使用開源軟體快速搭建數據分析平台

最近，國內湧現出了不少數據分析平台產品，例如魔鏡和數據觀。

這些產品的目標應該都是self service的BI，利用可視化提供數據探索的功能，並且加入機器學習和預測的功能。它們對標的產品應該是Tableau或者SAP Lumira。因為筆者曾經為Lumira開發數據可視化的功能，對這一塊很感興趣，於是就試用了一下這些產品，感覺這些產品似乎還有很大的差距，於是就想自己用開源軟體搭一個簡單的數據分析平台試試看。

代碼在這裡 https://github.com/gangtao/dataplay2

廢話少說，上架構圖：

列一下主要用到的開源軟體：

伺服器端：

• flask http://flask.pocoo.org/

輕量級的Python Web框架

• pandas http://pandas.pydata.org/

Python的數據結構和數據分析工具包，提供數據處理的Wrangling的功能

• sklearn http://scikit-learn.org/

非常流行的Python機器學習包，依賴於numpy，scipy和matplotlib

客戶端:

• jquery

這個就不用介紹了

• reactjs http://facebook.github.io/react/

facebook開發的js UI框架，基於組件（component）而非mvc

• d3js https://d3js.org/

數據驅動的DOM操縱庫，可以創建豐富的數據可視化呈現。

• echarts http://www.oschina.net/p/echarts

百度開發的數據可視化庫，基於canvas技術，功能豐富。實為中國開源項目的翹楚。

• bootstrap http://getbootstrap.com/

twitter開發的前端框架，非常流行。

• jquery datatables http://www.datatables.net/

非常實用的基於jquery的表格控制項

• bootstrap fielinput https://github.com/kartik-v/bootstrap-fileinput

HTML5文件上傳控制項

• papaparse https://github.com/mholt/PapaParse

CSV文件的JS解析

• requirejs http://www.requirejs.org/

JS 依賴管理

• select2 https://select2.github.io/

基於jquery的select控制項

開發構建工具

• nodejs https://nodejs.org/en/

這個應該也不用介紹

• babel https://babeljs.io/

javascript的編譯器，支持把ES6的代碼轉換成瀏覽器可執行的代碼，這裡主要是為了支持reactjs使用的jsx的編譯。

好了，羅列了這麼多的開源軟體後，我們看看dataplay2的功能，然後看看這些開源軟體起到的作用和我為什麼要選擇它們的原因。

在介入正題之前，我們先聊聊dataplay2這個名字，dataplay很容易理解，我希望創建一個簡單易用的數據平台，使用起來像玩一樣的愉快。但為什麼是2呢？因為這個軟體很二么？當然不是。其實我之前寫過一個dataplay的，當時的架構略有不同，為了使用R里的ggplot來支持語法驅動的可視化方案，我後台使用了R/Python的橋接方案，前台的可視化操作會生成ggplot的命令，好處是可以有一個統一的數據模型和語法來驅動數據的可視化分析，便於用戶進行數據的探索。然而這樣的架構太複雜了，伺服器端既有R又有Python，我自己都看不下去了，後來就放棄了。新的dataplay2使用echart的圖表庫來做可視化，優缺點我們後面再聊。

好了，運行dataplay2非常簡單，下載github上的code後，建議安裝anaconda，所有的Python依賴就都準備好了，進入dataplay2/package目錄，運行：

python main.py

這裡補充說明一下，因為react的jsf需要編譯，需要運行如下的命令用babel進行jsf的編譯才能運行，具體命令如下：

## install node first## cd package/staticnpm install -g babel-clinpm install babel-preset-es2015 --savenpm install babel-preset-react --savebabel --presets es2015,react --watch js/ --out-dir lib/

另外還需要使用bower安裝客戶端的所有依賴

## install bower first## cd package/staticbower install

大家也可以參考package/static/package.json了解需要的依賴。有時間需要集成一個更簡單的build腳本來做這些事情。生成的JS文件在lib目錄下。修改js目錄下的原始文件，babel會觸發編譯，生成新的js文件在lib目錄下。

然後在瀏覽器中鍵入 localhost:5000啟動客戶端。

首先我們進入數據菜單

在這個頁面，用戶可以瀏覽已有的數據，或者上傳一個CSV文件，增加一個數據集。

簡單介紹一下這一部分的實現。

數據上傳用到了file input控制項，數據表用了datatable控制項。為了方便CSV文件直接存貯在本地文件系統中。後台用pandas對csv文件進行處理。前台用Rest API讀取csv文件，然後用papaparse解析後，展現在數據表中。這樣做純粹是為了方便，因為整個POC是我在假期花了3/4天做的，所以怎麼方便怎麼來。更好的做法是在後台用Python對CSV文件作解析。

注意這裡我們對上傳的CSV文件有嚴格的要求，必須有首行的header，末尾不能有空行。

有了數據後，就可以開始做分析了。首先我們看看可視化的分析。點擊菜單Analysis／Visualization

例如我們選定Iris數據源做一個Scatter Plot

可視化這一塊的主要工作是從CSV的表結構數據，根據數據綁定，變形到echart的數據結構。因為echart並沒有一個統一的數據模型，所以每一個類型的圖表都需要有對應的數據變形的邏輯 。（代碼 package/static/js/visualization ）

現在主要的做了Pie，Bar，Line，Treemap，Scatter， Area這幾種chart。

現在用下來感覺echart優缺點都很明顯，他提供的輔助功能很好，可以方便的增加輔助線，note，存貯為圖形等。但是由於缺乏統一的數據模型擴展起來比較麻煩，我希望有時間試用一下plotly，當然highchart是非常成熟的圖表庫，無需證明。

其實我希望能找到一個ggplot的D3的實現，例如這個http://benjh33.github.io/ggd3/ ，可惜該項目似乎不活躍了。

除了基於可視化的分析功能，還有機器學習的功能。

分類

分類的演算法可以使用KNN，Bayes和SVM。

如果選擇兩個Feature做預測，我用D3畫出了該預測的模型。大於兩個時，就沒有辦法畫出來了。

然後用戶可以選擇基於該模型來做預測。

聚類和回歸的功能和分類基本一致。

聚類

聚類演算法現在實現了Kmeans

線性回歸

邏輯回歸

基本功能就這些了，這裡列出一些我想要實現的功能：

• 數據源

現在的數據源只有CSV文件，可以考慮更多的數據源支持，例如資料庫／數據倉庫，REST調用，流等等。

• 數據模型

現在的數據模型比較簡單，就是pandas的dataframe或者一個簡單的cvs的表結構。可以考慮引入資料庫。另外還需要增加對層級數據（hierachical）的支持

• 數據變形

數據變形是數據分析的必要準備工作。業內有很多專註於數據準備的產品，例如paxata,trifacta

這個版本的dataplay沒有任何的數據變形和準備的功能，其實pandas有非常豐富的data wrangling的功能，我希望能在這之上包裝一個data wrangling的DSL，可以讓用戶快速的進行數據準備。

• 可視化庫

Baidu的echart是非常優秀的可視化庫，可是用於數據探索時，還不夠好。希望能有一套類似ggplot的前端可視化庫來使用。另外地圖功能和層級化的圖表也是數據分析常見的功能。

還需要加入圖表的選項

• 儀錶盤功能

這個版本的dataplay沒有儀錶盤功能，這個功能是數據分析軟體的標配，必須有。pyxley似乎是個不錯的選擇，也和dataplay的架構一致（python，reactjs），有時間可以嘗試一下

• 機器學習和預測

dataplay現在實現了最簡單的一些機器學習的演算法，我覺得方嚮應該是面向用戶，變得更簡單，用戶只給出簡單的選項，例如要預測的目標屬性，和用於預測的屬性，然後自動的選擇演算法。另外需要更方便的對演算法進行擴展。

好了，最後談談簡單的感受

• reactjs真不錯，一直不喜歡MVC，reactjs的組件化用起來更舒服，而且開發效率確實高，整個項目我用假期3/4天完成，react功不可沒。
• dataplay現在的功能還比較弱，但是基本的架構已經搭好了，大家喜歡的話可以拿去擴展。我不一定會有時間繼續對它的功能增強，但是歡迎大家和我一起討論。

更新：

因為很多同學反映不能正常運行，我製作了一個Dockerfile，大家可以參考 https://github.com/gangtao/dataplay2/tree/master/docker 來構建。希望可以解決大家不能運行的問題。

推薦閱讀：