FAQ

Est-ce que RATH fonctionne avec MySQL (ou d'autres moteurs de base de données) ?

Oui, RATH permet de se connecter à une base de données MySQL. RATH prend en charge différents types de bases de données, notamment MySQL, ClickHouse, Amazon Athena, Amazon Redshift, Apache Spark SQL, Apache Doris, Apache Hive, Apache Impala, Apache Kylin, Oracle et PostgreSQL.

Pour plus de détails sur les bases de données actuellement prises en charge, référez-vous à la section Bases de données prises en charge.

RATH est en train d'ajouter davantage de prises en charge pour les bases de données telles que Snowflake, etc.

Comment visualiser les données à partir de fichiers CSV ?

RATH prend en charge nativement l'importation de fichiers CSV et JSON pour la visualisation des données. Dès que vous vous connectez au portail RATH, cliquez sur le bouton File à gauche. Vous pouvez importer un fichier CSV ou JSON depuis votre environnement local avec un encodage personnalisé.

Quelle est la source de données de RATH ? Quel est le moteur de données dans Tableau et RATH ?

Contrairement aux logiciels BI classiques tels que PowerBI et Tableau, les concepts de source de données et de moteur de données sont complètement séparés dans RATH.

Prenons l'exemple où vous voulez importer des données à partir d'un service ClickHouse. Dans ce cas, ClickHouse est la source de données, tandis que RATH fonctionne en tant que moteur de données.

D'autre part, vous pouvez importer des données à partir d'autres sources de données et définir ClickHouse comme moteur de données. Ainsi, lorsque vous avez de grandes quantités de données, RATH transfère les requêtes vers des clusters distribués ClickHouse pour un traitement plus rapide.

Quelle est la méthode la plus rapide pour analyser les données ?

Meilleure pratique : utilisez RATH pour effectuer une analyse rapide de votre jeu de données. Après avoir obtenu une meilleure compréhension de vos données, ajustez les types de données et exécutez à nouveau vos données avec RATH pour obtenir un résultat plus précis. Répétez jusqu'à obtenir un résultat satisfaisant.

Quelle est la taille maximale de ma source de données ?

Actuellement, la version communautaire de RATH limite les données à 100 Mo. Cependant, vous pouvez facilement travailler avec une source de données beaucoup plus grande en échantillonnant.

L'échantillonnage est le processus qui consiste à sélectionner une taille raisonnable d'un sous-ensemble à partir de votre jeu de données d'origine. Par exemple, vous n'avez pas besoin de sonner à toutes les portes des résidents d'une grande ville pour enquêter sur leur opinion sur un candidat, au lieu de cela, vous interrogez un échantillon de, disons, 1000 personnes.

Pour les utilisateurs avancés, vous pouvez également connecter RATH à une base de données MPP, ou vous abonner à RATH Pro.

Comment explorer automatiquement les données avec RATH ?

Vous pouvez effectuer une analyse exploratoire de données automatisée avec la fonction de méga-exploration automatique de RATH. Référez-vous à notre chapitre tutoriels pour un guide pas à pas.

La méga-exploration automatique ne fonctionne pas pour moi ! Que dois-je faire ?

Il n'est généralement pas recommandé d'utiliser la fonction Méga-exploration automatique pour les grands ensembles de données, car la version en ligne gratuite de RATH n'utilise pas de moteurs de données distribués. Pour les grands ensembles de données, utilisez plutôt l'exploration semi-automatique.

Est-ce que RATH propose une API publique ?

RATH dispose d'une prise en charge des API RESTful, mais elle n'est pas encore prête à être publique. Pour toute demande, contactez le support RATH pour plus de détails.

Qu'est-ce que la recherche tensorielle ? Est-ce que RATH prend en charge la recherche tensorielle pour l'analyse sémantique ?

La recherche tensorielle est une méthode de recherche de plusieurs sources de données en même temps, en utilisant des tenseurs (tableaux multidimensionnels) et des techniques d'algèbre linéaire. Elle est souvent utilisée dans la recherche d'informations et le traitement du langage naturel, et peut être plus efficace que les algorithmes de recherche traditionnels.

Imaginez que vous disposez d'une base de données d'avis de clients sur différents produits et que vous souhaitez rechercher des avis mentionnant une caractéristique particulière du produit. Vous pourriez représenter chaque avis sous forme de tenseur, avec une dimension pour le texte de l'avis et une autre pour le produit examiné. Vous pourriez alors représenter la requête de recherche, qui est la caractéristique du produit qui vous intéresse, sous forme de tenseur. En utilisant des techniques d'algèbre linéaire, vous pourriez comparer le tenseur de la requête de recherche aux tenseurs des avis et classer les résultats en fonction de leur similarité. Cela vous permettrait de trouver rapidement tous les avis mentionnant la caractéristique du produit désirée, plutôt que de devoir chercher chaque avis individuellement.

RATH n'a pas encore adopté les capacités de recherche tensorielle.