如何在 Tableau 中使用 TabPy 运行 Python：完整指南

Tableau 是一款广受数据从业者欢迎的数据可视化工具，也是招聘中常见的技能要求。Python 是广泛应用于数据科学的通用编程语言。将 Python 集成进 Tableau，能让用户构建复杂模型、运行复杂计算，并扩展 Tableau 的原生能力。

这对希望在仪表板中直接运用统计建模、机器学习和数据处理技术的数据分析师、数据科学家和商业智能从业者尤其有用。

本文是一篇将 Python 集成到 Tableau 的动手教程。您将学习如何设置环境、运行 Python 脚本、探索高级分析用例，并排查常见问题。如果您想先了解 Tableau 的基础知识，请参阅此Tableau 入门课程。

了解集成方式

Tableau 与 Python 的集成是通过一个外部服务实现的，即名为 TabPy（Tableau Python Server）的分析扩展。该扩展允许 Tableau 用户在其 Tableau 环境中运行 Python 脚本。

尽管您也许已经尝试过用 Python 生成文件再在 Tableau 中进行可视化，例如这篇使用 Python 与 Tableau 可视化数据的教程，但借助 TabPy 的连接，您可以在 Tableau 数据与 Python 脚本之间实现更顺畅的一体化流程。

TabPy 的作用

TabPy 充当 Tableau 与 Python 之间的桥梁。它采用客户端-服务器模型：Tableau（客户端）将脚本发送给 TabPy（服务器），后者在 Python 环境中执行并返回结果。

工作原理

1. Tableau Desktop 或 Server 通过计算字段发送脚本。
2. TabPy 执行 Python 代码。
3. 结果返回到 Tableau，用于在可视化中呈现。

使用 eraser.io 生成的 Tableau、TabPy 与 Python 环境之间连接示意图

在 Tableau 中使用 Python 的好处

尽管 Tableau 功能强大，但其计算字段在处理复杂分析任务时有时会显得笨拙或效率不高。Python 集成为 Tableau 的原生功能带来多项优势，并让用户在数据处理上有更大的自由度。

例如，您可以用 Python 实现如下用例：

• 高级建模： 使用 scikit-learn、statsmodels 与 xgboost 等库完成回归、聚类与分类。
• API 集成： 通过 Twitter、Reddit 或企业自定义服务等 API 获取实时数据。
• 动态处理： 运行可随用户输入或数据变化而调整的计算。您可以使用 pandas 或 numpy 等包，大幅提升 Tableau 仪表板的分析能力。

设置 TabPy

要在 Tableau 中开始使用 Python，您需要安装并配置 TabPy。这个步骤相当直接！核心流程是确保您的电脑上已安装 Python 与 Tableau。

系统要求与安装

先决条件：

• Python 3.7+（确保已安装 pip）
• Tableau Desktop 或 Tableau Server（建议 2020.1 或更高版本）

分步安装：

1. 安装 Python。 按照您的操作系统说明安装 Python。

2. 创建虚拟环境：

python3 -m venv tableau-env技术支持

3. 安装 TabPy（请先激活您的环境）。 您也可以此时安装 pandas、numpy、sklearn 等其他包。

pip install tabpy技术支持

4. 启动 TabPy：

tabpy技术支持

配置 TabPy

要自定义 TabPy，请编辑其配置文件。通过这些自定义，您可以更改 TabPy 监听信息的端口以及使用的传输协议。有关配置设置的更多信息，请参阅TabPy 配置指南。

示例配置文件（tabpy.conf）

下面是一个 TabPy 配置文件的示例。

[TABPY]
TABPY_PORT = 9004
TABPY_TRANSFER_PROTOCOL = http技术支持

网络与安全提示

由于 TabPy 依赖类似互联网的服务器连接以访问本地资源，建议遵循以下网络与安全建议：

• 确保选择在防火墙上开放但不对外部连接监听的端口。
• 设置如 NGINX 的反向代理并启用 SSL 以确保安全通信。
• 如果在 Tableau Server 上运行，请确保 TabPy 可从同一网络访问。

有关 TabPy 入门的更多细节，请参阅这篇TabPy 入门教程。

在 Tableau 中运行 Python

设置好 TabPy 后，您就可以将 Python 直接集成到 Tableau 仪表板中。您需要先在 Tableau 中启用扩展连接。打开 Tableau Desktop，转到“设置和性能”，选择“管理分析扩展连接”，并选择 TabPy。然后根据 TabPy 配置文件中的设置进行配置。

Tableau 中“管理分析扩展连接”界面（help.tableau.com）

脚本集成方法

在 Tableau 中运行 Python 脚本主要有三种方式：在计算字段内进行内联脚本计算、通过 Tableau 扩展进行预处理，以及使用已部署的模型端点。

1. 内联脚本计算

使用 Tableau 的 SCRIPT_REAL、SCRIPT_INT、SCRIPT_STR 或 SCRIPT_BOOL 函数。这些函数会将数据直接传递给 TabPy 服务器，而无需运行外部脚本。您可以直接在这些函数中编写 Python 代码。

示例：Z 分数标准化

SCRIPT_REAL(
  "import scipy.stats as stats
   return stats.zscore(_arg1)",
  SUM([Sales])
)
技术支持

以上示例允许您从 scipy 导入 stats 包，并返回 Tableau 中 SUM([Sales]) 列的 Z 分数。

2. 使用表扩展进行预处理

使用 Tableau 扩展在 Tableau 外部用 Python 进行预处理，然后导入结果。

• 使用 Pandas/Numpy 进行数据预处理。
• 将结果保存为 CSV 或 API 端点。
• 将处理后的数据加载到 Tableau。

这些扩展在您的 Tableau 工作簿的工作表页面中启用。使用这些扩展时，您通过 TabPy 扩展输入完整脚本。脚本会对整个数据集运行，从而可以一次性预处理全部数据，而非逐行处理。这通常会生成一张单独的输出表。

 

工作表页面底部提供的表扩展功能。（摘自 Tableau 文档）

3. 部署的模型端点

最后一种方法也是最强大的之一。我们在 TabPy 服务器上托管一个用于运行脚本的模型。当需要在特定数据集上运行该模型时，再在 Tableau 中调用该脚本。

示例：将模型部署到 TabPy

第一步是创建一个由 TabPy 部署的文件。启动 TabPy 服务器（按照上文步骤）后，您可以用它来运行 Python 脚本。部署好该 Python 脚本后，我们会在 Tableau 中使用 SCRIPT_REAL 进行调用。

from tabpy.tabpy_tools.client import Client
import pickle

def predict_sales(input_features):
    model = pickle.load(open(model.pkl, ‘rb’)) # This assumes you have a saved model
    return model.predict(input_features)

client = Client(‘http://localhost:9004’)

client.deploy('predict_sales', predict_sales, 'Predict sales using linear model', override=True)技术支持

Tableau 脚本调用：

SCRIPT_REAL("return tabpy.query(‘predict_sales’, _arg1)[‘response’]", SUM[Feature1])技术支持

性能优化技巧

与在 Tableau 外部运行 Python 脚本类似，我们也需要关注性能。在 Tableau 中运行数据时，有一些特别需要注意的点。

1. 批处理：通过分块处理数据来减少调用次数。通常更有利的是一次性处理整个数据集，而不是在 Tableau 调用时再处理。
2. 结果缓存：使用 Tableau 的缓存设置缓存静态结果。
3. 向量化：使用 NumPy/Pandas 的操作替代循环，以更快地执行。这些通常会将数学计算向量化，从而更高效。

如果使用 Tableau Server，您还可以通过连接池进一步优化。连接池的通用理念是维护与数据源的持久连接以减少开销。

您也可以对数据源与 TabPy 进行类似设置，避免 Tableau 在每次运行脚本或新计算时都“重新打开”对 TabPy 的连接。

高级分析用例

掌握基础后，您可以实现高度定制化的分析。这些方法涉及构建更高级的脚本，并以有趣的方式与您的仪表板交互。

实时预测分析

一种很好的模式是部署时间序列模型（例如 ARIMA、Prophet），并根据用户输入进行更新，就像这篇关于使用 TabPy 部署函数与 Prophet 预测模型的指南一样。

构建好模型后，您可以将其打包为可由 TabPy 部署的脚本。随后，我们使用相同的 SCRIPT_REAL 函数将该模型连接到 Tableau，以调用已部署的模型。

用例：销售预测

• 在 Python 中构建并训练 Prophet 模型。
• 在 TabPy 上部署模型，并将历史销售数据作为特征。
• 随着仪表板筛选器变化，实时更新销售预测。

这样一来，当有人更改诸如地域、时间或产品等筛选条件时，Tableau 会基于这些新筛选实时生成新的预测。

安全与治理

鉴于我们要打开与 TabPy 的连接，务必遵循合适的安全与治理规范。

认证协议

TabPy 提供多种认证协议，帮助用户保障安全。支持并可配置如下方式：

• 基本认证（用户名/密码）
• 基于证书的认证
• OAuth2 与安全令牌处理（适用于高级企业场景）

最佳实践是在生产环境中始终使用 HTTPS 与安全令牌。

数据保护措施

在连接 Tableau 与 TabPy 时，必须确保遵循适当的数据保护治理。这包括确保数据通过正确的连接通道传输、不可使用其他端口，以及数据在传输过程中始终加密。以下是一些最佳实践：

• 加密 Tableau 与 TabPy 之间的通信。
• 使用防火墙规则与访问控制。
• 在 TabPy 上启用审计日志以满足合规要求。定期更新 Python 包以修补漏洞。

最后，如果您的组织需遵循特定的监管合规性，请务必继续遵循其最佳实践。确保遵守 GDPR 与 CCPA，通过匿名化与令牌化在发送至 TabPy 前保护个人可识别信息（PII）。此外，使用安全的中间结果存储以最大限度减少泄露风险。

故障排查与调试

问题在所难免，但大多都能迅速解决。

常见问题与解决方案

如果您在编写代码时遇到问题，可参考以下调试步骤（适用于任何脚本）：

• 在脚本中使用 print() 或日志（TabPy 日志会显示这些信息）。
• 在 Tableau 之外使用 Jupyter 测试 Python 脚本。
• 检查“我的 Tableau 存储库/Logs”中的 Tableau 日志。

结语

将 Python 与 Tableau 集成，可在可视化仪表板中直接释放高级分析实力。借助 TabPy，您可以：

• 执行复杂计算
• 部署并交互式使用机器学习模型
• 显著扩展 Tableau 的原生能力

无论您是在运行统计模型、处理文本数据，还是可视化预测结果，Python 都能为 Tableau 仪表板带来新的智能维度。

按照本指南中的步骤操作，您将能够借助 Python 实现更具洞察力、更灵活且更具交互性的分析。有关 Tableau 及其功能的更多信息，请查看以下指南：

• 在 Tableau 中创建仪表板
• 在 Tableau 中分析数据
• Tableau 基础