🔒Открыть пост
и посмотреть медиа
и посмотреть медиа
Python в Tableau
Поговорим немного подробнее про ранее упомянутый Python в Tableau.
🟠Как уже было сказано ранее, один из способов подключить питон к этому инструменту - через TabPy. Один из способов подключения:
Выполнить в командной строке:
pip install tabpy
Произойдет самая обычная установка через pip.
Затем запуск TabPy через командную строку:
tabpy
TabPy запустится на localhost (по умолчанию порт 9004).
Убедиться, что все работает, можно через Ссылка скрыта
В самом Tableau это всё проверяется через меню:
Help > Settings and Performance >
Manage External Service Connection
Server: localhost
Port: 9004
🟠Перед тем, как писать на Python, надо подключиться к источнику данных в Tableau (например, Excel, CSV, база данных, Google Sheets и т.д.).
После подключения можно создавать вычисляемые поля, фильтры, группировки и другие элементы на основе этих данных.
При создании такого поля Tableau передает данные из него в Python-код.
🟠Теперь что касаемо самого питона. В общем виде скрипт в Tableau выглядит так:
SCRIPT_REAL("код Python", аргументы)
▶️В Python надо прописывать return, т.к. код должен возвращать результат, который будет использован в Tableau. Результат должен быть списком (list), длина которого соответствует количеству строк в данных.
▶️После python-кода указываются аргументы. По сути, это те поля, которые берутся из источника данных
Напомню также и про основные типы возвращаемых значений из скрипта:
SCRIPT_REAL - числа с запятой
SCRIPT_INT - целые числа
SCRIPT_STR - строки
SCRIPT_BOOL - логические значения
🟠Пара примеров. Допустим, есть данные о продажах, и их надо перевести из долларов в рубли и классифицировать на "Высокие" и "Низкие".
Конвертируем:
SCRIPT_REAL("
return [x * 80 for x in _arg1]
", SUM([Sales]))
Классифицируем:
SCRIPT_STR("
return ['High' if x > 1000 else 'Low' for x in _arg1]
", SUM([Sales]))
После этого можно добавлять полученные поля в Tableau и работать с ними: например, визуализировать.
Ну или что-то более сложное:
SCRIPT_INT("
from sklearn.cluster import KMeans
import numpy as np
data = np.array(_arg1).reshape(-1, 1)
kmeans = KMeans(n_clusters=3).fit(data)
return kmeans.labels_.tolist()
", SUM([Sales]))
Это - кластеризация данных с помощью метода KMeans из библиотеки scikit-learn.
Сначала всё импортируем, далее передаем массив из источника в переменную и изменяем этот массив на двумерный массив (так того требует KMeans), потом вызываем KMeans из scikit-learn для 3 кластеров и после всего этого возвращаем список из кластеров через return. В итоге полученный список можно использовать в Tableau для визуализации.