本教程纳入 IBM Cloud Pak for Data 快速入门学习路径。
| 级别 | 主题 | 类型 |
|---|---|---|
| 100 | IBM Cloud Pak for Data 简介 | 文章 |
| 101 | 利用 Data Virtualization 实现 Db2 Warehouse 数据虚拟化 | 教程 |
| 201 | 利用 Data Refinery 实现数据可视化 | 教程 |
| 202 | 使用 Watson Knowledge Catalog 查找、准备和理解数据 | 教程 |
| 301A | 借助内置 Notebook 的 Watson Machine Learning 进行数据分析、建模以及部署 | Pattern |
| 301B | 使用 AutoAI 自动构建模型 | 教程 |
| 301C | 使用 IBM SPSS Modeler 快捷构建预测机器学习模型 | 教程 |
| 401 | 利用 Watson OpenScale 监视模型 | Pattern |
Data Refinery 属于 IBM Watson 的一部分，它随附有 IBM Watson Studio（位于 IBM Public Cloud 上）和 IBM Watson Knowledge Catalog（使用 IBM Cloud Pak for Data 在内部部署中运行）。它属于自助式数据准备客户端，可供数据科学家、数据工程师和业务分析人员使用。您可以使用它将大量原始数据快速转换为可使用的高质量信息，为分析做好准备。对于整个组织内的人员均可信任的数据，Data Refinery 简化了这些数据的浏览、准备和交付工作。
学习目标
完成本教程后，用户将掌握：
- 如何将数据加载到 IBM Cloud Pak for Data 平台以配合 Data Refinery 一起使用。
- 如何通过在命令行中输入 R 代码或者从菜单中选择操作来转换样本数据集。
- 如何使用“数据流”步骤跟踪工作进展。
- 如何利用图表和图形实现数据可视化。
前提条件
预估时间
完成本教程大约需要 45 分钟。
步骤
第 1 步：将 billing.csv 数据加载到 Data Refinery 中
下载 billing.csv 文件。
在 Project 主页上单击 Data sets、+Add Data Set，然后选中 billing.csv 文件。
单击新添加的 billing.csv 文件。
这样即可启动 Data Refinery 并打开数据，如下图所示：
第 2 步：提炼数据
我们将从 Data 选项卡开始操作。
在命令行中输入 R 代码或者从菜单中选择操作来转换样本数据集。例如，在命令行上输入 filter，这样会观察到自动完成功能将提供有关命令语法及使用方式的提示：
或者，将鼠标悬停在操作或函数名上，查看完成命令的描述和详细信息。准备就绪后，单击 Apply 对数据集应用操作。
单击 +Operation 按钮：
首先，我们注意到 TotalCharges 是一个字符串。但是，由于它代表一个十进制数字，因此我们将这些值转换为十进制。选择操作Convert Column Type：
单击 + Select column，然后选择 Column -> TotalCharges and Type ->Decimal，选择 dr-convert-string-to-decimal.png 点击 Apply:
我们想要确保没有空值，然而 totalcharge 列刚好有一些空值，所以我们需要修复它。点击 filter 并且从下拉框中选择 TotalCharges 列，将 Operator Is 设置为 empty，点击 Apply：
可以看到，这里只有 3 行 TotalCharges 为空值的数据：
直接将这些行从数据集中删除即可。
首先删除你刚添加的过滤条件。您可以从单击页面顶部的撤消箭头的“Steps”部分删除它。
接下来选择 Remove empty rows 操作，选择 TotalCharges 行并单击 Apply：
最后，我们可以移除 CustomerID 列，因为它对于稍后的机器学习模型训练没有用。选择 Remove 操作，然后选择 Change column selection。 在 Select a column 选择 CustomerID 然后点击 next 并选择 Apply。
第 3 步：使用“数据流”步骤跟踪工作进展
如果我们执行了错误的操作该怎么办？我们可以使用圆形箭头来撤销（或重做）操作：
提炼数据时，IBM Data Refinery 会跟踪数据流中的步骤。您可以修改这些步骤，甚至可以选中某个步骤以返回到数据转换过程中的某一特定时刻。
要查看数据流中已执行的步骤，可单击 Steps 按钮。这样将显示您已对数据执行的操作：
您可实时修改这些步骤，并保存以供将来使用。
第 4 步：执行数据概要分析
单击 Profile 选项卡将显示有关数据的多个直方图概览。
您可通过直方图来深入洞察数据：
按月签约的客户数量是签订 2 年期或 1 年期合同的客户数量的两倍。
越来越多的客户选择无纸化记账，但仍约有 40% 的客户选择通过邮寄方式接收账单。
您可以查看 MonthlyCharges 和 TotalCharges 的分布情况。
在 Churn 列中，可看到大量客户将取消其服务。
第 5 步：利用图表和图形实现数据可视化
选择 Visualizations 选项卡会显示一个选项，通过该选项可选择要可视化的列。单击下方图像显示 Click here 的 Columns to Visualize 的空白处，选择 TotalCharges，然后在准备就绪后单击 Visualize data：
默认情况下，先会看到以直方图形式显示的数据。您可以选择其他图表类型。接下来，我们将单击 Scatter plot 来选取散点图：
在散点图中，为 X 轴选择 TotalCharges，为 Y 轴选择 MonthlyCharges，并为 Color map 选择 Churn：
向下滚动，为散点图提供一个标题，如果需要，还可以提供子标题。单击 Actions 下的齿轮图标，执行 Start over、Download chart details、Download chart image 或 Global visualization preferences 等任务：
可以看到，在 Global visualization preferences 中，可以对 Titles、Tools、Color schemes 和 Notifications 执行各种操作。让我们把 Color scheme 设置为 Vivid：
现在，所有图表的颜色都将体现此效果：
结束语
本教程为您展示了 IBM Cloud Pak for Data 上的 IBM Data Refinery 的一小部分功能。同时还说明了如何通过命令行使用 R 代码来转换数据，对列执行各种操作，例如，更改数据类型、移除空行或删除整列等。接下来，本教程还说明了数据流中的所有步骤均记录在案，因此您可以移除步骤、重复步骤或者编辑单个步骤。本教程还展示了如何快速执行数据概要分析，查看直方图和每列的统计信息。最后，本教程说明了如何创建更深入的可视化效果，并创建散点图映射（TotalCharges 对比 MonthlyCharges），以及通过颜色来突出显示客户流失率结果。
本教程纳入 IBM Cloud Pak for Data 快速入门学习路径。要继续学习本系列并了解有关 IBM Cloud Pak for Data 的更多信息，可阅读下一个教程使用 Watson Knowledge Catalog 查找、准备和理解数据。
本文翻译自：Data visualization with data refinery（2019-11-25）。