不同的数据分析工具功能的侧重点有所不同：
有的工具重点在于记录，比如 Excel和数据库，其中Excel的缺点是无法完成大数据量的操作，超过100，0000条数据的情况下会影响处理速度，在数据库中写 SQL 语句可以对数据库中的数据进行统计，但几乎没有可扩展性，无法完成分析工作；
有的重点在于转换、分析，比如 SAS，SPSS，Lingo，Orange，KNIME，Rapidminer，Weka，R，Matlab，Python，Spark，Google's dataprep 等工具。这些工具有一些是开源的，有一些是收费的；有一些是离线使用的，有一些是在线使用的，复杂度也各有差异，本次主要比较的KNIME和Rapidminer这两款工具流数据挖掘工具都在此列，他们的共同特点是开源，以工具流的方式进行数据分析，提供大量的数据分析节点或是算子，以数据的转换和分析为主要功能。
还有的重点在于展示，可视化。比如 Tableau，PowerBI，国内的海致BDP等可视化工具越来越多，目前工作中常用到的是Tableau，本篇也会结合实际工作中遇到的情况谈一下工具流工具可以支持到Tableau的地方。
本篇的结构主要是从整个数据分析流程来看，分为数据存取、数据探索、数据处理及分析、可视化四个部分进行，其中KNIME的功能为主，RapidMiner和Tableau作为补充。
一、数据存取：
1.KNIME：
文件存取：支持excel、ARFF、csv、table等文件的存储，主要用到的是excel和csv。
数据库存取：支持的数据库类型如图所示。
亮点：数据库读取有两种模式，一种是将数据从数据库中取出后，利用 KNIME 的模块进行分析；另外一种方式是，在数据库中就做一些预处理，然后再把接下来的数据放在 KNIME 中处理。在这里KNIME提供了In database和Out database两种从数据库中获取数据的形式。可以根据具体情况决定选取哪种方式。丰富的Database Connector和Database Manipulation节点可以将复杂的SQL语句用可视化图形的方式展示出来，比如有专门的database行列筛选节点，关联节点，且每一步的结果可以用Table的形式展示出来进行预览。如图所示为KNIME丰富的数据库操作节点。
2.Rapid Miner
文件存取：支持Excel、SPSS、CSV、Dbase、Arff、 DasyLab等多种格式的数据源，以及ASCII,、PDF、HTML 和XML 格式的文本文档和和网页、时间序列数据等。在文件种类上多过KNIME。
数据库存取：可实现包括Oracle、IBM DB2、MS SQL Server、 MySQL、Ingres、Postgres、Teradata 等所有常见的数据库的数据抽取，数据抽取的过程完全通过SQL语句实现，功能不如KNIME丰富。
Rapid Miner中的数据库数据存取算子如图所示，由于过程通过SQL语句实现，所以只有Read、Write和Update三种算子。
3.Tableau
文件和数据库取数：目前日常工作中使用到Tableau经常连接文件，在数据库中数据没问题的情况下也可以直接连接数据库。Tableau数据连接的两种方式分别是实时与数据提取，使用实时提取对数据进行连接，当数据源发生变化时，例如有新的数据流动进来或者历史数据被删除，我们建立的连接也会随之发生变化。当数据源较小时，用Live确实是比较方便的，数据量比较大的时候效率会很低而且无法对数据进行筛选。
文件和数据的保存：
在使用Live进行数据连接时，保存数据的时候又两种格式 .twb 与 .twbx。
数据提取的连接方式为从数据源中直接提取数据，使其完全脱离原数据源。而且可在提取数据时对数据进行筛选。
当我们切换到工作簿的时候，tableau会提示我们是否要保存数据，此时显示保存的格式为 .hyper （老版本中显示为 .tde）
任何时候与数据源连接时，都可以导出连接信息作为快捷方式，通过此快捷方式，无需打开连接对话框即可快速连接。如果经常多次连接到同一数据源，或者已将自定义字段（如组、集、计算字段和分级字段）添加到数据窗口或已添加联接表，则可能需要这样做。对于与该数据源的后续连接，请使用快捷方式，这样不必重新创建自定义字段。为此我们可以将其添加到以保存的数据源，此时保存的数据格式为 .tds.
数据探索：
1.KNIME
在KNIME中每个节点对数据进行处理后，都可以通过表的方式进行预览。分析者在表自带的spec标签页对数据进行粗略观察，包括数据最大最小值，字段的数据类型等信息；
也可以在Table“default”界面，在字段名称上右键选择对数据进行可视化（Bar/Gray Scale）并通过排序对数据有初步直观的认识。
当我们在python中进行数据分析时，读取数据之后通常会对数据进行一个基础的统计，使用的是pandas.describe函数，可以了解数据的整体情况；而在KNIME中，也有类似的功能节点，就是Statistics Node，我们连接上这个Node，可以结果进行观察。
Statistics将数据分成两大类，一类是数值类型的值，一类是名义类型的值，对于数值类型的值，可以有一些基本的统计方法对数据进行统计，比如这一列的最小值、最大值、中值、均值、标准差、峰度、偏度等等，了解后就会对这列数据有一个整体上的把握。
亮点：KNIME的优点之一是具有 HiLite 功能，允许用户在节点结果中标记感兴趣的记录，并进一步展开后续探索。
2.Rapid Miner
可以在数据提取后进行数据探索，包括简单的可视化，界面友好。每一步结果生成的表格都有统计图（Charts）功能，可以选择展示图形，在这点上与Tableau相似。
亮点：相比于KNIME的连接Statistic节点观察静态统计图，Rapid Miner在该步骤可以进行数据的交互式探索。
三、数据处理和分析
1.KNIME
数据处理：KNIME常用的数据清洗节点包括Row filter，Column filter，Missing value。在分析过程中可以通过这些节点对抽取出来的数据，进行行列的条件筛选，并对缺失值进行处理，对空值进行替换。KNIME中还有包括String manipulation，Math fomula，Column Rename，Pivoting，Groupby等大量的数据整理节点，分别对应Excel中的数据替换、公式计算、重命名和数据透视表功能，操作和设置都不复杂，无需编程。不仅如此，大部分数据整理动作都可以通过特定的Node或者几个Node结合的方式实现，可操作性和灵活性很强。此外也不缺乏标准化、数据抽样等节点进行数据处理。
2.Rapid Miner
数据预处理主要通过Data Transformation算子实现中，其中包括了这样几个大类：数据整理节点包括常见的表连接、表计算等；数据类型转换，数据大致上可分为数值（numerical）、两类(Binomial)、多类(Polynomial)数据，有时候希望相互转换，这就要用到Type Conversion类的算子来处理；数据标准化，标准化数据和还原是经常用到的功能，分别对应Normalize和De-Normalize算子；数据的清理，通过Detect Outier检测异常值；通过Replace Missing Values处理缺失数据；通过sample算子实现数据抽样等。
3.二者数据建模比较：
在数据统计建模方面KNIME提供工作流的可视化建模，但是设置选项多，比较复杂，可以将多个节点进行整合但是不具备嵌套的层级关系；Rapid Miner也提供类似工作流的可视化建模，但它支持嵌套，这算是一个优点。
对于算法支持情况的比较可以参考咨询公司测评结果：
在试用了KNIME和Rapid Miner的决策树分类功能后，感觉两个工具的设置都比较简单，最后也可以生成可视化的决策树结果。IT咨询公司Gartner的网站上列出的二者进行数据挖掘的功能上相差不是很大。更多的区别在于设置操作，以及图形展示等细节上。
4.Tableau在商业模型实施中的优势
相比之下Tableau虽然优势不在于统计建模，但是可以自由地建立字段，计算相对灵活，并在探索过程中获取新的分析思路，KNIME的每一步数据操作最后结果都会体现在表格中数据的变化，或是生成新的表格，一些无用信息也随之生成，在计算模型的过程中显得冗余。另外Tableau中新建字段时写函数、创建数据桶等都比较方便，同样的步骤，在KNIME中需要一个或几个节点共同完成，每个节点都需要设置，步骤上略显麻烦。
四、图形可视化
之前的文章中总结了KNIME中可视化模块的功能，经过一个多星期的继续使用，可视化功能的很多弊端也暴露出来。比如在生成的报表中没有办法设置统一的配色、进行标注等，在操作过程中也略显繁琐，暂时看来，这些缺点制约了可视化模块直接服务业务生产报表。在与使用KNIME的前辈进行交流的过程中发现，很多人使用KNIME的可视化功能进行数据分析结果观察，或者为报表打草稿，为后面的工作提供思路方法，至于可视化的工作则是要具体情况具体分析。
KNIME和Rapid Miner中的数据可视化功能更适合作为数据分析中的一环，用来观察阶段性分析成果，而不适合作为结果输出，二者相比，Rapid Miner没有专门的可视化节点，所有的图形展示都在表中的Charts选项卡下，它的优点在于各种图形的展示可以随意切换，不像KNIME需要添加不同种类的节点。
Tableau可以承接前面两者的工作，在生成报表的最后一环发挥巨大作用。目前也已经了解到KNIME的报表方案可以与Python和Tableau进行集成，其中与Python进行集成可以在KNIME的相关节点中编辑Python脚本运行，这样一来Python的可视化包都可以使用；另一种是与Tableau进行集成，在安装相关的拓展模块之后，可以将KNIME处理后的数据表结果连接到Tableau节点，实现在Tableau中进行可视化（需要Tableau Sever）。
小结：
KNIME和Rapid Miner作为同种类型的数据挖掘工具，二者的数据处理和建模表现都很强。
KNIME的优点在于数据存取过程中对于数据库操作更加灵活，可以将SQL语句以图形化的方式表现出来，分析过程中的HiLight功能帮助实现数据探索，支持的数据处理方法和模型丰富，具备可视化功能，可拓展性强，有实现报表开发的可能性；
Rapid Miner的优势在于探索式数据分析可交互；工作流各算子之间可嵌套；可视化结果不同种类图表之间转换方便，界面和设置上相比于KNIME略简洁。
综上KNIME是一款更加全面的，可以实现从数据提取到可视化全流程的数据挖掘工具，可以弥补Tableau在数据可视化前期数据获取和数据清理的不足，也可以在数据建模方面发挥作用，实现用户分类、文本分析等功能。
