找到好的数据集


了解如何使用 Tableau Desktop（或者生成示例或概念验证内容）的一个好方法是查找您感兴趣的数据集。当您有真正的问题要用数据回答时，分析的步骤会变得更加简单和有意义。

数据集的现实

在尝试查找企业认可的非官方数据的数据集时，有两个不可避免的事实。

找不到想要查找的内容。

  • 尽量避免对您需要的东西有严格的期望。
  • 对于可用于给定项目的内容保持灵活而开放的思想。
  • 有时，您需要的数据是付费的 — 请决定是否值得。

您将必须清理数据。

什么构成了一个好的数据集

好的数据集是适合于您的用途的数据集。只要满足这种需求，它就是一个好的数据集。但是，有一些注意事项可以帮助您清除不太可能适合您的用途的数据集。总体而言，请查找满足以下条件的数据集：

  1. 包含您需要的元素
  2. 是解聚的数据
  3. 至少有几个维度和几个度量
  4. 具有良好的元数据或数据字典
  5. 可使用（不是专有格式、没有过于凌乱或过于繁琐）
是什么让 Superstore 数据源很出色？

Superstore 是 Tableau Desktop 附带的示例数据源之一。为什么它是这么好的数据集？

  • 必要元素：Superstore 具有日期、地理数据、具有分层结构关系的字段（类别、子类别、产品）、正值或负值度量（利润）。很少有无法用 Superstore 单独创建的图表类型，并且很少有功能不能用于演示。
  • 已解聚：行级数据是事务中的每一项。这些项目可以汇总到订单级别（通过“订单 ID”）或按任何维度（例如日期、客户、区域等）汇总。
  • 维度和度量：Superstore 有几个维度，允许我们按类别或城市等内容进行“切片和切分”。还有多个度量值和日期，这为图表类型和计算提供了可能性。
  • 元数据：Superstore 具有命名良好的字段和值。您无需查找任何值的含义。
  • 小而干净：Superstore 只有几兆字节，所以它在 Tableau 安装程序中占用的空间很小。它还是整洁的数据，只有每个字段中正确的值和良好的数据结构。

1.良好的数据集具有您所需的元素

如果要查找数据集来构建特定可视化项或显示特定功能，请确保数据集具有所需的字段类型。例如，地图的视觉效果很好，但需要地理数据。基本演示通常涉及对日期进行下钻查询，因此数据至少需要一个日期字段（并且需要比年份更精细才能显示下钻查询）。并非所有数据集都需要所有这些元素 — 了解您所需的内容，并且不要把时间浪费在缺少关键元素的数据集上。

用于分析的常见元素：

  • 日期
  • 地理数据
  • 分层数据
  • “有趣的”度量 - 量级的巨大变化或正负值

某些功能或可视化项类型可能需要数据的特定特征，例如： 

  • 群集
  • 预测
  • 趋势线
  • 用户筛选器
  • 空间计算
  • 某些计算
  • 标靶图
  • 控制图

2.良好的数据集是解聚的（原始）数据

如果数据过于聚合，则无法进行太多分析。举例来说，如果您想查看人们在 Google 上搜索“南瓜香料”的趋势，但有年度数据，您只能看到高度概括的趋势。理想情况下，您希望得到每天的数据，这样您就可以看到当星巴克开始提供 #PSL 时的巨大峰值。

根据不同的分析，解聚的内容可能有所不同。请注意，由于隐私或实用性的原因，某些数据集永远不会完全精细。例如，您不太可能找到按地址逐例报告疟疾的数据集，因此按区域划分的每月总数可能足够精细。

聚合和粒度

理解聚合和粒度是一个重要的概念，原因有很多：它会影响查找有用的数据集、构建所需的可视化项、正确地合并数据以及使用 LOD 表达式等操作。聚合和粒度是一个范围的两端。

聚合指的是数据是如何组合在一起的，比如对所有针对南瓜香料的搜索进行累加，或者取西雅图附近某一天所有温度读数的平均值。

  • 默认情况下，Tableau 中的度量是聚合的。默认聚合为 SUM。您可以将聚合更改为“平均值”、“中值”、“不重复计数”、“最小值”等。

粒度是指数据的详细程度。数据集中的行（也称为记录）代表什么？疟疾患者？一个省当月的疟疾病例总数？这就是粒度。了解数据的粒度至关重要。

有关详细信息，请参见 Tableau 中的数据聚合。

3.良好的数据集具有维度和度量

许多可视化项类型需要维度和度量

  • 如果只有维度，则通常您只能进行计数、计算百分比或使用“表计数”字段操作。
  • 如果只有度量，则无法按任何内容分解值。您可以完全解聚数据，也可以使用整体 SUM 或 AVG 等。

这并不是说只有维度的数据集没有用处。人口统计数据是有大量维度的数据的示例，许多有关人口统计的分析都是基于计数或基于百分比的。但对于分析性较强的丰富数据集，您至少需要几个维度和度量。

维度和度量（离散和连续）

显示各种胶囊类型的“数据”窗格和标记卡

在上图中，请注意，与连续度量和离散度量不同，数值维度在“标记”卡上没有聚合。

维度和度量

字段在数据窗格中用水平线分为维度和度量。在 Tableau 中，维度作为自身出现在视图中，而度量则自动聚合；度量的默认聚合为 SUM。

  • 维度是定性的，也就是说它们是被描述的，而不是被测量的。
    • 维度通常是城市或国家/地区、眼睛颜色、类别、团队名称等。
    • 维度通常是离散的。
  • 度量是定量的，这意味着它们可以被测量和记录（数值）。
    • 度量通常是销售额、高度、点击次数等。
    • 度量通常是连续的。

如果可以对字段进行数学运算，它应该是一个度量。如果您不确定字段应该是度量还是维度，则考虑是否可以对值进行有意义的数学运算。AVG(RowID)、两个社会保险号码的总和，或者将邮政编码除以 10 有什么意义吗？没有意义。这些是恰好被写成了数字的维度。想想有多少国家/地区有字母数字邮政编码 — 它们只是标签，尽管在美国它们只是数字。Tableau 可以识别许多字段名，这些字段名表示一个数值字段实际上是一个 ID 或邮政编码，Tableau 会尝试创建这些维度，但它并不完美。使用“我是否可以对此进行数学运算”测试来确定数值字段应该是度量还是维度，并根据需要重新排列数据窗格。

注意：虽然可以使用日期（例如 DATEDIFF 计算）进行数学运算，但标准惯例是将日期分类为维度。

离散和连续

离散或连续字段与维度和度量的概念有些一致，但它们并不相同。

  • 离散字段包含不同的值。它们组成视图中的标题或标签，“胶囊”是蓝色的
  • 连续字段“形成一个不间断的整体”。它们组成视图中的轴，“胶囊”是绿色的

理解离散和连续的一个好方法是查看日期字段。日期可以是离散，也可以是连续的。

  • 观察十年或一个世纪的八月份平均气温意味着“八月”被用作离散的定性日期部分。
  • 查看从 1960 年以来报告的疟疾病例的总体趋势时，将采用一个单一的、不间断的轴，这意味着该日期被用作一个连续的定量值。

有关详细信息，请参见维度和度量（蓝色和绿色）。

Tableau 创建的字段

无论数据集是什么，Tableau 都至少会创建三个字段：

  • 度量名称（维度）
  • 度量值（度量）
  • 表名称(计数)（度量）

如果数据集中有地理字段，Tableau 还将创建“纬度(生成)”和“经度(生成)”字段。

“度量名称”和“度量值”是两个有用的字段。有关详细信息，请参见度量值与度量名称。

“表计数”通过计算行数来提供表的记录数。这使您能够在数据集中至少有一个度量，并可以帮助进行一些分析。您必须了解数据的粒度（行表示什么），以便能够定义行数的含义。

此处的每行为一天，因此“表计数”将为天数：

此处的每行为一个月，因此“表计数”将为月数：

4.良好的数据集具有元数据或数据字典

数据集只有在您知道数据是什么时才有用。在寻找好数据的过程中，没有什么比打开一个像这样的文件更让人沮丧的了：

全数字数据的电子表格视图

4 或 12 的来源是什么意思？“OTU0-OTU4”字段中有哪些信息？

一个好的数据集应该具有标记良好的字段和成员，或者有一个数据字典，这样您就可以自己重新标记数据。想想 Superstore — 它的字段和值是什么是显而易见的，比如“Category”（类别）和它的成员“Technology”（技术）、“Furniture”（家具）和“Office Supplies”（办公用品）。或者，对于上图中的微生物群数据集，有一个数据字典(链接在新窗口中打开)来解释了每个来源（4 是粪便，12 是胃）和每个 OTU 的分类（OTU3 是类噬菌体属的细菌）。

数据字典也可以称为元数据、指标、变量定义、词汇表或任意数量的其他内容。在一天结束时，数据字典提供有关列名称和列成员的信息。可通过多种方式将该信息引入数据源或可视化项，其中包括：

  • 重命名列，使其更易于理解（可在数据集本身或 Tableau 中完成此操作）。
  • 为字段成员重新指定别名（可在数据集本身或 Tableau 中完成此操作）。
  • 创建计算以添加数据字典信息。
  • 在 Tableau 中为字段加上注释（注释不会显示在已发布的可视化项上，只会显示在制作环境中）。
  • 使用数据字典作为另一个数据源，并将两个数据源合并。

丢失数据字典会使数据集变得毫无用处。如果要为数据集添加书签，请也为数据字典添加书签。如果要下载，请同时下载两者并将它们放在同一位置。

5.好的数据集是您可以使用的数据集

只要您能够理解数据集并且它具有所需的信息，即使很小的数据集也可以为分析提供强大的支持。较小的数据集也易于存储、共享和发布，并且可能具有良好的性能。

同样，即使您找到了满足您需要的"完美"数据集，如果需要花费不现实的努力来清理，那么它也不是完美的。知道何时远离于混乱的数据集非常重要。

例如，此数据集来自维基百科的一篇关于相对字母频率的文章。它开始为 84 行和 16 列（转置为 1,245 行和 3 列）。Excel 文件为 16KB。但是，借助某些组、集、计算和其他操作，它可实现强大的分析和有趣的视觉效果。

单击图像可下载工作簿。

重新标记数据

找到一个好的数据集后，通常需要对其进行重新标记它。重新标记数据对于为示例或概念验证创建假数据，或者使数据更具可读性都很有用。

重命名会改变该字段在 Tableau 中的显示方式，例如将“Sales”（销售额）重命名为“Pipeline Sales”（渠道销售额），或将“State”（州/省/市/自治区）重命名为“Province”（省）。

重新指定别名会更改字段成员的显示方式，例如为“Country”（国家/地区）字段中的值重新指定别名，使 CHN 变为中国，并使 RUS 变为俄罗斯。

  • 离散维度字段中的值称为成员。只能为成员重新指定别名。假设有一个表示温度的度量字段。如果不更改数据本身，则无法更改值“54°F”。但在“Country”（国家/地区）字段将成员“CHN”的别名重新指定为“中国”是相同的信息，只是用另一种方式标记。

重命名和重新指定别名几乎是一回事。Tableau 中的惯例是：为字段命名，并为成员指定别名。有关详细信息，请参见在“数据”窗格中组织和自定义字段和在视图中创建别名以重命名成员。

注意：重命名或重新指定别名只会更改在 Tableau Desktop 中的外观;不会将任何更改写回基础数据。

重新标记以制作假数据

重新标记现有数据集是使示例或概念验证内容更具吸引力的好方法。

  1. 使用简单的数据集（如 Superstore）来构建所需的内容（特定图表类型、显示某些功能等）
  2. 重命名相关字段、更改工具提示，或者更改文本方面以掩盖数据实际表示的内容。

重要信息：只有在信息明显是假的情况下才这样做。小心，人们不认为它是真实数据，并尝试使用它进行分析。例如，使用荒唐的名称或毫无意义的字段名，如颜色或动物。

重新指定别名以使数据更易于使用

将数据存储为数值而不是字符串值更有效，但数值编码可能会使数据更难理解。对于小型数据集，它可能不会对性能产生影响，所以优先考虑能够轻松理解数据。

重新指定别名的缺点您不再能够访问这些数值（这使得排序、分配颜色渐变等操作变得更加困难）。请考虑复制该字段并为副本重新指定别名。另外，Tableau 的计算可以很好地保存原始信息，同时使其更容易理解。

使用 CASE 函数重新指定别名

对于重新指定别名，计算可能很有助益。例如，CASE 函数允许您说，本质上，“当此字段的值为 A 时，请给我 X。当值为 B 时，请给我 Y”。

这里，CASE 函数查看 tornado 数据集中的 F-scale，并提供与每个数值相关的书面描述：

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

现在我们可以选择使用原始的“F-scale”字段 (0-5) 或可视化项中的“F-scale damage description”（F-scale 损害描述）字段。

寻找数据集时的技巧

注意：尝试确保可以回答“数据集中的行（也称为记录）代表什么？”问题如果您不能清楚地说明这一点，那么您可能无法很好地理解数据以便能够使用它，或者数据的结构不适合进行分析。

  • 跟踪数据的来源。
  • 将数据字典信息与数据本身一起保存。
  • 如果需要使内容保持最新，请避免使用过时的数据。查找：
    • 可更新的数据（库存、天气、定期发布的报告等）
    • 永恒的数据（各种动物的平均质量不会年复一年地变化）
    • 可通过人为更改为历史日期或未来日期来实现未来验证的数据
  • 尝试简单地用 Google 搜索一下您要找的东西，您可能会感到惊讶。
  • 如果需要准备的工作太多，不要害怕放弃数据集。

寻找数据的地方

可以在何处寻找数据？在非常多的地方都可以找到数据集。可通过这些选项着手了解相关信息。请注意，数据集的真实情况确实适用于这些站点 — 您现在可能找不到您的想法，并且很可能需要做一些清理，以便为分析做好数据准备。

免责声明：尽管我们尽最大努力确保外部网站的链接保持正确、最新并相关，但 Tableau 对于外部提供商所维护的页面的准确性或新鲜度不担负任何责任。在此处列出网站并是对任何内容或组织的认可。请与外部网站联系来获取其内容相关问题的答案。

Tableau Public(链接在新窗口中打开)：Tableau Public 是适用于 Tableau 的数据集的一项令人惊叹的资源。搜索您感兴趣的主题的工作簿，浏览寻找灵感，然后下载工作簿来访问数据。或者查看精心制作的示例数据(链接在新窗口中打开)。

维基百科表格(链接在新窗口中打开)：从维基百科表格中获取数据：复制并粘贴到电子表格中、复制并直接粘贴到 Tableau 中，或使用 Google 工作表和 IMPORTHTML 函数(链接在新窗口中打开)创建数据的 Google 电子表格。

Google 数据集搜索(链接在新窗口中打开)：“一个整合在线数据集碎片世界的搜索引擎”。

Data is Plural(链接在新窗口中打开)：订阅有关数据集的每周新闻稿，或浏览存档(链接在新窗口中打开)。

Makeover Monday(链接在新窗口中打开)：“每周一加入我们，使用给定的数据集，创建更好、更有效的可视化项，并帮助我们使信息更容易访问。”您可以看到其他人用相同的数据集做了什么，开始您的分析或给予灵感。使用 Twitter 上的 #makeovermonday(链接在新窗口中打开) 参与。

其他网站

回到顶部
感谢您的反馈!您的反馈已成功提交。谢谢!