• 日本語
    • English (英語)
Avinton JapanAvinton JapanAvinton JapanAvinton Japan
  • サービス
    • Avinton Data Platform
    • エッジAIカメラ
      • 自動車ナンバープレート自動認識システム
    • プライベートクラウド
    • AIサービス開発
    • AIカメラ/画像解析無料体験版
  • 最新情報
    • ニュースリリース&イベント情報
    • 技術ブログ&インタビュー
  • アカデミー
    • Avintonアカデミー
    • Academy on Campus
    • Academy with Platform
  • 採用情報
    • Avintonジャパン 採用ページ
    • 求人一覧
    • よくある質問
    • 新卒採用
  • 企業情報
    • 会社概要
    • 代表からご挨拶
    • SDGsへの貢献
  • お問い合わせ

Apache Superset maptoolの使い方

  • ルーティング
  • データベースの命名規則
  • 三目並べ – 2.〇×を交互にゲーム盤に入るようにしよう
  • 三目並べ – 3.勝敗がつくようにしよう
  • クリーンコード(Clean Code)
  • 三目並べ – 4.「スタート」「リセット」ボタンをつけよう
  • 三目並べ – 5.先攻後攻を決めて、コンピュータ対戦にしよう(前編)
  • インフラストラクチャー(サーバー、コンポーネント、RAID)
  • 機械学習入門者向け Support Vector Machine (SVM) に触れてみる
  • YOLOv8を用いた物体検出
  • 正規表現とパイプ
  • 機械学習エンジニアに必要なスキル
  • 軽量版Kubernetesディストリビューション – k0s クラスターの構築
  • ファイル操作コマンド
  • グループとユーザー
  • 困った時に使うコマンド
  • 一般グループのユーザーとグループ
  • プライバシーポリシー
  • 三目並べ – 6.先攻後攻を決めて、コンピュータ対戦にしよう(後編)
  • フロントエンド開発のための環境構築
  • ファイル検索コマンド
  • 質問
  • 仮想化環境のディスク容量を拡張する
  • ユーザー権限とアクセス権
  • データ分析基礎 – Part1
  • 三目並べ – 0.導入
  • テキスト処理
  • データベースへのデータロード
  • 機械学習概要1
  • 機械学習入門者向け Naive Bayes(単純ベイズ)アルゴリズムに触れてみる
  • ファイル管理
  • SSHを使用してホストOSからゲストOSに接続する
  • 機械学習入門者向け ChainerRLでブロック崩しの学習
  • 機械学習入門者向け ランダムフォレストによる Kaggle Titanic生存者予測
  • 機械学習概要2
  • データ分析基礎 – Part 2
  • 機械学習入門者向け 分類と回帰の違いをプログラムを書いて学ぼう
  • フロントエンドのWeb開発について
  • ダイナミックルーティング
  • 三目並べ – 1.ゲーム盤を作ろう
  • 【Python入門】Python Numpy チュートリアル
  • Amazon EC2 インスタンスの初期設定をしよう
  • AmazonEC2とVPCでネットワークとサーバーを構築しよう
  • Apache NiFi Exercise
  • Apache NiFi データパイプライン基礎
  • Apache NiFiの環境設定
  • Apache Spark 基礎
  • Apache SparkとApache Zeppelinの概要と環境構築
  • Apache Superset maptoolの使い方
  • Apache Superset 基礎
  • Apache Superset 概要と環境構築
  • Apache Zeppelin 基本機能
  • APIのデモンストレーション
  • Avinton Academy コンテンツガイド
  • AWS CLIをインストールしてコマンド操作しよう
  • AWS CLIを使ってEC2のファイルをS3へアップロードしよう
  • AWS Route 53を使って独自ドメインのWebページを表示させてみよう
  • AWSアカウントの作成と必ずやるべきセキュリティ対策
  • AWSのEC2インスタンスでWordPressブログを公開してみよう
  • AWS入門者向け 初心者が最初に理解すべきEC2とVPCの基本的な用語解説
  • CCNA
  • Certbotを使ってSSL証明書を発行し、HTTP通信を暗号化しよう
  • CISCO 1800ルータセットアップ
  • CSV import & export – Node.js, mySQL – 1
  • CSV import & export – Node.js, mySQL – 2
  • Docker Compose(Nginx + Flask + MySQL)演習
  • Docker Engineのubuntu上へのinstall
  • Docker 概要とセットアップ
  • Docker, Kubernetesの学び方について
  • Dockerコンテナイメージの最適化/ベストプラクティス
  • DockerとApacheを使ってWebサーバーを構築しよう
  • EC2からS3へ自動でぽいぽいアップロードするスクリプトの作成
  • ESP32-CAMのサンプルアプリケーションを実行する
  • 01 – Sparkfun Inventor’s Kit の準備
  • 02 – Sparkfun Inventor’s KitでLチカ
  • 03 ポテンショメータでLEDの点滅間隔をアナログ入力する
  • 04 フォトレジスタで明るさに反応するシステムをつくる
  • 05 LCDに文字列を表示する
  • 06 – BME280とLCDを組み合わせて温度計をつくる
  • ESP32とArduino IDE/PlatfromIOでHello Worldアプリケーションの実行
  • ESP32と超音波センサー HC-SR04 で物体の距離を計測する
  • ESXi – Switchの追加とVLAN
  • ESXi – VyOS
  • ESXi – 小規模ネットワーク 構築
  • Gitとは
  • VS CodeでGitHub Copilotを設定する
  • VSCode リモート開発環境
  • GNS3のセットアップ
  • Kubernetesクラスター上へのOpenVINOモデルサーバーを使用したサンプルアプリケーションのデプロイ
  • Linuxとは
  • NAT
  • NodeJSでWebアプリケーション開発 – React編
  • NodeJSでWebアプリケーション開発 – React編
  • NodeJSでWebアプリケーション開発 – React編
  • NodeJSでWebアプリケーション開発 – Socket.IO編
  • NVIDIA Cumulus VX + GNS3でBGPネットワークのシミュレーション
  • OpenCVのテストプログラム
  • PacketTracerのセットアップ
  • Pandasによる構造化データ分析
  • PCからルータ、スイッチへのSSH接続設定
  • PostGIS exercise
  • PostgreSQL – Python – Apache – Bootstrap
  • MySQLとMySQL Workbench のセットアップ
  • PostgreSQL Setup
  • PostgreSQL – インデックスを利用したパフォーマンス改善方法
  • PostgreSQL – パーティショニングを利用したパフォーマンス改善方法
  • PostgreSQLによるデータ分析
  • postgreSQLへのshp fileのimport
  • Python2.7とOpenCVのインストール
  • Python3.8 と OpenCV のインストール (Ubuntu20.04LTS)
  • Pythonでデータベースを操作する
  • Pythonで画像を分類するプログラムを作成する
  • Pythonによるマルチスレッドプログラミング実践
  • Raspberry Pi 4B のセットアップ
  • Raspberry PiとBME280を使用して温度と湿度、気圧を読み取る
  • REDIS
  • Redux基礎 – 主要な概念と用語
  • Ruby on Rails を MySQLでセットアップ
  • Ruby on Railsによる簡単なウェブアプリケーション
  • SampleアプリケーションのKubernetes上へのデプロイ
  • Scala 基礎
  • scikit-learnとは
  • Spark SQL エクササイズ
  • SparkMLによるKaggle Titanic生存者予測
  • SparkMLによる住宅価格予測
  • SQL 便利な関数
  • Ubuntuの基本設定
  • uhubctlでUSBデバイスのオンオフをコントロール
  • Terraform入門 2 – Terraformのstate管理
  • Terraform入門 1 – TerraformでAWS上にEC2インスタンスを作成する
  • Virtualisation and Container (仮想化とコンテナ) – Ansible, Docker and Kubernetes
  • viエディタ
  • VLAN
  • VMware ESXi サーバー構築
  • Webアプリ開発に欠かせないGoogle Chrome DevToolsの基本
  • Windows Server 2012 R2 Hyper-V
  • YOLOv5を用いた物体検出
Home Avintonアカデミー Apache Superset maptoolの使い方
Apache Superset

このページでは、Apache Supersetを使用し、緯度・経度やポリゴンなどの地理情報を地図上に表示する方法を学んでいきます。

ここでの目標は、以下のようなチャートを作ることです。左の散布図(Scatter Plot)は、神奈川県にある駅の緯度・経度を可視化しており、右のポリゴンは、神奈川県の町丁・字等のエリア(市区町村より細かいエリア)を可視化しています。ポリゴンの高さや色は各エリアの人口を示しています。

Apache Superset maptoolの使い方

事前準備

このエクササイズは以下のことが完了している・身についていることが前提として作られています。

  • PostgreSQL、pgAdmin、PostGISの環境構築(参考:PostgreSQLのセットアップ & postgreSQLへのshp fileのimport)
  • Supersetの環境構築(参考:Apache Superset 概要と環境構築)
  • Supersetの基本操作(参考:Apache Superset 基礎)

使用するツールのバージョン

使用するツールのバージョンは以下の通りです。

  • PostgreSQL 12.3
  • Superset 1.5.0

deck.gl Scatterplotでポイント(緯度・経度)を地図上に可視化

まず以下のようにポイント(緯度・経度)をSuperset上で可視化させていきましょう。

データの準備(CHALLENGE)

以下のステップはご自身で調べながらおこなってみましょう。

1. 以下のデータをダウンロードしてください。こちらには神奈川県にある駅の緯度・経度情報が含まれています。
kanagawa_stations.csv

2. データを格納するPostgreSQLテーブルを作成し、データをインポートします。各カラムのデータタイプやエンコーディングのオプションは、ダウンロードしたcsvデータをもとに考えてみましょう。こちらの記事(PostgreSQLによるデータ分析)を参考にしてみてください。

3. 作成したテーブルをSuperset上のデータセットとして追加します。こちらの記事(Apache Superset 基礎)を参考にしてみてください。

Superset Chartの作成

次にチャートを作成していきます。作成したデータセットをクリックすると、チャート作成画面に遷移します。”VISUALIZATION TYPE”をクリックしてください。

Apache Superset maptoolの使い方

Visualization type “Map”の中の”deck.gl Scatterplot”を選択します。

Apache Superset maptoolの使い方

“LONGITUDE & LATITUDE”の項目で、”station_lon”と”station_lat”を指定し、”RUN QUERY”もしくは、”RUN”をクリックします。

Apache Superset maptoolの使い方

クエリが走り終わると、右上の画面に各駅の緯度・経度が点として地図上に可視化されます。

Apache Superset maptoolの使い方

 

 

CHALLENGE

デフォルトでは、各点にマウスを合わせると、以下のように緯度・経度がツールチップ上に表示されます。

Apache Superset maptoolの使い方

こちらのように駅名を表示させてみましょう。

Apache Superset maptoolの使い方

チャート作成画面下部にある”Advanced”からその設定をおこなうことができます。”EXTRA DATA FOR JS”に”station_name”を追加し、”JAVASCRIPT TOOLTIP GENERATOR”にツールチップ用のJavascript関数を指定する必要があります。この関数をご自身で考えてみましょう。

Apache Superset maptoolの使い方

ヒントですが、関数は以下のような指定の仕方になります。xxxのところに何がくるか試行錯誤してみてください。

1
d => `${xxx}駅`

完了したら、チャートは保存しておきましょう。

deck.gl Polygonでポリゴンを地図上に可視化

ここからはSuperset上のdeck.gl Polygonというチャートを使用し、以下のようにポリゴンを地図上に可視化していきます。

データの準備(CHALLENGE)

1. e-Statの統計地理情報システムデータダウンロードページより、「神奈川県全域」のShapefileをダウンロードしてください。

2. PostGISを使用し、ダウンロードしたShapefileをPostgreSQLテーブルとしてインポートします。こちらの記事(postgreSQLへのshp fileのimport)を参考にしてください。

 

deck.gl Polygon用にGeoJSON形式のカラムを作成

Supersetのdeck.gl Polygonチャートでポリゴンを可視化するために、ジオメトリをGeoJSON形式に変換します。

GeoJSONとは、以下の例のような地理情報をJSONでエンコードするためのファイル形式のことです。

1
2
3
4
5
6
7
8
9
10
11
12
13
{
  "type": "Polygon",
  "geometry": {
    "type": "Polygon",
    "coordinates": [
      [
        [139.668366678, 35.514082172],
        [139.668195738, 35.513999094],
        [139.668366678, 35.514082172]
      ]
    ]
  }
}

以下のコードは、Shapefileをインポートしたテーブル(academy.kanagawa_polygon)のgeomカラム(ジオメトリ)からgeojsonカラム(GeoJSON形式のテキスト)を作成し、新たにテーブル(academy.kanagawa_geojson)を作成しています。

1
2
3
4
5
6
7
8
CREATE TABLE academy.kanagawa_geojson
AS SELECT
*,
json_build_object(
'type', 'Polygon',
'geometry', ST_AsGeoJSON(ST_Transform((ST_DUMP(geom)).geom::geometry(Polygon, 4326), 4326))::json
)::text AS geojson
FROM academy.kanagawa_polygon

このコードを参考に、GeoJSON形式のカラムが追加されたテーブルを作成してみましょう。

Superset Chartの作成

deck.gl Polygonを選択します。

Apache Superset maptoolの使い方

“POLYGON COLUMN”に”geojson”カラムをセットし、”POLYGON ENCODING”を”JSON”にセットします。”RUN”ボタンをクリックすると、以下のようにポリゴンが右上に表示されます。

Apache Superset maptoolの使い方

次に各エリアの人口をポリゴンの高さと色で表現してみましょう。

“METRIC”を以下のように設定します。”METRIC”はポリゴンの色に対応しています。

Apache Superset maptoolの使い方

“ELEVATION”も同じように設定します。”ELEVATION”は、ポリゴンの高さに対応しています。

Apache Superset maptoolの使い方

“RUN”をクリックすると、以下のようにポリゴンの高さと色が変わります。

Apache Superset maptoolの使い方

お好みで”CUSTOMIZE”タブの”LINEAR COLOR SCHEME”から色を変えることができます。

Apache Superset maptoolの使い方

 

CHALLENGE

設定が終わると、ポリゴンは色が変わって表示されます。ただ、デフォルトでは、マウスをポリゴンに合わせると、ツールチップがこのように表示されます。

Apache Superset maptoolの使い方

こちらのように、エリア名と人口が表示されるようにしてみましょう。

Apache Superset maptoolの使い方

“Advanced”の”EXTRA DATA FOR JS”に以下のカラムを指定してください。”JAVASCRIPT TOOLTIP GENERATOR”に指定する関数をご自身で考えてみてください。

完成したら、チャートを保存します。

あなたも、Avintonでこのような最先端技術を習得し活用してみませんか?

社員の成長を導きながら、AIやビッグデータなどの最先端技術をプロジェクトに活用していくことが私たちのビジョンです。Avintonの充実した技術研修でスキルアップを図り、あなたのキャリア目標を一緒に達成しませんか?

採用情報

採用情報

採用情報

Categories

  • 相互学習
  • 採用
  • 社員インタビュー
  • 学習&資格取得
  • 技術解説
  • イベント告知
  • 学内説明会&講義
  • 産学連携
  • 就職活動
  • イベントレポート
  • その他
  • 技術ブログ&インタビュー
  • mainpage
  • New Graduates Interviews
  • 中途エンジニア
  • カテゴリーなし
  • ニュースリリース&イベント

Avinton SDGs

SDGsへの貢献

Search

タグ

AIカメラ AI時代の経営 AI活用事例 AvintonAcademy on Campus AWS Docker Git LPIC LPIC-2 Planet OS PM&PMO PM6PMO Ruby技術者認定試験 Scratch Sound Analysis SSD イベントレポート インフラ エッジコンピューティング エリクソン エンジニア オープンイノベーション コンテナ技術 コーディング ディープラーニング リスキリング リードエンジニア 中瀬幸子 仮想化 勉強会 地引網 帰社日 強化学習、機械学習 採用 掲載告知 新年のご挨拶 未経験 深層学習 画像分類 知識蒸留 社員紹介 第一級陸上特殊無線技士 統計検定 自社開発 観光データ
© 2023 Avinton | All Rights Reserved | プライバシーポリシー
  • サービス
    • Avinton Data Platform
    • エッジAIカメラ
      • 自動車ナンバープレート自動認識システム
    • プライベートクラウド
    • AIサービス開発
    • AIカメラ/画像解析無料体験版
  • 最新情報
    • ニュースリリース&イベント情報
    • 技術ブログ&インタビュー
  • アカデミー
    • Avintonアカデミー
    • Academy on Campus
    • Academy with Platform
  • 採用情報
    • Avintonジャパン 採用ページ
    • 求人一覧
    • よくある質問
    • 新卒採用
  • 企業情報
    • 会社概要
    • 代表からご挨拶
    • SDGsへの貢献
  • お問い合わせ
  • 日本語
    • English (英語)
Avinton Japan