برچسب: نمودار

حکایتی هست در این باره که راکفلکر شروع کارش از یک کارخونه کبریت سازی بوده. این داستان مدعی است که این مولتی میلیاردر که زمان جوانی در کارخونه کبریت سازی کار می کرده، روزی پیش مدیرش می ره و می گه ایده ای داره برای چند برابر کردن درآمد کارخونه و در مقابل این قول که در بخشی از این درآمد سهیم بده ایده اش رو می ده:

جعبه کبریت یک کشویی داره که کبریت ها اون تو هستن. این رو برعکس توی جعبه بذارین. هر کس جعبه رو باز می کنه بیشتر کبریت ها به زمین می ریزن و طرف خیلی زودتر از حالتی که کشویی درست نصب شده باشه، مجبور می شه یک جعبه کبریت دیگه بخره. چون کبریت چیز ارزونی است کسی به این امر توجه نخواهد کرد و هیچ کس هم شاکی نخواهد شد و شما چند برابر بیشتر جعبه کبریت خواهید فروخت.

ایده خبیثانه جالبیه ولی چرا اصولا از اول کبریت های کمتری توی جعبه نذاریم؟ اصولا اگر می شه اینجوری پول درآورد مطمئنا کشور ما جای بسیار مناسبی براشه.

برای بررسی این مساله به مغازه می ریم و یک بسته ده تایی کبریت توکلی که ظاهرا تنها بازیگر بزرگ کبریت در ایرانه رو می خریم. اونو به خونه می‌یاریم. ملحفه سبزمون رو رو زمین پهن می کنیم و به عنوان یک تنبل واقعی، فقط قسمتی که قراره تو عکس باشه رو اتو می کنیم:

و بعد می ریم سراغ ده تا جعبه کبریتی که خریدیم و پشتشون مدعی است که تعداد متوسط کبریت‌های هر جعبه چهل تا است:

هر جعبه کبریت رو جدا جدا روی قسمت اتو شده و صاف خالی کرده، عکس می گیریم:

اینکار رو برای هر ده تا جعبه کبریت انجام می دیم و اتاق پر از کبریت رو به قصد نشستن پشت کامپیوتر ترک میکنیم.

اول نیازمند یک برنامه هستیم که بتونه در یک عکس کبریت ها رو بشمره. بعد با یک اسکریپت این برنامه رو برای همه عکس ها اجرا خواهیم کرد. من برای اینکار اول کتابخونه‌های cv2 رو امتحان کردم ولی با numpy نتیجه بهتر و قشنگ تری گرفتم. در قدم اول کافیه عکس رو بخونیم، اون ۱ به کتابخونه می گه عکس رو بعد از خوندن خاکستری کنه که کار ما رو راحتتر می کنه:

kebrit = scipy.misc.imread(fileName, 1) # gray-scale image

و خروجی چیز شبیه این است:

اینکه تصویر رنگی است به خاطر اینه که به شکل پیش فرض از پالت jet برای نمایش استفاده کرده ایم که تصویر رو به صورت حرارتی نشون می ده. می گن این برای کارهای علمی راحتتر از خاکستری است. به راحتی می بینین که چیزی که می خونیم با اینکه در سبز معمولی یا خاکستری به نظر یکدست می‌یاد ولی پر از تیزی و نقطه نقطه است. مثل هر عکس دوربینی دیگه. برای حل این مشکل تصویر رو اسموت می کنیم. اسموت کردن در پردازش تصویر معمولا با استفاده از فیلتر گاوس به دست می یاد که کانولوشن گرفتنی است بین این ورودی و تابع گاوس. البته نگران نباشین، من چون سه بار معادلات دیفرانسیل رو افتادم و آخرش هم یکی دیگه به جام امتحان داد، پایه ام قوی شده (:

kebrit_smooth = ndimage.gaussian_filter(kebrit, 6)

حالا متغیر kebrit_smooth یک تصویر نرم شده از تصویر اصلی است:

قدم بعدی اینه که من بیام و یک ترش‌هولد روی ورودی بذارم و بگم بیخیال هر چیزی بشه که از این عدد خاص کوچکتر است. این عدد با کمی تجربه و کمی سعی خطا به دست اومده. دستور طبیعی باید این می بود:

tresh = 120
labeled, objectsNum = ndimage.label(kebrit_smooth < tresh)

تابع ndimage.label ورودی خودش رو بررسی می کنه و تعداد اجسام به هم پیوسته توی اون رو می شمره. اما مشکل اینه که حتی تک پیکسل های منفرد هم شمرده می شن. برای جلوگیری از این امر من بهش یک ساختار می دم که شکلم حداقل لازمه چنین ساختاری داشته باشه:

tresh = 120
removeOnes = np.ones((3,3), dtype="bool8")
labeled, objectsNum = ndimage.label(kebrit_smooth < tresh, structure=removeOnes)

دقت کنین که اون استراکچر در اصل می گه حداقل تصویر قابل تشخیص من باید این باشه:

array([[ True,  True,  True],
       [ True,  True,  True],
       [ True,  True,  True]], dtype=bool)

و نتیجه اش این می شه که نقطه های منفرد دیگه شمرده نشن. البته انتظارم اینه که با اسموت کردن مرحله قبل این نقطه ها به حداقل رسیده باشن. نتیجه این ترکیب چنین تصویری است:

و خب چنین خروجی متنی ای:

10boxes/IMG_2608.JPG , 29

حالا کافیه یک اسکریپت ساده، همه ده تا فایل رو به اون برنامه بده:

#!/bin/bash

for f in *JPG
do
    ../count.py $f
done

و به خروجی زیر برسیم:

$ ./doall.sh 
IMG_2606.JPG , 35
IMG_2607.JPG , 30
IMG_2608.JPG , 29
IMG_2609.JPG , 32
IMG_2610.JPG , 29
IMG_2611.JPG , 33
IMG_2612.JPG , 36
IMG_2613.JPG , 38
IMG_2614.JPG , 37
IMG_2615.JPG , 38

وقتشه سراغ زبون مورد علاقمون R بریم. یک زبان تخصصی برای کارهای آماری و وررفتن با اعداد و ماتریس ها و رفیق رفقاشون. فایل رو می خونیم و بخش مورد نظر رو جدا می کنیم:

> tavakoli <- read.csv(file="results.csv",head=FALSE,sep=",")
> matches <- tavakoli[2]$V2

حالا اطلاعات هر جعبه کبریت رو دارم. بذارین یک نگاه سریع بهش بندازیم:

> summary (matches)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  29.00   30.50   34.00   33.70   36.75   38.00 

بعله. می بینیم که میزان متوسط پایینتر از ۳۴ است. یعنی تعداد متوسط این ده قوطی کبریت ۶ تا کمتر از چیزی است که ادعا شده یا به بیان صحیح‌تر ۱۵٪ کمتر به ما جنس فروختن. جالبیش اینه حتی یک جعبه از این ده جعبه هم به چیزی که ادعا می شد میانگین است نرسیده. بذارین جلوتر بریم:

> hist(matches, xlim=c(28,42), ylim=c(0,4), main="هیستوگرام تعداد کبریت های توکلی در هر جعبه", sub="www.jadi.net", breaks=8)
> curve(dnorm(x, mean=mean(matches), sd=sd(matches))*10, add=TRUE, col="red", lwd=2) 

و روی این نمودار با کمی آمار احتمالات می تونیم احتمال اینکه در یک جعبه کبریت اتفاقی توکلی که خریده‌ایم و مدعی داشتن ۴۰ کبریت است، چهل یا بیشتر کبریت وجود داشته باشد را حساب کنیم:

> 1-pnorm(40, mean=mean(matches), sd=sd(matches)) #یک منهای سمت چپ نمودار نرمال در نقطه ۴۰ کبریت
[1] 0.03970968

بله. با اینکه کبریت توکلی مدعی است در هر جعبه اش تقریبا ۴۰ کبریت وجود داره، برنامه پردازش تصویر و نمودارهای نرمال ما نشون می دن که احتمال اینکه واقعا در یک جعبه کبریت توکلی چهل یا بیشتر کبریت باشه، سه صدم درصد بیشتر نیست

نتیجه‌ها

۰- موسسه استاندارد و حقوق مصرف کننده خاصی نداریم یا هنوز این مساله رو ندیدن
۱- راکفلر باید بیاد پیش تولید کننده‌های ما لنگ بندازه
۲- آمار شیرین و فان است
۳- می تونیم با کارهای علمی بامزه هم تفریح کنیم هم چیز یاد بگیریم

مرتبط

• هفته وایبر: منحنی نرمال، اسیدپاشی و اینکه چرا گروه‌های وایبری ترسناک می شن
• پست مهمان: رابطه استفاده از کلمه مهمل توی وبلاگ جادی و میزان بارون در تهران

و البته مثل همیشه هر جاییش ممکنه اشتباه داشته باشه. خوشحال می شم دوستان حرفه ای اصلاح کنن یا توسعه بدن و به این فکر کنیم که کاش آمار رو اینطوری به ما درس می دادن (:

صحنه آشنا برای من و خیلی‌ها، خیره شدن به ردیف کنسورهای ماهی تن سوپرمارکت‌ها است و فکر کردن به اینکه «کدوم رو بردارم». هیچ وقت هم تنها نیستیم و همیشه دو سه نفر دیگه هم مشغول همین فکر هستن و اولین کسی که دستش به سمت یکی از تن‌ها بره، بقیه ازش می پرسن «این خوبه؟».

من حوصله‌ام از این سر رفته و می خوام با یک روش نیمه علمی چها تا از برندهای مشهور رو بررسی کنم و تصمیم بگیرم که کدوم بهتره. منظور هم از روش علمی، روشی است که مستند شده و بقیه هم می تونن تکرار و بررسی و نقدش کنن و نتایج خودشون رو بگیرن. دلیلی هم که بهش گفتم نیمه علمی اینه که من متخصص بو و مزه و .. نیستم و مثلا با خوردن دو سه نوک چنگال از هر کدوم رتبه دادم که فلان تن، از فلا کنسرو شور تر است.

شرکت کننده‌ها

یک بررسی سریع از مردم و بررسی قفسه‌ها، باعث می شه من چهار تا شرکت کننده انتخاب کنم که همه در روغن هستن:

از راست به چپ شیلتون، اویلا، شیلانه و تحفه

فاکتورها

قبل از سنجش، نیاز داریم بدونیم که چه چیزی باید سنجیده بشه. من برداشتی از «کنسرو ماهی تن خوب» دارم و شما یک برداشت اینه. به همین دلیل توی فیسبوک از دوستانم پرسیدم که موقع انتخاب یک تن ماهی، فاکتورهاشون چیه و با نظرات خودم به این فهرست رسیدم:

• درش راحت باز بشه
• پر باشه
• گوشت یک تیکه باشه
• مزه اش خوب باشه
• استخوان و پوست نداشته باشه
• بوی اشتها بر انگیز
• رنگ خوب و روشن یک تیکه
• شور نباشه
• طول انقضا خیلی طولانی نباشه (نگهدارنده کم)
• قیمت نسبت به وزن

البته فاکتورهای دیگه‌ای هم بود (مثلا اینکه دلفین حین شکار تن کشته نشده باشه یا کارخونه در جایی باشه که تن صید می شه) که به خاطر ناتوانی در سنجش حتی نسبی، کنارشون گذاشتم.

در مورد قیمت لازمه قیمت برای هر گرم رو حساب کنیم چون سه تا از کنسروها ۱۸۰ گرمی هستن و تحفه ۱۲۰ گرمی. پس قیمت هر کنسرو رو تقسیم بر وزن کردم و به این رسیدم که هر گرم تن ماهی (با احتساب روغن و…) تقریبا بین ۲۹ تا ۳۳ تومن قیمت داره.

در جدول نهایی به این فاکتورها ضریب‌هایی هم می‌دیم چون مثلا مزه خوب و نداشتن بوی ماهی خام، از نظر من بسیار مهمتر از رنگ است یا قیمت.

جدول امتیازات

جدولی از چهار تا برند معرفی شده و فاکتورهای بحث شده درست کردم که توش همیشه عدد ۱ به معنی بدترین و عدد ۴ به معنی بهترین است. در جایی مثل قیمت کاملا رتبه ها مشخص است ولی مثلا توی «شور نبودن» به هر کنسرو به شکل مستقل امتیاز داده شده (مثلا اگر دو تن A و B خیلی شور بودن به هر دو امتیاز ۱ دادیم و اگر سه تا تن گوشت یک تیکه کامل داشتن به هر سه ۴ دادیم).

عملیات

طبق توصیه همیشگی، همه کنسروها رو با هم و به یک شکل ۲۰ دقیقه جوشوندم و بعد گذاشتم کمی خنک بشن و یک کوچولو درهاشون رو باز کردم، بو کردم و ریختم توی لیوان:

• تحفه کوچیکتر است و در مقایسه روغن باید به این نکته دقت کنیم
• شیلتون اصلا بوی خوبی نداشت. بوی ماهی خام حس می کردم

بعد کلا درها رو باز کردم:

• بخش زیادی از روغن شیلتون، توش مونده بود. نمی شه گفت روغنش کمتره. به جای سوراخ روی قوطی بستگی داره. به همه امتیاز برابر می دم.

و خب از هر کدوم مقداری می خورم. باید اعتراف کنم که در تشخیص مزه چندان عالی نیستم و احتمالا برای یک غیرحرفه‌ای، بو تاثیر زیادی توی درک از مزه داره. توی شیلتون قطعاتی بسیار نخواستنی هست که نمی دونم پوست است یا باله و از نظر ظاهر برنده شیلانه است اما مزه اویلا و تحفه در رتبه اول و دومه.

نتایج

بعد از مشخص کردن ضریب‌ها و امتیازدهی که کار سختیه، نتیجه اینه که رتبه اول به اویلا می رسه بخصوص به خاطر مزه خوب و رتبه دوم با اختلاف خیلی کم به شیلانه احتمالا به خاطر روشنی، یک تیکه بودن و کلا ظاهر جذابتر از بقیه. تحفه با اینکه بد مزه نبود ولی خیلی خورد و خالی بود (با در نظر گرفتن وزن و جعبه کوچیکتر) و شیلتون هم به طور خاص به خاطر بوی زُخم و قطعات غیرجذابی که توش دیده شد امتیازش پایین اومده.

مشخصه که نمونه گیری به شکل «یک کنسرو اتفاقی» بوده و مثلا ممکنه یک کنسرو دیگه شیلتون بسیار هم یکدست باشه ولی به هرحال نتایج نهایی به این شکل اعلام می شه:

و نمودار تارعنکبوتی هر برند هم به این شکل در میاد:

و مشخصه که برنده ما اویلا به عنوان ناهار خورده شده، بقیه به مصارف عام المنفعه اختصاص پیدا میکنن.

---

این مطلب اول در سایت تک نینجا منتشر شد و کامنت هاش به نظرم ارزشمند هستن. به همین دلیل ازشون یک عکس گرفتم که اینجا می یارم:

در ادامه هفته وایبر

منحنی‌ای است به اسم منحنی توزیع نرمال که اینکاره‌ها بهش می‌گن منحنی گاوسی و اونکاره‌های بهش می‌گن توزیع زنگوله‌ای – به خاطر شکلش:

از اونجایی هم که این منحنی با بسیاری از پدیده‌های «طبیعی» سازگاره، بهش منحنی توزیع نرمال هم می‌گن. مثلا قد آدم‌ها در یک جامعه تقریبا شبیه این منحنی است:

یعنی تعداد بسیار کمی هستن که ۱۳۰ سانت باشن و اکثریت ۱۶۵ سانت هستن و تعداد خیلی کمی هم هستن که ۲ متر و بیشترن. یا مثلا در مرد گرایش جنسی:

که می گه درصد کمی از مردها هستن که کاملا همجنسگرا هستن، درصد بیشتری تا حدی دوجنسگرا، اکثریت زن و مردهای با گرایش به جنس مخالف و طرف راست طیف هم دوباره زن هایی هستن با گرایش به جنس موافق اما درصدشون کمتر از متوسط ها است. این منحنی توضیح دهنده بخش بزرگی از پدیده‌های اطراف ما است و به همین دلیل در علوم انسانی و شناخت و بررسی جوامع بسیار مهم. مثلا فرض کنین من بخوام ببینم وضع چاقی در ایران چطوریه، کافیه چند نمونه گویا داشته باشم تا بتونم با استفاده از منحنی نرمال به شما بگم که در ایران به احتمال زیاد چند نفر بالای ۲۰۰ کیلو وزن دارن.

حالا اینها چه ربطی پیدا می کنه به وایبر و اسید پاشی؟ اونجا هم بخشی از جامعه است و مثل هر چیز دیگه تابع یک منحنی نرمال. یعنی در هر جامعه ای کسی رو داریم که معتقده باید کسی که طبق میل اون لباس نمی پوشه، طبق میل اون رفتار نمی کنه، مثل اون حرف نمی زنه، رنگش با رنگ اون فرق داره و … رو از بین برد یا شکنجه کرد یا شلاق زد یا ترسوند یا بیرون کرد یا به گوشه خونه روند. اما اینها چند نفر هستن؟ اونم توی کشور عزیزی که از انواع تریبون هاش خشونت و عدم پایبندی به قانون تبلیغ و دیده می شه.

بذارین ببینیم تو جامعه در مقابل چنین چیزهایی، کیا رو داریم و با چه نسبتی:

یعنی تعدادی به شکل فعال برای برابری تلاش کنن، اکثریت بفهمن که زن ها و مردها فرصت ها و حقوق برابر دارن و تعداد کمی رفتارشون بگه که زن ها خنگ هستن و در انتهای طیف هم دیگه تعداد خیلی خیلی کمی باشن که معتقد باشن باید زنی که مثلا طبق نظر اونها لباس نپوشیده رو تنبیه بدنی کرد یا شلاق زد. در ضمن ما چیزی داریم به اسم گرایش به سمت نرمال که باعث می شه آدم ها ناخودآگاه رفتارشون به سمت وسط اینن نمودار بکشن.

حالا اینجاست که وایبر ترساناک می شه، نه خودش ذاتا بلکه مثل پنجره ای که برو به جامعه ای مریض باز شده.

نگاهی سریع به شوخی‌ها، رفتارها، حرف‌ها و نمودهای بیرونی اعتقادات ما توی وایبر به سادگی به ما می گه که اتفاقا نقطه متوسط جامعه وایبری ما جایی است که توش خیلی راحت احمق گفتن به زن ها به نظرمون بامزه می‌یاد، یک موضوع جنسی طبیعی برامون پیک هیجان جنسی کل هفته است و هیچ ابایی از این نداریم که چند قومیت کشور رو موضوع مسخره دائمی خودمون بدونیم و از خودمون هم سوال نکنیم که چرا اینقدر از نظر سطح زندگی پایینتر از ما هستن. در اصل دلیلی که دیدن وایبر یک جامعه شناس رو ناراحت می کنه اینه که فریاد بلندی است که داره بهمون می گه جامعه ما اینه:

و مشخصه که توی این جامعه کسی که اسید می پاشه هم حضور پررنگ تری داره. اگر متوسط جامعه من از نظرش زن بودن موضوع تمسخر است و مثلا صفحه بامزه اش چیزی به اسم «زن باس» است که توش به خنده می نویسه «زن باید خوشگل باشه، بقیه اش رو با کتک درست می کنم» اصلا نباید تعجب کرد که یک آدم تندرو هم – که شکی نیست جاسوس غرب و شرق و شمال و جنوب است و بازیچه انواع شاخه های مذهبی غیرشیعه است- روی زنی که حس می کنه «مناسب» نیست اسید بریزه.

راه حل چنین موضوعاتی در جوامع، تشدید قوانین و شکنجه بیشتر و اعدام و اینها نیست. قابل توجه است که ما در حال نه فقط یکی از چهل کشور باقی مونده هستیم که آدم ها رو اعدام می کنن که بین این چهل کشور، رتبه دوم رو هم از نظر کشتن آدم ها توسط دولت کسب کرده ایم و همه شاهد وضعمون هستین. راه حل چنین چیزهایی برابر دیدن انسان ها است تا توش «زن» دیگه یک «دیگری» نباشه که «مرد باس اصلاحش کنه». و خب معلومه که هم من و شما توش دخیلیم هم حکومتی که کل رسانه‌ها، سیستم آموزشی، قانونگذاری و … رو زیر کنترلش گرفته. پس حداقل به نوبه خودتون دفعه بعد که زن‌ها رو در گروه وایبری مسخره کردن، به این فکر کنین که در اسید پاشی تا حدی سهیم هستین. دردناکه ولی واقعیه؛ همه ما در شرایط جامعه مون سهیم هستیم و اتفاقاتی که در جوامع تکرار می شن، محصول تک تک افراد اون جامعه هستن و نه یک دونه جاسوس و دو تا دیوانه.

خوشبختانه دوستام اینقدر معقول هستن که من فقط دوبار در گروه‌هایی با اسم‌هایی مثل «جوک‌کده» و «بالای ۱۸» عضو شدم و خوشحالم که عضویتم توی یکیشون رو با همه اعصاب خوردی اش نگه داشتم تا الان بعد از دو ماه که از عضویتم گذشته این تگ کلاود رو ازش درست کنم.

اینها کلماتی هستن که یک برنامه کامپیوتری بعد از نگاه کردن به همه کلمات رد و بدل شده، حذف کلمات مرسومی مثل «و» و «یا» و تعیین سایز فونت بر اساس تکرار هر کلمه ساخته و کنار هم چیده. در موردش خیلی حرف نمی زنم چون دوست دارم از شما بشنوم. خیلی کامنت ها می شه گذاشت. فقط چون جمعه است بگم که بعدا در مورد ممه در پستی جداگانه ولی مرتبط با هفته‌ وایبر حرف خواهیم زد.

برای من اینطرف کشیدن ساعت معنی اش اینه که دیگه نمی تونم لای پرده رو باز بذارم و به موقع با نور آفتاب بیدار بشم. الان نور افتاب منو ساعت شش بیدار خواهد کرد. اصولا این ساعت رو اینطرف و اونطرف کشیدن چه تاثیری توی نور روز داره و در سطحی بالاتر، من که این روزها از هفت از خونه بیرون می رم در بهترین حالت شش و ربع می رسم، چقدر از سال تو تاریکی می یام بیرون و تو تاریکی بر می گردم. بذارین به پیروی از این مقاله که کار مشابهی کرده با بسته نرم افزاری جادویی R، با اعداد ور بریم.

مشخصه که نیاز به کتابخونه ای داریم که فانکشن های sunrise و غیره رو دارن پس:

> library(maptools)

و کافیه لت و لانگ تهران رو بهش بدیم:

> portsmouth <- matrix(c(51.4231, 35.6961), nrow=1)

و تاریخ:

> for_date <- as.POSIXct("2014-09-25", tz="Asia/Tehran")

و ازش بخوایم ساعت طلوع خورشید امروز رو بده:

> sunriset(portsmouth, for_date, direction="sunrise", POSIXct.out=TRUE)
        day_frac                time
newlon 0.2460366 2014-09-25 05:54:17

بله ظاهرا درسته ! خورشید ما رو ساعت ۵ و ۵۴ دقیقه صبح بیدار می کنه که مثل گرگ پاشیم بریم سر کار. این کتابخونه همچنین می تونه به ما زمان غروب، طول روز و ظهر رو هم بده و از اون باحالتر می تونه ورودی هایی به فرم بردارهایی از روزها قبول کنه. پس این تابع:

# adapted from http://r.789695.n4.nabble.com/maptools-sunrise-sunset-function-td874148.html
ephemeris <- function(lat, lon, date, span=1, tz="UTC") {
 
  # convert to the format we need
  lon.lat <- matrix(c(lon, lat), nrow=1)
 
  # make our sequence - using noon gets us around daylight saving time issues
  day <- as.POSIXct(date, tz=tz)
  sequence <- seq(from=day, length.out=span , by="days")
 
  # get our data
  sunrise <- sunriset(lon.lat, sequence, direction="sunrise", POSIXct.out=TRUE)
  sunset <- sunriset(lon.lat, sequence, direction="sunset", POSIXct.out=TRUE)
  solar_noon <- solarnoon(lon.lat, sequence, POSIXct.out=TRUE)
 
  # build a data frame from the vectors
  data.frame(date=as.Date(sunrise$time),
             sunrise=as.numeric(format(sunrise$time, "%H%M")),
             solarnoon=as.numeric(format(solar_noon$time, "%H%M")),
             sunset=as.numeric(format(sunset$time, "%H%M")),
             day_length=as.numeric(sunset$time-sunrise$time))
 
}

می تونه لت و لانگ (طول و عرض) یک مکان رو بگیره و به اندازه date روز بعد از تاریخی که بهش گفتیم، به ما بگه که وضعیت نور روز چطوریه (اونم توی تایم زون مورد نظر):

> ephemeris(35.6961, 51.4231, "2014-09-25", 10, tz="Asia/Tehran")
         date sunrise solarnoon sunset day_length
1  2014-09-25     554      1156   1757   12.05001
2  2014-09-26     555      1155   1755   12.01276
3  2014-09-27     555      1155   1754   11.97550
4  2014-09-28     556      1155   1752   11.93826
5  2014-09-29     557      1154   1751   11.90104
6  2014-09-30     558      1154   1750   11.86384
7  2014-10-01     558      1154   1748   11.82666
8  2014-10-02     559      1153   1747   11.78952
9  2014-10-03     600      1153   1745   11.75241
10 2014-10-04     601      1153   1744   11.71535

جالبه ولی نه به اندازه کافی. مغز اکثر ما نمودارها رو بهتر از جدول ها می فهمه. پس ما با توابع ggplot دو تا نمودار می کشیم. یکی نمودار نواری که نشون بده چه بخشی از روز نور آفتاب داره و چه بخش هایی تاریکه و یک نمودار دیگه که به سادگی بگه هر روز از سال چند ساعت نور داره.

library(ggplot2)
library(scales)
library(gridExtra)

# create two formatter functions for the x-axis display
 
# for graph #1 y-axis
time_format <- function(hrmn) substr(sprintf("%04d", hrmn),1,2)
 
# for graph #2 y-axis
pad5 <- function(num) sprintf("%2d", num)
 
daylight <- function(lat, lon, place, start_date, span=2, tz="UTC", 
                     show_solar_noon=TRUE, show_now=TRUE, plot=TRUE) {
 
  stopifnot(span>=2) # really doesn't make much sense to plot 1 value
 
  srss <- ephemeris(lat, lon, start_date, span, tz)
 
  x_label = ""
 
  gg <- ggplot(srss, aes(x=date))
  gg <- gg + geom_ribbon(aes(ymin=sunrise, ymax=sunset), fill="#ffeda0")
 
  if (show_solar_noon) gg <- gg + geom_line(aes(y=solarnoon), color="#fd8d3c")
 
  if (show_now) {
    gg <- gg + geom_vline(xintercept=as.numeric(as.Date(Sys.time())), color="#800026", linetype="longdash", size=0.25)
    x_label = sprintf("زمان در لحظه ترسیم نمودار: %s", format(Sys.time(), "%Y-%m-%d / %H:%M"))
  }
 
  gg <- gg + geom_hline(yintercept=as.numeric("0700"), color="#1000F6", linetype="longdash", size=0.25)
  gg <- gg + geom_hline(yintercept=as.numeric("1815"), color="#1000F6", linetype="longdash", size=0.25)

  gg <- gg + scale_x_date(expand=c(0,0), labels=date_format("%b "))
  gg <- gg + scale_y_continuous(labels=time_format, limits=c(0,2400), breaks=seq(0, 2400, 200), expand=c(0,0))
  gg <- gg + labs(x=x_label, y="",
                  title=sprintf("طلوع و غروب خورشید در %s\n%s ", place, paste0(range(srss$date), sep=" ", collapse="تا ")))
  gg <- gg + theme_bw()
  gg <- gg + theme(panel.background=element_rect(fill="#525252"))
  gg <- gg + theme(panel.grid=element_blank())
 
  gg1 <- ggplot(srss, aes(x=date, y=day_length))
  gg1 <- gg1 + geom_area(fill="#ffeda0")
  gg1 <- gg1 + geom_line(color="#525252")
 
  if (show_now) gg1 <- gg1 + geom_vline(xintercept=as.numeric(as.Date(Sys.time())), color="#800026", linetype="longdash", size=0.25)
 
  gg1 <- gg1 + scale_x_date(expand=c(0,0), labels=date_format("%b "))
  gg1 <- gg1 + scale_y_continuous(labels=pad5, limits=c(0,24), expand=c(0,0))
  gg1 <- gg1 + labs(x="", y="", title="طول روز به ساعت")
  gg1 <- gg1 + theme_bw()
 
  if (plot) grid.arrange(gg, gg1, nrow=2)
 
  arrangeGrob(gg, gg1, nrow=2)
 
}

و حالا می تونیم هر چیزی بخوایم بکشیم.. مثلا برای تهران:

daylight(35.6961, 51.4231, "Tehran", "2014-03-21", 365, tz="Asia/Tehran")

باعث می شه به این برسیم:

نمودار بالا نشون می ده چه ساعت های از روز صبح است و چه ساعت هایی شب و نمودار پایینی نشون دهنده ساعت های روشنایی است که در هر روز داریم و توش به راحتی می تونین تاثیر اینطرف اونطرف کشیدن ساعت رو ببینین.

خط عمودی در نمودار بالا مشخص کرده الان کجای سال هستیم و دو خط نقطه چین افقی می گن اگر یک نفر لازم باشه از هفت صبح از خونه بره بیرون و شش و ربع برگرده، چه زمان‌هایی از نور آفتاب در زندگی اجتماعی دور است. این نمودار ممکنه باعث بشه شما از کارتون استعفا بدین.

می بنین اعداد چقدر قشنگن؟

اگر فکر می کنین اون ۹۹۹.۱ باعث تعجب است باید بگم نه! اون احتمالا از یک افزونه ساده می یاد… چیزی که عجیبه آی ای ۴ است که یکی یکبار باهاش کلیک کرده (ویندوز پارسا نصب کرده؟!) و از اون بالاتر آی ای ۶ که ۶۹۷ دفعه باهاش به سایت سر زدن…. طراحان سایت گریه کنن ثوابه!

رویترز یک نمودار عالی منتشر کرده که نیازی به توضیح چندانی نداره: تعداد کاربرد عبارت‌های تبلیغاتی ای مثل تغییر دهنده بازی، سینرژیک، مدیریت متفکرانه، میوه دم دست، برد-برد و … در بیانیه‌های مطبوعاتی شرکت‌ها در کنفرانس کال‌هاشون.