这是一篇给朋友的数据分析入门随笔，也同时分享给你，希望对你有用。这次打算带着你开始第一次有意思的可视化数据分析，从芝加哥红绿灯和速度摄像头的公共数据中发掘各种隐藏的信息。Realy hope you joy in it.
首先要准备两样东西，Tableau和数据
Tableau
这里可以下载最新的桌面版Tableau，https://www.tableau.com/zh-cn/products/trial
这东西很好用，行业内很多公司都在使用Tableau（Server版）做为内部BI的主要基础或补充。如果你希望在数据分析上深入一些，可以去淘宝上买个序列号，一年的桌面版tableau大概在100块左右；如果你只是想先玩玩，14天的桌面版试用，应该也可以感受到热情是否存在。
数据源
先列一些你可能你能够轻松拿到的数据源，他们可以帮助你快速上手，跳过独立采集数据的过程，直接从陌生的数据中去发现一些未知的东西。我觉得这能更快更好地帮助你就建立正反馈循环。
- Kaggle：https://www.kaggle.com/datasets
- 一个美国数据导航：https://datausa.io/
- 美国政府开放数据平台（可能需要科学上网）：https://www.data.gov/
- 国内的一些政府开放数据平台，自己百度吧
这次用到的数据是：https://www.kaggle.com/chicago/chicago-red-light-and-speed-camera-data#red-light-camera-locations.csv 如下图(我相信你能找得到Google的网页翻译，也能找得到下载按钮，就不细说了)
需要单独提一句的是，你可能不知道这些字段到底代表什么，他们是怎么采集来的，balabala……很多数据源会有标注，比如下图，他们通常能解决你的大部分疑惑（通常我们会管它叫做“元数据”，metadata，意为描述数据的数据）
ok，准备工作到此已经做完了，下面就要开始手把手教你了。
（什么？要我教你如何安装Tableau？朋友，听说过百度吗？）
先点击左侧的连接到“文本文件”，找到你解压出的数据文件“speed-camera-violations.csv”，这是芝加哥各测速摄像头从2014年至今按日计算的违规数
打开之后大概是如下的样子，从左到右分别是地址，摄像头ID，违规日期，违规次数，balabala……
有时间，有对应的数据量，我们会很直接的想按时间看看违规量的变化，看看交通状况的变化趋势是好是坏。我们先点左下角的标签，进入工作表开始探索，如果你想改表名，双击标签就能修改。
一般来讲，我们会习惯把自变量放在横轴，因变量放在纵轴上。那么这次我们先试着把时间放到横轴，违规量放到纵轴上，大概如下图。
是不是觉得只按年看数据，有点不能满足自己的好奇心？点击蓝色的“时间”标签，能调整时间的粒度。
这次我们就稍进一步，按xx年第x季度的顺序来查看，是不是发现了什么？整体呈现非常明显的下降趋势，我们可以简单地假设，芝加哥的交通环境在不断变好。但是有没有可能是其他情况造成了这样的数据变化呢？会不会是城市交通太过拥挤，导致给你超速的机会少了呢？所以想想看，如果你想证明这是交通好转而不是恶化，还需要什么数据做支撑呢？
再仔细看下去，是不是发现了点规律性的波动？似乎每年的第2季度都是一年中违规量总和最高的时候，那这代表什么呢？通常情况下，我们看到季度波动会直接联想到天气，那是不是可以关联上芝加哥的天气数据来做进一步的分析？
时序性的分析就点到为止，为你提供几个方向，供你去探索一下：
- 月度、周度会不会有周期性的波动呢
- 如果不止看违规总量，看看各摄像头的违规中位数、平均数，会不会发现更多呢
下面我们来试试更有意思的，摄像头都会有地理座标，那么我们把数据放到地图上来看，是不是会更有趣？把经度、维度放到横纵轴上，把违规量当作圆大小的变量，一张地理可视化数据图就做出来了。
那么我们可不可以探索更多，比如工作日和周末会不会影响各个摄像头的违规量？这里要先写点函数，让我们获取到今天是工作日还是休息日。（国外通常以周日为一周第一天，这点要注意一下）
```
IF DATEPART('weekday', [VIOLATION DATE])=1 OR DATEPART('weekday', [VIOLATION DATE])=7
THEN "休息日"
ELSE "工作日"
END
```
成图就是如下这样，橙色的正方形指的是休息日，蓝色的菱形是工作日，图标的大小受14年-18年该摄像头记录的违规数量的日中位数影响
那么，你能不能发现些什么呢？
如果你，对这篇随笔感兴趣，或者发现了什么，欢迎留言。
如果你感兴趣，我会续着，写写Tableau上聚类应用，看Tableau的分类结果，跟你对这幅图的解读是否相同。
就像开头说的，这起初是一篇给朋友的数据分析入门随笔，可能会有些啰嗦，可能写的深度忽浅忽深，总之，读到这里不容易，感谢阅读。