« Consommation des avions » : différence entre les versions

De ESCR
Aller à la navigation Aller à la recherche
Aucun résumé des modifications
Aucun résumé des modifications
 
(21 versions intermédiaires par 2 utilisateurs non affichées)
Ligne 1 : Ligne 1 :
Cette page sert à afficher les détails des avions avec leurs données de consommation.
Cette page sert à afficher le nombre d'avions produits par chaque pays.
 


== Objectif ==
== Objectif ==
Ligne 6 : Ligne 5 :
Aujourd'hui, les constructeurs d'avions ne cessent de produire de nouveaux types d'avions (Boeing,Airbus ...), ces derniers peuvent varier selon la taille, le but (commercial, indistruel ...) et leur consommations. Cependant, cela impacte notre environnement écologique.
Aujourd'hui, les constructeurs d'avions ne cessent de produire de nouveaux types d'avions (Boeing,Airbus ...), ces derniers peuvent varier selon la taille, le but (commercial, indistruel ...) et leur consommations. Cependant, cela impacte notre environnement écologique.


Le but principal de cette application est de comparer la consommation des avions et ainsi sensibiliser les constructeurs à réduire l'impact écologique.
Le but principal de cette application est de montrer les pays qui ont produis le plus d'avions.
 
 
== Définition de votre graphe de connaissances ==
== Définition de votre graphe de connaissances ==


Ligne 14 : Ligne 11 :


Diagramme de classes ou modèle RDF (comme vue en cours)
Diagramme de classes ou modèle RDF (comme vue en cours)
[[Fichier:MALT RDF2.png|center|Schéma RDF|width=50]]
[[Fichier:MALTI RDF4.png|center|Schéma RDF|800px]]


=== Vocabulaire ===
=== Vocabulaire ===
Ligne 20 : Ligne 17 :
==== Base ====
==== Base ====
<rdf>
<rdf>
BASE <https://data.escr.fr/wiki/Utilisateur:Rémy/Projet_ESGI#>
BASE <https://data.escr.fr/wiki/Consommation_des_avions#>
</rdf>
</rdf>


Ligne 32 : Ligne 29 :
PREFIX wd: <http://www.wikidata.org/entity/>
PREFIX wd: <http://www.wikidata.org/entity/>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
prefix xsd: <http://www.w3.org/2001/XMLSchema#>
</rdf>
</rdf>


Ligne 54 : Ligne 52 :


==== Propriétés====
==== Propriétés====
===== country =====
<rdf>
<country> rdf:type rdf:Property.
</rdf>
* Cette propriété définit le pays de fabrication de l'avion.
===== poweredBy =====
===== poweredBy =====
<rdf>
<rdf>
Ligne 63 : Ligne 67 :
===== consumption =====
===== consumption =====
<rdf>
<rdf>
<consumption> rdf:type rdf:Property;
<consumption> rdf:type rdf:Property.
            rdfs:domain <Engine>.
</rdf>
</rdf>
* Cette propriété définit la consommation du moteur de l'avion.
* Cette propriété définit la consommation du moteur de l'avion.
Ligne 71 : Ligne 74 :


<rdf>
<rdf>
ex:Boeing737 rdf:type    <Airplane>.
wd:Q2107964 <consumption> "22.1"^^xsd:decimal .
ex:Boeing737 ex:poweredBy ex:JT8D .
ex:JT8D <consumption> ex:22.1 .
</rdf>
</rdf>


=== Requêtes ===
https://linkedwiki.com/query/List_of_airplains_Demo
A retester lundi :
<pre>
BASE <https://data.escr.fr/wiki/Consommation_des_avions#>


=== Requêtes ===
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX bd: <http://www.bigdata.com/rdf#>
PREFIX wikibase: <http://wikiba.se/ontology#>
PREFIX wdt: <http://www.wikidata.org/prop/direct/>
PREFIX wd: <http://www.wikidata.org/entity/>
 
select ?avion  ?imageAvion ?imageMotor
?avionLabel ?countryLabel ?avionDescription
where {
  ?motor <consumption> ?consommation .
 
    SERVICE <https://query.wikidata.org/sparql> {
      ?avion wdt:P31/wdt:P279* wd:Q15056993 ;
              wdt:P516 ?motor .
     
      OPTIONAL {
?avion rdfs:label ?avionLabel .
        FILTER (langMatches(lang(?avionLabel), "en"))
      }
      OPTIONAL {
?avion rdfs:label ?avionDescription .
        FILTER (langMatches(lang(?avionDescription), "en"))
      }
 
      OPTIONAL {
?avion wdt:P18 ?imageAvion .
        }
      OPTIONAL {
?avion wdt:P495 ?country .
?country rdfs:label ?countryLabel .
        FILTER (langMatches(lang(?countryLabel), "en"))
        }
      OPTIONAL {
        ?motor  wdt:P176 ?manufacturer  .
        }
        OPTIONAL {
  ?motor  wdt:P18 ?imageMotor .
        }
    }
}
LIMIT 100
# colstyle=col1_img_max-width:150px;col2_img_max-width:150px
</pre>


Vérification que le vocabulaire est bien chargé :
Vérification que le vocabulaire est bien chargé :


{{#sparql
{{#sparql:
select  ?avion ?avionLabel ?countryLabel ?firstFlightDate ?eventsLabel ?avionDescription ?image
select  ?avion ?avionLabel ?countryLabel ?firstFlightDate ?eventsLabel ?avionDescription ?avionImage
where {
where {
     ?avion wdt:P31 wd:Q11436.
     ?avion wdt:P31 wd:Q11436.
Ligne 96 : Ligne 144 :
# SELECT ?variableLabel ?variableAltLabel  ?variableDescription
# SELECT ?variableLabel ?variableAltLabel  ?variableDescription
SERVICE wikibase:label {
SERVICE wikibase:label {
     bd:serviceParam wikibase:language "fr,en" .
     bd:serviceParam wikibase:language "en,fr" .
}
}
}  
}  
LIMIT 100
LIMIT 10
| endpoint = https://query.wikidata.org/sparql
| endpoint = https://query.wikidata.org/sparql
| chart=bordercloud.visualization.DataTable
| chart=bordercloud.visualization.DataTable
Ligne 105 : Ligne 153 :
| log=2
| log=2
}}
}}


== Démonstration ==
== Démonstration ==
[[Fichier:MALTI results screenshot.png|center|results|width=50]]
[[Fichier:MALTI results screenshot.png|center|results|width=50]]
Code python de cette vue :
<syntaxhighlight lang="python">
from flask import Flask, render_template, request
from SPARQLWrapper import SPARQLWrapper, JSON
import pandas as pd
import plotly as py
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
import plotly.graph_objs as go
from base64 import b64encode
import matplotlib.pyplot as plt
import os
app = Flask(__name__)
app.static_folder = 'static'
########################################
## this function retrieves the airplanes
## data from wikidata, through SPARQL
########################################
def get_results():
sparql = SPARQLWrapper("https://query.wikidata.org/sparql",
  agent="Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11")
sparql.setQuery("""
    PREFIX bd: <http://www.bigdata.com/rdf#>
PREFIX wikibase: <http://wikiba.se/ontology#>
PREFIX wdt: <http://www.wikidata.org/prop/direct/>
PREFIX wd: <http://www.wikidata.org/entity/>
select  ?avion ?avionLabel ?countryLabel ?firstFlightDate ?eventsLabel ?avionDescription ?image
where {
    ?avion wdt:P31 wd:Q11436.
#          wd:Q478798 wd:Q11436.
    ?avion wdt:P17 ?country.
#    ?avion wdt:P580 ?events.
          optional {
            ?avion wdt:P18 ?image.
            ?avion wdt:P793 ?events.
            ?avion wdt:P606 ?firstFlightDate.
          }
          # Doc : https://www.mediawiki.org/wiki/Wikidata_query_service/User_Manual#Label_service
# SELECT ?variableLabel ?variableAltLabel  ?variableDescription
SERVICE wikibase:label {
    bd:serviceParam wikibase:language "en,fr" .
}
}
LIMIT 1000""")
sparql.setReturnFormat(JSON)
results = sparql.query().convert()
results = results["results"]["bindings"]
return results
#################################################################
## aggregates the data to get produced airpalnes count by country
#################################################################
def get_counts():
results = get_results()
columns = ["avion", "avionLabel", "countryLabel", "firstFlightDate", "eventsLabel", "avionDescription", "image"]
data = pd.DataFrame(columns=columns, index=range(len(results)))
for i, result in enumerate(results):
for col in columns:
if col in result.keys():
data.loc[i, col] = result[col]['value']
agg_data = data.groupby(["countryLabel"]).size().reset_index(name='count').sort_values(['count'], ascending=False)
return data, agg_data
##################
## draw the map ##
##################
def plot_map(image_name="produced_aircrafts_counts.png"):
raw_data, agg_data = get_counts()
data = dict(
type='choropleth',
colorscale='Jet',
locations=agg_data['countryLabel'],
locationmode="country names",
z=agg_data['count'],
text=agg_data['countryLabel'],
colorbar={'title': 'produced airplanes'},
)
layout = dict(
title='number of aircraft produced per country',
geo=dict(showframe=False, projection={'type': 'mercator'})
)
chmap = go.Figure(data=[data], layout=layout)
chmap.to_image(format="png", engine="kaleido")
chmap.write_image(image_name)
return raw_data, agg_data
###########################################
###########    MAIN FUNCTION    ###########
###########################################
@app.route("/")
def home():
image_name = "produced_aircrafts_counts.png"
data, agg_data = plot_map("static/photos/"+image_name)
data = data.drop(["image"], axis=1)
# return render_template("index.html", l={"map": plot_map()})
return render_template("index.html", data=agg_data, image_name = image_name, results_count= len(data),
  agg_tables=[agg_data.to_html(classes='data')], agg_titles=agg_data.columns.values,
  data_tables=[data.to_html(classes='data')], data_titles=data.columns.values)
</syntaxhighlight >

Version actuelle datée du 21 juin 2021 à 05:47

Cette page sert à afficher le nombre d'avions produits par chaque pays.

Objectif

Aujourd'hui, les constructeurs d'avions ne cessent de produire de nouveaux types d'avions (Boeing,Airbus ...), ces derniers peuvent varier selon la taille, le but (commercial, indistruel ...) et leur consommations. Cependant, cela impacte notre environnement écologique.

Le but principal de cette application est de montrer les pays qui ont produis le plus d'avions.

Définition de votre graphe de connaissances

Schema

Diagramme de classes ou modèle RDF (comme vue en cours)

Schéma RDF

Vocabulaire

Base

BASE <https://data.escr.fr/wiki/Consommation_des_avions#>

Préfixes

PREFIX ex: <http://www.example.org/>
PREFIX bd: <http://www.bigdata.com/rdf#> 
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#>
PREFIX wikibase: <http://wikiba.se/ontology#> 
PREFIX wdt: <http://www.wikidata.org/prop/direct/> 
PREFIX wd: <http://www.wikidata.org/entity/>
PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
prefix xsd: <http://www.w3.org/2001/XMLSchema#>

Classes

Aircraft
<Aircraft> rdf:type rdfs:Class .
Airplane
<Airplane> rdf:type rdfs:Class .
<Airplane> rdfs:subClassOf <Aircraft>.
Engine
<Engine> rdf:type rdfs:Class .
<Engine> rdfs:subClassOf <Airplane>.

Propriétés

country
<country> rdf:type rdf:Property.
  • Cette propriété définit le pays de fabrication de l'avion.
poweredBy
<poweredBy> rdf:type rdf:Property;
            rdfs:domain <Engine>.
  • Cette propriété définit le moteur de l'avion.
consumption
<consumption> rdf:type rdf:Property.
  • Cette propriété définit la consommation du moteur de l'avion.

Exemple d'un jeu de données

wd:Q2107964 <consumption> "22.1"^^xsd:decimal .

Requêtes

https://linkedwiki.com/query/List_of_airplains_Demo A retester lundi :

BASE <https://data.escr.fr/wiki/Consommation_des_avions#>

PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#> 
PREFIX bd: <http://www.bigdata.com/rdf#> 
PREFIX wikibase: <http://wikiba.se/ontology#> 
PREFIX wdt: <http://www.wikidata.org/prop/direct/> 
PREFIX wd: <http://www.wikidata.org/entity/>

select ?avion  ?imageAvion ?imageMotor 
		?avionLabel ?countryLabel ?avionDescription
where {
  ?motor <consumption> ?consommation .
  
    SERVICE <https://query.wikidata.org/sparql> {
       ?avion wdt:P31/wdt:P279* wd:Q15056993 ;
              wdt:P516 ?motor .
      
      OPTIONAL {
			?avion rdfs:label ?avionLabel .
        	FILTER (langMatches(lang(?avionLabel), "en"))	
      }
      OPTIONAL {
			?avion rdfs:label ?avionDescription .
        	FILTER (langMatches(lang(?avionDescription), "en"))	
      }

      OPTIONAL {
			?avion wdt:P18 ?imageAvion .
        }
      OPTIONAL {
			?avion wdt:P495 ?country .
			?country rdfs:label ?countryLabel .
        	FILTER (langMatches(lang(?countryLabel), "en"))	
        }
      OPTIONAL {
        	?motor  wdt:P176 ?manufacturer  .
        }
        OPTIONAL {
	  		?motor  wdt:P18 ?imageMotor .
        }
    }
} 
LIMIT 100
# colstyle=col1_img_max-width:150px;col2_img_max-width:150px

Vérification que le vocabulaire est bien chargé :

Démonstration

width=50

Code python de cette vue :

from flask import Flask, render_template, request
from SPARQLWrapper import SPARQLWrapper, JSON
import pandas as pd
import plotly as py
from plotly.offline import download_plotlyjs, init_notebook_mode, plot, iplot
import plotly.graph_objs as go
from base64 import b64encode
import matplotlib.pyplot as plt
import os


app = Flask(__name__)
app.static_folder = 'static'


########################################
## this function retrieves the airplanes 
## data from wikidata, through SPARQL
########################################
def get_results():
	sparql = SPARQLWrapper("https://query.wikidata.org/sparql",
						   agent="Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.11 (KHTML, like Gecko) Chrome/23.0.1271.64 Safari/537.11")

	sparql.setQuery("""
	    PREFIX bd: <http://www.bigdata.com/rdf#> 
	PREFIX wikibase: <http://wikiba.se/ontology#> 
	PREFIX wdt: <http://www.wikidata.org/prop/direct/> 
	PREFIX wd: <http://www.wikidata.org/entity/>

	select  ?avion ?avionLabel ?countryLabel ?firstFlightDate ?eventsLabel ?avionDescription ?image
	where {
	    ?avion wdt:P31 wd:Q11436.
	#           wd:Q478798 wd:Q11436.
	    ?avion wdt:P17 ?country.
	#    ?avion wdt:P580 ?events.
	           optional {
	             ?avion wdt:P18 ?image.
	             ?avion wdt:P793 ?events.
	             ?avion wdt:P606 ?firstFlightDate.
	           }
	           # Doc : https://www.mediawiki.org/wiki/Wikidata_query_service/User_Manual#Label_service
	# SELECT ?variableLabel ?variableAltLabel  ?variableDescription
	SERVICE wikibase:label {
	     bd:serviceParam wikibase:language "en,fr" .
	}
	} 
	LIMIT 1000""")

	sparql.setReturnFormat(JSON)
	results = sparql.query().convert()
	results = results["results"]["bindings"]

	return results


#################################################################
## aggregates the data to get produced airpalnes count by country
#################################################################
def get_counts():
	results = get_results()
	columns = ["avion", "avionLabel", "countryLabel", "firstFlightDate", "eventsLabel", "avionDescription", "image"]
	data = pd.DataFrame(columns=columns, index=range(len(results)))

	for i, result in enumerate(results):
		for col in columns:
			if col in result.keys():
				data.loc[i, col] = result[col]['value']

	agg_data = data.groupby(["countryLabel"]).size().reset_index(name='count').sort_values(['count'], ascending=False)
	return data, agg_data



##################
## draw the map ##
##################
def plot_map(image_name="produced_aircrafts_counts.png"):
	raw_data, agg_data = get_counts()
	data = dict(
		type='choropleth',
		colorscale='Jet',
		locations=agg_data['countryLabel'],
		locationmode="country names",
		z=agg_data['count'],
		text=agg_data['countryLabel'],
		colorbar={'title': 'produced airplanes'},
	)

	layout = dict(
		title='number of aircraft produced per country',
		geo=dict(showframe=False, projection={'type': 'mercator'})
	)
	chmap = go.Figure(data=[data], layout=layout)
	chmap.to_image(format="png", engine="kaleido")
	chmap.write_image(image_name)

	return raw_data, agg_data



###########################################
###########    MAIN FUNCTION    ###########
###########################################
@app.route("/")
def home():
	image_name = "produced_aircrafts_counts.png"
	data, agg_data = plot_map("static/photos/"+image_name)
	data = data.drop(["image"], axis=1)

	# return render_template("index.html", l={"map": plot_map()})
	return render_template("index.html", data=agg_data, image_name = image_name, results_count= len(data),
						   agg_tables=[agg_data.to_html(classes='data')], agg_titles=agg_data.columns.values,
						   data_tables=[data.to_html(classes='data')], data_titles=data.columns.values)