英文 | 日语 | 简体中文

简介

RATH 不仅是 Tableau 等数据分析与可视化工具的开源替代品，它还通过增强分析引擎自动完成探索性数据分析流程，发现数据中的模式、洞察和因果关系，并以强大的自动生成多维数据可视化方式呈现这些洞察。

RATH 会基于最小化可视化中信息的视觉感知误差来生成或推荐可视化方案。

https://user-images.githubusercontent.com/22167673/234053551-24e0f1c9-1efb-4250-a2f8-dbf148f5f4d0.mp4

[!TIP] 如果您需要更多 AI 功能，我们还开发了 runcell，这是一个 Jupyter 中的 AI 代码代理，能够理解您的代码、数据和单元格内容，并为您生成代码、执行单元格操作以及采取相应行动。您可以通过 pip install runcell 在 Jupyter Lab 中使用它。

https://github.com/user-attachments/assets/9ec64252-864d-4bd1-8755-83f9b0396d38

开始使用

立即开始使用 RATH 吧！

• 🚀 部分功能的沙盒演示
• 📖 阅读 RATH 文档
• 介绍 RATH 数据绘图工具的视频

功能

• 🤖 数据探索自动驾驶仪：一键获取洞察！增强分析引擎可发现数据中的模式、洞察和因果关系。只需点击一下，即可全自动地探索和可视化数据集。

• 🛠 数据探索副驾驶：RATH 将作为您的数据科学副驾驶，学习您的意图并生成相关建议。

• 自然语言界面：用自然语言提问，即可从您的数据中获得答案和可视化。

• AutoVis：RATH 会为您选择的数据生成最佳可视化效果。这让您可以专注于数据和变量，而不是如何制作可视化。

• 👓 数据整理器：自动化数据整理工具，用于生成数据摘要和进行数据转换。

• 🎨 数据绘图工具：一款交互式、直观且功能强大的探索性数据分析工具，可通过直接为数据着色来进行分析，并提供进一步的分析功能。请观看这段视频，了解如何使用数据绘图工具发现数据洞察。

• :bar_chart: 仪表板：构建精美的交互式数据仪表板（包括一个自动化仪表板设计器，可为您的仪表板提供建议）。

• 因果分析：识别并检验变量之间的因果关系，这有助于深入探索数据、建立更优的预测模型以及制定商业决策。

操作指南

从在线数据库或 CSV/JSON 文件导入数据。

查看数据源的统计信息

数据准备

RATH 支持通过“黑魔法”般的预测性转换操作来进行数据准备。它会自动给出转换、清洗等操作的建议。

一键自动化数据分析及可视化

增强分析引擎可发现数据中的模式、洞察和因果关系。只需点击一下，即可全自动地探索和可视化数据集。

将 RATH 用作您的数据探索副驾驶

RATH 将作为您的数据科学副驾驶，学习您的意图并生成相关建议。

https://user-images.githubusercontent.com/22167673/234018034-c7441549-e83b-4f5e-94c7-f772527a7094.mp4

向 RATH 提问

向 RATH 提问有关您的数据的问题，它与 GPT 集成，可生成答案和可视化。

通过拖放手动探索您的数据：

手动探索是一个独立的嵌入式模块。您可以在自己的应用中单独使用它。更多详情，请参阅 packages/graphic-walker/README.md 中的 README 文件。

安装 Graphic Walker

yarn add @kanaries/graphic-walker
# 或
npm i --save @kanaries/graphic-walker

:sparkles: 通过数据绘图实现交互式数据分析流程

Data Painter 视频 🔥 在 YouTube 上

🌅 因果分析（Alpha 阶段）

因果分析可以定义为识别和检验变量之间因果关系的方法，这有助于探索数据、构建更优的预测模型以及制定商业决策。

RATH 的因果分析功能包括：

• 因果发现
• 可编辑的图形化因果模型
• 因果可解释性
• 用于深入探索的交互式工具
• 假设情景分析

有关因果分析功能的更多信息，请参阅 RATH 文档。

支持的数据库

RATH 支持多种数据源。以下是一些您可以连接到 RATH 的主要数据库解决方案：

如果您希望增加对更多数据库类型或数据引擎的支持，请随时 联系我们。

开发者文档

RATH 软件目前处于开放 Alpha 阶段。我们正在不断完善其代码和文档。

客户端部分的构建脚本：

yarn install

yarn workspace rath-client build

如果您在项目中使用 RATH，请通过电子邮件 support@kanaries.org 告诉我们您具体的应用场景。我们也非常欢迎您的反馈。如果您发现任何错误或有功能需求，请创建一个议题。

我们鼓励您查阅我们的 RATH 文档，以获取参考和指导。

项目状态

社区

Kanaries 社区 是一个开放讨论功能、表达想法或获得一般问题帮助的地方。您可以通过以下渠道加入我们：

我们的开发者社区是 RATH 项目持续发展的基石。我们诚挚地欢迎您 加入我们的社区，参与讨论，并随时关注我们的最新动态。

• 加入我们的 Slack
• 加入我们的 Discord

欢迎您 为 RATH 项目做出贡献，在我们的 GitHub 页面提交任何问题，或在聊天中分享您的精彩创意。

请考虑与开源社区分享您对 Kanaries RATH 的体验或看法。这确实很有帮助！

贡献

请查看 RATH 贡献指南，了解具体的操作指引。

感谢所有贡献者 :heart:

许可证 (AGPL)

Rath 是一款自动化数据分析与可视化工具（自动 EDA）。它是一款基于 AGPL 许可证的免费开源软件。

---

品牌图标依据其各自的版权许可使用。

尽情享受数据的乐趣吧！ ❤️

⬆ 返回顶部

Rath 快速上手指南

Rath 是一款开源的增强型数据分析与可视化工具，旨在通过自动化引擎发现数据中的模式、洞察和因果关系，并生成多维数据可视化图表。它不仅是 Tableau 等工具的开源替代方案，更提供了“自动驾驶”式的数据探索体验。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows, macOS 或 Linux
• Node.js：建议安装 LTS 版本（v16 或更高）
• 包管理器：推荐使用 yarn (v1.22+) 或 npm
• 浏览器：现代浏览器（Chrome, Edge, Firefox 等）用于查看可视化结果

提示：如果您希望直接在浏览器中体验部分功能而无需本地部署，可以访问 Rath Sandbox Demo。

安装步骤

Rath 主要由客户端部分组成，以下是基于源码构建的安装流程：

1. 克隆项目仓库

   git clone https://github.com/Kanaries/Rath.git
   cd Rath
   

2. 安装依赖 推荐使用 yarn 进行依赖安装，速度更快且兼容性更好：

   yarn install
   

   (如果网络较慢，可配置国内镜像源：yarn config set registry https://registry.npmmirror.com)

3. 构建客户端 执行以下命令构建 Rath 客户端部分：

   yarn workspace rath-client build
   

4. 启动服务 构建完成后，根据项目具体的启动脚本运行服务（通常为开发模式）：

   yarn dev
   # 或者
   npm run dev
   

   启动成功后，终端会显示本地访问地址（通常是 http://localhost:xxxx）。

嵌入式使用：如果您只想在自己的 React/Vue 项目中嵌入手动探索模块（Graphic Walker），可直接安装独立包：

yarn add @kanaries/graphic-walker
# 或
npm i --save @kanaries/graphic-walker

基本使用

安装启动后，您可以通过以下步骤完成一次完整的数据分析流程：

1. 导入数据

在界面中选择 Connect Data。Rath 支持多种数据源：

• 本地文件：直接上传 CSV 或 JSON 文件。
• 数据库连接：支持 MySQL, PostgreSQL, ClickHouse, Apache Doris, AWS Redshift 等主流数据库。

2. 数据概览与清洗 (Data Profiling & Wrangling)

导入数据后，Rath 会自动生成数据统计概要。

• 查看字段分布、缺失值情况。
• 利用 Data Wrangler 功能，系统会自动推荐数据转换和清洗操作（如文本模式提取、类型转换），一键应用即可。

3. 一键自动探索 (AutoPilot)

点击 AutoPilot 按钮，增强分析引擎将自动工作：

• 自动发现数据中的异常值、相关性、聚类和因果关系。
• 自动生成最佳匹配的可视化图表推荐列表。
• 您只需浏览生成的洞察卡片，即可快速获取数据结论。

4. 交互式探索 (Copilot & Data Painter)

• 自然语言问答：在对话框中输入问题（例如：“展示销售额随时间的变化趋势”），Rath 结合 AI 生成对应的图表和答案。
• 数据画笔 (Data Painter)：直接在数据表格上涂抹颜色标记感兴趣的数据子集，系统将立即针对该子集进行深入分析和可视化。
• 拖拽式制图：类似 Tableau 的操作界面，将维度拖入行/列，度量拖入标记卡，手动定制专属图表。

5. 构建仪表盘

将生成的关键图表保存并添加至 Dashboard，利用自动化仪表盘设计器调整布局，最终导出或分享您的交互式数据分析报告。