Ermitteln guter Datensätze


Um sich mit der Verwendung von Tableau Desktop (oder der Erstellung von Proof of Concept-Beispielinhalt) vertraut zu machen, empfiehlt es sich, nach einem für Sie interessanten Datensatz zu suchen. Wenn Sie konkrete Fragen haben, die Sie mit Daten beantworten möchten, werden die Schritte der Analyse einfacher und aussagekräftiger.

Die Realität von Datensätzen

Es gibt zwei unvermeidbare Fakten hinsichtlich des Versuchs, einen Datensatz zu finden, bei dem es sich nicht um offizielle, geschäftlich sanktionierte Daten handelt.

Sie werden nicht finden, wonach Sie suchen.

  • Versuchen Sie, allzu strenge Erwartungen zu vermeiden.
  • Bleiben Sie dahingehend flexibel und offen, was für ein bestimmtes Projekt verwendet werden kann.
  • Manchmal befinden sich die gewünschten Daten hinter einer Paywall – ob sie Ihnen das wert sind, müssen Sie selbst entscheiden.

Sie werden die Daten aufbereiten müssen.

Was macht einen guten Datensatz aus?

Ein Datensatz ist gut, wenn er für Ihren Zweck geeignet ist. Solange diese Anforderung erfüllt ist, ist es ein guter Datensatz. Es gibt jedoch einige Überlegungen, die Ihnen dabei helfen können, Datensätze auszusondern, die ihrem Zweck wahrscheinlich nicht entsprechen. Suchen Sie im Großen und Ganzen nach Datensätzen, welche die folgenden Bedingungen erfüllen:

  1. Sie enthalten die Elemente, die Sie benötigen
  2. Es sind aufgeschlüsselte Daten
  3. Sie verfügen mindestens über einige Dimensionen und einige Kennzahlen
  4. Sie haben gute Metadaten oder ein Datenwörterbuch
  5. Sie sind verwendbar (nicht in einem proprietären Format, und nicht zu unstrukturiert oder zu umständlich)
Was macht Superstore super?

Superstore ist eine der in Tableau Desktop enthaltenen Beispiel-Datenquellen. Warum ist es so ein guter Datensatz?

  • Erforderliche Elemente: Superstore verfügt über Datumsangaben, geografische Daten, Felder mit einer Hierarchiebeziehung (Kategorie, Unterkategorie, Produkt), positive und negative (Gewinn) Kennzahlen usw. Es gibt nur sehr wenige Arten von Diagrammen, die Sie mit Superstore allein nicht erstellen können, und es gibt nur sehr wenige Funktionen, die nicht zur Präsentation verwendet werden können.
  • Disaggregiert: Bei den Daten auf Zeilenebene handelt es sich um jedes Element in einer Transaktion. Diese Elemente können auf der Auftragsebene (über die Auftrags-ID) oder nach beliebigen Dimensionen (z. B. Datum, Kunde, Region) zusammengefasst werden.
  • Dimensionen und Kennzahlen: Superstore verfügt über verschiedene Dimensionen, mit denen Dinge wie Kategorie oder Stadt per "Slice-and-Dice" aufgeschlüsselt werden können. Es gibt auch mehrere Kennzahlen und Datumsangaben, was die Möglichkeiten für Diagrammtypen und Berechnungen eröffnet.
  • Metadaten: Superstore weist gut benannte Felder und Werte auf. Sie müssen nicht nachschlagen, was Werte bedeuten.
  • Klein und sauber: Superstore ist nur ein paar Megabyte groß und nimmt daher sehr wenig Platz im Tableau-Installationsprogramm in Anspruch. Außerdem sind die Daten auch sehr ordentlich, mit nur den richtigen Werten in jedem Feld und einer guten Datenstruktur.

1. Ein guter Datensatz enthält die Elemente, die Sie für Ihre Zwecke benötigen

Wenn Sie nach einem Datensatz suchen, um eine bestimmte Visualisierung zu erstellen oder bestimmte Funktionen zu präsentieren, stellen Sie sicher, dass der Datensatz über die benötigten Feldtypen verfügt. Karten sind z. B. eine großartige visuelle Darstellung, erfordern jedoch geografische Daten. Bei grundlegenden Demonstrationen ist es oft erforderlich, die Datumsangaben per Drilldown im Detail anzuzeigen. Daher benötigen die Daten mindestens ein Datumsfeld (zum Anzeigen der Drilldown-Details müsste es granularer sein als jährlich). Nicht alle Datensätze benötigen alle diese Elemente. Sie sollten also wissen, was Sie für Ihren Zweck benötigen, und verschwenden Sie keine Zeit mit Datensätzen, denen Schlüsselelemente fehlen.

Gemeinsame Analyseelemente:

  • Datumsangaben
  • Geografische Daten
  • Hierarchische Daten
  • "Interessante" Kennzahlen – entweder wesentliche Unterschiede in der Größenordnung oder positive und negative Werte

Einige Features oder Visualisierungstypen erfordern möglicherweise spezifische Eigenschaften der Daten, beispielsweise: 

  • Cluster
  • Prognose
  • Trendlinien
  • Benutzerfilter
  • Räumliche Berechnungen
  • Bestimmte Berechnungen
  • Aufzählungsdiagramme
  • Kontrolldiagramme

2. Bei einem guten Datensatz handelt es sich um disaggregierte (Roh-)Daten

Wenn die Daten zu aggregiert sind, gibt es nicht viel, was Sie für die Analyse tun können. Wenn Sie bei Google beispielsweise ermitteln möchten, welche Suchtrends in puncto "Kürbisgewürz" bestehen, Ihnen aber jährliche Daten zur Verfügung stehen, erhalten Sie nur eine sehr allgemeine Übersicht. Im Idealfall könnten Sie auf tägliche Daten zurückgreifen, um den hohen Anstieg zu sehen, als Starbucks mit seinen #PSL-Angebot begann.

Was als disaggregiert gilt, kann je nach Analyse variieren. Beachten Sie, dass einige Datensätze aufgrund des Datenschutzes und der Praxistauglichkeit nie komplett granular sein werden. So ist es zum Beispiel unwahrscheinlich, dass Sie einen Datensatz mit Fallberichten zu Malariafällen inklusive Adressangaben finden – die monatlichen Gesamtwerte nach Regionen sollten granular genug sein.

Aggregation und Granularität

Es ist aus vielen Gründen entscheidend, das Konzept von Aggregation und Granularität zu verstehen. Es wirkt sich auf Dinge wie das Auffinden nützlicher Datensätze, die Erstellung der gewünschten Visualisierung, das korrekte Kombinieren von Daten und die Verwendung von LOD-Ausdrücken aus. Aggregation und Granularität sind entgegengesetzte Enden eines Spektrums.

Die Aggregation bezieht sich darauf, wie die Daten kombiniert werden, z. B. alle Suchanfragen nach "Kürbisgewürz" oder die Mittelwertbildung aller Temperaturwerte um Seattle an einem bestimmten Tag.

  • Standardmäßig werden Kennzahlen in Tableau aggregiert. Die Standardaggregation ist SUM. Sie können die Aggregation in Funktionen wie "Mittelwert", "Median", "Anzahl (eindeutig)", "Minimum" usw. ändern.

Die Granularität bezieht sich darauf, wie detailliert die Daten sind. Wofür steht eine Zeile (auch als Datensatz bezeichnet) oder ein Datensatz im Datensatz? Eine Person mit Malaria? Die Gesamtzahl der Malariafälle in den Provinzen für den Monat? Das ist die Granularität. Die Granularität der Daten zu kennen, ist entscheidend.

Weitere Informationen finden Sie unter Datenaggregation in Tableau.

3. Ein guter Datensatz verfügt über Dimensionen und Kennzahlen

Viele Visualisierungstypen erfordern Dimensionen und Kennzahlen

  • Wenn Sie lediglich über Dimensionen verfügen, sind Sie meistens auf das Zählen, Berechnen von Prozentsätzen oder die Verwendung des Feldes Zählung der Tabelle beschränkt.
  • Verfügen Sie nur über Kennzahlen, können Sie die Werte nicht nach irgendeinem Kriterium aufschlüsseln. Sie können die Daten vollständig disaggregieren oder mit der Gesamtsumme oder AVG usw. arbeiten.

Das heißt nicht, dass ein lediglich aus Dimensionen bestehender Datensatz nicht nützlich sein kann. Zu hochgradig dimensionslastigen Daten zählen beispielsweise demografische Daten, wobei viele Analysen rund um die Demographie zählend oder prozentual ausgerichtet sind. Für einen aussagekräftigeren analytischen Datensatz benötigen Sie jedoch zumindest ein paar Dimensionen und Kennzahlen.

Dimensionen und Kennzahlen, diskret und fortlaufend

Der Datenbereich und die Karte "Markierungen" mit verschiedenen Feld-Typen

Beachten Sie in der Abbildung oben, dass die Numerische Dimension keine Aggregation auf der Karte "Markierungen" aufweist, im Gegensatz zu Fortlaufende Kennzahl und Diskrete Kennzahl.

Dimensionen und Kennzahlen

Felder werden im Datenbereich mit einer horizontalen Linie in Dimensionen und Kennzahlen unterteilt. In Tableau werden Dimensionen als sie selbst in die Ansicht aufgenommen. Kennzahlen jedoch werden automatisch aggregiert. Die Standardaggregation für eine Kennzahl ist SUM.

  • Dimensionen sind qualitativ, d. h., sie werden beschrieben, nicht gemessen.
    • Dimensionen sind oft Dinge wie Stadt oder Land, Augenfarbe, Kategorie, Teamname usw.
    • Dimensionen sind in der Regel diskret.
  • Kennzahlen sind quantitativ, d. h. sie können gemessen und (numerisch) aufgezeichnet werden.
    • Bei Kennzahlen handelt es sich oft um Dinge wie Umsätze, Höhe, Anzahl der Klicks usw.
    • Kennzahlen sind in der Regel fortlaufend.

Wenn Sie mit einem Feld Berechnungen durchführen können, sollte es sich um eine Kennzahl handeln. Wenn Sie sich nicht sicher sind, ob ein Feld eine Kennzahl oder Dimension sein soll, überlegen Sie, ob Sie mit den Werten sinnvolle Berechnungen anstellen können. Liegt eine Bedeutung in "AVG(RowID)" oder darin, die Summe von zwei Sozialversicherungsnummern zu berechnen oder eine Postleitzahl durch 10 zu teilen? Nein. Das sind Dimensionen, die zufällig als Zahlen geschrieben werden. Denken Sie darüber nach, wie viele Länder alphanumerische Postleitzahlen haben – sie sind nur Beschriftungen, obwohl sie in den USA nur numerisch sind. Tableau kann viele Feldnamen erkennen, die darauf hinweisen, dass ein numerisches Feld tatsächlich eine ID oder eine Postleitzahl ist, und versucht, diese Dimensionen zu erstellen. Tableau ist jedoch nicht perfekt. Verwenden Sie den Test "Kann ich damit rechnen?", um zu entscheiden, ob ein numerisches Feld eine Kennzahl oder Dimension sein soll, und ordnen Sie den Datenbereich bei Bedarf neu an.

Hinweis: Auch wenn Sie Datumsangaben (beispielsweise die DATEDIFF-Berechnung) berechnen können, werden Datumsangaben entsprechend der Standardkonvention als Dimensionen kategorisiert.

Diskret und fortlaufend

Diskrete oder fortlaufende Felder sind zwar ein wenig an den Konzepten von Dimensionen und Kennzahlen ausgerichtet, aber nicht mit ihnen identisch.

  • Diskrete Felder enthalten unterschiedliche Werte. Sie bilden Kopfzeilen oder Beschriftungen in der Ansicht, und die Pillen sind blau
  • Fortlaufende Felder "bilden ein ununterbrochenes Ganzes". Sie bilden eine Achse in der Ansicht, und die Pillen sind grün

Anhand eines Datumsfelds lassen sich diskrete und fortlaufende Elemente gut nachvollziehen. Datumsangaben können diskret ODER fortlaufend sein.

  • Werden die Durchschnittstemperaturen im August über ein Jahrzehnt oder ein Jahrhundert betrachtet, bedeutet dies, dass "August" als diskreter, qualitativer Datumsteil verwendet wird.
  • Um beispielsweise den allgemeinen Trend bei den gemeldeten Malariafällen seit 1960 zu betrachten, ist eine einzelne, ununterbrochene Achse erforderlich, was bedeutet, dass das Datum als fortlaufender, quantitativer Wert verwendet wird.

Weitere Informationen finden Sie unter Dimensionen und Kennzahlen, blau und grün.

Von Tableau erstellte Felder

Tableau erstellt mindestens drei Felder, unabhängig davon, was der Datensatz ist:

  • Kennzahlnamen (eine Dimension)
  • Kennzahlwerte (eine Kennzahl)
  • TableName(Count) (eine Kennzahl)

Und wenn der Datensatz geografische Felder enthält, erstellt Tableau auch die Felder Breitengrad (generiert) und Längengrad (generiert).

Kennzahlnamen und Kennzahlwerte sind zwei sehr nützliche Felder. Weitere Informationen finden Sie unter Kennzahlwerte und Kennzahlnamen.

Zählung der Tabelle gibt die Anzahl der Datensätze für die Tabelle an, indem die Zeilen gezählt werden. Dies ermöglicht es Ihnen, mindestens eine Kennzahl in Ihrem Datensatz zu haben und kann bei einigen Analysen helfen. Sie müssen die Granularität Ihrer Daten verstehen (was eine Zeile darstellt), um definieren zu können, was die Anzahl der Datensätze bedeutet.

Hier steht jede Zeile für einen Tag. Folglich entspricht die Anzahl der Datensätze der Anzahl der Tage:

Hier steht jede Zeile für einen Monat. Folglich entspricht die Anzahl der Datensätze der Anzahl der Monate:

4. Ein guter Datensatz verfügt über Metadaten oder ein Datenwörterbuch

Ein Datensatz kann nur nützlich sein, wenn Sie wissen, wofür die Daten stehen. Es gibt nur wenige Dinge, die bei der Jagd nach guten Daten frustrierender sind als das Öffnen einer Datei, die so aussieht:

Arbeitsblattansicht vollständig numerischer Daten

Was bedeutet eine Quelle von 4 oder 12? Und welche Informationen gibt es in den Feldern OTU0–OTU4?

Ein guter Datensatz enthält gut beschriftete Felder und Elemente oder ein Datenwörterbuch, sodass Sie die Daten selbst umbenennen können. Denken Sie an Superstore – es ist sofort offensichtlich, wofür die Felder und ihre Werte stehen, beispielsweise "Kategorie" und die zugehörigen Elemente "Technologie", "Möbel" und "Bürobedarf". Für den Mikrobiomdatensatz im obigen Bild gibt es ein Datenwörterbuch(Link wird in neuem Fenster geöffnet), in dem jede Quelle (4 ist Stuhl und 12 ist Magen) und die Taxonomie der jeweiligen operativen taxonomischen Einheiten (OTU3 ist ein Bakterium der Gattung Parabakteroiden) erklärt werden.

Datenwörterbücher können auch als Metadaten, Indikatoren, Variablendefinitionen, Glossare oder eine beliebige Anzahl anderer Dinge bezeichnet werden. Letzten Endes enthält ein Datenwörterbuch Informationen zu Spaltennamen und Elementen in einer Spalte. Diese Informationen können auf verschiedene Weise in die Datenquelle oder Visualisierung eingespeist werden. Beispielsweise haben Sie folgende Möglichkeiten:

  • Sie können die Spalten so umbenennen, dass sie leichter verständlich sind (dies kann im Datensatz selbst oder in Tableau erfolgen).
  • Sie können die Elemente des Felds mit neuen Aliassen versehen (dies kann im Datensatz selbst oder in Tableau erfolgen).
  • Sie können Berechnungen erstellen, um Datenwörterbuchinformationen hinzuzufügen.
  • Sie können das Feld in Tableau kommentieren (Kommentare werden in veröffentlichten Visualisierungen nicht angezeigt, nur in der Erstellungsumgebung).
  • Sie können das Datenwörterbuch als eine andere Datenquelle verwenden und die zwei Datenquellen kombinieren.

Der Verlust eines Datenwörterbuchs kann dazu führen, dass ein Datensatz nutzlos wird. Wenn Sie für einen Datensatz ein Lesezeichen erstellen, erstellen Sie auch ein Lesezeichen für das Datenwörterbuch. Sie müssen beide herunterladen und am selben Speicherplatz aufbewahren.

5. Ein guter Datensatz ist einer, den Sie verwenden können

Solange Sie den Datensatz verstehen können und er über die benötigten Informationen verfügt, kann es sogar ein kleiner Datensatz für die Analyse in sich haben. Kleinere Datensätze sind außerdem einfach zu speichern, freizugeben und zu veröffentlichen und weisen wahrscheinlich eine gute Leistung auf.

Auch wenn Sie den "perfekten" Datensatz für Ihre Anforderungen finden, ist er letztendlich nicht wirklich perfekt, wenn der Aufwand für die Bereinigung unrealistisch ist. Es ist wichtig zu verstehen, wann Sie von einem zu ungeordneten Datensatz Abstand nehmen sollten.

Dieser Datensatz stammt beispielsweise aus einem Wikipedia-Artikel über relative Buchstabenfrequenzen. Anfänglich wies er 84 Zeilen und 16 Spalten (wurde auf 1.245 Zeilen und 3 Spalten pivotiert) auf. Die Excel-Datei ist 16 KB groß. Aber mit einigen Gruppen, Sätzen, Berechnungen und anderen Manipulationen ermöglicht er zuverlässige Analysen und interessante Visualisierungen.

Klicken Sie auf das Bild, um die Arbeitsmappe herunterzuladen.

Umbenennen von Beschriftungen Ihrer Daten

Sobald Sie einen guten Datensatz gefunden haben, müssen Sie häufig Beschriftungen umbenennen. Das Umbenennen der Beschriftungen von Daten kann nützlich sein, um entweder fingierte Daten für Stichproben oder Proof of Concepts zu erstellen oder die Daten lesbarer zu machen.

Durch das Umbenennen eines Felds wird geändert, wie dieses Feld in Tableau angezeigt wird, also beispielsweise durch Umbenennung von "Umsatz" in "Pipeline-Umsatz" oder "Bundesland" in "Provinz".

Durch das Re-Aliasing wird die Anzeige der Elemente eines Felds geändert, z. B. beim Re-Aliasing von Werten im Feld "Land", sodass CHN zu China und RUS zu Russland wird.

  • Die Werte in einem diskreten Dimensionsfeld werden als Elementebezeichnet. Nur Elemente können neue Aliasse erhalten. Im Folgenden betrachten wir ein Kennzahlfeld für die Temperatur. Ein Wert von 12 °C kann nicht geändert werden, ohne die Daten selbst zu ändern. Erhält das Element "CHN" in einem Feld vom Typ "Land" einen neuen Alias namens "China", handelt es sich um dieselbe Information, nur anders beschriftet.

Umbenennen und Re-Aliasing bedeuten fast dasselbe. Es ist die Konvention in Tableau, dass Felder benannt werden und Elemente Aliasse erhalten. Weitere Informationen finden Sie unter Organisieren und Anpassen von Feldern im Datenbereich und Erstellen von Aliassen zur Umbenennung von Elementen in der Ansicht.

Hinweis: Beim Umbenennen oder Re-Aliasing wird nur das Erscheinungsbild in Tableau Desktop geändert. Die Änderungen werden nicht auf die zugrunde liegenden Daten übertragen.

Umbenennen von Beschriftungen zum Erstellen fingierter Daten

Das Umbenennen der Beschriftungen für vorhandene Datensätze ist eine hervorragende Möglichkeit, Beispiele oder Proof of Concept-Inhalte überzeugender zu gestalten.

  1. Mit einem einfachen Datensatz (beispielsweise Superstore) können Sie erstellen, was Sie möchten (einen bestimmten Diagrammtyp, der bestimmte Funktionen anzeigt usw.).
  2. Benennen Sie die relevanten Felder um, ändern Sie QuickInfos, und ändern Sie auf andere Weise die Textaspekte, um zu maskieren, was die Daten tatsächlich darstellen.

Wichtig: Nehmen Sie so etwas nur dann vor, wenn klar ist, dass die Informationen fingiert sind. Achten Sie darauf, dass nicht der Eindruck entsteht, es würde sich um echte Daten handeln – Benutzer könnten sonst versuchen, diese Daten für Analysen zu nutzen. Verwenden Sie beispielsweise dumme Namen oder bedeutungslose Feldnamen wie Farben oder Tiere.

Re-Aliasing, um die Daten einfacher zu verwenden

Es ist effizienter, die Daten als numerische Werte anstatt als Zeichenfolgenwerte zu speichern, obwohl die numerische Codierung das Verständnis der Daten erschweren kann. Bei kleinen Datensätzen wird dies wahrscheinlich keine Auswirkungen auf die Leistung haben. Daher sollten Sie es vorziehen, die Daten einfach verstehen zu können.

Ein Nachteil beim Re-Aliasing besteht darin, dass Sie auf diese numerischen Werte nicht mehr zugreifen können (was bestimmte Vorgänge erschwert, beispielsweise Sortierungen, die Zuweisung von Farbverläufen usw.). Sie sollten das Feld ggf. duplizieren und die Kopie mit neuen Aliassen versehen. Alternativ kann eine Berechnung in Tableau eine gute Möglichkeit sein, die ursprünglichen Informationen beizubehalten und sie gleichzeitig leichter verständlich zu machen.

Re-Aliasing mit der CASE-Funktion

Berechnungen können für das Re-Aliasing sehr leistungsfähig sein. Mit CASE-Funktionen können Sie im Wesentlichen angeben: "Wenn dieses Feld den Wert A aufweist, soll X zurückgegeben werden. Wenn der Wert B lautet, soll Y zurückgegeben werden".

In diesem Fall untersucht die CASE-Funktion die F-Skala in einem Tornado-Datensatz und stellt die jedem numerischen Wert zugeordnete schriftliche Beschreibung bereit:

CASE [F-scale]
WHEN "0" THEN "Some damage to chimneys; branches broken off trees; shallow-rooted trees pushed over; sign boards damaged."
WHEN "1" THEN "The lower limit is the beginning of hurricane wind speed; peels surface off roofs; mobile homes pushed off foundations or overturned; moving autos pushed off the roads..."
WHEN "2" THEN "Roofs torn off frame houses; mobile homes demolished; boxcars overturned; large trees snapped or uprooted; highrise windows broken and blown in; light-object missiles generated."
WHEN "3" THEN "Roofs and some walls torn off well-constructed houses; trains overturned; most trees in forest uprooted; heavy cars lifted off the ground and thrown."
WHEN "4" THEN "Well-constructed houses leveled; structures with weak foundations blown away some distance; cars thrown and large missiles generated."
WHEN "5" THEN "Strong frame houses lifted off foundations and carried considerable distances to disintegrate; ... trees debarked; steel reinforced concrete structures badly damaged."
END

Nun können wird das ursprüngliche F-Skala-Feld (0–5) oder das Feld mit der Schadensbeschreibung anhand der F-Skala in der Visualisierung verwenden.

Tipps bei der Suche nach Datensätzen

Hinweis: Versuchen Sie sicherzustellen, die Frage "Was stellt eine Zeile (bzw. Datensatz) dar?" beantworten zu können. Wenn Sie dies nicht ausdrücken können, verstehen Sie die Daten möglicherweise nicht gut genug, um sie verwenden zu können, oder sie sind möglicherweise schlecht für die Analyse strukturiert.

  • Verfolgen Sie, woher die Daten stammen.
  • Bewahren Sie die Datenwörterbuchinformationen bei den Daten selbst auf.
  • Vermeiden Sie veraltete Daten, wenn der Inhalt stets aktuell bleiben soll. Suchen Sie nach:
    • aktualisierbaren Daten (Aktien, Wetter, regelmäßig veröffentlichte Berichte usw.)
    • zeitlosen Daten (die durchschnittliche Masse verschiedener Tiere wird sich von Jahr zu Jahr nicht ändern)
    • Daten, die Sie durch künstliche Änderung auf historische oder zukünftige Daten zukunftssicher machen können
  • Googeln Sie einfach nach dem, wonach Sie suchen, und Sie werden möglicherweise überrascht sein.
  • Scheuen Sie sich nicht, einen Datensatz aufzugeben, wenn es zu viel Arbeit ist, ihn vorzubereiten.

Orte, an denen nach Daten gesucht werden kann

Wo können Sie nach Daten suchen? Datensätze können praktisch überall gefunden werden. Im Folgenden finden Sie einige Möglichkeiten für den Einstieg. Beachten Sie, dass die Realität der Datensätze für diese Sites gilt. Sie werden wahrscheinlich nicht das finden, woran Sie gerade denken, und Sie werden höchstwahrscheinlich einige Bereinigungen vornehmen müssen, um die Daten für die Analyse vorzubereiten.

Haftungsausschluss: Diese Links zu externen Websites werden so weit wie möglich richtig, aktuell und relevant gehalten. Tableau kann jedoch nicht die Richtigkeit oder Aktualität des Inhalts auf den Seiten dieser externen Anbieter gewährleisten. Das Auflisten einer Website hier ist keine Billigung von Inhalten oder Organisationen. Bei Fragen zu den Inhalten wenden Sie sich direkt an die externe Website.

Tableau Public(Link wird in neuem Fenster geöffnet): Tableau Public ist eine erstaunliche Ressource für Tableau-gerechte Datensätze. Suchen Sie nach Arbeitsmappen zu einem für Sie interessanten Thema, stöbern Sie nach Inspirationen und laden Sie dann die Arbeitsmappe herunter, um auf die Daten zuzugreifen. Oder schauen Sie sich die kuratierten Beispieldaten(Link wird in neuem Fenster geöffnet)an.

Wikipedia-Tabellen(Link wird in neuem Fenster geöffnet): Erhalten Sie Daten aus Wikipedia-Tabellen, indem Sie diese kopieren und in ein Arbeitsblatt einfügen, kopieren und direkt in Tableau einfügen oder Google Sheets und die IMPORTHTML-Funktion(Link wird in neuem Fenster geöffnet) verwenden, um ein Google-Arbeitsblatt der Daten zu erstellen.

Google Dataset Search(Link wird in neuem Fenster geöffnet): "Eine Suchmaschine, um die fragmentierte Welt der Online-Datensätze zu vereinen."

Data is Plural(Link wird in neuem Fenster geöffnet) : Abonnieren Sie einen wöchentlichen Newsletter mit Datensätzen, oder durchsuchen Sie das Archiv(Link wird in neuem Fenster geöffnet).

Makeover Monday(Link wird in neuem Fenster geöffnet): "Arbeiten Sie jeden Montag mit uns an einem bestimmten Datensatz zusammen, erstellen Sie bessere, effektivere Visualisierungen und helfen Sie uns dabei, Informationen zugänglicher zu machen." Sie können sehen, was andere Personen mit dem gleichen Datensatz gemacht haben, um Ihre Analyse in Gang zu setzen oder Inspiration zu geben. Verwenden Sie #makeovermonday(Link wird in neuem Fenster geöffnet)auf Twitter, um teilzunehmen.

Andere Sites

Zurück zum Anfang
Vielen Dank für Ihr Feedback!Ihr Feedback wurde erfolgreich übermittelt. Vielen Dank.