Haritalar
Harita görselleştirme ayarını seçtiğinizde, Patrona otomatik olarak tabloya veya sonuç kümesine göre kullanılacak en iyi harita türünü seçmeye çalışacaktır. Patrona'nın kullandığı haritalar şunlardır:
Bölge haritaları
Patrona'da iki bölge haritası bulunur:
Dünya Haritası
Sonuçlarınızı ülkeye göre ayrılmış bir dünya haritası biçiminde görselleştirmek için, sonucunuz iki harfli ülke kodları içeren bir sütun içermelidir.
Amerika Birleşik Devletleri Haritası
Verilerinizden bir Amerika Birleşik Devletleri haritası oluşturmak, sonuçlarınızın eyalet adlarını veya iki harfli eyalet kodlarını içeren bir sütun içermesini gerektirir. Bu, kullanıcılarınızın sayısını eyalete göre ayırmak ve daha koyu eyaletlerin daha fazla kullanıcıyı temsil etmesi gibi şeyler yapmanıza olanak tanır.
Özel haritalar
Patrona ayrıca yöneticilerin Patrona Yönetici Paneli aracılığıyla GeoJSON dosyaları aracılığıyla özel haritalar eklemesine olanak tanır.
İğne haritası
Sonuçlarınız enlem ve boylam alanları içeriyorsa, Patrona sonuçları bir dünya iğne haritası olarak görüntülemeye çalışacaktır. Patrona, tablonuzdaki her satır için, enlem ve boylam alanlarına göre haritaya bir iğne koyacaktır. Bunu Patrona'da bulunan Örnek Veritabanı ile deneyebilirsiniz: yeni bir soru başlatın ve Kişiler tablosunu seçin ve görselleştirmeniz için Harita seçeneğini seçin. Dünyanın bir haritasını göreceksiniz ve her nokta Kişiler tablosundaki tek bir kişinin enlem ve boylam koordinatlarını temsil ediyor.
Harita seçeneklerini açtığınızda, bir bölge haritası (örneğin, Amerika Birleşik Devletleri) ve bir iğne haritası arasında manuel olarak geçiş yapabilirsiniz. Bir bölge haritası kullanıyorsanız, ölçüm olarak hangi alanın ve bölge olarak hangi alanın (örneğin, Eyalet veya Ülke) kullanılacağını da seçebilirsiniz.
Izgara haritası
Bu görselleştirme, coğrafi olarak konumlandırılmış verileri değişen boyutlardaki hücrelerden oluşan bir ızgarada gruplandırır. Her hücre, alanı içindeki birden çok veri noktasını toplar ve bir harita üzerinde eğilimlere ve yoğunlaşmalara genel bir bakış sağlar.
Özellikle büyük hacimli mekansal verileri analiz etmek için kullanışlı olan bu yaklaşım, örtüşen bireysel işaretleyicilerin neden olduğu görsel karmaşayı önler.