使用开源软件快速搭建数据分析平台

原创
2016/03/03 22:38
阅读数 11.6W
AI总结

最近,国内涌现出了不少数据分析平台产品,例如魔镜数据观

这些产品的目标应该都是self service的BI,利用可视化提供数据探索的功能,并且加入机器学习和预测的功能。它们对标的产品应该是Tableau或者SAP Lumira。因为笔者曾经为Lumira开发数据可视化的功能,对这一块很感兴趣,于是就试用了一下这些产品,感觉这些产品似乎还有很大的差距,于是就想自己用开源软件搭一个简单的数据分析平台试试看。

代码在这里 https://github.com/gangtao/dataplay2 

废话少说,上架构图:

列一下主要用到的开源软件:

服务器端:

客户端:

开发构建工具

  • nodejs https://nodejs.org/en/ 

    这个应该也不用介绍

  • babel https://babeljs.io/ 

    javascript的编译器,支持把ES6的代码转换成浏览器可执行的代码,这里主要是为了支持reactjs使用的jsx的编译。

好了,罗列了这么多的开源软件后,我们看看dataplay2的功能,然后看看这些开源软件起到的作用和我为什么要选择它们的原因。

在介入正题之前,我们先聊聊dataplay2这个名字,dataplay很容易理解,我希望创建一个简单易用的数据平台,使用起来像玩一样的愉快。但为什么是2呢?因为这个软件很二么?当然不是。其实我之前写过一个dataplay的,当时的架构略有不同,为了使用R里的ggplot来支持语法驱动的可视化方案,我后台使用了R/Python的桥接方案,前台的可视化操作会生成ggplot的命令,好处是可以有一个统一的数据模型和语法来驱动数据的可视化分析,便于用户进行数据的探索。然而这样的架构太复杂了,服务器端既有R又有Python,我自己都看不下去了,后来就放弃了。新的dataplay2使用echart的图表库来做可视化,优缺点我们后面再聊。

好了,运行dataplay2非常简单,下载github上的code后,建议安装anaconda,所有的Python依赖就都准备好了,进入dataplay2/package目录,运行:

python main.py

这里补充说明一下,因为react的jsf需要编译,需要运行如下的命令用babel进行jsf的编译才能运行,具体命令如下:

## install node first
## cd package/static
npm install -g babel-cli
npm install babel-preset-es2015 --save
npm install babel-preset-react --save
babel --presets es2015,react --watch js/ --out-dir lib/

另外还需要使用bower安装客户端的所有依赖

## install bower first
## cd package/static
bower install

大家也可以参考package/static/package.json了解需要的依赖。有时间需要集成一个更简单的build脚本来做这些事情。生成的JS文件在lib目录下。修改js目录下的原始文件,babel会触发编译,生成新的js文件在lib目录下。

然后在浏览器中键入 localhost:5000启动客户端。

首先我们进入数据菜单

在这个页面,用户可以浏览已有的数据,或者上传一个CSV文件,增加一个数据集。

简单介绍一下这一部分的实现。

数据上传用到了file input控件,数据表用了datatable控件。为了方便CSV文件直接存贮在本地文件系统中。后台用pandas对csv文件进行处理。前台用Rest API读取csv文件,然后用papaparse解析后,展现在数据表中。这样做纯粹是为了方便,因为整个POC是我在假期花了3/4天做的,所以怎么方便怎么来。更好的做法是在后台用Python对CSV文件作解析。

注意这里我们对上传的CSV文件有严格的要求,必须有首行的header,末尾不能有空行。

有了数据后,就可以开始做分析了。首先我们看看可视化的分析。点击菜单Analysis/Visualization

例如我们选定Iris数据源做一个Scatter Plot

可视化这一块的主要工作是从CSV的表结构数据,根据数据绑定,变形到echart的数据结构。因为echart并没有一个统一的数据模型,所以每一个类型的图表都需要有对应的数据变形的逻辑 。(代码 package/static/js/visualization )

现在主要的做了Pie,Bar,Line,Treemap,Scatter, Area这几种chart。

现在用下来感觉echart优缺点都很明显,他提供的辅助功能很好,可以方便的增加辅助线,note,存贮为图形等。但是由于缺乏统一的数据模型扩展起来比较麻烦,我希望有时间试用一下plotly,当然highchart是非常成熟的图表库,无需证明。

其实我希望能找到一个ggplot的D3的实现,例如这个http://benjh33.github.io/ggd3/ ,可惜该项目似乎不活跃了。

除了基于可视化的分析功能,还有机器学习的功能。

分类

分类的算法可以使用KNN,Bayes和SVM。

如果选择两个Feature做预测,我用D3画出了该预测的模型。大于两个时,就没有办法画出来了。

然后用户可以选择基于该模型来做预测。

聚类和回归的功能和分类基本一致。

聚类

聚类算法现在实现了Kmeans

线性回归

逻辑回归

 

基本功能就这些了,这里列出一些我想要实现的功能:

  • 数据源

    现在的数据源只有CSV文件,可以考虑更多的数据源支持,例如数据库/数据仓库,REST调用,流等等。

  • 数据模型

    现在的数据模型比较简单,就是pandas的dataframe或者一个简单的cvs的表结构。可以考虑引入数据库。另外还需要增加对层级数据(hierachical)的支持

  • 数据变形

    数据变形是数据分析的必要准备工作。业内有很多专注于数据准备的产品,例如paxata,trifacta

    这个版本的dataplay没有任何的数据变形和准备的功能,其实pandas有非常丰富的data wrangling的功能,我希望能在这之上包装一个data wrangling的DSL,可以让用户快速的进行数据准备。

  • 可视化库

    Baidu的echart是非常优秀的可视化库,可是用于数据探索时,还不够好。希望能有一套类似ggplot的前端可视化库来使用。另外地图功能和层级化的图表也是数据分析常见的功能。

    还需要加入图表的选项

  • 仪表盘功能

    这个版本的dataplay没有仪表盘功能,这个功能是数据分析软件的标配,必须有。pyxley似乎是个不错的选择,也和dataplay的架构一致(python,reactjs),有时间可以尝试一下

  • 机器学习和预测

    dataplay现在实现了最简单的一些机器学习的算法,我觉得方向应该是面向用户,变得更简单,用户只给出简单的选项,例如要预测的目标属性,和用于预测的属性,然后自动的选择算法。另外需要更方便的对算法进行扩展。

好了,最后谈谈简单的感受

  • reactjs真不错,一直不喜欢MVC,reactjs的组件化用起来更舒服,而且开发效率确实高,整个项目我用假期3/4天完成,react功不可没。

  • dataplay现在的功能还比较弱,但是基本的架构已经搭好了,大家喜欢的话可以拿去扩展。我不一定会有时间继续对它的功能增强,但是欢迎大家和我一起讨论。

更新:

因为很多同学反映不能正常运行,我制作了一个Dockerfile,大家可以参考 https://github.com/gangtao/dataplay2/tree/master/docker 来构建。希望可以解决大家不能运行的问题。 
Image 已经发布到 docker hub 了 :https://hub.docker.com/r/naughtytao/dataplay/ 

展开阅读全文
加载中
点击加入讨论🔥(62) 发布并加入讨论🔥
62 评论
383 收藏
52
分享
AI总结
返回顶部
顶部