制表符Python（TabPy）是一个允许在Python计算机语言中嵌入可预测性的开源计算引擎。它允许数据分析师在他们使用的Python环境中运行R或Python机器学习模型，使其可用于Tableau。本篇文章将介绍如何使用TabPy构建数据分析和可视化模型，以及一些使用TabPy的示例代码。
一、安装和配置TabPy
首先，我们需要安装TabPy。使用以下命令在命令行中安装TabPy:
pip install tabpy
TabPy需要在Tableau Desktop和Tableau Server的计算引擎中运行。命令行中输入以下命令启动TabPy:
tabpy
在启动TabPy之后，您将看到一个提示符，表示TabPy正在运行。默认情况下，TabPy将在端口 9004 上运行。可以使用“tabpy-config”的相关配置参数来修改端口号和其他选项。
二、使用TabPy创建和验证模型
使用TabPy创建模型时，您需要打开一个Python环境，将模型编写为一个Python函数。这里我们以一个简单的线性回归模型为例:
import numpy as np
from sklearn.linear_model import LinearRegression
def linear_regression(tabpy, x, y):
x = np.array(x)
y = np.array(y)
model = LinearRegression().fit(x.reshape(-1, 1), y)
return model.predict(tabpy.query("SELECT x FROM _arg1")["x"].values.reshape(-1, 1)).flatten().tolist()
在这里，我们导入了 NumPy 和来自Scikit-Learn（sklearn）的LinearRegression模型。我们的函数需要将表格中的 self.x 和 self.y 数据传递给模型，并返回预测值。
接下来，我们需要在Tableau中使用这个模型。将Tableau安装目录中的”PythonServer”文件夹中新建一个名为‘templates’的文件夹，然后创建一个名为”linear_regression.py”的Python文件并将其保存在新建的‘templates’文件夹中。我们的文件将包含模型函数以及配置文件模板。
在模板文件中，您可以指定模板中包含的参数。这里，我们的模板中包含了两列—’x’和’y’。
{
"model":
{
"name":"linear_regression",
"workspace": "test",
"schema": {
"input": [
{"name": "x", "type":"float"},
{"name": "y", "type":"float"}
],
"output": {"names": ["pred"], "types": ["float"]}
},
"src": "def..."
}
}
成功创建模板后，您可以在Tableau Desktop或Server中连接到TabPy。在上部菜单栏中选择“Server”>“Tableau为Python服务配置”。在弹出的窗口中输入TabPy服务器的主机名和端口。如果成功连接，您将能够选择要与Tableau连接的Python模型并输入模型所需的参数。
三、示例代码
下面是一些使用TabPy的示例代码。
1.将所有值平均化：
def average(tabpy, *args):
args = np.array([arg for arg in args if arg is not None])
return np.average(args)
2. 绘制决策边界：
from sklearn.tree import DecisionTreeClassifier
from sklearn.tree.export import export_text
def decision_boundary(tabpy, v1, v2, classes):
X = np.column_stack([v1, v2])
y = np.array(classes)
clf = DecisionTreeClassifier().fit(X, y)
tree_rules = export_text(clf, feature_names=["x", "y"])
return clf.predict(X).tolist(), tree_rules
3. 对数据进行排序：
def sort(tabpy, data, column):
return sorted(data, key=lambda x: x[column])
四、总结
本文介绍了如何安装、配置并使用TabPy构建数据分析和可视化模型。希望这些示例代码能够帮助您更好地理解这个强大的工具，并在实践中使用它。
原创文章，作者：GDDDX，如若转载，请注明出处：https://www.506064.com/n/374648.html
微信扫一扫 
支付宝扫一扫 