使用开源软件快速搭建数据分析平台

来自： http://my.oschina.net/taogang/blog/630632

最近，国内涌现出了不少数据分析平台产品，例如魔镜和数据观。

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：

• flask http://flask.pocoo.org/ 

  轻量级的Python Web框架

• pandas http://pandas.pydata.org/ 

  Python的数据结构和数据分析工具包，提供数据处理的Wrangling的功能

• sklearn http://scikit-learn.org/ 

  非常流行的Python机器学习包，依赖于numpy，scipy和matplotlib

客户端:

• jquery

  这个就不用介绍了

• reactjs http://非死book.github.io/react/ 

  非死book开发的js UI框架，基于组件（component）而非mvc

• d3js https://d3js.org/ 

  数据驱动的DOM操纵库，可以创建丰富的数据可视化呈现。

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

  百度开发的数据可视化库，基于canvas技术，功能丰富。实为中国开源项目的翘楚。

• bootstrap http://getbootstrap.com/ 

  推ter开发的前端框架，非常流行。

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

  非常实用的基于jquery的表格控件

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

  HTML5文件上传控件

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

  CSV文件的JS解析

• requirejs http://www.requirejs.org/ 

  JS 依赖管理

• select2  https://select2.github.io/ 

  基于jquery的select控件

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

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。