薛惟仁 筆記本

在 Python 開發中，常會建立虛擬環境來區隔開發環境，避免套件衝突與其他不必要的問題發生。在這種情況下，若使用 Jupyter Notebook 來開發，就會遇到需要指定虛擬環境的問題。這裡記錄下如何在虛擬環境中建立給 Jupyter 使用的 Kernel，並將其指定其作為在 Jupyter Notebook 中所要執行的環境。

相信走到這裡，讀者應該有辦法依需求在 Tableau Desktop 中活用 TabPy。但還有一個部分有可能造成開發困難，就是不知道如何查看錯誤訊息的詳細資訊或者確認 Tableau Desktop 傳來的資料格式，也就無法根據這些資訊來修正程式碼或 TabPy 的使用方式，進而導致在除錯遇到困難。因此這篇文章會分享使用 TabPy 應該要知道的除錯技巧。

熟悉 TabPy 的運作與使用方法之後，下一步便是開發屬於自己的 Model。若直接使用 TabPy 與 Tableau Desktop 來開發，很快會發現這樣的開發流程將會是一個問題，因為資料是直接從 Tableau Desktop 來的，導致我們無法像平常開發 Python 一樣，修改程式後馬上運行查看結果，造成諸多不便。因此這裡要分享個人平時開發 TabPy Model 的流程，提供給讀者參考。

直接將所有 Python 程式寫在工作簿內的第一種 TabPy 使用方法我們已經學會了，但這種方法的最大缺點是難以管控程式碼，無法將程式碼提供給多個工作簿共用。這裡要分享的是第二種 TabPy 使用方式，以佈署函式的方式讓我們可以將程式碼集中管理。

簡單來說，Python 在 Tableau Desktop 中使用方法有兩種，第一種是將 TabPy 當作 Python 直譯器，將 Python 程式碼直接寫在 Tableau Desktop 中，需要運算時再將該程式碼傳送給 TabPy 執行。第二種是預先寫好函式，將其存放於 TabPy Server，Tableau 要呼叫時只需指定函式名稱與傳遞資料即可。這裡會分享如何使用第一種方式，將 Python 整合進 Tableau Desktop 使用。

對 TabPy 有一定程度的認識之後，便能開始學習 TabPy 安裝與使用，這篇文章會分享如何安裝 Python 與 TabPy，最後將 TabPy Server 啟動並測試與 Tableau Desktop 的連線。

Python 是一種直譯式語言，近幾年在資料科學中 (例如：人工智慧、大數據分析 等) 有著耀眼表現，若能將 Python 整合進 Tableau 使用，那將會是如虎添翼。幸好，Tableau 在 2016 年時發佈 TabPy 這個解決方案，TabPy 讓我們可以在 Tableau 工作簿內使用 Python 來對資料做運算與分析，使操作資料的方式更多元。諸多好處使 TabPy 成為使用 Tableau 必學的一個技術，讓我們先認識 TabPy，之後實作才會比較有概念。

有的時候我們會想讓使用者輸入一些參數，根據這些參數來做篩選或運算。到目前為止，我們沒使用到這個功能，但 Tableau Desktop 其實是有提供的，也就是 Parameter。這裡會分享如何搭配篩選器使用 Parameter 讓使用者輸入數值影響篩選的結果。

Tableau Desktop 讓我們不用寫到一行程式就能進行資料探索，但不代表我們不能撰寫程式。我們可以利用 Tableau Desktop 所提供的函式，使資料探索的面向可以更廣泛，與 Excel 函式的概念有點類似。這裡會分享如何透過 Calculated Field 使用內建函式協助我們做運算。

每當我們修改工作表或者儀表板的時候，Tableau Desktop 會立即進行運算以顯示出對應的視圖，這樣的即時顯示對我們資料分析來說是非常加分的。但是，若遇到資料集有百萬甚至上千萬筆資料，每一步修改所造成的運算量是非常可觀的，有可能每修改一個地方就需要等待數分鐘甚至更久的時間才能看到結果，對於時間寶貴的我們來說，這是一個急需被解決的問題。因此，這裡分享如何使用 Data Extract 來緩解這樣的問題。