使用 Tableau 进行数据可视化

1. Tableau 简介

概览

Tableau Software 是一家总部位于华盛顿州西雅图的软件公司，生产面向商业智能的交互式数据可视化产品。Tableau 于 1997 至 2002 年间在斯坦福大学计算机科学系成立（维基百科）

Tableau 提供的主要产品包括：

Tableau Desktop、Tableau Public 和 Tableau Online，都可用于创建数据可视化，选择取决于工作类型。

在本教程中，我们将使用 Tableau Desktop。参考来源链接在此处。

安装

根据所选产品，将软件下载到电脑上。接受许可协议后，点击 Tableau 图标即可验证安装。如果出现如下界面，即表示一切就绪。

2. 入门

本节我们将学习 Tableau 中的一些基本操作，以便熟悉其界面。

Tableau 工作区

Tableau 工作区由工作表、菜单栏、工具栏、标记卡、货架以及许多其他元素组成，我们将在后续部分逐步学习。工作表可以是工作表、仪表板或故事。下图突出显示了工作区的主要组件。不过，只有在使用真实数据时，您才会更加熟悉。

来源：Tableau.com

连接数据源

要开始使用 Tableau，我们需要将 Tableau 连接到数据源。Tableau 兼容多种数据源。受支持的数据源会显示在启动界面的左侧。常见的数据源包括 Excel、文本文件、关系型数据库，或托管在服务器上的数据。也可以连接云端数据库源，如 Google Analytics、Amazon Redshift 等。

Tableau Desktop 的启动界面会显示可连接的数据源。可用选项取决于 Tableau 的版本，因为付费版本提供更多可能性。屏幕左侧有一个 Connect 面板，列出了可用的数据源。文件类型首先列出，随后是常见的服务器类型，或最近连接过的服务器。您可以在 Open 选项卡下打开先前创建的工作簿。Tableau Desktop 还在 Sample Workbooks 下提供了一些示例工作簿。

Hands On

连接Sample-Superstore 数据集

我们将使用 Tableau 预装的一个示例数据集，名为 Superstore dataset。不过，我们会从这里下载该文件，以便了解如何连接到 Excel 数据源。该数据来自某个超级商店，包含产品、销售、利润等信息。作为数据分析师，我们的目标是分析这些数据，并在这家虚构公司中找出关键的改进领域。

Steps

1. 从电脑将数据导入到 Tableau 工作区。

2. 在 Sheets 选项卡下，会出现名为 Orders、People 和 Returns 的三张表。但我们只关注 Orders 数据。双击 Orders 表，它会像电子表格一样打开。

3. 我们注意到前三行数据看起来有些不同，格式也不理想。这时可以使用同样位于 Sheets 选项卡下的 Data Interpreter。点击它后，我们会得到一份格式良好的数据表。

Hands On

创建视图

我们先从生成一个简单的图表开始。本节将帮助我们了解数据，并开始围绕数据提出问题以获得洞见。在本节中我们会遇到几个重要术语。

Dimension

Measures

Aggregation

维度（Dimensions）是定性数据，例如名称或日期。默认情况下，Tableau 会将包含定性或类别信息的数据自动分类为维度，例如任何文本或日期字段。这些字段通常作为数据行的列标题出现，如 Customer Name 或 Order Date，并定义了视图中显示的粒度级别。

度量（Measures）是定量的数值数据。默认情况下，Tableau 将任何包含此类数据的字段视为度量，例如销售额或利润。被分类为度量的数据可以基于给定的维度进行聚合，例如按地区（维度）汇总销售额（度量）。

聚合（Aggregation）是将行级数据汇总到更高类别，例如销售额之和或总利润。

Tableau 会自动将字段归类到 Measures 和 Dimensions 中。如遇异常，也可以手动更改。

Steps

1. 进入工作表。点击 Tableau 工作区左下角的 Sheet 1 选项卡。

   

2. 进入工作表后，从数据窗格中的 Dimensions 将 Order Date 拖到列货架（Column shelf）。

   将 Order Date 拖到列货架后，数据集中每一年的订单都会生成一个列。每个列下会显示 “Abc” 指示符，表示可以将文本或数值数据拖到此处。相反，如果把 Sales 拖到这里，会创建一个交叉表，显示每年的销售总额。

3. 同样地，从 Measures 选项卡，将 Sales 字段拖到行货架（Rows shelf）。

Tableau 会自动生成一个以销售额求和为聚合的图表。按订单日期显示每年的销售汇总。对于包含时间字段的视图（本例为 Order Date），Tableau 默认使用折线图。

Hands On

上面的折线图说明了什么？它显示销售情况相当乐观，并且随时间推移呈上升趋势。这是很有价值的洞见，但并未揭示哪些产品推动了销售增长。让我们继续深入，获取更多洞见。

优化视图

我们进一步深入，找出哪些产品带来更多销售。先添加产品类别，以不同的方式查看销售总额。

Steps

1. Category 位于维度窗格下。将其拖到列货架，放在 YEAR(Order Date) 旁边。Category 应放在 Year 的右侧。这样视图会从折线图变为条形图。图表显示每年每个 Product 的总体 Sales。

   了解更多

   要查看视图中每个数据点（标记）的信息，将鼠标悬停在某个条形上即可显示工具提示。工具提示会显示该类别的总销售额。以下是 2016 年办公用品类别的工具提示：

   

   要为视图添加标签，点击工具栏上的 Show Mark Labels。

   

   条形图也可以横向显示。点击工具栏上的 Swap 即可。

   

 2. 上述视图很好地展示了按 category（即家具、办公用品和技术）划分的 sales。我们还可推断，家具的销售增长速度快于办公用品，2016 年除外。因此，与其在办公用品上发力，不如将销售重点放在家具上。但家具是个很大的类别，包含许多不同品类。我们如何识别哪类家具带来的销售额最高？

为回答这个问题，我们决定按 Sub-category 查看产品，找出畅销品。假设在 Furniture 类别中，我们只想查看书柜、座椅、陈设和桌子。我们将双击或拖动 Sub-Category 维度到列货架。

子类别是另一个离散字段。它会进一步细分 Category，并按类别和年份为每个 sub-category 显示一个条形。不过，这样的数据量巨大，视觉上不易理解。下一节我们将学习使用筛选器、颜色等方式让视图更易懂。

Hands On

3. 强调结果

本节我们将聚焦特定结果。筛选器和颜色可帮助我们更关注感兴趣的细节。

为视图添加筛选器

筛选器可用于在视图中包含或排除值。这里我们尝试向工作表添加两个简单的筛选器，以便更轻松地按特定年份查看按子类别划分的产品销售。

Steps

在数据窗格的维度下，右键点击 Order Date 并选择 Show Filter。对子->category 字段重复此操作。

筛选器是一种卡片，可以通过拖放在工作表上随意移动。

为视图添加颜色

颜色有助于直观识别模式。

Steps

在数据窗格的度量下，将 Profit 拖到标记卡（Marks）上的 Color。

可以看到 Bookcases、Tables 甚至 machine 带来了负利润，即亏损。这是一个有力的洞见。

Hands On

关键发现

让我们更仔细地查看筛选器，进一步找出哪些产品不盈利。

Steps

1. 在视图中，在 Sub-Category 筛选卡中，取消勾选除 Bookcases、Tables 和 Machines 外的所有选项。由此发现一个有趣事实：在某些年份，Bookcases 和 Machines 实际上是盈利的。然而在 2016 年，Machines 变为不盈利。
2. 在 Sub-Category 筛选卡中选择 All，再次显示所有子类别。
3. 从维度中将 Region 拖到 Rows 货架，并放在 Sum(Sales) 标签的左侧。我们注意到南部地区的机器总体负利润高于其他地区。
4. 现在给工作表命名。在工作区左下角，双击 Sheet 1 并输入 Sales by Product and Region。
5. 为保留当前视图，Tableau 允许我们复制工作表，以便在另一张表上从中断处继续。
6. 在工作簿中，右键点击 Sales by Product and Region 工作表并选择 Duplicate，将复制的工作表重命名为 Sales-South。
7. 在新工作表中，从维度将 Region 拖到 Filters 货架，将其添加为视图中的筛选器。
8. 在 Filter Region 对话框中，清除除 South 外的所有复选框，然后点击 OK。现在我们可以聚焦 South 的销售和利润。我们发现 2014 年和 2016 年机器销售出现了负利润。我们将在下一节研究这一点。
9. 最后，别忘了通过 File > Save As 保存结果。将工作簿命名为 Regional Sales and Profits。

Hands On

4. 地图视图

创建地图视图

在查看地理数据（如 Region 字段）时，地图视图非常有用。在当前示例中，Tableau 会自动识别 Country、State、City 和 Postal Code 字段包含地理信息。

Steps

1. 创建一个新工作表。
2. 将数据窗格下的 State 和 Country 添加到标记卡（Marks）的 Detail。即可获得地图视图。
3. 将 Region 拖到 Filters 货架，只保留 South。地图视图现在会放大到南部区域，每个州都有一个标记。
4. 将 Sales 度量拖到标记卡上的 Color。我们得到一个填充地图，颜色显示各州的销售范围。
5. 点击标记卡上的 Color 并选择 Edit Colors 可更改配色方案。可试验不同调色板。
6. 我们观察到 Florida 的销售表现最佳。将鼠标悬停在 Florida，上面显示销售总额为 89,474 美元；而例如 South Carolina 仅为 8,482 美元。现在让我们用 Profit 来衡量表现，因为利润比单看销售更能说明问题。
7. 将 Profit 拖到标记卡的 Color。我们会看到 Tennessee、North Carolina 和 Florida 利润为负，尽管它们的销售看起来不错。将工作表重命名为 Profit Map。

Hands On

深入细节

地图帮助我们从宏观上可视化数据。上一步我们发现 Tennessee、North Carolina 和 Florida 的利润为负。本节绘制条形图，探索负利润的原因。

Steps

1. 复制 Profit Map 工作表，并命名为 Negative Profit Bar Chart。

2. 在 Negative Profit Bar Chart 工作表上点击 Show Me。Show Me 展示了可在工作表字段之间绘制图形的多种方式。在 Show Me 中选择横向条形图，视图会立即从纵向变为横向。

3. 我们可以通过点击并拖拽光标，一次选择多个条形。我们只关注三州：Tennessee、North Carolina 和 Florida，因此只选择对应条形。

   了解更多

   创建层级（Hierarchies）
   当我们希望将相似字段分组、以便在可视化中快速在不同层级间下钻时，层级会很有用。

   1. 在数据窗格中，将一个字段拖放到另一个字段之上，或右键该字段并选择相应操作。
   2. 将其他字段拖入层级。字段也可以在层级中通过拖动重新排序。在当前可视化中，我们将创建以下层级：Location、Order 和 Product。
      

4. 在行货架上，点击 State 字段上的加号图标，下钻到 City 层级。

   1. 数据量很大。我们可以使用 N-Filter 来筛选并找出表现最差的项。为此，将 City 从 Data 窗格拖到 Filters 货架。点击 By field，然后在 Top 下拉中选择 Bottom 以显示表现最差的项。在文本框中输入 5，以显示数据集中倒数 5 名。

现在我们看到，佛罗里达州的 Jacksonville 和 Miami；北卡罗来纳州的 Burlington；以及田纳西州的 Knoxville 和 Memphis 是利润表现最差的城市。视图中还有一个标记——北卡罗来纳州的 Jacksonville——它不该在这里，因为它是盈利的。这意味着我们应用的筛选器存在问题。我们将借助 Tableau 的运算顺序来解决。

1. 在 Filters 货架上，右键 Inclusions (Country, State) 集合，选择 Add to Context。我们发现现在 Concord（North Carolina）出现在视图中，而 Miami（Florida）消失了。这就说得通了。

2. 但 Jacksonville（North Carolina）仍然存在，这是不正确的。在行货架上，点击 City 标签上的加号，下钻到邮政编码层级。右键北卡罗来纳州 Jacksonville 的邮编 28540，然后选择 Exclude，将其手动排除。

3. 从行货架中移除 Postal Code。这就是最终视图。

   

Hands On

关键发现

现在仅聚焦亏损的实体，即产品，并识别这些产品的销售地点。

Steps

1. 将 Sub-Category 拖到行，以便进一步下钻。
2. 同样，将 Profit 拖到标记卡上的 Color。这样可以快速定位负利润的产品。
3. 右键 Order Date 并选择 Show Filter。似乎 Machines、tables 和 binders 表现不佳。我们该怎么做？一个解决方案是在 Jacksonville、Concord、Burlington、Knoxville 和 Memphis 停止销售这些产品？让我们验证这个决定是否正确。
4. 回到之前创建的 Profit Map 工作表标签。
5. 现在点击 Sub-Category 字段，选择 Show Filter 选项。
6. 将 Profit 从 Measures 下拖到标记卡的 Label。
7. 再次点击 Order Date 并选择 Show Filter。在筛选器中清除我们认为导致负利润的项目。分别取消勾选 Binders、Machines 和 Tables 前的复选框。现在仅保留盈利实体。这表明 Binders、machines 和 tables 在一些地区确实造成了亏损，我们的发现是正确的。

Hands On

5. 仪表板

仪表板是由多个视图组成的集合，使人们能够同时比较多种数据。

创建仪表板

Steps

1. 点击 New dashboard 按钮。
2. 将 Sales in the South 拖到空白仪表板。
3. 将 Profit Map 拖到仪表板，放在 Sales in the South 视图上方。现在两个视图可以同时看到。为便于他人理解，我们可以按喜好调整仪表板布局。
4. 在仪表板视图中的 Sales South 工作表上，点击 Region 下方并清除 Show Header。对其他标题重复此操作。这有助于突出重点，隐藏不太重要的信息。
5. 在 Profit Map 上隐藏标题，对 Sales South 地图执行相同步骤。
6. 我们看到右侧重复了 Sub-Category 筛选卡和 Year of Order Date。通过点击关闭将多余的移除。最后，点击 Year of Order Date，出现下拉箭头，选择 Single Value (Slider)。现在见证效果。拖动滑块选择不同年份，销售也会随之变化。
7. 将 SUM(Profit) 筛选器拖到仪表板底部、Sales in South 下方，以获得更佳视图。

Hands On

添加交互性

为了让仪表板更具交互性，例如查看哪些子类别在哪些州是盈利的，需要进行一些调整。

Steps

1. 从 Profit Map 开始。点击地图，右上方会出现 Use as filter 图标。点击它。如果选择任一地图中的州，Sales-South 地图中会高亮显示对应州的销售。
2. 对于 Year of Order Date，点击下拉选项并进入 Apply to Worksheets > Selected Worksheets。会弹出对话框。选择 All，然后点击 OK。此选项会将筛选器应用到所有使用相同数据源的工作表。
3. 探索和试验。在下方可视化中，我们可以筛选 Sales South 地图，仅查看在北卡罗来纳州销售的产品。随后可轻松按年份探索利润。
4. 将仪表板重命名为 Regional Sales and Profit。

Hands On

因此，在北卡罗来纳州销售机器并未给公司带来利润。

6. 故事

仪表板很酷，但 Tableau 还提供以演示模式展示结果的“故事”功能，本节将进行介绍。

构建故事

Steps

1. 点击 New story 按钮。
2. 在左侧的 Story 面板中，将（之前创建的）Sales in the South 工作表拖到视图中。
3. 编辑工作表上方灰色框中的文本。这是标题说明。将其命名为 Sales and profit by year。
4. 故事应当具体。本例我们将讲述在北卡罗来纳州销售机器的故事。在 Story 面板中点击 Duplicate 复制第一个标题说明，或新建一个。
5. 在 Sub-Category 筛选器中，select 仅 Machines。这有助于按年份衡量机器的销售和利润。
6. 将标题说明重命名为 Machine sales and profit by year。

Hands On

得出结论

很明显，北卡罗来纳州的机器销售导致利润亏损。然而，单看整体的利润和销售无法证明这一点。为此，我们需要地区层面的利润数据。

Steps

1. 在 Story 面板中选择 Blank。将已创建的仪表板 Regional Sales and Profit 拖到画布上。
2. 将标题说明设为 Low performing items in the South。
3. 选择 Duplicate，使用 Regional Profit 仪表板创建另一个故事点。在条形图中选择 North Carolina，因为我们希望进一步展示该州的信息。
4. 选择所有年份。
5. 添加说明以提高清晰度，例如 Profit in NC : 2013-2016。
6. 选择任一年份（如 2014）。添加说明，例如 Profit in NC : 2014，然后点击 Duplicate 选项卡。对其余年份重复同样步骤。
7. 点击演示模式，让 story 缓缓展开。

Hands On

现在我们知道了哪些产品在何时进入北卡罗来纳州市场，以及它们的表现如何。我们不仅找到了应对负利润的方法，还成功用数据加以支撑。这就是 Tableau 中故事功能的优势。

7. Tableau 与 R、Python 和 SQL 的集成

除了 Tableau 提供的各种可视化优势外，它还具备出色的即开即用连接能力。Tableau 可轻松与 Python、R 等语言，以及 SQL 等数据库管理系统集成。这在功能性方面带来更大优势，也便于习惯于在 Python 或 R 中工作的数据科学家。他们可以将 R 和 Python 脚本直接导入 Tableau，充分利用其远优于这些语言的可视化能力。此外，Tableau 的可视化功能易用且直观，从而为数据科学家节省大量时间。

本节将介绍如何将 Tableau 连接到这些外部源，以及这些连接的优势。

Tableau 与 R

R 是一种流行的统计语言，用于执行复杂的预测分析，如线性与非线性建模、统计检验、时间序列分析、分类、聚类等。（Tableau 8.1 与 R） 将 Tableau 与 R 结合使用具有如下优势：

• 借助丰富的 R 库获取更好更深的洞见，从而提升 Tableau 的统计能力。
• Tableau 增强的数据探索选项和多源连接能力对 R 用户很有帮助。
• 同时，它也使 Tableau 用户无需掌握 R 语言本身就能受益于 R 的强大功能。

Tableau 如何与 R 集成？

可通过创建新的计算字段，在 Tableau 中调用 R 引擎并将值传递给 R，从而使用 R 函数和模型。结果再返回到 Tableau 以用于可视化。

在 Tableau Desktop 中配置 R

• 下载并安装 Rserve。

要让 Tableau 连接并使用 R 脚本函数，您需要在 R 中下载并安装 Rserve 包。在 R 控制台输入以下命令：

install.packages(“Rserve”)
library(Rserve)
Rserve() / Rserve(args = ‘ — no-save’)
技术支持

将 Tableau 连接到 R 服务器

成功安装 Rserve 后，打开 Tableau Desktop 并按照以下步骤操作。

1. 前往 Help > Settings and Preferences and select Manage External Service Connection。

   

2. 将服务器名称输入为 “Localhost”（或 “127.0.0.1”），端口为 “6311”。

3. 点击 “Test Connection” 按钮。若成功，将会提示连接成功。点击 OK 关闭。

在 Tableau 中开始使用 R 脚本

完成上述步骤后，我们即可在 Tableau Desktop 中创建新的计算字段，使用 SCRIPT_* 函数调用 R。

现在开始动手，看看如何将 Tableau 与 R 结合使用。我们将利用内置的 Sample Superstore 数据集，通过 R 脚本和 Tableau 的拖放功能两种方式计算利润，并比较结果。

Steps

1. 打开 Tableau 工作簿并连接到 Sample Superstore 数据。
2. 连接到 Rserve。Tableau Desktop 一旦连上 Rserve，就可以通过计算字段调用 R 引擎。

3. 我们现在创建一个名为 Expected Profit 的计算字段。

   Tableau 提供四个可与 R 一起使用的函数，均以 script 开头：

   • SCRIPT_REAL：返回实数
   • SCRIPT_STR：返回字符串
   • SCRIPT_INT：返回整数
   • SCRIPT_BOOL：返回布尔值
   • 本例将使用 SCRIPT_REAL 函数。我们将在 Tableau 中创建一个简单的 线性回归。

4. 打开计算字段并插入以下脚本。

   SCRIPT_REAL("fit <- lm(.arg1 ~ .arg2 +  .arg3 + .arg4)
   fit$fitted
   ",
   SUM([Profit]),  AVG([Sales]),  AVG([Quantity]),   AVG([Discount]))
   技术支持

   上述脚本对应 R 中的线性回归模型。该模型包含一个因变量（arg1）和三个自变量（arg2、arg3、arg4）。这些参数只是占位符，当脚本传回 R 时，会被对应的 Tableau 列替换。5. 输入与各变量对应的 Tableau 字段。因变量为利润，因此首先放入 SUM(Profit)，对应参数 1。同样，对其他三个参数分别使用 平均单价、平均订购数量 和 平均折扣。

5. 这些输入将被拉入模型，以确定预期利润水平。现在即可在 Tableau 可视化中使用该计算。将 category 拖到行，将 Profit 拖到列。再将 Expected Profit 拖到列。

6. 我们现在可以分析模型，观察 R 计算的预期利润与实际利润 的对比。还可以继续分析：将客户细分拖到颜色，创建堆叠条形图；也可使用订单日期按年或季度细分数据。

Hands On

有人或许会想，上述计算不借助 R 也能在 Tableau 中完成。那么，为什么还要在 Tableau 中下载配置 Rserve 并编写脚本？R 的强大之处在于其利用广泛使用的库，轻松调用知名算法进行预测。想象一下，在 Tableau 中通过简单调用 R 脚本来进行业务预测，并将结果融入 Tableau 的可视化中，将是多么便捷。

Tableau 与 Python

Python 是一种广泛使用的通用编程语言，提供大量用于统计分析、预测建模或机器学习的库。将 Tableau 与 Python 连接，是开展预测分析的最佳途径之一。Tabpy 是为此开发的包。为使 Tableau 发挥 Python 的威力，可连接到 TabPy 服务器，按需执行 Python 代码并将结果以可视化形式显示。

Tableau 如何与 Python 集成？

当我们将 TabPy 与 Tableau 一起使用时，可以用 Python 定义计算字段，从而在可视化中直接利用大量机器学习库的能力。

在 Tableau Desktop 中配置 Python

下载并安装 Tabpy。

在 Tableau 工作簿中运行 Python 代码，需要有一个 Python 服务器来执行。TabPy 框架正是完成此任务的工具。从 Github 的此链接下载 TabPy。或者，您也可以按以下步骤操作：

conda install -c anaconda tabpy-server
技术支持

然后切换到包含下载的 tabpy 服务器的目录并运行。

python setp.py
技术支持

将 Tableau 连接至 TabPy

下一步是将 Tableau 与 TabPy 连接。前往 Help > Settings and Performance > Manage External Service Connection: 即可完成。

测试连接。如果一切顺利，您会看到 “successfully connected” 的提示。

在 Tableau 中开始使用 Python 脚本

Tableau 的 Python 集成非常实用。以情感分析为例，这是机器学习社区的常见任务，可通过多种机器学习算法实现。不过，结合 Tableau 与 Python，仅需几行 Python 代码即可完成，同步将结果可视化以获取更多洞见。我们来看一个示例（在 Tableau 中借助 TabPy 发挥 Python 的力量）

使用 Tabpy 进行情感分析

我们将使用手机评论数据集，可从这里下载。

Steps:

1. 将数据集导入 Tableau Desktop
2. 连接到 Tabpy。Tableau Desktop 一旦连接到 Tabpy，即可通过计算字段调用 Python 引擎。

3. 我们现在创建一个名为 Sentiment 的计算字段，如下：`

   SCRIPT_REAL("from vaderSentiment.vaderSentiment import  SentimentIntensityAnalyzer  
   vs = []  
   analyzer  = SentimentIntensityAnalyzer()  
   for i in range(0,len(_arg1)):  
    a = analyzer.polarity_scores(_arg1[i])['compound']  
    vs.append(a)  
   return vs",ATTR([Reviews]))`
   技术支持

   这里使用了 VADER 情感分析 工具。它是一种基于词典和规则的情感分析工具，特别适用于社交媒体表达的情绪。要使用该工具，您需要先安装。详情请参阅其GitHub 页面。

4. 现在，将 Reviews 拖到行，将 Sentiment 拖到文本与颜色标记卡，即可见证魔法。我们轻松完成了评论的情感分析，并能非常直观地可视化结果。正面评论以由浅至深的绿色显示，负面评论以红色显示。

   

上述示例清晰展示了 Tableau 与 Python 集成所带来的能力。掌握情感分数后，我们可以据此深入挖掘。例如，作为企业主，我可以筛选出负面评论，分析原因；也可以筛选正面评论，了解哪些产品让消费者满意。

Tableau 与 SQL Server

我们的 Microsoft SQL Server 数据中潜藏的价值，常常被标准报表和复杂的商业智能工具所掩盖。Tableau 让每个人都能对 SQL Server 数据进行高级可视化分析，从而处处获得洞见。我们可以将 Tableau 与 SQL Server 实时连接，以进行针对平台优化的查询，或将数据直接引入 Tableau 的分析引擎，减轻数据库负担。

Tableau 提供对 SQL Server 的优化实时连接，以便我们在直接使用数据时创建图表、报告与仪表板。在深入分析时，Tableau 能识别 SQL Server 中使用的任意模式（schema），无需再对数据进行处理。

下面通过示例演示如何将 SQL Server 数据库连接到 Tableau Desktop，并据此创建可视化。

Steps:

1. 登录 SQL Server
2. 打开 Tableau Desktop，在 Servers 下连接 MS SQL。
3. 在弹出的对话框中粘贴服务器名称并点击确定。这样就将 Tableau 连接到 SQL Server。选择数据库，本例选择 salesDB。然后可从表列表中选择，例如 Sales Log。该表会导入到 Tableau 环境。接下来可以选择将全部数据或部分数据提取到新工作表，也可以指定要提取的行数。
4. 在新工作表中即可看到从 MS SQL 提取的数据，随后即可像在其他 Tableau 工作表上一样进行分析。

Hands On:

这就是将 SQL Server 轻松连接到 Tableau 并直接提取数据的方法。Tableau 允许用户一键切换连接，将内存内查询应用到更大的数据集上。

8. 保存工作

Tableau Desktop

要将 Tableau 工作簿保存在本地，选择 File > Save。在 Save As 对话框中指定工作簿文件名。Tableau 默认以 .twb 扩展名保存。

Tableau Public

使用 Tableau Public，视图和数据将公开，互联网上的任何人都可以访问。Select Server > Tableau Public > Save to Tableau Public 并输入凭据。

Tableau Server

如果数据保密，且需要与整个团队共享故事，Tableau Server 大有用处。要将故事发布到 Tableau Server，选择 Select Server > Publish Workbook 或点击工具栏上的 Share。但请先创建账号。

结语

以上就是在 Tableau 中创建优质可视化所需的一切，尽管在每个阶段您可能会比我们这里展示的做更多调整。通过不断试验与实践，您将更熟悉 Tableau，并解锁众多强大功能，帮助我们分析与呈现数据。如有任何疑问，欢迎在下方留言。祝您可视化愉快。

查看我们的使用 AirBnB 数据集创建 Tableau 可视化教程。