使用Tableau进行数据可视化

教程
Python SQL

我们作为数据分析师的目标是以一种方式整理我们的数据洞察，以便所有看到它们的人都能清楚地理解其含义以及如何采取行动。

Tableau 是一款广泛应用于行业中的数据分析和可视化工具。许多企业甚至认为它在数据科学相关工作中不可或缺。Tableau 的易用性来自于它具有拖放界面的事实。这一特性使得排序、比较和分析等任务变得非常容易和快速。Tableau 还与多个来源兼容，包括 Excel、SQL Server 和基于云的数据库，这使其成为数据科学家的优秀选择。

1. Tableau 简介

概览

Tableau 软件是一家位于华盛顿州西雅图的软件公司，致力于开发专注于商业智能的交互式数据可视化产品。Tableau 是在 1997 年至 2002 年间在斯坦福大学计算机科学系成立的。(维基百科)

Tableau 主要提供的产品有：

Tableau Desktop、Tableau Public 和 Tableau Online，都提供数据可视化创建功能，选择取决于工作类型。

在本教程中，我们将使用Tableau桌面版。参考资料源的链接是这里。

安装

根据产品选择，将软件下载到计算机上。接受许可协议后，您可以点击Tableau图标来验证安装。如果出现以下屏幕，那么您就可以开始了。

2. 开始使用

在本节中，我们将学习Tableau中的一些基本操作，以熟悉其界面。

Tableau工作区

Tableau工作区是由工作表、菜单栏、工具栏、标记卡、架子和许多其他元素组成的，我们将在后续章节中学习这些内容。工作表可以是工作表、仪表板或故事。下图突出了工作区的主要组成部分。然而，一旦我们处理实际数据，将会更加熟悉。

source:Tableau.com

连接到数据源

开始使用Tableau，我们需要将Tableau连接到数据源。Tableau兼容许多数据源。Tableau支持的数据源出现在打开屏幕的左侧。一些常用的数据源包括Excel、文本文件、关系型数据库甚至是服务器。还可以连接到云数据库源，如谷歌分析、亚马逊Redshift等。

Tableau Desktop的启动屏幕显示了可以连接的可用数据源。这也取决于Tableau的版本，因为付费版本提供了更多的可能性。屏幕左侧有一个连接窗格，突出了可用的数据源。首先列出文件类型，然后是常见的服务器类型，或者是最近连接的服务器。在打开标签下，你可以打开以前创建的工作簿。Tableau Desktop还在示例工作簿下提供了一些示例工作簿。

动手操作

连接到示例-Superstore数据集

我们将使用一个名为超级商店数据集的示例数据集，它预装在Tableau中。但是，我们将从这里下载文件，以便我们可以了解如何连接到Excel数据源。这些数据是一个超级商店的数据。它包含了关于产品、销售、利润等信息。作为数据分析师，我们的目标是分析数据，并找到这家虚构公司内关键改进领域的所在。

步骤

  1. 从电脑将数据导入到Tableau工作区。

  2. 在“工作表”选项卡下，会显示三个工作表，分别是订单、人员和退货。然而，我们将只关注订单数据。双击“订单”工作表，它会像电子表格一样打开。

  3. 我们注意到前三个数据行看起来有些不同，并且不是我们需要的格式。在这里，我们使用“工作表”选项卡下的数据解释器。点击它之后，我们会得到一个格式良好的工作表。

动手实践

创建视图

我们将从生成一个简单的图表开始。在本节中，我们将熟悉我们的数据，并开始对数据提出问题以获得洞察力。在本节中，我们将遇到一些重要术语。

维度

度量

聚合

维度是定性的数据，例如名称或日期。默认情况下，Tableau会自动将包含定性或分类信息的数据分类为维度，例如，任何具有文本或日期值的字段。这些字段通常作为数据行的列标题出现，例如客户名称或订单日期，并定义在视图中显示的粒度级别。

度量是定量的数值数据。默认情况下，Tableau将任何包含这种类型数据的字段视为度量，例如销售交易或利润。被分类为度量的数据可以根据给定的维度进行聚合，例如，按地区（维度）计算的总销售额（度量）。

聚合是将行级数据汇总到更高类别的过程，比如销售额的总和或总利润。

Tableau会自动对度量区和维度中的字段进行排序。然而，对于任何异常，也可以手动更改。

步骤

  1. 进入工作表。点击表格工作区左下角的工作表1标签。

  2. 进入工作表后，从数据窗格下的维度，将订单日期拖动到列架。

    将订单日期拖动到列架后，数据集中将为每一年创建一个订单列。每个列下都会显示一个’Abc’指示器，这意味着可以将文本、数值或文本数据拖动到这里。另一方面，如果我们在这里拖动销售额，将创建一个交叉表格，显示每一年的总销售额。

  3. 同样，从“度量”标签中，将“销售额”字段拖动到行架上。

Tableau将图表填充为销售额的汇总。按订单日期显示每年销售额的汇总。Tableau总是在包含时间字段的视图中填充折线图，在本例中为“订单日期”。.

动手实践

上面的折线图传达了什么信息？嗯，它显示销售额看起来很有希望，并且似乎随着时间的推移而增加。这是一个有价值的洞察，但它几乎没有提到哪些产品对增加销售额有贡献。让我们深入了解以获得更多洞察。

优化视图

让我们深入挖掘，找出更多关于哪些产品推动更多销售的信息。首先，我们添加产品类别以以不同的方式查看销售额总计。

步骤

  1. “类别”位于维度窗格下。将其拖至列架，并放在YEAR(Order Date)旁边。类别应该放在年份的右边。这样做之后，视图会立即从线条图变为条形图。图表显示了每年每种产品的总体销售额。

    了解更多

    要查看视图中每个数据点（即标记）的信息，请将鼠标悬停在其中一个条形上以显示工具提示。工具提示显示了该类别的总销售额。以下是2016年办公用品类别的工具提示：

    要向视图中添加标签，请点击工具栏上的显示标记标签。

    条形图也可以水平显示，而不是垂直显示。为此，请点击工具栏上的交换。

 2. 上面的视图很好地展示了按类别划分的销售额，即家具、办公用品和技术。我们还可以推断，除了2016年，家具销售额的增长速度超过了办公用品的销售额。因此，将销售努力集中在家具上而不是办公用品上将是明智的。但家具是一个广泛的类别，包含许多不同的物品。我们如何确定哪个家具物品对最大销售额的贡献最大？

为了帮助我们回答这个问题，我们决定查看按子类别划分的产品，以了解哪些物品是热销的。比如说对于家具类别；我们只想了解关于书架、椅子、装饰品和桌子的详细信息。我们将双击或拖动子类别维度到列架。

子类别是另一个离散字段。它进一步剖析了类别，并按类别和年份分解显示每个子类别的条形。然而，要视觉上理解这些数据是海量的。在下一节中，我们将了解关于过滤器、颜色和其他使视图更易于理解的方法。

动手实践

3. 强调结果

在这一部分，我们将尝试专注于具体的结果。筛选器和颜色是添加我们感兴趣细节的聚焦方法。

向视图中添加筛选器

筛选器可用于包括或排除视图中的值。这里我们尝试向工作表中添加两个简单的筛选器，以便更容易查看特定年份按子类别划分的产品销售情况。

步骤

在数据窗格中，选择“维度”，右键单击“订单日期”并选择“显示筛选器”。对“子类别”字段重复此操作。

筛选器是卡片类型，可以通过简单的拖放操作在工作表上移动。

向视图中添加颜色

颜色有助于视觉识别模式。

步骤

在数据窗格中，选择“度量”，将“利润”拖到标记卡上的“颜色”上。

可以看出，书架、桌子甚至是机械贡献了负利润，即亏损。这是一个强有力的洞察。

动手实践

关键发现

让我们仔细查看筛选器，以了解更多关于不盈利产品的信息。

步骤

  1. 在视图中，在“子类别”筛选卡中，除了“书架”、“桌子”和“机器”外，取消所有其他选项的勾选。这揭示了一个有趣的事实。在某些年份，书架和机器实际上是盈利的。然而，在2016年，机器变得不盈利了。
  2. 在“子类别”筛选卡中选择“全部”，以显示所有子类别。
  3. 从维度中，将“地区”拖到“行”架上，并将其放置在“销售总和”标签的左侧。我们注意到，南部地区的机器报告的整体负利润高于您其他地区。
  4. 现在给工作表命名。在工作区的左下角，双击“工作表1”，然后输入“产品与地区销售”。
  5. 为了保留视图，Tableau允许我们复制工作表，这样我们就可以在另一张表单上继续我们停止的地方。
  6. 在你的工作簿中，右键点击“产品与地区销售”工作表，然后选择“复制”，并将复制的表单重命名为“销售-南部”。
  7. 在新工作表中，从维度中，将“地区”拖到“筛选”架上，作为视图中的筛选器。
  8. 在“筛选地区”对话框中，除了南部外，清除所有复选框，然后单击“确定”。现在我们可以关注南部地区的销售和利润。我们发现机器在2014年和2016年的销售利润都是负的。我们将在下一节调查此事。
  9. 最后，不要忘记通过选择文件 > 另存为来保存结果。让我们将我们的工作簿命名为地区销售额和利润。

动手实践

4. 地图视图

创建地图视图

当查看地理数据（地区字段）时，地图视图非常有用。在当前示例中，Tableau 自动识别到国家、州、城市和邮政编码字段包含地理信息。

步骤

  1. 创建一个新的工作表。
  2. 在“数据”窗格下添加“州”和“国家”字段到“标记”卡的“细节”中。我们得到地图视图。
  3. 将“地区”字段拖到“筛选器”架上，然后筛选到仅显示“南”区。现在地图视图只放大到南部地区，每个州都有一个标记。
  4. 将“销售额”度量拖到“标记”卡的“颜色”选项卡上。我们得到一个填充地图，颜色显示了每个州的销售额范围。
  5. 我们可以通过在“标记”卡上点击“颜色”，然后选择“编辑颜色”来更改颜色方案。我们可以尝试可用的调色板。
  6. 我们观察到佛罗里达州在销售额方面表现最好。如果我们悬停在佛罗里达州上，它会显示总销售额为89,474美元，而例如南卡罗来纳州，其销售额仅为8,482美元。现在让我们通过利润来衡量性能，因为与仅看销售额相比，利润是一个更好的指标。
  7. 拖动Profit到Marks卡上的Color。我们现在看到田纳西州、北卡罗来纳州和佛罗里达州的利润是负的，尽管它们在销售方面看起来做得很好。将工作表重命名为Profit Map

动手实践

深入了解细节

地图使我们能够广泛地可视化数据。在最后一步中，我们发现田纳西州、北卡罗来纳州和佛罗里达州的利润是负的。在本节中，让我们绘制一个条形图来探索负利润的原因。

步骤

  1. 复制Profit Map工作表，并将其命名为负利润条形图。

  2. 在负利润条形图工作表上点击显示我。显示我展示了可以在工作表中提到的项目之间绘制图形的方式。从显示我中选择水平条形选项，视图会立即从垂直条形更新为水平条形。

  3. 我们可以通过简单地点击并拖动光标来选择多个条形图。我们只想关注三个州，即田纳西州、北卡罗来纳州和佛罗里达州。因此，我们只会选择与它们相关的条形图。

    了解更多

    创建层次结构
    当我们需要将类似字段分组以便快速在视图中钻取不同层次时，层次结构非常有用。

    1. 在数据窗格中，将一个字段拖动到另一个字段上方，或者右键点击字段并选择
    2. 将任何其他字段拖入层次结构中。字段还可以通过简单地拖动它们到新位置来在层次结构中重新排序。在当前的视图中，我们将创建以下层次结构：位置、订单和产品。

  4. 在行架（Rows Shelf）上，点击State字段上的加号形状图标，以深入到City级别。

    1. 数据量很大。我们可以使用N-Filter进行筛选，以显示表现最差的。为此，将City从数据窗格拖动到筛选架（Filters shelf）。点击按字段排序，然后点击Top下拉菜单并选择Bottom以显示表现最差的。在文本框中输入5，以显示数据集中的底部5个表现者。

>我们现在看到，佛罗里达州的杰克逊维尔和迈阿密；北卡罗来纳州的伯灵顿；田纳西州的诺克斯维尔和孟菲斯是利润表现最差的城市。还有一个标记在视图中—北卡罗来纳州的杰克逊维尔—它不应该在这里，因为它有盈利的销售。这意味着我们在应用的过滤器存在问题。我们将借助Tableau的操作顺序来解决这个问题。

  1. 在“过滤器”架子上，右键点击“包含（国家，州）”设置，选择添加到上下文。我们发现现在康科德(北卡罗来纳州)出现在视图中，而迈阿密(佛罗里达州)消失了。这样就有意义了。

  2. 但是杰克逊维尔 (北卡罗来纳州)仍然存在，这是不正确的。在“行”架子上，点击城市标签上的加号形状图标，深入到邮政编码级别。右键点击北卡罗来纳州杰克逊维尔的邮政编码，28540，然后选择排除以手动排除杰克逊维尔。

  3. 拖动行架上的邮政编码。这是最后的视图。

动手实践

关键发现

现在让我们只关注亏损实体，即产品，并让我们确定此类产品销售的地点。

步骤

  1. 将子类别拖到行中以进一步钻取。
  2. 同样，将利润拖到标记卡上的颜色。这使我们能够快速发现利润为负的产品。
  3. 右键点击订单日期并选择显示筛选器。看来机器、桌子和装订机的表现不佳。那么我们应该做什么？一个解决方案可能是停止在杰克逊维尔、康cord、伯灵顿、诺克斯维尔和孟菲斯销售这些产品。让我们验证我们的决定是否正确。
  4. 让我们回到之前创建的利润图表单标签。
  5. 现在，点击子类别字段以选择显示筛选器选项。
  6. 从度量下拉利润到标签标记卡。
  7. 再次，点击订单日期并选择显示筛选器。从筛选器中清除我们认为对负利润有贡献的项目。因此，分别取消勾选Binder、Machines和Tables前面的复选框。现在我们只剩下盈利实体。这表明像Binder、机器和桌子这样的实体在某些领域实际上是在造成损失，我们的发现是正确的。

动手实践

5. 仪表板

仪表板是多个视图的集合，可以同时比较各种数据。

创建仪表板

步骤

  1. 点击新建仪表板按钮。
  2. 将南方销售拖到空白的仪表板中。
  3. 将利润地图拖到仪表板中，并将其拖放到南方销售视图之上。两个视图可以同时显示。为了能以他人能理解的方式展示数据，我们可以将仪表板按照喜好进行排列。
  4. 在仪表板视图中的南方销售工作表上，点击地区下拉并清除显示头部。对所有其他标题重复此过程。这有助于强调所需的信息，并隐藏不太重要的信息。
  5. 在利润地图上，也隐藏标题，并对南部销售额地图执行相同的步骤。
  6. 我们可以看到子类别筛选卡片和订单日期年份在右侧重复了。我们只需划掉多余的。最后，点击订单日期年份。出现下拉箭头，选择单值（滑块）选项。现在让魔法展开。通过在滑块上选择不同的年份，观察销售额如何相应变化。
  7. 将利润总和筛选器拖到南部销售额下面的仪表板底部以便更好地查看。

动手操作

增加交互性

为了使仪表板更具交互性，例如查看哪些子类别在哪些州是盈利的，需要进行一些更改。

步骤

  1. 我们从利润地图开始。点击地图，右上角会出现一个用作筛选器的图标。点击它。如果我们选择任何地图，南部销售额地图中相应州的销售额将被突出显示。
  2. 对于订单日期年份，点击下拉选项，然后转到应用到工作表 > 选中工作表。会打开一个对话框。选择全部选项，然后点击确定。这个选项有什么作用？它将对具有相同数据源的所有工作表应用筛选器。
  3. 探索和实验。在下方的可视化中，我们可以过滤掉 南部销售 地图，只查看在北卡罗来纳州销售的产品。然后我们可以轻松地按年度查看利润。
  4. 将仪表板重命名为 区域销售与利润。

动手操作

因此，在北卡罗来纳州销售机器并没有给公司带来任何利润。

6. 故事

仪表板是一个很酷的功能，但Tableau还提供了展示我们结果的演示模式，以故事的形式，我们将在本节中讨论这一点。

构建故事

步骤

  1. 点击 新建故事 按钮。
  2. 从左侧的故事窗格中，将之前创建的 南部销售 工作表拖放到视图中。
  3. 编辑工作表上方灰色框中的文本。这是标题。将其命名为 按年度的销售与利润。
  4. 故事相当具体。在这里，我们将讲述一个关于在北卡罗来纳州销售机器的故事。在故事窗格中，点击 复制 来复制第一个标题，或者您可以创建一个新的标题。
  5. 在 子类别 中，筛选器 选择 仅 机器。这有助于按年度衡量机器的销售和利润。
  6. 将标题重命名为 按年度的机器销售与利润。

动手操作

得出结论

北卡罗来纳州的机器导致了利润的损失。然而，这不能通过查看整体的利润和销售额来证明。为此，我们需要区域利润。

步骤

  1. 在故事窗格中，选择空白。将已创建的仪表盘区域销售和利润拖到画布上。
  2. 为其加上标题南部表现不佳的商品。
  3. 选择复制，使用区域利润仪表盘创建另一个故事点。在条形图上选择北卡罗来纳州，因为我们想要更详细地展示它。
  4. 选择所有年份。
  5. 为了清晰起见，添加标题，例如北卡罗来纳州利润：2013-2016。
  6. 选择任何一年，例如2014年。添加标题，例如北卡罗来纳州2014年利润，然后点击复制标签。对所有剩余年份重复相同的步骤。
  7. 点击演示模式，让故事展开。

动手实践

现在我们知道了哪些产品在何时引入北卡罗来纳州市场，以及它们的表现如何。我们不仅确定了解决负利润的方法，而且还成功用数据支撑了这一发现。这就是Tableau中故事的优势。

7. Tableau与R、Python & SQL的集成

除了Tableau提供的各种可视化优势外，它还具有令人惊叹的即插即用连接能力。Tableau可以轻松与Python和R等语言集成，甚至可以与SQL等数据库管理系统集成。这使得在功能方面具有更多优势，并为习惯于使用Python或R进行工作的数据科学家提供了便利。他们可以直接将R和Python脚本导入Tableau，并利用其远优于这些语言的可视化。此外，Tableau的可视化能力易于使用且非常直观，从而为数据科学家节省了大量时间。

在本节中，我们将了解如何连接Tableau与这些外部资源以及这些连接的优势。

Tableau与R

R是一种流行的统计语言，用于执行复杂的预测分析，如线性和非线性建模、统计测试、时间序列分析、分类、聚类等。(表8.1和R) 与R联合使用Tableau具有以下优势：

  • 利用Tableau的统计功能，通过为其用户提供访问复杂的R库的方式，从而获得更深入和更好的数据洞察力。
  • Tableau的高级数据探索选项和连接多个源的能力对R用户来说非常有用。
  • 此外，它还使Tableau用户能够在不实际了解该语言的情况下，从R语言的实用性中受益。

Tableau如何与R集成？

R函数和模型可以通过创建新的计算字段来在Tableau中使用，这些字段动态调用R引擎并向R传递值。这些结果随后返回到Tableau，用于可视化目的。

设置Tableau Desktop与R

  • 下载并安装Rserve。

您需要下载并安装Rserve软件包，以便Tableau连接并利用R脚本函数。在R控制台，输入以下命令：

install.packages(“Rserve”)
library(Rserve)
Rserve() / Rserve(args = ‘ — no-save’)

将Tableau连接到R服务器

成功安装Rserve后，打开Tableau Desktop并按照以下步骤操作。

  1. 前往帮助 > 设置和首选项，选择管理外部服务连接。

  2. 将服务器名称设置为“Localhost”（或“127.0.0.1”），端口为“6311”。

  3. 点击“测试连接”按钮。您应该会看到成功消息提示。点击确定关闭。

开始在Tableau中使用R脚本

在成功完成以上步骤后，我们将在Tableau Desktop中创建新的计算字段，利用SCRIPT_*函数来调用R功能。

让我们开始工作，看看如何将Tableau的功能与R结合使用。我们将使用内置的“超级商店”样本数据集来计算利润，同时使用R脚本和Tableau的拖放功能。然后我们将比较两者的结果。

步骤

  1. 打开Tableau工作簿并连接到样本超级商店数据。
  2. 连接到Rserve。一旦Tableau桌面连接到Rserve，就可以通过计算字段调用R引擎。

  3. 我们现在将创建一个名为“预期利润”的计算字段。

    有四个函数可用于R，它们都以“script”一词开头。这些函数是：

    • SCRIPT_REAL：返回实数作为结果
    • SCRIPT_STR：返回字符串
    • SCRIPT_INT：返回整数
    • SCRIPT_BOOL：返回布尔值
    • 对于这个例子，我们将使用SCRIPT_REAL函数。我们将在Tableau中创建一个简单的线性回归。

  4. 打开计算字段并插入以下脚本。

    SCRIPT_REAL("fit <- lm(.arg1 ~ .arg2 +  .arg3 + .arg4)
fit$fitted
",
SUM([利润]),  AVG([销售额]),  AVG([数量]),   AVG([折扣]))

    上述脚本涉及R中的线性回归模型。这个模型将有一个因变量(arg1)和三个自变量(arg2, arg3, arg4)。这些参数只是占位符，当脚本传递回R时，这些参数将被替换为对应的Tableau列。5. 输入与每个变量对应的Tableau字段。这里的因变量是利润，所以我们首先会放置SUM(利润)，因为它对应于参数1。同样，我们将分别使用平均单价，平均订单数量和平均折扣作为其他三个参数。

  5. 这些输入现在都将被拉入模型以确定预期利润水平。我们现在可以使用这个计算在Tableau可视化中。将类别拖动到行上，然后将Profit拖动到列上。现在将Expected Profit拖动到列上。

  6. 我们现在可以分析模型，看看在R中计算的预期利润与实际利润相比如何。我们可以通过将客户细分拉到颜色上进一步分析，现在我们已经创建了一个堆积条形图，也可以使用有序日期按年份或季度来拆分数据。

动手操作

有人可能会想，以上计算完全可以在不使用R的情况下在Tableau中完成。那么，为什么我们要经历在Tableau中下载和配置Rserve以及编写脚本的流程呢？R之所以强大，是因为它的预测能力，利用广泛使用的库，这些库包含易于使用的知名算法。想象一下，如果能在Tableau中通过调用一个简单的R脚本来为我们的业务做出预测，然后将其整合到Tableau的可视化中，那将是多么美妙的事情。

Tableau和Python

Python是一种广泛使用的通用编程语言。Python提供了大量库来执行统计分析、预测建模或机器学习。将Tableau与Python连接起来是进行预测分析的最好方法之一。Tabpy是一个为实现这一目标而开发的包。为了让Tableau利用Python的强大功能，它可以连接到TabPy服务器，实时执行Python代码，并以可视化的形式展示结果。

Tableau如何与Python集成？

当我们使用TabPy与Tableau配合时，我们可以在Python中定义计算字段，从而直接从我们的可视化中利用大量机器学习库的强大功能。

设置Tableau Desktop与Python的连接

下载并安装Tabpy。

在Tableau工作簿中运行Python代码需要一个Python服务器来执行。TabPy框架就是完成这项工作的工具。从以下链接从Github下载TabPy。或者，您可以按照以下步骤操作：

conda install -c anaconda tabpy-server

然后cd到包含下载的tabpy服务器的目录并运行。

python setp.py

将Tableau与TabPy连接

下一步是将Tableau与TabPy连接。这可以通过转到帮助 > 设置和性能 > 管理外部服务连接：

测试连接。如果一切顺利，您应该会看到“成功连接”的提示。

开始在Tableau中使用Python脚本

Tableau中的Python集成是一个非常实用的功能。以情感分析问题为例，它是机器学习社区中的一个常见问题，可以通过各种机器学习算法来完成。然而，通过结合Tableau和Python，同样可以在几行Python代码中实现。然后可以在Tableau中可视化结果以获得进一步洞察。让我们通过一个例子来看一下（利用Tableau中的TabPy实现Python的强大功能）

使用Tabpy进行情感分析

我们将使用可以从这里下载的手机评论数据集。

步骤：

  1. 将数据集导入Tableau桌面
  2. 连接到Tabpy。一旦Tableau桌面连接到Tabpy，它就可以通过计算字段调用Python引擎。

  3. 我们现在将创建一个名为Sentiment的计算字段，如下所示：`

    SCRIPT_REAL("from vaderSentiment.vaderSentiment import  SentimentIntensityAnalyzer  
vs = []  
analyzer  = SentimentIntensityAnalyzer()  
for i in range(0,len(_arg1)):  
 a = analyzer.polarity_scores(_arg1[i])['compound']  
 vs.append(a)  
return vs",ATTR([Reviews]))`

    我们这里使用了VADER情感分析工具。它是一个基于词汇和规则的情感分析工具，专门针对社交媒体中表达的情感进行调整。要使用这个工具，您需要先安装它。请在其GitHub页面上了解更多信息。

  4. 现在，将评论拖到行上，将情感拖到文本和颜色标记卡上，见证奇迹的发生。我们轻松完成了评论的情感分析。同时，结果的可视化也变得非常简单。正面评论按照绿色递增的顺序排列，而负面评论则显示为红色。

上述例子清楚地展示了Tableau与Python集成所带来的力量。通过拥有情感分数供我们使用，我们可以处理它以深入了解细节。例如，作为商业所有者，我可以筛选出负面评论并思考其原因。我还可以筛选出正面评论，以了解哪些产品能让消费者满意。

Tableau与SQL Server

在我们的Microsoft SQL Server数据中隐藏着一笔未被发掘的价值，它被埋没在标准报告和复杂的商业智能工具之下。Tableau通过让任何人都能对SQL Server数据进行复杂的视觉分析，实现了在各个地方提供洞察。我们可以将Tableau实时连接到SQL Server，以进行调优的平台特定查询，或者直接将数据引入Tableau的分析引擎，从而减轻数据库的负担。

Tableau为SQL Server提供了一个优化、实时的连接器，这样我们就可以在直接与数据工作的同时创建图表、报告和仪表板。在我们深入分析时，Tableau会识别SQL Server中使用的任何架构，因此我们无需操作数据。

下面让我们通过一个例子来展示如何将SQL Server数据库连接到Tableau Desktop，并使用它创建可视化。

步骤：

  1. 登录到SQL Server
  2. 打开Tableau Desktop，在“服务器”下，连接到MS SQL。
  3. 在打开的对话框中粘贴服务器名称，然后点击确定。这会将 Tableau 连接到 SQL Server。选择所需的数据库。在这个例子中，我们选择 salesDB。我们还可以从表格列表中选择，例如，Sales Log。表会被导入到 Tableau 环境中。现在，我们可以选择提取全部数据或部分数据到一个新的工作表。我们甚至可以指定要提取的行数。
  4. 在新工作表中，我们有了从 MS SQL 提取的数据，从这里我们可以像处理任何其他 Tableau 工作表一样处理它。

动手操作：

这就是我们如何轻松地将 SQL Server 连接到 Tableau 并直接提取数据到其中的方法。Tableau 允许用户通过点击切换连接，以应用内存查询到更大的数据集。

8. 保存工作

Tableau 桌面

要本地保存 Tableau 工作簿，选择文件 > 保存。在 另存为 对话框中指定工作簿文件名。Tableau 默认使用 .twb 扩展名保存文件。

Tableau 公共版

使用 Tableau 公共版，所有的视图和数据都会公开，互联网上的任何人都可以访问它。选择服务器 > Tableau 公共版 > 保存到 Tableau 公共版 并输入凭据。

Tableau 服务器

以下是文本的简体中文翻译，已保留您指定的自定义分隔符：

在数据需要保密并且需要与整个团队分享故事的情况下，Tableau 服务器就派上用场了。要发布故事到 Tableau 服务器，请选择选择服务器 > 发布工作簿或者在工具栏上点击分享。但请确保首先创建一个账户。

结论

这就是我们在 Tableau 中创建良好可视化所需的一切，尽管在每一个阶段，人们可能会发现需要比这里做的更多的修订。因此，通过实验和实践，Tableau 会变得更为熟悉，并且会释放出惊人的功能来帮助我们分析和呈现数据。如果在下面有任何疑问或问题，请留言，祝您可视化愉快。

查看我们的使用 AirBnB 数据集创建 Tableau 可视化教程。

Source:
https://www.datacamp.com/tutorial/data-visualisation-tableau