製表符Python的綜合應用

製表符Python（TabPy）是一個允許在Python計算機語言中嵌入可預測性的開源計算引擎。它允許數據分析師在他們使用的Python環境中運行R或Python機器學習模型，使其可用於Tableau。本篇文章將介紹如何使用TabPy構建數據分析和可視化模型，以及一些使用TabPy的示例代碼。

一、安裝和配置TabPy

首先，我們需要安裝TabPy。使用以下命令在命令行中安裝TabPy:

pip install tabpy

TabPy需要在Tableau Desktop和Tableau Server的計算引擎中運行。命令行中輸入以下命令啟動TabPy:

tabpy

在啟動TabPy之後，您將看到一個提示符，表示TabPy正在運行。默認情況下，TabPy將在埠 9004 上運行。可以使用「tabpy-config」的相關配置參數來修改埠號和其他選項。

二、使用TabPy創建和驗證模型

使用TabPy創建模型時，您需要打開一個Python環境，將模型編寫為一個Python函數。這裡我們以一個簡單的線性回歸模型為例:

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()

在這裡，我們導入了 NumPy 和來自Scikit-Learn（sklearn）的LinearRegression模型。我們的函數需要將表格中的 self.x 和 self.y 數據傳遞給模型，並返回預測值。

接下來，我們需要在Tableau中使用這個模型。將Tableau安裝目錄中的”PythonServer”文件夾中新建一個名為『templates』的文件夾，然後創建一個名為”linear_regression.py”的Python文件並將其保存在新建的『templates』文件夾中。我們的文件將包含模型函數以及配置文件模板。

在模板文件中，您可以指定模板中包含的參數。這裡，我們的模板中包含了兩列—』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..."
   }
}

成功創建模板後，您可以在Tableau Desktop或Server中連接到TabPy。在上部菜單欄中選擇「Server」>「Tableau為Python服務配置」。在彈出的窗口中輸入TabPy伺服器的主機名和埠。如果成功連接，您將能夠選擇要與Tableau連接的Python模型並輸入模型所需的參數。

三、示例代碼

下面是一些使用TabPy的示例代碼。

1.將所有值平均化：

def average(tabpy, *args):
    args = np.array([arg for arg in args if arg is not None])
    return np.average(args)

2. 繪製決策邊界：

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. 對數據進行排序：

def sort(tabpy, data, column):
    return sorted(data, key=lambda x: x[column])

四、總結

本文介紹了如何安裝、配置並使用TabPy構建數據分析和可視化模型。希望這些示例代碼能夠幫助您更好地理解這個強大的工具，並在實踐中使用它。