文章分享了一個簡單的數(shù)據(jù)分析平臺搭建教程，希望能夠?qū)δ銕硇椭?/p>

今天教大家如何搭建一套數(shù)據(jù)分析平臺。

它可能是最簡單的搭建教程，有一點Python基礎(chǔ)都能完成。比起動輒研發(fā)數(shù)月的成熟系統(tǒng)，借助開源工具，整個時間能壓縮在一小時內(nèi)完成。

優(yōu)秀的數(shù)據(jù)分析平臺，首先要滿足數(shù)據(jù)查詢、統(tǒng)計、多維分析、數(shù)據(jù)報表等功能。可惜很多分析師，工作的第一年，都是埋葬在SQL語句中，以SQL+Excel的形式完成工作，卻用不上高效率的工具。

說Excel也很好用的同學，請先回避一下。

另外一方面，以互聯(lián)網(wǎng)為代表的公司越來越重視數(shù)據(jù)，數(shù)據(jù)獲取不再是難點，難點是怎樣敏捷分析獲得洞察。

市面上已經(jīng)有不少公司推出企業(yè)級的分析平臺和BI，可惜它們都是收費的。我相信不少讀者聽說過，但一直沒有機會體驗，或者老板們囊中羞澀?，F(xiàn)在，完完全全能免費建立一套BI系統(tǒng)，即可以單機版用以分析，也能私有化部署到服務(wù)器，成為自家公司的分析工具。

這一切，只需要一小時。

Superset

Superset是一款輕量級的BI工具，由Airbnb的數(shù)據(jù)部門開源。整個項目基于Python框架，不是Python我也不會推薦了，它集成了Flask、D3、Pandas、SqlAlchemy等。

這是官網(wǎng)的案例（本來是動圖的，可惜壓縮后也超過微信圖片大小限制，吐槽下），想必設(shè)計界面已經(jīng)能秒殺一批市面上的產(chǎn)品了，很多BI真的是濃烈的中國式報表風……因為它的前端基于D3，所以絕大部分的可視化圖表都支持，甚至更強大。

Superset本身集成了數(shù)據(jù)查詢功能，查詢對分析師那是常有的事。它支持各類主流數(shù)據(jù)庫，包括MySQL、PostgresSQL、Oracle、Impala、SparkSQL等，深度支持Druid。

后臺支持權(quán)限分配管理，針對數(shù)據(jù)源分配賬戶。所以它在部署服務(wù)器后，分析師們可以通過它查詢數(shù)據(jù)，也能通過數(shù)據(jù)建立Dashboard報表。

介紹了這么多，想必大家已經(jīng)想要安裝了吧。

安裝

Superset同時支持Python2和Python3， 我這里以Python3作為演示。它支持pip形式的下載，不過我不建議直接安裝，因為Superset的依賴包較多，如果直接安裝，很容易和現(xiàn)有的模塊產(chǎn)生沖突。

這里需要先搭建Python的虛擬環(huán)境。虛擬環(huán)境可以幫助我們在單機上建立多個版本的Python。簡而言之，即可以Python2和Python3共存，也能Python3.3、3.4、3.5共濟一堂，彼此間互相獨立。

虛擬環(huán)境的安裝方式很多，pyenv和virtualenv等。這里用Anaconda自帶的conda工具。打開電腦終端/cmd，輸入以下命令。

conda create -n superset python=3.4

conda create是創(chuàng)建虛擬環(huán)境的命令。-n是環(huán)境的命名參數(shù)，在這里，我們創(chuàng)建了名為superset的環(huán)境，它安裝在Anaconda的envs目錄下。python版本為3.4(superset暫時不支持3.6)。

該命令只會安裝基礎(chǔ)包，如果需要額外安裝其他包，在命令行后加上想要的包名字即可，如python=3.4 numpy pandas。

安裝很迅速，完成后，我們的Python環(huán)境還是默認版本，現(xiàn)在需要激活虛擬環(huán)境。

source activate superset

source activate是激活命令，superset為想要激活的虛擬環(huán)境名。windows和mac的命令不一樣，win只要activate superset 。如果要退出，則是source deactivate或者deactivate。

激活成功后，命令行前面會多出一個前綴(superset)，表明切換到了新的虛擬環(huán)境。接下來安裝superset。

pip install superset

pip會自動安裝所有的依賴，速度可能有點慢，建議更改pip源。

命令行后加上 -i?https://pypi.douban.com/simple?，我這里用了豆瓣的鏡像源，速度嗖嗖的。

如果安裝過程中報錯，是部分程序缺失，像系統(tǒng)比較老舊的win用戶，需要安裝新版的visual c++，網(wǎng)上搜索教程即可。在官網(wǎng)的教程中，還要求pip install cryptography==1.7.2，我沒有安裝也沒有影響，供大家參考。其他報錯，都可以通過搜索解決。

安裝成功后，需要進行初始化配置，也是在命令行輸入。

fabmanager create-admin –app superset

首先用命令行創(chuàng)建一個admin管理員賬戶，也是后續(xù)的登陸賬號。會依次提示輸入賬戶名，賬戶使用者的first name、last name、郵箱、以及確認密碼。fabmanager是flask的權(quán)限管理命令，如果大家忘了密碼，也能重新設(shè)立。

superset db upgrade

初始化數(shù)據(jù)源。

superset load_examples

載入案例數(shù)據(jù)，這里的案例數(shù)據(jù)是世界衛(wèi)生組織的數(shù)據(jù)，也是上文演示的各類可視化圖表，大家登陸后能夠直接看到。下載速度還行。

superset init

初始化默認的用戶角色和權(quán)限。

superset?runserver

最后一步驟，啟動Superset服務(wù)。因為我們是本地環(huán)境，所以在瀏覽器輸入?http://localhost:8088?即可。在runserver后面添加 -p XXXX 可更改為其他端口。

進入登陸界面，輸入登陸密碼，大功告成。

使用

先別急著使用，因為Superset是英文，我們先把它漢化了。Superset自身支持語言切換。

進入到Superset所在目錄文件，按我之前的步驟，應(yīng)該在anaconda/envs/superset/lib/python3.4/site-packages/superset中，路徑視各位情況可能有差異。

在目錄下有一個叫config.py的文件，打開它，找到Setup default language這一行，修改變量。

BABEL_DEFAULT_LOCALE調(diào)整為zh，這樣界面默認為中文。languages字典中zh前面的注釋#去掉。保存后退出。

接下來還是在Superset的目錄下新創(chuàng)建文件夾，按translations/zh/LC_MESSAGES的路徑依次創(chuàng)建三個。Superset官網(wǎng)提供了漢化包，在最大的同性交友網(wǎng)站github上下載，目錄為：

https://github.com/apache/incubator-superset/blob/master/superset/translations/zh/LC_MESSAGES/messages.mo

網(wǎng)址路徑有點長，下載后把mo文件放在LC_MESSAGES文件下。清除瀏覽器的緩存，重新登陸localhost。

搞定！

需要注意的是，它并非完全漢化，而是漢化了superset相關(guān)的部分。部分文字被寫入在flask app的文件中，漢化起來比較麻煩。

Superset分為多個模塊，安全模塊是賬號管理相關(guān)，包括角色列表，視圖權(quán)限控制，操作日志等。管理模塊沒什么用，主要是設(shè)計元素。

數(shù)據(jù)源可以訪問和連接數(shù)據(jù)庫，切片是各類數(shù)據(jù)可視化，均是單圖；看板即為Dashboard，是切片的集合，Superset提供了三個初始案例，SQL工具箱是數(shù)據(jù)查詢平臺。

麻雀雖小，五臟俱全，對于大部分中小型的企業(yè)，Superset足以應(yīng)付數(shù)據(jù)分析工作。

先學習連接數(shù)據(jù)庫，這里以我電腦中的數(shù)據(jù)庫為準，如果大家學習過早前的教程，那么數(shù)據(jù)庫中都應(yīng)該有數(shù)據(jù)分析師的練習數(shù)據(jù)，我這里不重復了，可以看歷史文章。也可用自帶的衛(wèi)生數(shù)據(jù)照著練習。

Superset使用了sqlalchemy框架，使用前需要安裝數(shù)據(jù)庫驅(qū)動程序，先退出runserver，進入superset虛擬環(huán)境，安裝Python中的MySQL驅(qū)動程序。

?pip install pymysql

MySQL的驅(qū)動程序很多，除了pymysql，還有mysqlclient等。安裝好后，進入數(shù)據(jù)源，新建一個database連接。

在SQLAlchemy URL中加入數(shù)據(jù)庫的地址，格式為:

mysql+pymysql://root:xxxx@localhost:3306/qin?charset=utf8

mysql是數(shù)據(jù)庫類型，pymysql是驅(qū)動程序，表示用pymysql連接mysql數(shù)據(jù)庫，+號不能省略。

另外，root是數(shù)據(jù)庫登陸賬號,xxxx為密碼，這個按大家自己設(shè)立的來。localhost是數(shù)據(jù)庫地址，因為我的是本地環(huán)境，所以localhost即可，也可以是127.0.0.1。3306是端口，一般默認這個。qin是需要連接的數(shù)據(jù)庫，也是我自己設(shè)的名字。后面帶參數(shù)charset=utf8，表示編碼，因為表里面有中文。

其他數(shù)據(jù)庫的連接大同小異，圖中綠色的連接是相關(guān)教程。

如果大家在公司網(wǎng)絡(luò)，擁有內(nèi)網(wǎng)訪問數(shù)據(jù)庫的權(quán)限，也可以嘗試連接，應(yīng)該是可以的，這樣就能在個人電腦上實行敏捷的BI分析。

格式命名好后，點擊測試，出現(xiàn)seems ok，表示成功訪問。在選項下面還有個Expose in SQL Lab，允許我們在SQL工具箱查詢，要打上勾。

進入到SQL工具箱，左邊選擇table為DataAnalyst。

直接出來了數(shù)據(jù)庫的數(shù)據(jù)預覽。連查詢平臺的顏值都那么高。大家的SQL技能應(yīng)該都很不錯，有興趣可以在這里練習一下，語法和MySQL一致。其他數(shù)據(jù)庫則是其他數(shù)據(jù)庫的語法。

執(zhí)行一段SQL語句，它支持下載為CSV，我沒試過支持最大文件的大小，但作為日常的查詢平臺是綽綽有余了。

選擇Visualize，進入切片繪圖模式。

這里自動匹配支持的圖表選項，包括Bar Chart條形圖，Pir Chart餅圖等。下面的選項是定義維度，我們將city，education，postitionName，salary，workYear都勾選為維度。agg_func是聚合功能，這里將職位ID求和，改成count()，點擊生成圖表。

這里按城市生成了各職位ID求和獲得的條形圖，也就是不同城市的分析師人數(shù)。

左邊Chart Options可以調(diào)整分析需要的維度。Metrics是分析的度量，這里是count(positionId)，Series是條形圖中的類別，Breakdowns可以認為是分組或者分桶。這里將Series改成workYear，Breakdowns改成city，點擊Query執(zhí)行。

條形圖變更為按工作年限和城市細分的多維條形圖。點擊Stacked Bars，則切換成堆積柱形圖。操作不難。

左側(cè)的選項欄還有其他功能，這里就不多做介紹了，和市面上常見的BI沒有多大區(qū)別，琢磨一下也就會了。

Superset支持的圖表很豐富，如果具備開發(fā)能力，也能以D3和Flask為基礎(chǔ)做二次開發(fā)。Airbnb官方也會不斷加入新的圖表。不同圖表，其左側(cè)的操作選項也不同。

\

上圖是以數(shù)據(jù)分析師職位名稱為基礎(chǔ)繪制的詞云圖，生成的速度會比較慢。我們選擇save保存。完成的圖表均存放在切片下。

Dashboard通過多個切片組合完成，每個切片連接不同的數(shù)據(jù)源，這是BI的基本邏輯。進入看板界面，新建一個Dashboard。

設(shè)置看板相應(yīng)的配置選項，因為我偷懶了，所以只做了兩個切片，大家有興趣可以繼續(xù)增加。其他選項忽略，都是自動生成的。點擊save，到這一步，BI最重要的Dashboard就完成了。

瀏覽一下最終的成果吧。

關(guān)于Superset的新手教學結(jié)束了，要是部署到公司，賬號和權(quán)限多研究下。它和市面上的其他BI沒有太多區(qū)別，不過它是我們用Python從零到有一手建立，這個感覺可比用Excel爽不少。雖然我的演示以單機版為主，將其建立在linux服務(wù)器上大同小異。

從零開始搭建到現(xiàn)在，排除掉下載花費的時間，大家可以計算是不是真的只用一個小時就搭建好一個數(shù)據(jù)分析平臺？沒騙你們吧。

通過搭建Superset，數(shù)據(jù)分析新手對BI應(yīng)該也有一個大概的了解，市面上的BI大同小異，只是側(cè)重點不同。在Superset的基礎(chǔ)上，往底層完成埋點采集和數(shù)據(jù)ETL，往上拓展報表監(jiān)控，CRM等，這些也有不少開源軟件可用。至于機器學習，以及Hadoop和Spark更是一個大生態(tài)，把這些都算上，則是真正完整的大數(shù)據(jù)分析平臺了。

Superset也有缺陷，它使用的是ORM框架，雖然它能連接眾多的數(shù)據(jù)庫，但是它有一個關(guān)系映射過程，將SQL數(shù)據(jù)轉(zhuǎn)化為Python中的對象，這也造成它在大數(shù)據(jù)量的處理效率不如專業(yè)的BI軟件。在使用SQL工具箱時，應(yīng)該盡量避免超大表之間的關(guān)聯(lián)，以及復雜的group by。

我個人的建議是，它只是一款輕量級的BI，復雜的數(shù)據(jù)關(guān)聯(lián)，應(yīng)該在ETL過程中完成，Superset只需要執(zhí)行最終結(jié)果表的讀取即可。它足夠支撐TB級別的數(shù)據(jù)源讀取。技術(shù)比較成熟的團隊，也能嘗試將Superset和Kylin整合，這樣OLAP的能力又能上一個臺階。

另外，Superset中的表都是獨立的，所以多圖表間的復雜聯(lián)動并不支持，僅支持過濾，這點比較可惜。不知道Airbnb后續(xù)會不會支持。

好消息是，這個開源項目一直在更新，github什么也有很多新的功能特性待開發(fā)，比如dashboard上加入tab切換欄等?？梢詓tar一下關(guān)注。

如果搭建過程有疑問，歡迎留言。

#專欄作家#

秦路，微信公眾號ID：tracykanc，人人都是產(chǎn)品經(jīng)理專欄作家。

本文由 @秦路?原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載。