Tableau Desktop 和 Web 制作帮助

此示例使用 Tableau 附带的世界指标已保存数据源。我们将使用 MODEL_QUANTILE 和 MODEL_PERCENTILE 预测建模函数来探索人均医疗支出、女性预期寿命和出生率之间的关系

让我们从可视化项开始，将每个国家/地区的健康支出与其女性预期寿命进行对比。若要继续操作并访问预构建的视图和仪表板，或者查看解决方案，请从 Tableau Public 中下载以下工作簿：女性预期寿命的预测建模。

使用 MODEL_PERCENTILE

首先，我们将针对所有可见标记评估预期寿命和健康支出。这将允许 Tableau 依据这些标记构建模型，并返回模型中每个标记的百分位。

步骤 1：创建预测计算

如果您也有 Tableau Server 或 Tableau Cloud，并且想要在 Web 上而不是 Tableau Desktop 中进行制作，请将工作簿发布到 Tableau Server，单击“工作簿”，选择该工作簿，然后在“动作”下面选择“编辑工作簿”。

打开工作簿后，您会看到它有若干工作表。您将使用这些工作表来构建您的视图。

1. 在起始模板工作簿中，单击“百分位起始模板”工作表。

2. 打开顶部的“分析”菜单，然后选择“创建计算字段”。

3. 在计算编辑器中，执行以下操作：

• 将计算命名为：Percentile Expectancy vs Spending（预期寿命与支出百分位）

注意：如果您继续在起始模板工作簿中操作，您将会看到在整个示例中使用的计算的不同名称。这样，您就能够像此处描述的那样命名字段，而不会创建重复项。您的解决方案可能具有不同的名称，但可视化项看起来应相同。

• 输入以下公式：

  MODEL_PERCENTILE(AVG([Life Expectancy Female]), LOG(MEDIAN([Health Exp/Capita])))

此计算使用平均预期寿命作为目标表达式，将健康支出中位数用作预测因子。在这种情况下，我们对健康支出轴以及预测因子使用了对数转换。

注意：因为此数据集偏向非常大的值，所以我们使用对数标度来转换数据，这在分析具有比其他值高得多的少数值的数据时很有用，并且可以更容易地识别数据集中的趋势和关系。

4. 单击“确定”。

   预测计算现在作为计算字段添加到“数据”窗格中。

步骤 2：向视图中添加预测计算

在上面的可视化项中，您可以看到每个国家/地区的健康支出与其女性预期寿命的对比（筛选到 2012 年）。

现在，让我们将 MODEL_PERCENTILE 计算添加到视图中，看看我们可以获得哪些见解。

1. 将“Percentile Expectancy vs Spending”（预期寿命与支出百分位）拖到“标记”卡上的“颜色”。

2. 单击“胶囊”上的下拉箭头，然后选择使用“计算依据”>“国家/地区”。

3. 在“标记”卡上单击“颜色”，然后单击“编辑颜色”。

• 在“调色板”下，选择“橙色-蓝色发散”。

• 选中“渐变颜色”复选框。

• 选中“反转”复选框。

4. 单击“确定”。



根据支出水平，您可以看到健康预期高于和低于预期的国家/地区的分布情况。请注意，通常情况下，深红色标记表示预期寿命相对于健康支出较高，深蓝色表示预期寿命相对于健康支出较低，灰色表示预期寿命接近基于健康支出水平的模型预期。

步骤 3：按颜色对结果进行分组

为了简化分析，让我们在新计算中使用预测计算对结果进行分组。我们将生成组，以便将高于第 90 个百分位数和低于第 10 个百分位数的标记分组在一起，将位于第 80-90 个百分位数范围和第 10-20 个百分位数范围内的标记分组在一起，依此类推。我们还将突出显示值为 null 的标记，并在稍后使用另一个预测建模函数 MODEL_QUANTILE 来处理这些标记。

1. 在计算编辑器中，执行以下操作：

• 将计算命名为：Percentile by Color（按颜色划分的百分位）。

• 输入以下公式：

  IF
ISNULL([Percentile Expectancy vs Spending])
THEN "Null"
ELSEIF [Percentile Expectancy vs Spending] >=0.9 OR
[Percentile Expectancy vs Spending] <=0.1
THEN "<10th & >90th percentile"
ELSEIF [Percentile Expectancy vs Spending] >=0.8 OR
[Percentile Expectancy vs Spending] <=0.2
THEN "<20th & >80th percentile"
ELSEIF [Percentile Expectancy vs Spending] >=0.7 OR
[Percentile Expectancy vs Spending] <=0.3
THEN "<30th & >70th percentile"
ELSEIF [Percentile Expectancy vs Spending] >=0.6 OR
[Percentile Expectancy vs Spending] <=0.4
THEN "<40th & >60th percentile"
ELSE "50th percentile +-10"
END

2. 将新计算添加到“标记”卡上的“颜色”。

3. 单击“胶囊”上的下拉箭头，然后选择使用“计算依据”>“国家/地区”。

4. 在“标记”卡上单击“颜色”，然后单击“编辑颜色”。

• 调整颜色以更好地查看趋势。在这种情况下，让我们使用“Traffic Light”调色板，并为 Null 使用灰色。

5. 单击“确定”。

   

   看着角落里的橙色标记，请注意，美国女性每名女性的预期寿命为 81 岁，花费 8895 美元。沿着 X 轴向左移动，您可以看到其他国家/地区花费更少，预期寿命相同。

   该模型评估每个点的关系强度，其中美国接近模型的预期范围的上端。

步骤 4：将预期寿命与出生率进行比较

接下来，让我们来看看一个将女性预期寿命与出生率进行比较的可视化项。请注意，出生率与女性预期寿命呈负相关;然而，这并不意味着较高的出生率会导致女性预期寿命的降低。可能还有其他因素同时影响出生率和女性预期寿命，这些因素在这个数据视图中是看不到的。但让我们添加模型，看看在考虑到健康支出的情况下，模型预计女性的预期寿命会在哪里更高或更低。

1. 在“Birth Rate”（出生率）工作表上，将“Percentile by Color”（按颜色划分的百分位）预测计算添加到“标记”卡上的“颜色”，以将其纳入视图。

2. 单击“胶囊”上的下拉箭头，然后选择使用“计算依据”>“国家/地区”。

3. 在“标记”卡上单击“颜色”，并单击“编辑颜色”。像以前一样编辑颜色，使用“Traffic Light”调色板，并用灰色表示 Null。

4. 单击“确定”。

   

   现在数据更加分散。右下角的红色地带是预期寿命最低但出生率最高的地方，医疗保健支出相对于预期寿命也很低。挑出左上角象限的两个红色标记，分别与阿尔巴尼亚和亚美尼亚有关，您会注意到这两个国家的女性预期寿命都很高，出生率较低，健康支出也很低。

   如您所见，我们能够使用 MODEL_PERCENTILE 来确定这两个国家是离群值：即使它们的医疗支出都相对较低，但放在出生率的背景下，它们的预期寿命仍然相对较高。

   

现在，让我们看看如何使用另一个预测建模函数 MODEL_QUANTILE 继续分析。

使用 MODEL_QUANTILE

在给定目标百分位、目标表达式和预测因子的情况下，MODEL_QUANTILE 用于生成数值预测。它是 MODEL_PERCENTILE 的逆函数。

回想一下，我们的结果中有几个 null 值，这意味着一些国家/地区没有健康支出数据。我们将使用 MODEL_QUANTILE 估计这些缺失值。

步骤 1：创建预测计算

我们一直在进行此计算：

MODEL_PERCENTILE(AVG([Life Expectancy Female]), LOG(MEDIAN([Health Exp/Capita])))

首先，我们想反转这个函数，以便根据女性预期寿命预测医疗保健支出。

1. 在起始模板工作簿中，单击“分位数起始模板”工作表。

2. 打开顶部的“分析”菜单，然后选择“创建计算字段”。

3. 在计算编辑器中，执行以下操作：

   • 将计算命名为：Quantile of Life Expectancy vs Spending（预期寿命与支出的分位数）

   • 输入以下公式：

     POWER(10, MODEL_QUANTILE(0.5, LOG(MEDIAN([Health Exp/Capita])), AVG([Life Expectancy Female])))

     让我们分解这个计算，以更好地理解它：

     • 我们从 MODEL_QUANTILE 开始，其中第一个参数是 0.5，指定要预测的百分位。
     • 目标表达式是人均健康支出中位数。
     • 预测因子是女性平均预期寿命。
     • 此外，我们将函数封装在 POWER 函数中，以将经过对数转换的目标表达式转换回美元。

4. 单击“确定”。

   预测计算现在作为计算字段添加到“数据”窗格中。

步骤 2：向视图中添加预测计算

1. 将“Quantile of Life Expectancy vs Spending”（预期寿命与支出的分位数）拖到“标记”卡上的“工具提示”。

2. 单击“胶囊”上的下拉箭头，然后选择使用“计算依据”>“国家/地区”。

3. 单击“标记”卡上的 “工具提示”，并为 MODEL_QUANTILE 预测添加一行：

   • 将工具提示行命名为：Predicted Health Spend from Female Life Expectancy:（从女性预期寿命预测健康支出：）

   • 单击“插入”并选择计算，以确保工具提示将在您与可视化项交互时动态显示标记的唯一预测。

4. 单击“确定”。

   

现在，我们的 MODEL_QUANTILE 计算只有一个预测因子：女性预期寿命。请注意，当您从左向右移动时，查看工具提示中具有相同预期寿命的标记时，会发现每个标记都有相同的预测健康支出。印度尼西亚从预期寿命中预测的医疗支出为 336 美元，但斐济、埃及和其他女性预期寿命相同的国家也是如此。

这是因为模型为每个标记提供相同的估计支出。由于我们仅使用一个预测因子（女性预期寿命），因此模型将为预测因子具有相同值的所有标记返回相同结果。您可以通过添加预测因子为模型添加更多细微差别。

步骤 3：添加具有第二个预测因子的预测

在生成预测时，应考虑哪些字段是目标值的良好预测因子，并将它们包括在计算中。您可以合并任意数量的维度和度量。例如，我们可以添加 GDP、人口和其他字段作为预测因子来改进我们的预测。在本例中，让我们添加“Region”（区域）。

1. 在计算编辑器中，执行以下操作：

   • 将计算命名为：Quantile Spend vs Expectancy & Region（支出与预期寿命和区域的分位数）

   • 输入以下公式（与上一个计算相同），但添加“Region”（区域）作为预测因子：

     POWER(10, MODEL_QUANTILE(0.5, LOG(MEDIAN([Health Exp/Capita])), AVG([Life Expectancy Female]), ATTR([Region])))

2. 单击“确定”。

3. 接下来，将新计算添加到“标记”卡上的“工具提示”。

4. 单击“工具提示”，并添加另一行来描述新的预测，例如 Predicted Health Spend from Female Life Expectancy & Region（通过女性预期寿命和区域预测的健康支出）：

   

   现在，工具提示显示两个预测。

步骤 4：将实际值与预测值进行比较

作为分析的最后一步，您还可以生成结合实际值和预测值的预测计算。在我们的示例中，让我们显示可用的实际健康支出和不可用的估计支出。

1. 在计算编辑器中，执行以下操作：

   • 将计算命名为：Health Spend Actual vs Prediction Value（健康支出实际值与预测值）

   • 输入以下公式，该公式将返回预测的数字值：

     ROUND(IFNULL(AVG([Health Exp/Capita]),[Quantile_HE/Cap_LEF,Region]),0)

2. 单击“确定”。

3. 按如下方式创建另一个计算：

   • 将计算命名为：Health Spend Actual vs Prediction Tag（健康支出实际与预测标记）

   • 输入以下公式，该公式将用作上述计算的标签：

     STR(IF ISNULL(AVG([Health Exp/Capita])) THEN "(Estimate)" ELSE "(Actual)" END)

4. 单击“确定”。

5. 接下来，将两个计算都添加到“标记”卡上的“工具提示”。

6. 单击“工具提示”，然后添加另一行来描述新计算：

   • Per Capita Health Expenditure (Actual or Estimated)（人均健康支出（实际或估计））：

   • 逐个插入新计算。

7. 单击“确定”。

   

   现在，当您与可视化项交互时，您可以查看每个国家/地区人均健康支出，或查看数据中实际值是否缺失 (null) 的估计值。

   就这样，您可以使用 Tableau 中的预测建模函数深入了解您的数据。