tableau完整案例：使用集值做互动分析

以你之姓@ 2022-12-27 01:27 57阅读 0赞

### 一、数据一览与客户需求 ###

在真实的业务场景中，分析始于问题、始于需求，而非开始于数据。所以千万不要拿到数据着急寻找珍珠，否则往往是越看越纠结。我拿到的数据是仅一分钟内的传感器数据，对方临时生成的数据，明显数据结构并非完美，原表中同时包含了原始数据和二次加工的分析数据。

![传感器分析 集值 1][_ 1]

对方想要查看的视图，一是左上角分析字段在60秒的波动情况，二是在每秒1000次（专业术语大概是1000Hz）的数值波动，查看波峰波谷，这里分为原始数据和傅里叶数据两种，每秒可以视为一个系列。客户之前使用Excel做了一个模拟，同时展示三秒的傅里叶数据波动，样图如下：

![传感器分析 集值 客户需求.jpg][_ _.jpg]

看上去，这个需求很简单啊，Tableau最入门的折线即可完成，不过前提是数据结构和完整性良好的情况下。都说数据整理要占据80%的时间，这里也逃不过去，数据整理还是需要点时间。

## ##

### 二、数据整理过程 ###

使用Tableau Desktop导入数据之后，Excel中列（第1秒到60秒对应的60列）会被视为度量，而左侧字段（包括原始字段1到原始字段999）的大量数据被视为维度，并统一到一个字段之下。这样的数据存在几个问题：

*  第一个视图需求是分析某指标在60秒的数据波动，我们需要以时间（秒）为轴，而这需要一个时间字段，它包含0～60。为此，这里我们将60列转置，从而生成一个时间（秒）字段。这也是为什么Tableau总是喜欢tall 的数据，而非wide的数据，所谓的“宽表”是可视化的梦魇，因为它割裂了一个统一数据字段。
    
     *  转置方法，在数据源按shift多选所有列，右键“转置”。原来的标题即可改为“秒”（我在数据中叫做“第X秒数据”），另一个修改为“数值”即可。
 *  第二个视图需求是一秒内1000次震动的数值波动，这又需要一个维度，包含0～999，用来生成横轴。这里需要把第一列的数据做必要的拆分，获得后面的震动序列编码，我称之为“频率采集点”。如果把长度不同的“X轴傅里叶数据XX”、“X轴原始数据XX”、“Y轴傅里叶数据XXX”后面的编码统一拆分？ 介绍两种方法：
    
     *  **使用left/right/mid函数，获得左侧/右侧/中间的字符串长度。**根据统一的规律，所有字段都包含“数据”两个字，我们查找它在\[字段\]中的位置，然后确定裁剪的长度。这个方法符合直觉，但是不够简练。
 *  > int( right(\[字段\],LEN(\[字段\])-FIND(\[字段\],’数据’)-1))  
    > // len返回字段长度，find返回“数据”的位置，right返回后面的数值字符  
    > //int把数字字符改为数值，从而形成连续轴
    
     *  **使用拆分split**，我们往往使用拆分和自定义拆分整理数据，拆分不一定是用标点符号分割，我们可以在“自定义拆分”中输入“数据”作为分隔符，然后保留最后一位，之后手动添加int函数将字符转化为数字。

![传感器分析 数据拆分][5589ef53f169aeb829bda0720ccb0c3c.png]

int转换函数还有一个好处，它把自动拆分后的非数字结果（如字符数据）改为了null，这样就无需判断哪些拆分是有效的，哪些是无效的，从而减少了出错的概率。

*  **稍微有点挑战性的是把第一列标题通过多种方式重新分类**。我先把前面14行拆分为“分析字段”，而其他包含“原始数据”和“傅里叶数据”的成为“采集字段”，这里我们依然使用上面的拆分函数，只是必要时需要连接上‘数据’。
 *  把原始数据X和傅里叶数据X先合并，使用以下函数：

> 字段分类
> 
> if CONTAINS( \[字段\] ,’数据’)  
> THEN TRIM( SPLIT( \[字段\], “数据”, 1 ) )+’数据’  
> //此处等价于 LEFT(\[字段\],FIND(\[字段\],’数据’)+1)  
> ELSE \[字段\]  
> END

![:Users:wuyupeng:Documents:AA tableau数据分析:Tableau 学习:我的Tableau 手册 博客:我的博客 照片:传感器分析 数据拆分2.jpg][Users_wuyupeng_Documents_AA tableau_Tableau _Tableau _ _ _ _2.jpg]

当然，这里不要忘记实用 “创建组”的功能，从而实现进一步的分类，我使用“组”把“分析类字段”进一步分为了X轴、Y轴、Z轴、温度和模拟信号四类，形成了更高一级的分类。

至此，数据整理算是告一段落。我们有了足够的字段来构建视图。数据整理基本要花费总体1/3的时间，好在Tableau对此驾轻就熟；如果数据整理超过了上面的范围，建议直接使用Prep Builder完成。

### 三、数据可视化 ###

所有的过程，都是为了进一步的可视化和业务解读。

这里的图形足够简单，使用折线图即可完成。先看一下我的最终效果，两个简单的折线，右侧是对应的筛选器，二者通过“集值”互动连接，并增加了有助于理解偏差的“工具提示”。

![物联网传感器 图谱.jpg][_.jpg]

扫码或者点击以下连接，可以到Tableau Public查看效果并下载源文件：

*  [物联网传感器可视化分析][Link 1] / Tableau Public

### 1、如何选择可视化图形 ###

在之前的两篇文章中，我们介绍了如何通过“数据——数据关系——可视化图形”来选择可视化图形，以及如何分析和完成复杂的可视化，想要了解更多点击回顾。

*  [T-可视化最佳实践：如何选择可视化图形？][T-] 入门篇
 *  [可视化最佳实践(续)：构建图形与增强分析][Link 2] 高级篇

这里要构建折线图，仅需要把横轴坐标字段加入列，数值加入行即可；多个指标的对比用颜色来实现，因此要把指标分类字段拖入颜色，为了避免视图的混杂，通过筛选器突出某个主题分类。第一个视图如下：

![屏幕快照 2019-06-30 下午6.10.03][2019-06-30 _6.10.03]

第二个图形原理完全一致，需要注意的是，为了从上图中采集横轴信息（第X秒数据），然后通过“集”来传递到第二个图形，我们要在第二个图形中使用“集”字段。因此，基于“第X秒数据”创建一个集“序列”，然后把它拖入颜色，并改为显示集内成员，结果如下：

![屏幕快照 2019-06-30 下午6.14.22.png][2019-06-30 _6.14.22.png]

### 2、通过集值构建二者互动 ###

我们把上面的图形加入同一个仪表板，然后通过动作连接二者。逻辑就是从第一个图形中选择点，将对应的横坐标（第X秒数据）通过集“序列”传递给第二个图形，从而更新对应序列的波动曲线。

![物联网传感器 3.jpg][3.jpg]

当然，进一步的可视化细节是调整必要的标签说明，从而进一步增强可视化分析的直观性，比如我在第二个图形中，通过工具提示显示了当前点与所选序列检测数据平均值的偏差，从而帮助理解偏离的程度。这里使用了一个简单的LOD计算来返回对应序列、对应类别的平均值。

> %与平均值偏差
> 
> SUM(\[数值\])/avg( \{fixed \[第X秒数据\],\[采集类字段\]: AVG(\[数值\])\} ) -1

### 结 ###

Tableau的互动功能随着集值和参数动作的引入，几乎提高到了一个新的高度，进一步增强了“数据驱动业务”价值。这个案例足够简单，希望帮助更多的人理解集值的使用。

[_ 1]: /images/20221120/eea19591d25944b0aff0a54ed13d031b.png
[_ _.jpg]: /images/20221120/3af458c1974a4969b5d0f9cf30ddc0fc.png
[5589ef53f169aeb829bda0720ccb0c3c.png]: /images/20221120/2bb6fb574383492ca4f836e9d84c7338.png
[Users_wuyupeng_Documents_AA tableau_Tableau _Tableau _ _ _ _2.jpg]: /images/20221120/2d7b28e5d3f54f56b59d4d19ea7d6a06.png
[_.jpg]: https://img-blog.csdnimg.cn/img_convert/6067102c4896f040e3b8d54e709d009f.png
[Link 1]: https://public.tableau.com/profile/david3363#!/vizhome/8133/sheet0_1
[T-]: https://yupengwu.com/2019/04/21/viz-data-tableau/
[Link 2]: https://yupengwu.com/2019/05/27/best-viz-practice/
[2019-06-30 _6.10.03]: https://img-blog.csdnimg.cn/img_convert/461c580a8fed7dee84fb4dc0a1273211.png
[2019-06-30 _6.14.22.png]: https://img-blog.csdnimg.cn/img_convert/735f2ca40faa597e1b5dfaebbc900a7f.png
[3.jpg]: https://img-blog.csdnimg.cn/img_convert/c862e08fcfe150940158ee77e7a42dbb.png