నిమిషాల్లో మీ స్వంత వెదర్ డాష్‌బోర్డ్‌ను రూపొందించండి (API కీలు లేవు, ఖర్చు లేదు)

హుక్

మీరు ఒక్క రూపాయి కూడా ఖర్చు చేయకుండా లేదా API కీల కోసం వెతకకుండా పైథాన్‌లో లైవ్ వాతావరణ డాష్‌బోర్డ్‌ను రూపొందించవచ్చు. ఆన్‌లైన్‌లో నడుస్తున్న అందమైన ఇంటరాక్టివ్ చార్ట్‌లతో రియల్-టైమ్ వాతావరణ డేటాను చూపే దానిని ఎలా సృష్టించాలో ఇక్కడ ఉంది.

2026లో ఇది ఎందుకు ముఖ్యం

ఈ రోజు (జూన్ 30, 2026), డేటా విజువలైజేషన్ టూల్స్ ఎంత సులభంగా అందుబాటులోకి వచ్చాయంటే, ప్రాథమిక పైథాన్ తెలిసిన ఎవరైనా ప్రొఫెషనల్‌గా కనిపించే డాష్‌బోర్డ్‌లను రూపొందించవచ్చు. Streamlit లాంటి టూల్స్ వెబ్ డెవలప్‌మెంట్ నేర్చుకోవాలనే అడ్డంకిని తొలగించాయి—మీకు HTML, CSS లేదా JavaScript తెలిసి ఉండాల్సిన అవసరం లేదు. త్వరిత ఆలోచనను వేగంగా నిజం చేయాలనుకునే వారికి ఇది చాలా గొప్ప విషయం. ఉచిత వాతావరణ డేటా కోసం Open-Meteo API కూడా గో-టు సోర్స్‌గా మారింది, రిజిస్ట్రేషన్ అవసరం లేదు, ఇది ఇటువంటి ప్రాజెక్ట్‌లను నిజంగా సులభతరం చేస్తుంది.

మీరు నిర్మిస్తున్నది

ఇలా చేసే వాతావరణ డాష్‌బోర్డ్:

• ఏ ప్రదేశానికైనా ప్రస్తుత పరిస్థితులను (ఉష్ణోగ్రత, తేమ, గాలి వేగం) చూపుతుంది
• రాబోయే కొద్ది రోజుల్లో ఉష్ణోగ్రత ట్రెండ్‌ల యొక్క అందమైన చార్ట్‌లను ప్రదర్శిస్తుంది
• భూమిపై ఉన్న ఏదైనా నగరాన్ని ఎంచుకోవడానికి మరియు ప్రత్యక్ష డేటాను తక్షణమే చూడటానికి మిమ్మల్ని అనుమతిస్తుంది
• Streamlit Cloud (Streamlit యొక్క హోస్టింగ్ సర్వీస్)లో ఉచితంగా నడుస్తుంది

మొత్తం వెబ్ యాప్‌గా రన్ అవుతుంది—కేవలం URLని సందర్శించండి మరియు మీ బ్రౌజర్‌లో దానితో ఇంటరాక్ట్ అవ్వండి. మేనేజ్ చేయడానికి బ్యాకెండ్ లేదు, సర్వర్‌ల గురించి చింతించాల్సిన అవసరం లేదు.

మీకు ఏమి కావాలి

• మీ కంప్యూటర్‌లో ఇన్‌స్టాల్ చేయబడిన పైథాన్ 3.7 లేదా ఆ తర్వాతి వెర్షన్
• ఒక టెక్స్ట్ ఎడిటర్ (VS Code, Sublime, లేదా మీకు నచ్చినది ఏదైనా)
• ఉచిత GitHub ఖాతా
• ఉచిత Streamlit Cloud ఖాతా (అదే GitHub లాగిన్‌ని ఉపయోగిస్తుంది)
• అంతే. API కీలు లేవు, క్రెడిట్ కార్డ్‌లు లేవు, సబ్‌స్క్రిప్షన్‌లు లేవు.

ఇది ఎలా పనిచేస్తుంది (ఆలోచన)

Streamlit పైథాన్ స్క్రిప్ట్‌లను స్వయంచాలకంగా వెబ్ యాప్‌లుగా మారుస్తుంది. మీరు పైథాన్ వ్రాస్తారు, విషయాలను ఇంటరాక్టివ్‌గా చేయడానికి కొన్ని ప్రత్యేక ఆదేశాలను జోడిస్తారు, దాన్ని వెబ్‌సైట్‌గా మార్చడాన్ని Streamlit నిర్వహిస్తుంది. Plotly చార్ట్‌లను సృష్టిస్తుంది—అవి ఇంటరాక్టివ్‌గా ఉంటాయి, కాబట్టి వ్యక్తులు డేటా పాయింట్లపై మౌస్ ఉంచవచ్చు మరియు జూమ్ చేయవచ్చు. Open-Meteo అనేది వాలంటీర్లు నడుపుతున్న ఉచిత వాతావరణ API, దీనికి ప్రామాణీకరణ లేదా రేట్ పరిమితి అవసరం లేదు (సహేతుక పరిధిలో).

మూడు భాగాలు కలిసి పనిచేస్తాయి: మీరు Open-Meteo నుండి డేటాను తీసుకువస్తారు, దాన్ని పైథాన్‌తో ప్రాసెస్ చేస్తారు, Streamlitతో ప్రదర్శిస్తారు మరియు Plotlyతో విజువలైజ్ చేస్తారు.

దశ 1: టూల్స్ ఇన్‌స్టాల్ చేయండి

టెర్మినల్‌ను తెరిచి, దీన్ని రన్ చేయండి:

pip install streamlit plotly requests pandas

ఇది మీకు అవసరమైన లైబ్రరీలను ఇన్‌స్టాల్ చేస్తుంది. requests ఇంటర్నెట్ నుండి డేటాను తీసుకువస్తుంది, pandas దానిని ఆర్గనైజ్ చేయడానికి సహాయపడుతుంది, మరియు streamlit మరియు plotly మిగిలిన వాటిని చూసుకుంటాయి.

దశ 2: మీ పైథాన్ స్క్రిప్ట్‌ను సృష్టించండి

దీని పేరుతో కొత్త ఫైల్‌ను సృష్టించండి app.py మరియు దీన్ని పేస్ట్ చేయండి:

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}")

ఈ స్క్రిప్ట్:

• వినియోగదారులను నగర పేరును టైప్ చేయడానికి అనుమతిస్తుంది
• నగరం యొక్క అక్షాంశం మరియు రేఖాంశాన్ని వెతుకుతుంది
• Open-Meteo నుండి ప్రస్తుత వాతావరణం మరియు సూచనను తీసుకువస్తుంది
• కీలక మెట్రిక్‌లను (ఉష్ణోగ్రత, తేమ, గాలి) పెద్ద పెట్టెల్లో ప్రదర్శిస్తుంది
• తదుపరి వారం కోసం గరిష్ట మరియు కనిష్ట ఉష్ణోగ్రతలను చూపే చార్ట్‌ను ప్లాట్ చేస్తుంది

దశ 3: దీన్ని స్థానికంగా పరీక్షించండి

మీ టెర్మినల్‌లో, దీనితో ఉన్న ఫోల్డర్‌కు నావిగేట్ చేయండి app.py మరియు దీన్ని రన్ చేయండి:

streamlit run app.py

Streamlit బ్రౌజర్ విండోను తెరుస్తుంది. నగరం పేరు టైప్ చేసి అది పనిచేయడం చూడండి. ప్రత్యక్ష డేటా తక్షణమే కనిపించడం మీరు చూస్తారు. "Tokyo," "New York," లేదా భూమిపై ఉన్న ఏ నగరాన్నైనా టైప్ చేసి ప్రయత్నించండి—Open-Meteo వాటన్నింటినీ కలిగి ఉంది.

దశ 4: GitHubకి పుష్ చేయండి

కొత్త GitHub రిపోజిటరీని సృష్టించండి (పబ్లిక్, README అవసరం లేదు). ఆపై:

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

రీప్లేస్ చేయండి YOUR_USERNAME మరియు REPO_NAME మీ అసలు GitHub వినియోగదారు పేరు మరియు రిపోజిటరీ పేరుతో.

దశ 5: Streamlit Cloudకి డిప్లాయ్ చేయండి

దీనికి వెళ్లండి Streamlit Cloud (ఇది ఉచితం మరియు మీ GitHub లాగిన్‌ను ఉపయోగిస్తుంది). "New app" క్లిక్ చేసి, మీ రిపోజిటరీని కనెక్ట్ చేయండి. Streamlit మీ ఫైల్‌ను కనుగొంటుంది app.py ఆటోమేటిక్ గా మరియు దాన్ని డిప్లాయ్ చేస్తుంది. నిమిషంలో, మీరు ఎవరితోనైనా పంచుకోగల లైవ్ URLని పొందుతారు.

మీరు GitHubలో కోడ్‌ని అప్‌డేట్ చేస్తే, Streamlit స్వయంచాలకంగా రీ-డిప్లాయ్ చేస్తుంది. మీరు సర్వర్‌ను అసలు తాకరు.

దశ 6: కస్టమైజ్ చేయండి (ఆప్షనల్)

మీరు సులభంగా మరిన్ని ఫీచర్లను జోడించవచ్చు:

• ఒకేసారి మరిన్ని నగరాలను చూపండి
• మరిన్ని చార్ట్ రకాలను జోడించండి (కాలక్రమేణా తేమ, గాలి నమూనాలు)
• విపరీతమైన వాతావరణం కోసం హెచ్చరికలను ప్రదర్శించండి
• ఇష్టమైన నగరాలను సేవ్ చేయండి

Streamlit డాక్యుమెంటేషన్ అద్భుతమైనది మరియు బిగినర్స్-ఫ్రెండ్లీ. ముఖ్యమైన విషయం: మీకు పైథాన్ రాయడం తెలిస్తే, వెబ్ డెవలప్‌మెంట్ నేర్చుకోకుండానే వెబ్ యాప్‌ని నిర్మించడానికి Streamlit మిమ్మల్ని అనుమతిస్తుంది.

ముగింపు

వాతావరణ డాష్‌బోర్డ్‌ను రూపొందించడం అంటే ఇకపై సర్వర్‌లు, డేటాబేస్‌లు లేదా API ప్రామాణీకరణతో కుస్తీ పట్టడం కాదు. Streamlit బోరింగ్ భాగాలను నిర్వహిస్తుంది, Plotly చార్ట్‌లను అందంగా చేస్తుంది మరియు Open-Meteo డేటాను ఉచితంగా అందిస్తుంది. మీరు ఆలోచన నుండి యాప్‌ను డిప్లాయ్ చేసే దశకు ఒక గంటలోపే వెళ్లవచ్చు. ఇది డేటా విజువలైజేషన్ ఎంత అందుబాటులోకి వచ్చిందో చెప్పే నిజమైన మార్పు.

ప్రయోజనాలు

• పూర్తిగా ఉచితం—ఖర్చులు లేవు, API కీలు లేవు, దాచిన ఫీజులు లేవు
• నిర్మించడానికి వేగవంతమైనది—మొత్తం ప్రక్రియకు సుమారు ఒక గంట పడుతుంది
• అప్రమేయంగా అందమైనవి—Plotly చార్ట్‌లు ట్వీక్ చేయకుండానే ప్రొఫెషనల్‌గా కనిపిస్తాయి
• ఇంటరాక్టివ్—యూజర్లు మీ నుండి ఎలాంటి అదనపు పని లేకుండా క్లిక్ చేయవచ్చు, హోవర్ చేయవచ్చు మరియు జూమ్ చేయవచ్చు
• ఆటోమేటిక్ గా డిప్లాయ్ చేయబడింది—కోడ్‌ను GitHubకు పుష్ చేయండి, Streamlit తక్షణమే రీ-డిప్లాయ్ చేస్తుంది
• నిజమైన ప్రాజెక్ట్‌లకు స్కేలబుల్—వేలాది డేటా పాయింట్‌లు ఉన్న డాష్‌బోర్డ్‌లకు ఇదే విధానం పనిచేస్తుంది
• వెబ్ డెవలప్‌మెంట్ స్కిల్స్ అవసరం లేదు—పూర్తి పైథాన్

లోపాలు

• Streamlit Cloudకు రేట్ పరిమితులు మరియు వనరుల పరిమితులు ఉన్నాయి (ఉచిత టైర్ సాధారణమైనది)
• Open-Meteo యొక్క ఉచిత టైర్ హామీ ఇవ్వబడిన అప్‌టైమ్‌ను కలిగి లేదు (విఫలం కావడం అరుదు, కానీ SLA-మద్దతు లేదు)
• యూజర్ ఇంటరాక్ట్ అయిన ప్రతిసారీ Streamlit మొత్తం స్క్రిప్ట్‌ను మళ్లీ రన్ చేస్తుంది (భారీ కంప్యూటేషన్‌ల కోసం నెమ్మదిగా ఉండవచ్చు)
• UI డిజైన్ యొక్క పరిమిత కస్టమైజేషన్ (మీరు Streamlit రూపాన్ని పొందుతారు, పూర్తిగా బ్రాండెడ్ అనుభవాన్ని కాదు)
• అప్రమేయంగా బ్యాకెండ్ డేటాబేస్ లేదు (మీరు దానిని విడిగా నిర్మిస్తే తప్ప డేటా నిలిచి ఉండదు)
• మీరు భారీ చారిత్రక డేటాసెట్‌లను పొందడానికి ప్రయత్నిస్తే పనితీరు క్షీణిస్తుంది

హెచ్చరిక

పై కోడ్ ఉదాహరణ ప్లేస్‌హోల్డర్‌లు మరియు ఉదాహరణ API ఎండ్‌పాయింట్‌లను ఉపయోగిస్తుంది. డిప్లాయ్ చేయడానికి ముందు, దాన్ని స్థానికంగా పరీక్షించండి మరియు అది నిజమైన డేటాతో పనిచేస్తుందని నిర్ధారించండి. Open-Meteo ఉచితం మరియు నమ్మదగినది కానీ రేట్ పరిమితులను కలిగి ఉంది—సెకనుకు వేల సార్లు కాల్ చేయవద్దు. మీరు యూజర్ డేటాను నిల్వ చేయాల్సిన ఫీచర్‌లను జోడిస్తే, సరైన బ్యాకెండ్ డేటాబేస్‌ను సెటప్ చేయాలని గుర్తుంచుకోండి (Streamlit Cloud PostgreSQL లేదా ఇతర సేవలకు కనెక్ట్ కాగలదు, కానీ అది ఇక్కడ పరిధికి మించినది). మీ స్వంత పూచీతో ముందుకు సాగండి మరియు లింక్‌ను పబ్లిక్‌గా షేర్ చేయడానికి ముందు పూర్తిగా పరీక్షించండి.

తరచుగా అడిగే ప్రశ్నలు

• Open-Meteo డౌన్ అయితే ఏమి జరుగుతుంది?
• నేను యూజర్ ఖాతాలను జోడించి, ఇష్టమైన నగరాలను సేవ్ చేయవచ్చా?
• ఒకేసారి ఎంత మంది డాష్‌బోర్డ్‌ను ఉపయోగించగలరు?
• పక్కపక్కనే సరిపోల్చడానికి నేను మరిన్ని నగరాలను జోడించవచ్చా?
• డేటా రియల్ టైమా లేదా క్యాచ్ చేయబడిందా?
• నేను మరిన్ని చార్ట్‌లు మరియు విజువలైజేషన్‌లను ఎలా జోడించగలను?
• నేను రంగులు మరియు ఫాంట్‌లను కస్టమైజ్ చేయవచ్చా?
• నా ఉపయోగం కోసం Streamlit Cloud చాలా నెమ్మదిగా ఉంటే ఏమి చేయాలి?

ట్యాగ్‌లు

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