使用開源軟件快速搭建數據分析平臺
來自： http://my.oschina.net/taogang/blog/630632
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，并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，于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，于是就想自己用開源軟件搭一個簡單的數據分析平臺試試看。
代碼在這里 https://github.com/gangtao/dataplay2
廢話少說，上架構圖：
列一下主要用到的開源軟件：
服務器端：
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，依賴于numpy，scipy和matplotlib
客戶端:
jquery
這個就不用介紹了
reactjs http://非死book.github.io/react/
非死book開發的js UI框架，基于組件（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，基于canvas技術，功能豐富。實為中國開源項目的翹楚。
bootstrap http://getbootstrap.com/
推ter開發的前端框架，非常流行。
jquery datatables http://www.datatables.net/
非常實用的基于jquery的表格控件
bootstrap fielinput https://github.com/kartik-v/bootstrap-fileinput
HTML5文件上傳控件
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/
基于jquery的select控件
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，這里主要是為了支持reactjs使用的jsx的編譯。
好了，羅列了這么多的開源軟件后，我們看看dataplay2的功能，然后看看這些開源軟件起到的作用和我為什么要選擇它們的原因。
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臺，使用起來像玩一樣的愉快。但為什么是2呢？因為這個軟件很二么？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，我后臺使用了R/Python的橋接方案，前臺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，便于用戶進行數據的探索。然而這樣的架構太復雜了，服務器端既有R又有Python，我自己都看不下去了，后來就放棄了。新的dataplay2使用echart的圖表庫來做可視化，優缺點我們后面再聊。
好了，運行dataplay2非常簡單，下載github上的code后，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
然后在瀏覽器中鍵入 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控件，數據表用了datatable控件。為了方便CSV文件直接存貯在本地文件系統中。后臺用pandas對csv文件進行處理。前臺用Rest API讀取csv文件，然后用papaparse解析后，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，所以怎么方便怎么來。更好的做法是在后臺用Python對CSV文件作解析。
注意這里我們對上傳的CSV文件有嚴格的要求，必須有首行的header，末尾不能有空行。
有了數據后，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并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。但是由于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。
除了基于可視化的分析功能，還有機器學習的功能。
分類
分類的算法可以使用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。大于兩個時，就沒有辦法畫出來了。
然后用戶可以選擇基于該模型來做預測。
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，這里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，例如數據庫／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。可以考慮引入數據庫。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。業內有很多專注于數據準備的產品，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，可是用于數據探索時，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
儀表盤功能
這個版本的dataplay沒有儀表盤功能，這個功能是數據分析軟件的標配，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算法，我覺得方向應該是面向用戶，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，和用于預測的屬性，然后自動的選擇算法。另外需要更方便的對算法進行擴展。
好了，最后談談簡單的感受
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。