Tableau交互性的集操作功能6个示例

在 Tableau 2018.3 发布之后，集操作功能扩展了 Tableau 中的交互性，通过用户的选择可以进行更深入，更多样化的比较，并让我们能够以全新的视角查看数据。现在，您可以为 Viz 读者提供更丰富的分析，更灵活的探索和更简单的用户体验。

集操作能够使交互更具表现力，无需任何编程即可对仪表板的设计进行精确的控制。它们让我们能够为最终的用户交互设计各种自定义响应。现在可以通过单个选择来协调多个可视化的不同行为，创建出几乎无穷的组合。

筛选操作与集操作

与可视化作品的交互通常等同于筛选操作，但筛选只是对用户选择的一种响应。有时您可能想：

1、查找与选择条件相关的所有项目，而不是仅保留完全匹配的项目

2、保留符合任一选择条件的项目，而不是满足所有选择条件的项目

3、对所选项目进行排序，对齐，分组或向下钻取，同时保留剩余数据的上下文

4、隐藏数据而不是筛选，以便您可以在计算中使用它

虽然筛选器仅保留选择中的数据，它把数据分为两个组 - 在选择中或未在选择中。实际上，筛选器只是一种特殊类型的集。而在原则上，集可以表达筛选器能够表达的任何内容，但反之则不然。

1、通过交互性表示关系和重叠等概念

2、使用 Tableau 来思考计算编写

3、应用提示和技巧进行设计和着色

示例 1：关系筛选

概念：有些数据编码意义，而有些数据编码关系。人们从编码意义的数据类型中进行选择。例如，用户可能会问：“2018 年世界杯上哪些球队和巴西队一组？”“哪些球队在E组？” 对小组感兴趣的原因是组内的球队会互相进行比赛。虽然筛选器总是会选择用户所点击的值，但是集合可以根据与用户所选项目的关系而选择其他字段。

数据源：2018 World Cup Match Results

情景：对于一支选定的球队，他们打了多少场比赛，在与哪些球队的比赛中赢了，输了，或是平局？每个球队得了多少分，而它的对手又得了多少分？

解读：当我们选择一个国家时，它与其他球队比赛的进球数和被进球数都会在 Viz 右侧展示，但是它们是向着不同的方向延伸的。

值得注意的是：购物篮分析也可以用完全相同的方式解决，用订单 ID 代替比赛 ID，而用产品代替队伍。

示例 2：对选择进行排序和对齐

概念：堆积条形图通常用于比较各个部分对整体的贡献。虽然第一个部分和总值在条形图中可以轻松比较，但内部其他区域却很难比较，因为它们不在共同的基线上。因此我们可以通过对选定部分的排序和对齐来解决此问题。

数据源：2017 - 2018 Stock Ticker Data

情景：每支股票的上涨或下跌的百分比是多少？哪些股票最不稳定？哪些股票波动性最小？哪些股票经常上涨？哪些股票经常下跌？

解读：每个横条代表了各个股票的每日变化情况。红色部分越多意味着股票下跌的次数越多，而紫色部分越多则意味着股票上涨的次数越多。颜色的深浅代表着变化的大小。对不同部分进行排序可以回答有关波动性，幅度和变化方向的问题。

值得注意的是：虽然各个股票的横条总长度是一样，但当选择一个或多个部分时，它会重新对齐。

示例 3：在选择中应用 OR 逻辑

概念：虽然筛选器始终在选择中应用 AND 运算符，但集可以在选择中应用 OR 运算符。

数据源：Normalized London House Price Data(1995-2018)

情景：数据中的房产按照土地所有权分类或按照房产类型分类的比例是多少？在只符合一个分类标准的房产中，符合土地所有权分类标准的百分比和符合房产类型标准的百分比又是各多少？

解读：OR 条件与总计算的百分比相结合，使您可以分析选择标准的重叠部分。例如， freehold 和 terraced 之间存在很大的重叠部分，而 freehold 和 flat 之间几乎没有重叠部分，尽管几乎所有的房产都符合这两个标准中的其中一个。

值得注意的是：添加筛选器总是会减少记录数，但添加带 OR 条件的集会增加结果集中的记录数。

动态分组

示例 4：合并细节层次

概念：数据通常是在严格的层次结构中构建的，而分析则需要将不同层次的细节合并到一个字段中。例如，销售经理常常想知道团队中个人配额与其他团队平均配额相比较的情况。

数据源：Market Value of Players and Teams in the 2018 World Cup

情景：对于选定的小组，各个球队的平均球员市场价值是多少？这与其他小组的平均值相比如何？

解读：德国的平均球员市场价值高于所有其他小组的平均值，而其他球队 - 瑞典，墨西哥和韩国 - 均低于所有小组的平均值。墨西哥和瑞典在第 16 轮击败德国的比赛中表现出色！

值得注意的是：这个技术允许您同时将组内的方差与组之间的方差进行比较。

示例 5：选择与其他/条件聚合

概念：当筛选器移除未选择的类别时，集可以将未选择的类别分组为“其他”。

数据源：Normalised London House Price Data(1995-2018)

情景：选定地区的房价趋势与所有其他地区的平均房价趋势的比较。

解读：每次选择某一区域时，它都会从“其他”类别中移除。

值得注意的是：使用筛选器时，清除选择会为每个类别显示单独的时间序列。使用集合，清除选择将显示汇总数据。当选择中具有大量类别时，该技术特别有用。

示例 6：单个成员向下钻取

概念：扩展类别子集使您可以在单个比例上对不同级别的详细信息进行比较。

数据源：Market Value of Players and Teams in the 2018 World Cup

情景：Viz 展示了在选定小组中的某个球队或具体运动员的平均球员市场价值与其他小组的平均值相比的情况。

值得注意的是：比率在不同的层次结构上是可比较的，而大小和数量通常不可以。例如，将个人的价值与团队的总价值进行比较的情况并不常见，除非需要强调特殊的个人。例如，梅西的市场价值高于整个俄罗斯队的市场价值。使用此技术时，请务必考虑要测量的类型和分析的意图。

操作顺序

示例 7：在筛选器之前计算排名

概念：像排序函数之类的表计算总是在筛选器之后应用，但在某些情况下，您可能希望在筛选之前进行表计算。

数据源：Market Value of Players and Teams in the 2018 World Cup

情景：对于选定的国家，每个球员在其球队内，地区，和世界上的排名各是如何？

解读：梅西在阿根廷，南美和全球都排名第一。哈里凯恩在英格兰排名第一，在欧洲排名第一，但在全球排名第二。而姆巴佩在法国排名第一，在欧洲排名第二，在全球排名第三。

值得注意的是：这里并没有对所选的队伍进行筛选，而是对所有数据排序并隐藏不在集合中的国家。这可以确保 Viz 是根据所有数据所计算的排名，而不仅仅是筛选后的可见数据。

示例 8：计算视图中被移除数据的移动平均值

概念：时间序列分析通常需要筛选到特定的时间范围内，同时需要计算包括筛选时间段之前的数据。

数据源：Normalised London House Price Data (1995-2018)

情景：放大指定时间范围，不仅可以查看按周销售的房产数量，还可以查看固定时间段（52 周内）房产销售的移动平均值。

值得注意的是：在计算度量时，将返回所选时间范围内的度量值，否则返回空值。根据系统设计会自动隐藏空值度量，因此会使 Viz 自动缩放到所选时间范围。

集操作使交互性更具表现力

集操作提供了强大的功能和灵活性帮助我们设计更有效的交互。用户将拥有更多的控制权，这意味着我们可以得到更好的定制体验和更丰富的分析。虽然这篇文章已经提到了几个例子，但集操作的潜力是无限的，我们期待在社区里看到集操作的应用。