶନ କରେ
• ଆଗାମୀ ସପ୍ତାହ ପାଇଁ ସର୍ବୋଚ୍ଚ ଏବଂ ସର୍ବନିମ୍ନ ତାପମାତ୍ରା ଦେଖାଉଥିବା ଏକ ଚାର୍ଟ ଅଙ୍କନ କରେ

ପଦକ୍ଷେପ 3: ଏହାକୁ Locally ଟେଷ୍ଟ କରନ୍ତୁ

ଆପଣଙ୍କ ଟର୍ମିନାଲରେ, ଫୋଲ୍ଡରକୁ ଯାଆନ୍ତୁ ଯେଉଁଥିରେ app.py ଏବଂ run କରନ୍ତୁ:

streamlit run app.py

Streamlit ଏକ ବ୍ରାଉଜର୍ ୱିଣ୍ଡୋ ଖୋଲେ। ଏକ ସହରର ନାମ ଟାଇପ୍ କରନ୍ତୁ ଏବଂ ଏହାକୁ କାମ କରୁଥିବାର ଦେଖନ୍ତୁ। ଆପଣ ସାଙ୍ଗେ ସାଙ୍ଗେ ଲାଇଭ୍ ଡାଟା ଦେଖାଯିବାର ଦେଖିବେ। "Tokyo," "New York," କିମ୍ବା ପୃଥିବୀର ଯେକୌଣସି ସହର ଟାଇପ୍ କରିବାକୁ ଚେଷ୍ଟା କରନ୍ତୁ—Open-Meteo ପାଖରେ ସେସବୁ ଅଛି।

ପଦକ୍ଷେପ 4: GitHub କୁ Push କରନ୍ତୁ

ଏକ ନୂଆ GitHub ରିପୋଜିଟୋରୀ ତିଆରି କରନ୍ତୁ (public, କୌଣସି README ଆବଶ୍ୟକ ନାହିଁ)। ତାପରେ:

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

ବଦଳାନ୍ତୁ YOUR_USERNAME ଏବଂ REPO_NAME ଆପଣଙ୍କର ପ୍ରକୃତ GitHub username ଏବଂ repository name ସହିତ।

ପଦକ୍ଷେପ 5: Streamlit Cloud ରେ Deploy କରନ୍ତୁ

ଯାଆନ୍ତୁ Streamlit Cloud (ଏହା ମାଗଣା ଏବଂ ଆପଣଙ୍କ GitHub ଲଗଇନ୍ ବ୍ୟବହାର କରେ)। "New app" ରେ କ୍ଲିକ୍ କରନ୍ତୁ ଏବଂ ଆପଣଙ୍କର repository କୁ କନେକ୍ଟ କରନ୍ତୁ। Streamlit ଆପଣଙ୍କର app.py ଫାଇଲକୁ ସ୍ୱୟଂଚାଳିତ ଭାବରେ ଖୋଜିପାଏ ଏବଂ ଏହାକୁ deploy କରେ। ଗୋଟିଏ ମିନିଟ୍ ମଧ୍ୟରେ, ଆପଣ ଏକ ଲାଇଭ୍ URL ପାଆନ୍ତି ଯାହାକୁ ଆପଣ ଯେକାହା ସହିତ ସେୟାର କରିପାରିବେ।

ଯଦି ଆପଣ GitHub ରେ କୋଡ୍ ଅପଡେଟ୍ କରନ୍ତି, Streamlit ସ୍ୱୟଂଚାଳିତ ଭାବରେ ପୁନର୍ବାର deploy କରେ। ଆପଣ କେବେବି ସର୍ଭରକୁ ଛୁଅଁନ୍ତି ନାହିଁ।

ପଦକ୍ଷେପ 6: Customize କରନ୍ତୁ (ଇଚ୍ଛାଧୀନ)

ଆପଣ ସହଜରେ ଅଧିକ features ଯୋଡ଼ିପାରିବେ:

• ଏକାସାଙ୍ଗରେ ଅଧିକ ସହର ଦେଖାନ୍ତୁ
• ଅଧିକ ଚାର୍ଟ ପ୍ରକାର ଯୋଡ଼ନ୍ତୁ (ସମୟ ସହିତ ଆର୍ଦ୍ରତା, ପବନର ଗତିବିଧି)
• ଭୟଙ୍କର ପାଣିପାଗ ପାଇଁ ଆଲର୍ଟ ପ୍ରଦର୍ଶନ କରନ୍ତୁ
• ପସନ୍ଦର ସହରଗୁଡ଼ିକୁ ସେଭ୍ କରନ୍ତୁ

Streamlit ର documentation ବହୁତ ଭଲ ଏବଂ ଆରମ୍ଭ କରୁଥିବା ଲୋକଙ୍କ ପାଇଁ ସହଜ। ମୁଖ୍ୟ କଥା ହେଉଛି: ଯଦି ଆପଣ Python ଲେଖିପାରିବେ, Streamlit ଆପଣଙ୍କୁ web development ନ ଶିଖି ଏକ web app ତିଆରି କରିବାକୁ ଦିଏ।

ଉପସଂହାର

ଏକ weather dashboard ତିଆରି କରିବାର ଅର୍ଥ ଆଉ servers, databases, କିମ୍ବା API authentication ସହିତ ସଂଘର୍ଷ କରିବା ନୁହେଁ। Streamlit ବିରକ୍ତିକର କାମଗୁଡ଼ିକୁ ସମ୍ଭାଳେ, Plotly ଚାର୍ଟଗୁଡ଼ିକୁ ସୁନ୍ଦର କରେ, ଏବଂ Open-Meteo ଡାଟାକୁ ମାଗଣାରେ ଯୋଗାଇଦିଏ। ଆପଣ ଗୋଟିଏ ଘଣ୍ଟାରୁ କମ୍ ସମୟ ମଧ୍ୟରେ ଏକ ଆଇଡିଆରୁ ଗୋଟିଏ deployed app ତିଆରି କରିପାରିବେ। data visualization କେତେ ସହଜଲଭ୍ୟ ହୋଇଛି, ଏହା ତାହାର ଏକ ବାସ୍ତବିକ ପରିବର୍ତ୍ତନ।

ଗୁଣଗୁଡ଼ିକ

• ସମ୍ପୂର୍ଣ୍ଣ ମାଗଣା—କୌଣସି ଖର୍ଚ୍ଚ ନାହିଁ, କୌଣସି API keys ନାହିଁ, କୌଣସି ଲୁକ୍କାୟିତ ଦେୟ ନାହିଁ
• ତିଆରି କରିବାକୁ ଶୀଘ୍ର—ପୁରା ଜିନିଷଟିକୁ ପ୍ରାୟ ଗୋଟିଏ ଘଣ୍ଟା ଲାଗେ
• ଡିଫଲ୍ଟ ଭାବରେ ସୁନ୍ଦର—Plotly ଚାର୍ଟଗୁଡ଼ିକ ବିନା ପରିବର୍ତ୍ତନରେ professional ଦେଖାଯାଏ
• Interactive—ବ୍ୟବହାରକାରୀମାନେ ଆପଣଙ୍କ ବିନା କୌଣସି ଅତିରିକ୍ତ ପରିଶ୍ରମରେ କ୍ଲିକ୍, ହୋଭର୍ ଏବଂ ଜୁମ୍ କରିପାରିବେ
• ସ୍ୱୟଂଚାଳିତ ଭାବରେ deploy ହୋଇଯାଏ—କୋଡକୁ GitHub କୁ push କରନ୍ତୁ, Streamlit ସାଙ୍ଗେ ସାଙ୍ଗେ ପୁନର୍ବାର deploy କରେ
• ବାସ୍ତବ ପ୍ରୋଜେକ୍ଟଗୁଡ଼ିକ ପାଇଁ scalable—ହଜାର ହଜାର ଡାଟା ପଏଣ୍ଟ ଥିବା ଡ୍ୟାସବୋର୍ଡଗୁଡ଼ିକ ପାଇଁ ସମାନ ପଦ୍ଧତି କାମ କରେ
• କୌଣସି web development ଦକ୍ଷତା ଆବଶ୍ୟକ ନାହିଁ—କେବଳ Python

ଅସୁବିଧାଗୁଡ଼ିକ

• Streamlit Cloud ରେ rate limits ଏବଂ resource caps ଅଛି (ମାଗଣା ଟିଅର ସୀମିତ ଅଟେ)
• Open-Meteo ର ମାଗଣା ଟିଅରରେ କୌଣସି ଗ୍ୟାରେଣ୍ଟିଯୁକ୍ତ ଅପଟାଇମ୍ ନାହିଁ (ବିଫଳ ହେବାର ସମ୍ଭାବନା କମ୍, କିନ୍ତୁ SLA ଦ୍ୱାରା ସମର୍ଥିତ ନୁହେଁ)
• ଯେତେବେଳେ ବି କୌଣସି ବ୍ୟବହାରକାରୀ ଏହା ସହିତ interact କରନ୍ତି, Streamlit ପୁରା ସ୍କ୍ରିପ୍ଟକୁ ପୁନର୍ବାର ଚଲାଏ (ଭାରୀ computations ପାଇଁ ଧୀର ହୋଇପାରେ)
• UI ଡିଜାଇନର ସୀମିତ କଷ୍ଟମାଇଜେସନ୍ (ଆପଣ Streamlit ର ଲୁକ୍ ପାଆନ୍ତି, ଏକ ସମ୍ପୂର୍ଣ୍ଣ ବ୍ରାଣ୍ଡେଡ୍ ଅନୁଭୂତି ନୁହେଁ)
• ଡିଫଲ୍ଟ ଭାବରେ କୌଣସି ବ୍ୟାକଏଣ୍ଡ୍ ଡାଟାବେସ୍ ନାହିଁ (ଯଦିଓ ଆପଣ ଏହାକୁ ଅଲଗା ଭାବରେ ନ ତିଆରି କରନ୍ତି, ଡାଟା ରହେ ନାହିଁ)
• ଯଦି ଆପଣ ବିଶାଳ ଐତିହାସିକ ଡାଟାସେଟ୍ ଆଣିବାକୁ ଚେଷ୍ଟା କରନ୍ତି ତେବେ ପ୍ରଦର୍ଶନ ଖରାପ ହୁଏ

ସତର୍କତା

ଉପରୋକ୍ତ କୋଡ୍ ଉଦାହରଣଟି ପ୍ଲେସହୋଲ୍ଡର ଏବଂ ଉଦାହରଣ API ଏଣ୍ଡପଏଣ୍ଟ ବ୍ୟବହାର କରେ। Deploy କରିବା ପୂର୍ବରୁ, ଏହାକୁ locally ଟେଷ୍ଟ କରନ୍ତୁ ଏବଂ ଏହା ପ୍ରକୃତ ଡାଟା ସହିତ କାମ କରୁଛି ବୋଲି ନିଶ୍ଚିତ କରନ୍ତୁ। Open-Meteo ମାଗଣା ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ କିନ୍ତୁ ଏହାର ରେଟ୍ ଲିମିଟ୍ ଅଛି—ଏହାକୁ ପ୍ରତି ସେକେଣ୍ଡରେ ହଜାର ହଜାର ଥର କଲ୍ କରନ୍ତୁ ନାହିଁ। ଯଦି ଆପଣ ଏପରି ଫିଚର୍ ଯୋଡ଼ନ୍ତି ଯାହା ପାଇଁ ୟୁଜର୍ ଡାଟା ଷ୍ଟୋର୍ କରିବା ଆବଶ୍ୟକ ହୁଏ, ତେବେ ଏକ ଉପଯୁକ୍ତ ବ୍ୟାକଏଣ୍ଡ୍ ଡାଟାବେସ୍ ସେଟଅପ୍ କରିବାକୁ ମନେରଖନ୍ତୁ (Streamlit Cloud PostgreSQL କିମ୍ବା ଅନ୍ୟ ସେବାଗୁଡ଼ିକ ସହିତ ସଂଯୋଗ କରିପାରିବ, କିନ୍ତୁ ଏହା ଏଠାରେ ଆଲୋଚନାର ପରିସରଭୁକ୍ତ ନୁହେଁ)। ନିଜ ଦାୟିତ୍ୱରେ ଆଗକୁ ବଢନ୍ତୁ ଏବଂ ଲିଙ୍କ୍ କୁ ସାର୍ବଜନୀନ ଭାବରେ ସେୟାର୍ କରିବା ପୂର୍ବରୁ ଭଲ ଭାବରେ ଟେଷ୍ଟ କରନ୍ତୁ।

ବାରମ୍ବାର ପଚରାଯାଉଥିବା ପ୍ରଶ୍ନ

• ଯଦି Open-Meteo ବନ୍ଦ ହୋଇଯାଏ ତେବେ କଣ ହେବ?
• ମୁଁ user accounts ଯୋଡ଼ିପାରିବି କି ଏବଂ ପସନ୍ଦର ସହରଗୁଡ଼ିକୁ ସେଭ୍ କରିପାରିବି କି?
• ଏକାସାଙ୍ଗରେ କେତେ ଲୋକ ଡ୍ୟାସବୋର୍ଡ ବ୍ୟବହାର କରିପାରିବେ?
• ମୁଁ ପାଖାପାଖି ତୁଳନା କରିବା ପାଇଁ ଅଧିକ ସହର ଯୋଡ଼ିପାରିବି କି?
• ଡାଟା ରିଅଲ୍-ଟାଇମ୍ ନା କ୍ୟାସ୍ କରାଯାଇଛି?
• ମୁଁ କିପରି ଅଧିକ ଚାର୍ଟ ଏବଂ ଭିଜୁଆଲାଇଜେସନ୍ ଯୋଡ଼ିବି?
• ମୁଁ ରଙ୍ଗ ଏବଂ ଫଣ୍ଟଗୁଡ଼ିକୁ କଷ୍ଟମାଇଜ୍ କରିପାରିବି କି?
• ଯଦି Streamlit Cloud ମୋ ବ୍ୟବହାର ପାଇଁ ବହୁତ ଧୀର ହୁଏ ତେବେ କଣ ହେବ?

ଟ୍ୟାଗ୍ ଗୁଡ଼ିକ

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