【实验】阿里云大数据助理工程师认证(ACA)- QuickBI报表制作(下)

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
智能商业分析 Quick BI,专业版 50license 1个月
简介: 【实验】阿里云大数据助理工程师认证(ACA)- QuickBI报表制作(下)

2.4 制作销售分析报表


最终的销售分析报表如下所示:

20200711140424449.png


制作各省销售额的气泡地图


在Quick BI中,制作气泡地图时需要先对地理信息数据维度类型切换。依次单击 “数据集” -> “我的数据集” -> “编辑”,如下所示:


20200711140444338.png

20200711140500645.png

点击province字段右侧的按钮依次选中:“维度类型切换”->“地理信息”->“省/直辖市”。

20200711140520693.png


点击右上角的保存按钮保存数据集,如下所示:

单击网页标签页“销售分析报表”,回到仪表板编辑中。单击气泡地图配置维度和度量,将维度中的date(month)拖动至“过滤器”,province拖动至“地理区域/维度”,度量中的amount拖动至“气泡大小/度量”,然后点击右下方的“更新”,如下所示:


20200711140549699.png


点击“样式”标签修改图形标题名称为:各省销售额气泡地图,气泡图的左上角名称改变,如下所示:


20200711140613717.png

2. 制作每月销售额

点击柱图配置维度和度量,将date(month)拖动至“类别轴/维度”,amount拖动至“值轴/度量”,date(year)和province拖动至“过滤器”,然后单击“更新”,如下所示:


20200711140632800.png


点击“样式”标签修改图形标题名称为:月销售额,如下所示:

20200711140649732.png


3. 制作销售额变化趋势


点击线图配置维度和度量,将date(month)拖动至“类别轴/维度”,amount拖动至“值轴/度量”,date(year)和province拖动至“过滤器”,然后点击更新,如下所示:


20200711140708940.png

点击“样式”标签修改图形标题名称为:月销售额变化趋势,如下所示:

20200711140727127.png

4. 制作每月销售额占比


点击饼图配置维度和度量,将date(month)拖动至“扇区标签/维度”,amount拖动至“扇区角度/度量”,date(year)和province拖动至“过滤器”,然后点击更新,如下所示:

20200711140748511.png

点击“样式”标签修改图形标题名称为:月销售额占比,如下所示:


20200711140806112.png


5. 制作各省总销售额


点击柱图配置维度和度量,将province拖动至“值轴/度量”,amount拖动至“类别轴/度量”,date(year)和date(month)拖动至“过滤器”,然后点击更新,如下所示:

20200711140825868.png


点击“样式”标签修改图形标题名称为:各省总销售额,如下所示:

20200711140843776.png


单击右上角的 “保存”按钮,保存成功后在右上角会出现,成功的显示,如下所示:

保存后的仪表板可以单击Quick BI工作空间中的仪表板查看,如下所示:


20200711140909634.png

2.5 预览销售分析报表


【注】通过预览销售分析报表可以分析结果,本实验以销售额的分析为例

进入销售分析报表后,单击“预览”按钮(也可以通过“编辑”按钮重新编辑仪表板),如下所示:


20200711140932837.png

单击“预览”按钮后,将会在网页上出现如下界面:


20200711140950742.png


可以发现2016年3月份网上书城的销售额在2016年是最高的所占比例为23%,月销售总额在30万左右,其中在山东省,上海市,广东省和江苏省这几个区域的月销售额较高。


2.6 门户制作


门户也叫数据产品,是通过菜单形式组织的仪表板的集合,通过数据门户可以制作复杂的带导航菜单的专题类分析。


新建数据门户


在Quick BI工作空间标签页下,单击 “数据门户” -> “新建数据门户” 按钮,如下所示:


20200711141019623.png

点击成功后将会跳转到如下页面:


20200711141036911.png

在模板设置栏中可以设置标题的名称为:网上书城分析系统,还可以上传公司的logo,并设置页脚的名称为:数据分析团队,如下所示:

20200711141055200.png

如将制作完成的销售分析报表放在其中,如下所示,单击“三级菜单”,将右侧菜单显示名称修改为:销售额分析,单击仪表板前的圆圈选中,仪表板选择“销售分析报表”,单击“更新页面”:



20200711141116935.png


在菜单设置栏中,可以新建子菜单或者删除子菜单,如下所示:


20200711141137275.png



置完成后先点击保存按钮,如下所示:

再点击预览按钮,如下所示:

点击预览按钮后,将会显示如下界面,若想回到编辑区可以单击右下角的:


20200711141212778.png


第 3 章:思考与讨论


3.1 思考与讨论


  1. 尝试绘制每月的成交量变化趋势。

提示:创建线图添加月份作为维度,销售额作为度量。如下图:


2020071114124965.png


2. 讨论使用地图分析数据会有什么优点。


提示:人类的很多方面的生活依托于地理环境,市场全球化越来越明显,而对于某种特定的商品来说它的生产与使用可能是需要建立在特定的地理环境上的,例如东南亚的热带水果远销全球,而别的区域却没法生长出如此优质的水果。因此使用地图可以直观的让人们了解各个地区生产生活的特点,从地图中也可以非常直观的看到数据在空间上的聚类分布等特征,在某些领域大大的方便了分析。

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
目录
相关文章
|
2天前
|
存储 人工智能 数据管理
|
1天前
|
机器学习/深度学习 分布式计算 数据挖掘
MaxFrame 性能评测:阿里云MaxCompute上的分布式Pandas引擎
MaxFrame是一款兼容Pandas API的分布式数据分析工具,基于MaxCompute平台,极大提升了大规模数据处理效率。其核心优势在于结合了Pandas的易用性和MaxCompute的分布式计算能力,无需学习新编程模型即可处理海量数据。性能测试显示,在涉及`groupby`和`merge`等复杂操作时,MaxFrame相比本地Pandas有显著性能提升,最高可达9倍。适用于大规模数据分析、数据清洗、预处理及机器学习特征工程等场景。尽管存在网络延迟和资源消耗等问题,MaxFrame仍是处理TB级甚至PB级数据的理想选择。
19 4
|
9天前
|
SQL DataWorks 数据可视化
阿里云DataWorks评测:大数据开发治理平台的卓越表现
阿里云DataWorks是一款集数据集成、开发、分析与管理于一体的大数据平台,支持多种数据源无缝整合,提供可视化ETL工具和灵活的任务调度机制。其内置的安全体系和丰富的插件生态,确保了数据处理的高效性和安全性。通过实际测试,DataWorks展现了强大的计算能力和稳定性,适用于中小企业快速搭建稳定高效的BI系统。未来,DataWorks将继续优化功能,降低使用门槛,并推出更多灵活的定价方案,助力企业实现数据价值最大化。
|
9天前
|
分布式计算 大数据 数据处理
技术评测:MaxCompute MaxFrame——阿里云自研分布式计算框架的Python编程接口
随着大数据和人工智能技术的发展,数据处理的需求日益增长。阿里云推出的MaxCompute MaxFrame(简称“MaxFrame”)是一个专为Python开发者设计的分布式计算框架,它不仅支持Python编程接口,还能直接利用MaxCompute的云原生大数据计算资源和服务。本文将通过一系列最佳实践测评,探讨MaxFrame在分布式Pandas处理以及大语言模型数据处理场景中的表现,并分析其在实际工作中的应用潜力。
41 2
|
1月前
|
存储 分布式计算 大数据
【赵渝强老师】阿里云大数据生态圈体系
阿里云大数据计算服务MaxCompute(原ODPS)提供大规模数据存储与计算,支持离线批处理。针对实时计算需求,阿里云推出Flink版。此外,阿里云还提供数据存储服务如OSS、Table Store、RDS和DRDS,以及数据分析平台DataWorks、Quick BI和机器学习平台PAI,构建全面的大数据生态系统。
75 18
|
4天前
|
SQL 存储 分布式计算
阿里云 Paimon + MaxCompute 极速体验
Paimon 和 MaxCompute 的对接经历了长期优化,解决了以往性能不足的问题。通过半年紧密合作,双方团队专门提升了 Paimon 在 MaxCompute 上的读写性能。主要改进包括:采用 Arrow 接口减少数据转换开销,内置 Paimon SDK 提升启动速度,实现原生读写能力,减少中间拷贝与转换,显著降低 CPU 开销与延迟。经过双十一实战验证,Paimon 表的读写速度已接近 MaxCompute 内表,远超传统外表。欢迎体验!
|
1月前
|
人工智能 Cloud Native 数据管理
媒体声音|重磅升级,阿里云发布首个“Data+AI”驱动的一站式多模数据平台
在2024云栖大会上,阿里云瑶池数据库发布了首个一站式多模数据管理平台DMS:OneMeta+OneOps。该平台由Data+AI驱动,兼容40余种数据源,实现跨云数据库、数据仓库、数据湖的统一数据治理,帮助用户高效提取和分析元数据,提升业务决策效率10倍。DMS已服务超10万企业客户,降低数据管理成本高达90%。
163 19
|
1月前
|
分布式计算 大数据 BI
ClickHouse与大数据生态整合:从ETL到BI报表
【10月更文挑战第27天】在这个数据驱动的时代,企业越来越依赖于数据来做出关键决策。而高效的数据处理和分析能力则是支撑这一需求的基础。作为一位数据工程师,我有幸参与到一个项目中,该项目旨在利用ClickHouse与Hadoop、Spark、Flink等大数据处理框架的整合,构建一个从数据提取(Extract)、转换(Transform)、加载(Load)到最终生成商业智能(BI)报表的全流程解决方案。以下是我在这个项目中的经验和思考。
88 1
|
1月前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
2月前
|
数据采集 数据可视化 数据挖掘
阿里云 Quick BI使用介绍
阿里云 Quick BI使用介绍
279 3