阿里云MVP Meetup:《云数据·大计算:海量日志数据分析与应用》之《数据分析展现:可视化报表及嵌入应用》篇

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介: 本手册为杭州阿里云MVP Workshop《云计算·大数据:海量日志数据分析与应用》的《数据分析展现:可视化报表及嵌入应用》篇而准备。主要阐述如何使用BDP个人版制作报表,将前面几个实验处理分析得来的数据进行有效的展现和洞察。

实验背景介绍

本手册为阿里云MVP Meetup Workshop《云计算·大数据:海量日志数据分析与应用》的《数据分析展现:可视化报表及嵌入应用》篇而准备。主要阐述如何使用Quick BI制作报表,将前面几个实验处理分析得来的数据进行有效的展现和洞察。

《数据加工:用户画像》实验中的结果表数据已经事先导入RDS中,表名为rpt_user_info_all_d。该表包含了:用户id、地区、性别、年龄范围、星座、访问设备、PV 等访问信息。

实验目标

承接前述实验加工好的数据表,通过Quick BI完成网站用户分析画像的仪表板。

  • 在该仪表板中,将展示用户的地区分布、设备分布和访问明细记录。
  • 并能够根据年龄范围的查询条件,动态更新图表数据内容。

涉及大数据产品

实验环境准备

必备条件:

确保阿里云账号处于登录状态。

  • step1:点击进入大数据(数加)管理控制台>Quick BI tab页面下。
  • step2:点击购买Quick BI标准版

开通BI

  • step3:在购买页面中,点击立即购买
    购买BI
  • step4:在确认订单页面中点击去支付,并确认支付

支付

确认支付

  • step5:成功开通Quick BI。

开通成功

进入Quick BI

确保阿里云账号处于登录状态。

Quick BI管理控制台

  • step2:点击进入Quick BI标准版。

点击进入

Quick BI页面

添加数据源

《数据加工:用户画像》实验将数据导入云数据库RDS后,可以利用Quick BI添加为数据源进行分析和展示。本章节为了大家快速的掌握Quick BI的使用提前将数据给大家拷贝了一份在官方的RDS里,大家只需要配置即可用。

  • step1:点击左侧数据,进入数据管理页。

点击数据

  • step2:切换至数据源标签页,点击新建数据源

点击新建数据源

[说明] 数据量千万级别,响应速度秒级。添加RDS数据源,可以直联任何一个云上RDS数据库,或ECS中用户自建的RDS。

  • step3:在新建数据源对话框中,选择并点击RDS for MySQL

点击MySQL

  • step4:配置RDS for MySQL数据源,并点击测试连通性,待连通性测试通过后,点击添加保存现有配置信息。

配置MySQL

RDS for MySQL数据源配置信息如下:

  • 显示名称:workshop
  • 数据库地址:

rm-bp1z69dodhh85z9qa.mysql.rds.aliyuncs.com

  • 端口:3306
  • 数据库:workshop
  • 用户名/密码:workshop/workshop#2017

保存RDS数据源

  • step5:点击数据源列表页中workshop数据源这行,显示该数据源下的数据表,找到表rpt_user_info_all_d,并点击创建数据集按钮生成数据集。

找数据表

数据集

编辑数据集

说明:

    1. 将对表的加工过程固化保存下来以避免重复操作。
    1. 常见加工:维度、度量的切换、修改维度的类型、

增加计算字段、创建层次结构、修改字段的数据类型、更改度量聚合方式、
制作关联模型。

  • step1:点击编辑按钮,进入编辑数据集页面。

编辑数据集

  • step2:转换包含地理信息的字段的维度类型(一般字段不需要转换)。选择region字段->右键->维度类型切换->地理信息->省/直辖市。如下图所示:

类型转换

转换成功后,在左侧维度栏中会看到region字段前多一个地理位置图标,如下图所示:

转换成功

  • step3:点击保存,保存数据集。

保存数据集

制作工作表

说明:

    1. 主要用于对于数据全方位的探索分析。
    1. 支持随意对维度、度量进行拖拽选择后进行查询,得到工作表内容,支持对维度、度量的过滤,支持排序,支持报表样式的设置。
    1. 保存的工作表,可以做为下一章节【制作仪表板】的数据来源,直接展现

下面希望获得每个地区(region),不同设备(device),不同性别(gender),不同年龄范围(age_range)的访问网站的pv量。

  • step1:点击左侧数据,找到数据集rpt_user_info_all_d 这行,点击表格分按钮,就会新建一个工作表对该数据集进行多维分析。

点击表格分析

表格分析页面

  • step2:分别选择需要分析的维度:region、device、gender、age_range并拖拽至分析面板中,选择度量pv拖拽至分析面板中的中,点击查询按钮, 得到每个地区、不同设备、不同性别、不同年龄范围的访问网站的pv量。

制作报表1

  • step3:点击保存,保存工作表名称为:访问明细。

制作仪表板

与上一节衔接,将分析结果固化为可视化报表。随着数据的更新,报表可视化展现最新数据。我们把这个过程叫制作仪表板。

制作思路:确定内容->确定布局和样式->制作图表->实现动态联动查询。

制作模板如下:

制作目标

【说明】仪表板创作界面的工具布局:

  • step1:点击主导航上的作品菜单,点击新建下拉菜单下的新建空白仪表板按钮,就可以开始创建一个仪表板。

点击新建空白仪表板

  • step2:从仪表板空间中向画布拖入文本框并命名为网站用户画像。

文本框

文本框-用户画像

  • step3:点击图表区域内的色彩地图,并选择数据源来源为来自数据集rpt_user_info_all_d,选择维度为region(地区)、度量为pv,选择完成后点击更新图表按钮,结果如下:

业务目的:查看访问用户的地域分布情况。

色彩地图

  • step4:将图表区域内的柱图拖拽至右侧画布,并配置选择数据来源为来自数据集rpt_user_info_all_d,选择维度为device(设备)、度量为pv,点击更新图表
    结果如下:

业务目的:查看访问设备的分布情况.

柱图

  • step5:点击图表区域内的交叉表,并选择数据源>来自工作表>访问明细(上述步骤中保存的工作表),点击更新图表按钮,结果如下:

业务目的:查看每个地区(region)、不同设备(device)、不同性别(gender),不同年龄范围(age_range)的访问网站的pv量。

交叉表

  • step6:向画布中拖入控件区域内的查询条控件,在拖动指示分隔线落到文本框气泡地图之间的时候,放下查询条件控件。

业务目的:增加查询条件年龄范围,实现动态图表。

插入查询条件

拖动结束后,设置查询条件对应的字段、作用范围和样式:

  • step6.1:首先将前面制作好的色彩地图、柱状图和交叉表控件的标题依次改为,地区分布和设备分布。

地图分布

设备分布

  • step6.2:接着,点击并设置查询条件对应到哪个字段和作用范围(上述配置的两个控件名称):变化的时候能影响到哪些图表控件。

配置查询条件

  • step6.3:然后设置查询条件的显示样式,这里设置为枚举类型复选框样式。

[注意]鼠标选中查询条件的输入框后,样式设置界面才会出现。

查询条件枚举

  • step7:点击保存仪表板,名称为云栖大会workshop

保存仪表板

  • step8:点击预览仪表板。

预览

修改年龄范围为不同的值,看仪表板的各个区块的图表的数据是否随着查询条件的变化而变化。

预览验证

恭喜各位已经完成了数据清洗、加工到展现的链路。更多的关于Quick BI的进阶教程,详见:更多案例(销售数据分析、仪表板制作)

相关实践学习
日志服务之使用Nginx模式采集日志
本文介绍如何通过日志服务控制台创建Nginx模式的Logtail配置快速采集Nginx日志并进行多维度分析。
目录
相关文章
|
6天前
|
消息中间件 数据挖掘 Kafka
Apache Kafka流处理实战:构建实时数据分析应用
【10月更文挑战第24天】在当今这个数据爆炸的时代,能够快速准确地处理实时数据变得尤为重要。无论是金融交易监控、网络行为分析还是物联网设备的数据收集,实时数据处理技术都是不可或缺的一部分。Apache Kafka作为一款高性能的消息队列系统,不仅支持传统的消息传递模式,还提供了强大的流处理能力,能够帮助开发者构建高效、可扩展的实时数据分析应用。
34 5
|
1月前
|
SQL 数据采集 数据可视化
深入 Python 数据分析:高级技术与实战应用
本文系统地介绍了Python在高级数据分析中的应用,涵盖数据读取、预处理、探索及可视化等关键环节,并详细展示了聚类分析、PCA、时间序列分析等高级技术。通过实际案例,帮助读者掌握解决复杂问题的方法,提升数据分析技能。使用pandas、matplotlib、seaborn及sklearn等库,提供了丰富的代码示例,便于实践操作。
152 64
|
2天前
|
数据采集 数据可视化 数据挖掘
数据驱动决策:BI工具在数据分析和业务洞察中的应用
【10月更文挑战第28天】在信息爆炸的时代,数据成为企业决策的重要依据。本文综述了商业智能(BI)工具在数据分析和业务洞察中的应用,介绍了数据整合、清洗、可视化及报告生成等功能,并结合实际案例探讨了其价值。BI工具如Tableau、Power BI、QlikView等,通过高效的数据处理和分析,助力企业提升竞争力。
12 4
|
9天前
|
机器学习/深度学习 并行计算 数据挖掘
R语言是一种强大的统计分析工具,广泛应用于数据分析和机器学习领域
【10月更文挑战第21天】R语言是一种强大的统计分析工具,广泛应用于数据分析和机器学习领域。本文将介绍R语言中的一些高级编程技巧,包括函数式编程、向量化运算、字符串处理、循环和条件语句、异常处理和性能优化等方面,以帮助读者更好地掌握R语言的编程技巧,提高数据分析的效率。
27 2
|
16天前
|
缓存 弹性计算 NoSQL
新一期陪跑班开课啦!阿里云专家手把手带你体验高并发下利用云数据库缓存实现极速响应
新一期陪跑班开课啦!阿里云专家手把手带你体验高并发下利用云数据库缓存实现极速响应
|
29天前
|
数据挖掘
ChatGPT在数据分析OKR计划中的应用
ChatGPT在数据分析OKR计划中的应用
|
29天前
|
数据挖掘 数据库
ChatGPT在数据分析学习阶段的应用
ChatGPT在数据分析学习阶段的应用
|
27天前
|
分布式计算 资源调度 数据可视化
Hadoop-06-Hadoop集群 历史服务器配置 超详细 执行任务记录 JobHistoryServer MapReduce执行记录 日志聚合结果可视化查看
Hadoop-06-Hadoop集群 历史服务器配置 超详细 执行任务记录 JobHistoryServer MapReduce执行记录 日志聚合结果可视化查看
29 1
|
29天前
|
搜索推荐 数据挖掘
ChatGPT数据分析应用——漏斗分析
ChatGPT数据分析应用——漏斗分析
|
29天前
|
数据可视化 搜索推荐 数据挖掘
ChatGPT数据分析应用——同期群分析
ChatGPT数据分析应用——同期群分析

热门文章

最新文章