Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
•
6 likes•1,771 views
2018/12/6にTableau Developers Clubで岩橋さんよりご説明いただいた内容 資料転用、引用の際には tiwahashi@tableau.com までご連絡ください。 1 Tabpyにおけるpythonコーディング内容についてはTableau テクニカルサポートの範囲外となります。ご質問はTableau Communityをご利用ください。
Recommended
More Related Content
What's hot
What's hot (20)
Similar to Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
Similar to Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1 (20)
More from Hiroshi Masuda
More from Hiroshi Masuda (10)
Tableau Developers Club 外部サービス連携#1 Tabpy触ってみよう#1
- 1. Developer’s Club 外部サービス連携#1 Tabpy触ってみよう#1 Tableau Technical Support Tomohiro Iwahashi tiwahashi@tableau.com 1資料転用、引用の際には tiwahashi@tableau.com までご連絡ください。 Tabpyにおけるpythonコーディング内容についてはTableau テクニカルサポートの範囲外となります。ご質問はTableau Communityをご利用ください。
- 2. なぜPython？ https://www.kaggle.com/surveys/2017 Kaggle Survey 2017: What tools are used at work? Python was the most commonly used data analysis tool across employed data scientists overall, but more Statisticians are still loyal to R. 2
- 3. データ活用におけるTableau+Python連携 可視化 による 理解 前準備 機械学 習によ る予測 利用と応 用（アプ リ） ビジネ ス目的 の達成 Tableau Prep, Infomatica, DataStage,Talend,Alteryx, Paxta,Trifacta R, python, MATLAB RapidMiner, KNIME SPSS,SAS Azure ML, Sage Maker Cognos, Business Object, Tableau,PowerBI, Qlik,MicroStrategy, Domo,Looker python Tabpy 機械学習エンジンを 利用して予測機能を 拡張！ 3
- 4. Tableau と pythonの連携 １．CSVで連携 ２．Tableau DesktopからTabpyで連携 ３．Tableau Prepから連携（TC18 発表） 予測したデータを可視化 することに意味がある！ 少量のデータ を、リアルタ イムに予測し たい場合に フィット 4
- 6. • どんなことができるか？ TC18のセッションから Data science applications with TabPy/R (Nathan Mannheimer) → PCA/Facebookの時系列ライブラリProphetを使ったり、かなり実用的！ https://tc18.tableau.com/learn/sessions/32185 Watch Now https://youtu.be/nRtOMTnBz_Y Real-world Tableau using extensions and TabPy https://tc18.tableau.com/learn/sessions/32251 Watch Now: https://youtu.be/fJr2cqevegw Accelerate Your Advanced Analytics: R, Python & MATLAB https://tc18.tableau.com/learn/sessions/32178 Watch Now: https://youtu.be/i3zU7ufn1-8 6
- 7. • PCA – 主成分分析 7
- 8. • Facebook prophet を利用した時系列予測 8
- 11. 予測するということ（教師あり） 訓練データ 温度 湿度 年数 故障し たか 50 60 70 N 40 50 50 N 10 20 30 N 50 90 90 Y ②訓練データを学習 clf.fit(trainX,Y) 説明変数 trainX 目的 変数 Y テストデータ 温度 湿度 年数 故障す る？ 50 60 70 ？？ 40 50 50 ？？ ③予測結果を導く clf.predict(testX) 予測モデル 予測結果 教師アリ 温度 湿度 年数 故障す る？ 50 60 70 Y 40 50 50 N ①予測モデルの定義 clf = tree.DecisionTreeClassifier(…) 11
- 12. 予測するということ（教師なし） 学習データ 身⾧ 体重 胸囲 腹囲 150 60 70 65 170 60 50 65 175 72 30 70 160 65 90 80 ②データの適用 model.fit(X) 目的変数 X 分類モデル 分類結果 クラス タ 0 0 1 2 ① モデルの定義 model = KMeans(n_clusters=3) 教師（目的 変数）ナシ 12
- 14. さっそくやってみましょう！ ・STEP1 ・Tabpyの起動 ・Tableau Desktopからの接続 ・STEP2 ・簡単な足し算 ・Jupyter Notebookで確認 ・Tabpyで実行 ・STEP3 ・色々なクラスタリング ・Jupyter Notebookで確認 ・Tabpyで実行 14
- 16. Tabpyインストールの手順 • Windows：既存Anaconda環境を利用してTabpy-Serverを導入す る • Mac に Anaconda 2.7 と Tabpy をインストールする • Dockerを使ってMacでもTabpyを動かそう！ 16
- 17. • Anaconda プロンプトを起動 • tabpy_server ディレクトリにcd • ディレクトリは以下（環境によって異なる） • C:¥ProgramData¥Anaconda2¥Lib¥site-packages¥tabpy_server • C:¥ProgramData¥Anaconda3¥envs¥Tableau-Python-Server¥Lib¥site-packages¥tabpy_server • C:¥Users¥<ユーザ名>¥AppData¥Local¥conda¥conda¥envs¥Tableau-Python-Server¥Lib¥site- packages¥tabpy_server • startup.bat を実行 • Tabpyの起動 - WINDOWS 9004 でListen 17
- 18. • Terminalを開く • 作成した環境を確認 • conda info –e • 環境のアクティベート • source activate Tableau-Python-Server-27 • ディレクトリの変更 • cd /Users/<username>/TabPy-master/tabpy-server/tabpy_server • Tabpy起動 • ./startup.sh • Tabpyの起動 - MAC 18
- 19. 19 docker pull emhemh/tabpy <- 初回のみ docker run -ti --rm -p 9004:9004 emhemh/tabpy:latest Dockerを使ってMacでもTabpyを動かそう！ • Dockerがインストールされている方
- 20. • Tableau Desktop からの接続設定と確認 • ヘルプ→外部サービス接続→ サーバー localhost /ポート9004 指定 Help→外部サービス接続 でポート 9004 を指定 20
- 21. • Tabpy Server 環境を構築することができない方は・・・ 21
- 25. Tabpyのおきて→計算フィールド作成 SCRIPT_REAL ( ‘ #python コード xxxxx(_arg1) xxxxx(_arg2) … return xxx.tolist()‘ , SUM( [メジャー1]) , SUM( [メジャー2]) , …. ) 25 ① 外部連携を使います よ！宣言 ② Pythonコード ③ Tableau から代入する メジャーを指定
- 26. • 一番簡単なTabpyサンプル → 足し算 外部連携を使いま すよ！返り値は REALですよ。 実行されるpython コード _arg に Tableau からのデー タが入る Tableau から代入す るメジャーを指定 26 List型で Tableau に返 しますよ 表計算として 利用するので 集計になりま すよ。
- 27. Jupyter-notebookの起動 (1) > jupyter notebook ① Anaconda Promptを起動 ② 利用するデータのあるディレクトリに移動(cd) ③ jupyter notebook を実行 ④ jupyter notebook がブラウザで起動 27
- 30. コマンドを打ってみよう 30
- 31. • Tabpy計算式と同じことをJupyter Notebookでやってみましょう。 import numpy as np x = [1,2,3] y = [4,5,6] x_ = np.array(x) y_= np.array(y) sum = x_+ y_ sum sum.tolist() Tolistでリスト型 に直すのは Tabpyのお約束 です。 足し算するため にArrayに変換し ます。 31
- 32. • もう一度 Tabpyを呼ぶ計算式に戻ってみましょう。 外部連携を使いますよ！ 返り値はREALですよ。 実行されるpythonコード _arg にTableau からのデー タが入る Tableau から代入するメ ジャーを指定 32
- 37. ＋ DataFrameを使うために pandas を import する ＋ 2次元配列：表のようなもの ＋ ファイルからの入出力 ＋ データの抽出 ＋ データのソート ＋ データの結合 • Pandas / DataFrameの登場 Data Frame 37
- 38. K-Meansクラスタリング(教師なし学習） 学習データ 身⾧ 体重 胸囲 腹囲 150 60 70 65 170 60 50 65 175 72 30 70 160 65 90 80 ③モデルにDataFrameを適 合する model.fit( ) ①DataFrameを作 成する 分類モデル 分類結果 クラスタ 0 0 1 2 df df ② K-Meansのモデルを作成する model = KMeans(n_clusters=3) ④クラスターの 結果を得る 38
- 39. # pandas の import import pandas as pd # 身⾧ と 体重のデータセットを作る height = pd.DataFrame([160,165,170,170,175,165],columns=["height"]) weight = pd.DataFrame([52,65,62,75,75,60],columns=["weight"]) • まずはJupyter NotebookでKmeansをやってみる 39
- 40. #DataFrame を作ってみる df = pd.concat([height,weight],axis=1) • まずはJupyter NotebookでKmeansをやってみる 40
- 41. #散布図で可視化をする import matplotlib.pyplot as plt %matplotlib inline plt.scatter(df.weight,df.height) plt.show() • まずはJupyter NotebookでKmeansをやってみる 41
- 42. #Kmeansクラスタリングをやってみる from sklearn.cluster import KMeans model = KMeans(n_clusters=3) db = model.fit(df) db.labels_ • まずはJupyter NotebookでKmeansをやってみる sklearnは機械学習のライブ ラリ 42
- 43. #もともとのDataFrameにクラスターラベルを追加する label =pd.DataFrame(db.labels_ , columns=["label"]) dfl = pd.concat([df,label],axis=1) dfl • まずはJupyter NotebookでKmeansをやってみる 43
- 44. #クラスター結果を可視化（コードはこういうものとしてコピ ペ） for label in set(dfl.label): df_label = dfl[dfl['label'] == label] plt.scatter(data=df_label, x='weight', y='height', label=label) • まずはJupyter NotebookでKmeansをやってみる 44
- 45. • もう一度Tabpyに戻ってみる もう読めますね！☺ return xxxx.tolist() でリスト型で 返すのはTabpyの決まりごと 45
- 47. 今日のまとめ • Tableau + Python で予測を含むデータマイニングのプロセスを包括的 にカバーする • 最新のライブラリがジャンジャン追加されるPythonを有効活用する • Tableau とPythonの連携はTabpyだけじゃない • Tableauから始めるデータサイエンス、全然ありでしょ！ 47
- 49. Q&A 49