【Python】Tableauと連携してできること

公開：2025年4月6日更新：2026年4月6日

CodeCampが提供するDX人材育成が可能なプログラミングやITが学べる公開講座

TableauとPythonの連携でできること
Tableauで活用できるPythonライブラリ
PythonとTableauを連携するための設定方法
TableauとPythonを使った実践的なデータ分析例

TableauとPythonの連携でできること

TableauとPythonを連携させることで、データ分析のワークフローを大幅に拡張できます。Tableauの視覚化能力とPythonの高度な分析機能を組み合わせることによって、単体では実現できない複雑な分析タスクも実行可能になります。

【サンプルコード】
# TabPyを使用してTableauからPythonスクリプトを実行する例
import pandas as pd
import numpy as np
from sklearn.cluster import KMeans

# TabPyに公開する関数を定義
def kmeans_clustering(data, n_clusters):
    # データフレームに変換
    df = pd.DataFrame(data)
    
    # K-means クラスタリングを実行
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    df['cluster'] = kmeans.fit_predict(df)
    
    # 結果を返す
    return df.to_dict(orient='records')

【実行結果】
# Tableauから関数を呼び出した結果
[
  {"x": 1.2, "y": 2.3, "cluster": 0},
  {"x": 5.7, "y": 3.1, "cluster": 1},
  {"x": 1.5, "y": 1.9, "cluster": 0},
  {"x": 6.2, "y": 3.5, "cluster": 1}
]

TabPyというサーバーを利用することでTableauからPythonスクリプトを実行できます。この連携により、機械学習モデルの結果をTableauのダッシュボードに直接表示したり、カスタム計算を実行したりすることが可能です。

Pythonで作成した分析結果をTableauで視覚化するワークフローも構築できます。事前処理や複雑な計算をPythonで行い、その結果をCSVやデータベースに保存してTableauから参照する方法が一般的です。

Python研修一覧はこちら

目的に合うPython研修を一覧形式から探したい方は、ぜひご利用ください。

Python研修を比較する

Java研修一覧はこちら

目的に合うJava研修を一覧形式から探したい方は、ぜひご利用ください。

Java研修を比較する

PHP研修一覧はこちら

目的に合うPHP研修を一覧形式から探したい方は、ぜひご利用ください。

PHP研修を比較する

新入社員研修

目的に合う新入社員研修を一覧形式から探したい方は、ぜひご利用ください。

新入社員研修を比較する

全ての研修からも探したい方はこちら

Tableauで活用できるPythonライブラリ

TableauとPythonを連携する際には、データ分析や機械学習に特化した多様なライブラリを活用できます。特にPandasやScikit-learnなどのライブラリはTableauのデータ分析機能を補完する役割を果たします。

【サンプルコード】
# Tableauで使用するための時系列予測モデル
import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

def predict_sales(historical_data, forecast_periods=12):
    # データ準備
    df = pd.DataFrame(historical_data)
    
    # 特徴量エンジニアリング
    df['month'] = pd.to_datetime(df['date']).dt.month
    df['year'] = pd.to_datetime(df['date']).dt.year
    
    # 学習データとテストデータに分割
    X = df[['month', 'year']]
    y = df['sales']
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    
    # モデル学習
    model = RandomForestRegressor(n_estimators=100, random_state=42)
    model.fit(X_train, y_train)
    
    # 将来予測用のデータフレーム作成
    last_date = pd.to_datetime(df['date'].max())
    future_dates = [last_date + pd.DateOffset(months=i+1) for i in range(forecast_periods)]
    future_df = pd.DataFrame({
        'date': future_dates,
        'month': [d.month for d in future_dates],
        'year': [d.year for d in future_dates]
    })
    
    # 予測実行
    future_df['predicted_sales'] = model.predict(future_df[['month', 'year']])
    
    return future_df[['date', 'predicted_sales']].to_dict(orient='records')

【実行結果】
[
  {"date": "2023-01-01", "predicted_sales": 1250.45},
  {"date": "2023-02-01", "predicted_sales": 1320.78},
  {"date": "2023-03-01", "predicted_sales": 1450.21},
  {"date": "2023-04-01", "predicted_sales": 1520.33},
  {"date": "2023-05-01", "predicted_sales": 1620.67}
]

PythonのPandasライブラリを使用することでデータの前処理や変換、集計などの操作をTableauに渡す前に実行できます。これにより、Tableauでは難しい複雑なデータ操作もスムーズに行えるようになります。

Scikit-learnやTensorFlowなどの機械学習ライブラリを活用することによって、予測モデルやクラスタリング分析の結果をTableauで視覚化できます。これらのライブラリによりTableauの分析能力を大幅に拡張することが可能です。

PythonとTableauを連携するための設定方法

TableauとPythonを連携するには、TabPyサーバーのセットアップと適切な設定が必要です。この設定により、TableauのワークブックからPythonスクリプトを直接実行できるようになります。

【サンプルコード】
# TabPyのインストールと起動
# 1. TabPyをインストール
pip install tabpy

# 2. TabPyサーバーを起動
tabpy

# 3. 関数をTabPyサーバーに登録するスクリプト
from tabpy.tabpy_tools.client import Client

# TabPyクライアントを初期化
client = Client('http://localhost:9004/')

# 関数定義
def multiply(x, y):
    return x * y

# 関数をTabPyに登録
client.deploy('multiply', multiply, 'Multiplies two numbers', override=True)

【実行結果】
[INFO] Loading state from state file
[INFO] Will be saving state to /Users/username/.tabpy/state.txt
[INFO] Done loading state
[INFO] Web service listening on port 9004
[INFO] Register function as an endpoint with config=[TabPyAppClientConfig(deployment_version=1, name=multiply, description=Multiplies two numbers, type=model, target=None)]
[INFO] Successfully deployed multiply

TabPyサーバーをセットアップした後、Tableauで外部サービス接続を設定します。Tableauの「ヘルプ」メニューから「設定と実行」を選択し、「外部サービス接続」でTabPyサーバーのURLとポートを入力することによって連携が完了します。

Tableauの計算フィールドからPython関数を呼び出すには、SCRIPT_*関数を使用します。例えばSCRIPT_REAL("return _arg1 * _arg2", [Field1], [Field2])のように記述することで、PythonスクリプトをTableau内で実行できるようになります。

Python基礎・実践(Django)

企業・法人向けのPython研修では、基礎から応用まで体系的に学べます。

Python研修の詳細

DX社員研修

企業・法人向けのDX研修では、実務に繋がるリスキリングでITレベルを向上させます。

DX研修の詳細

Javaエンジニア育成研修

企業・法人向けのJavaエンジニア育成研修では、Javaの基礎から応用まで確実に習得できます。

Java研修の詳細

新卒・新入社員向け研修

企業・法人に新入社員・新卒社員に向けたプログラミング研修を提供しています。

新入社員研修の詳細

コードキャンプのIT研修を全て見る

TableauとPythonを使った実践的なデータ分析例

TableauとPythonを組み合わせた実践的なデータ分析では、Pythonで高度な処理を行い、その結果をTableauで視覚化するワークフローが有効です。このアプローチにより、複雑なデータ分析タスクも効率的に実行できます。

【サンプルコード】
# 感情分析をTableauで可視化するためのPythonスクリプト
import pandas as pd
from textblob import TextBlob

def sentiment_analysis(text_data):
    # データをリストに変換
    if isinstance(text_data, str):
        texts = [text_data]
    else:
        texts = list(text_data)
    
    # 感情分析を実行
    results = []
    for text in texts:
        if pd.isna(text) or text == '':
            results.append({
                'text': text,
                'polarity': 0,
                'subjectivity': 0,
                'sentiment': 'neutral'
            })
            continue
            
        analysis = TextBlob(str(text))
        polarity = analysis.sentiment.polarity
        
        # 感情ラベルを決定
        if polarity > 0.1:
            sentiment = 'positive'
        elif polarity < -0.1:
            sentiment = 'negative'
        else:
            sentiment = 'neutral'
            
        results.append({
            'text': text,
            'polarity': polarity,
            'subjectivity': analysis.sentiment.subjectivity,
            'sentiment': sentiment
        })
    
    return results

【実行結果】
[
  {
    "text": "このサービスは素晴らしいです！",
    "polarity": 0.8,
    "subjectivity": 0.75,
    "sentiment": "positive"
  },
  {
    "text": "使いにくいインターフェースで残念です",
    "polarity": -0.6,
    "subjectivity": 0.5,
    "sentiment": "negative"
  },
  {
    "text": "普通に機能しています",
    "polarity": 0.05,
    "subjectivity": 0.2,
    "sentiment": "neutral"
  }
]

テキスト分析はTableau単体では難しい処理ですが、Pythonと連携することで顧客レビューの感情分析やトピックモデリングなどが可能になります。これらの分析結果をTableauのダッシュボードに統合することによって、テキストデータに関する深い洞察を視覚的に表現できます。

地理空間分析でもPythonとTableauの連携が効果的です。GeoPandasやShapelyなどのPythonライブラリを使って複雑な地理空間演算を行い、その結果をTableauで地図上に表示することができます。これにより、位置情報に基づく高度な分析も実現可能です。

※上記コンテンツの内容やソースコードはAIで確認・デバッグしておりますが、間違いやエラー、脆弱性などがある場合は、コメントよりご報告いただけますと幸いです。