11个开源免费的数据分析与可视化工具

参与大数据、人工智能相关的项目的技术人员，掌握一些数据工具对项目建设至关重要。本文推荐一些优秀的开源数据分析与可视化工具，可以在从数据清洗到可视化等过程提高工作效率。

1.Apache Superset

https://github.com/apache/superset

Apache Superset是一个开源数据挖掘以及数据可视化平台，用户不需要编程知识就可以创建交互式仪表盘。平台支持各种数据源，提供丰富的可视化组件，并允许自定义仪和共享表盘。

平台在功能性方面，它集成了各种数据库和数据仓库，并提供了一个强大的SQL编辑器。在安全性方面，平台可通过基于角色的访问控制和身份验证。在可扩展性方面，它允许添加自定义功能，并且也有一个大型的、活跃的开源社区。

2.Metabase

https://github.com/metabase/metabase

Metabase是一个开源的商业智能工具，具有友好的用户界面、强大的数据可视化功能和交互式仪表板。它支持与各种数据源集成，支持实时查询，并提供自动报告。

Metabase还提供数据探索和发现工具，通过基于角色的访问控制以确保安全。它可以私有化部署，为项目提供了较为灵活的方案。

3.OpenRefine

https://github.com/OpenRefine/OpenRefine

OpenRefine是一个基于Java的数据管理和分析工具。支持用户使用Web端实现数据加工、可视化和功能扩展。

OpenRefine的主要功能包括挖掘、集群、协调、无限撤销/重做、隐私和Wiki。

4.Insights

https://github.com/mariusandra/insights

Insights是一个用于可视化地挖掘PostgreSQL数据库的工具，在图形的生成具有较强优势。

它支持PostgreSQL连接，自动检测发现数据库，允许连接到多个数据库，并允许模式编辑和添加自定义SQL字段。

它还提供数据挖掘、过滤器、基于时间的图形、键盘导航、保存的视图和固定的字段等功能。

安装如下：

npm install -g insightsinsights initinsights startbr
br

5.Retentioneering

https://github.com/retentioneering/retentioneering-tools

Retentioneering是一个Python库，它主要用于分析点击流、用户轨迹和事件日志变等，并产生比漏斗分析，以便更广泛和更深入理解用户行为。

使用Retentioneering来探索用户行为，细分用户，并形成关于是什么驱使用户采取期望的行动或远离产品的假设。

Retentioneering使用点击流数据来构建行为细分，突出显示影响您的转化率，保留和收入的用户行为中的事件和模式。Retentioneering库是专门为数据分析师、营销分析师、产品所有者、经理以及任何负责提高产品质量的人创建的。

Retentioneering作为Cyberter环境的组成部分，它扩展了pandas、NetworkX、scikit-learn库的功能，以更有效地处理顺序事件数据。Retentioneering优化工具是交互式的，专为分析研究而量身定制，因此，非Python专家也可使用它。只需几行代码，就可以处理数据，探索用户行为地图，并进行可视化。

6.FlyFish

飞鱼（FlyFish）是一个数据可视化编码平台。通过简易的方式快速创建数据模型，通过拖拉拽的形式，快速生成一套数据可视化解决方案。

功能包括：

• 项目管理：项目用于代表具体的业务需求场景，是多个应用、组件的集合。
• 应用开发：支持开发大屏应用，可开发单页面或是多页面路由的大屏应用。
• 组件开发：组件为最小粒度的项目基础，通过创建和开发组件拼凑出最终的可视化大屏展示。
• 模板库：可将开发完成的应用/组件分别上传到对应的模板库中，可在已有模板的基础上快速创建新的项目。
• 数据源管理：可接入 MySQL、Http 等多个数据库数据生成对应数据源，供创建项目时组件对数据进行调用。
• 数据查询：支持根据数据表进行 SQL 查询，精准定位数据源中具体数据并封装保存，也可将查询到的数据重新组合，供组件直接调用。

7.AKShare

https://github.com/akfamily/akshare

AKShare是一个开源财经数据Python接口库，旨在简化获取财务数据的过程。它需要Python（64 bit）3.8或更高版本。

8.Alluxio

https://github.com/Alluxio/alluxio

Alluxio，最初称为Tachyon，是一个虚拟分布式存储系统，将计算应用程序连接到各种存储系统。它起源于加州大学伯克利分校的一个研究项目，现在被许多领先的公司用来管理PB级的数据，最大支持超过3000个部署节点。

9.Flyte

https://github.com/flyteorg/flyte

Flyte是一个开源数据编排器，有助于构建生产级数据和ML管道。它是为可扩展性和可重复性而构建的，利用Kubernetes作为其底层平台。通过Flyte，用户团队可以使用Python SDK构建管道，并将其无缝部署在云和本地环境中，从而实现分布式处理和高效的资源利用。

该平台提供了一个强大的类型引擎，支持用Python或任何其他语言编写代码。此外，Flyte提供了在本地或远程集群上执行模型的能力，提供了高度的可扩展性和易于部署性。

10.Danfo

https://github.com/javascriptdata/danfojs

Danfo是一个受Pandas库启发的JavaScript包，旨在轻松直观地处理关系数据或标记数据。它支持TensorFlow.js ，处理丢失的数据，允许从DataFrame插入/删除列的大小可变性，并提供对象的自动和显式对齐。

特征：

• 支持快速处理Tensorflow.js张量
• 易于处理丢失数据（表示为NaN）
• 大小可变性：可以从DataFrame插入/删除列
• 自动和显式对齐
• 强大、灵活的分组功能
• 从数组、JSON、列表或对象、张量轻松转换为DataFrame对象
• 基于标签的智能切片、花式索引和查询
• 直观的合并和连接数据集
• 用于从平面文件（CSV、Json、Excel）加载数据的强大IO工具
• 用于交互式绘图的强大、灵活和直观的API
• 特定于时间序列的功能：日期范围生成以及日期和时间属性
• 强大的数据预处理功能，如OneHotEncoders、LabelEncoders、StandardScaler和MinMaxScaler

11.Elementary

https://github.com/elementary-data/elementary

Elementary是一个专为数据和分析工程师设计的首选dbt原生数据可观察性解决方案。可获得分钟级的即时可视化，能够快速检测数据问题，发送可操作的警报，并全面了解可能产生的影响和根本原因。Elementary重点提供了两个产品：一个创新的开源软件包和一个上级管理平台。

主要特征：

• 异常检测测试，收集数据质量指标并检测异常作为本机dbt测试。
• 自动化监视器，开箱即用的云监视器，用于检测新鲜度、卷和模式问题。
• 端到端数据沿袭，获取包含最新测试结果的丰富数据，以分析数据问题的影响和根本原因。Elementary Cloud提供列级血统和BI集成。
• 数据质量仪表板，一个单一的界面，用于所有数据监控和测试结果。
• 模型性能-监视模型和作业随时间的运行结果和性能。
• 基本配置在dbt代码中进行管理。
• 警报，发送可操作的警报，包括自定义频道和所有者标签。
• 数据目录，浏览数据集信息-描述、列、数据集健康状况等。
• dbt工件上传，保存元数据和运行结果的一部分，您的dbt运行。