Tableau 解析类函数图解：理解数据类型与转换

做数据分析时，我们常常遇到一类问题：字段里混着"25.1U""26.5PK2"这种文本，要从中拆出日期、转换成数字，才能做真正的分析。

上一篇文章我们讲了如何用正则把子串"提取"出来；这一篇我们把镜头拉高一点——先理解数据类型这件事本身，再看 Tableau 里一整族"解析 / 转换"函数是怎么把"串"变成"强类型字段"的，最后补一个 SQL 视角的对照。

📌 核心问题：混合字符串（如"25.1U"）无法直接分析，需要通过类型解析将文本转换为可计算的强类型字段

📌 关键方法：DATEPARSE 是 Tableau 解析族的核心——先看清日/月/年/时在字段中的位置（A/B/C/D），再拼出格式串让 Tableau「翻译」成日期

📌 跨工具视角：Tableau 的 DATEPARSE（string→date）与 SQL 的 strftime（date→string）互为逆运算，理解「类型」与「解析」，就能在任意工具间迁移这套认知

一、从数据库存储看数据类型

数据类型，是对数据存储的"预先定义"。 它普遍存在于 Excel、各类关系型数据库，也存在于 Tableau 的数据提取中。理解它，是理解一切"解析"动作的前提。

1.1 为什么要有数据类型

存储效率：定长还是变长，直接决定磁盘占用与读写速度。
运算语义：同样是 "1" 和 "1"，字符串相加是 "11"，整数相加是 2——结果由类型决定。
自动校验：13 月非法、字母不能进整数列——类型在写入时就替你把了关。

1.2 常见的数据类型家族

图1 数据类型分类货架图 — 图：数据类型分类货架——文本、整数、浮点、日期、日期时间、布尔六大家族

文本 / 字符串（String、VARCHAR、TEXT）：变长存储，如 "25.1U"，可做拼接、提取、正则匹配。
整数（INT、BIGINT）：定长（4/8 字节），如 25，可做精确的四则运算。
浮点 / 小数（FLOAT、DECIMAL）：定长，如 25.1，做聚合与近似计算（注意可能有精度误差）。
日期（DATE）：定长（三个整数），如 2025-01-01，可做加减、截断、下钻。
日期时间（DATETIME、TIMESTAMP）：在日期基础上多了时分秒。
布尔（BOOLEAN）：仅占 1 位，TRUE / FALSE，常用于筛选。

1.3 同一份"数字"在不同类型下的命运

当字符串 "25.1"：只能拼接、提取，无法直接求和。
当浮点 25.1：可参与加减、聚合。
当日期（解析之后）：可做时间差、连续 / 离散切换、下钻分析。

类型选错，存储与运算全错——这就是数据必须先"定义类型"的根本原因。

1.4 类型系统的"丰富度"，藏着产品的定位

图2 类型丰富度与产品定位图 — 图：从 Excel 到数据库，不同产品的类型丰富度反映了各自的定位与取舍

一个工具支持多少种类型、区分得多细，往往反映了它的定位与取舍：

过度简化的 BI：不区分整数与小数，把所有数字都当浮点存。表面清爽，但在大数据量聚合时，浮点比整数更慢、更耗内存，还可能引入精度误差——这种简化省了用户一时的心智，却赔上了引擎的计算效率。
Tableau（BI 工具）：只保留分析真正用得上的五种——小数、整数、字符串、日期、日期时间。既保留了整数 / 小数之分（关乎聚合精度与性能），又不让分析师陷入数据库那种类型泥潭，是"够用且克制"的平衡点。
关系型数据库：有几十种（INT / BIGINT / TINYINT / DECIMAL(p,s) / FLOAT / VARCHAR(n) / CHAR / TEXT / DATE / TIMESTAMP …）。精细到极致，为每一字节和每一次计算负责，代价是学习成本与建模复杂度。
Excel：弱类型、灵活多变，由它的通用性所决定。它是弱类型，单元格类型可随时改写，同一列能混装文本与数字。这不是缺陷，而是它作为"人人可用的通用工具"的通用性所决定的——代价是放弃了严格性。

一句话：类型太少是"偷懒"，类型太多是"负担"，Tableau 的五种是在"分析够用"与"不添乱"之间找到的平衡。

二、数据类型解析与转换（以 Tableau 为例）

所谓解析（parse），就是把"一种形态的串"识别、转换为"强类型字段"的过程。上一篇文章的正则只负责"提取子串"、得到纯文本；这一节的"解析"还要更进一步——赋予类型。

2.1 Tableau 解析 / 转换函数族

图3 Tableau 解析转换函数族地图 — 图：Tableau 解析转换函数族全景——DATEPARSE、INT、FLOAT、MAKEDATE、SPLIT、ISDATE 六族

按"输入 → 输出"分族来看：

文本 → 日期：`DATE`、`DATETIME`、`DATEPARSE`（用格式串解析，最可控，本篇主角）。
文本 ↔ 数值：`INT`（串→整）、`FLOAT`（串→浮）、`STR`（任意→串）。`INT` / `FLOAT` 是 `DATEPARSE` 在"数字侧"的亲兄弟。
数字 → 构造日期：`MAKEDATE`、`MAKEDATETIME`、`MAKETIME`。当 `DATEPARSE` 不可用时（如 Hive 连接），用它们兜底。
轻量拆分：`SPLIT`（按分隔符取第 n 段），不用正则也能拆 `a-b-c`。
解析前校验：`ISDATE`（判断这串能否被解析成日期，是解析前的保险丝）。
正则族：`REGEXP_EXTRACT` / `_NTH` / `_MATCH` / `_REPLACE`（见上一篇文章）。

2.2 重点：DATEPARSE（先看位置，再写格式）

DATEPARSE 不靠"猜"，而是让你显式声明：字段里的哪一段是日、哪一段是月、哪一段是年、哪一段是时。官方把日期的四个部件标成 A / B / C / D：

A = Day of month（日）
B = Month（月）
C = Year（年）
D = Hour / Minute / Second / 上下午（时、分、秒、午前午后）

做法分两步：① 先在字段里看清日 / 月 / 年 / 时分别在哪个「位置」（A / B / C / D）；② 再据此拼出格式串，让 Tableau 能照着把字符串"翻译"成日期。格式串必须原样复刻字符串里的空格、连字符等符号，否则会返回 Null。

图4 DATEPARSE：ABCD 位置 → 格式令牌 — 图：DATEPARSE 的核心思路——先用 ABCD 标出日期部件位置，再用格式令牌拼出格式串

看上图示例：字段 `15 - May - 2018 09:30 AM` 中，A（日）= `15`、B（月）= `May`、C（年）= `2018`、D（时）= `09:30 AM`；对应的格式令牌就是 `dd - MMM - yyyy hh:mm aa`。每个令牌认得自己对应哪个日期部件（dd = 日、MMM = 月、yyyy = 年、aa = 上下午），Tableau 就照这张"地图"把串变成日期。

解析自带的"智能"：缺省日自动补 1、两位年 `25` 自动补世纪为 `2025`、非法值（如 13 月）自动校验失败；长写部件也能解析（`September` 用 `MMMM` 四个符号即可）。

进阶：季度字段怎么办？ 若你的字段是季度格式（如 period 列的 `25.1Q`），可把 `.1` 当作季度而非月份，用单引号包住字面字母 Q：`DATE(DATEPARSE("yy.Q'Q'", [period]))` —— 解析为 `2025-01-01`（季度首月首日），外层 `DATE()` 去掉时分秒只留年月日。注意：格式串里的 `Q` 是"季度（Quarter）"的专用符号，文本里的字面字母 `Q` 必须写成 `'Q'`，否则会返回 Null。

2.3 类型转换方向一览

图5 Tableau 类型转换方向网络图 — 图：Tableau 类型转换方向一览——文本、日期、数值三极之间的转换路径

文本 →（`DATEPARSE` / `DATE`）→ 日期
文本 →（`INT` / `FLOAT`）→ 数值
日期 / 数值 →（`STR`）→ 文本
数字（年,月,日）→（`MAKEDATE`）→ 日期
正则 `REGEXP_EXTRACT` 只产出文本，要变成日期 / 数值，仍需 `DATEPARSE` / `INT` 等"解析"一步

2.4 解析的代价与收益

收益：类型化带来校验、日历语义、默认值（日=1、季度首月），拿到的是可计算字段。
代价：比正则多一层"理解"，格式串要与数据严格对齐。
与正则的关系：正则像"找出来"（模式导向、只认字符），`DATEPARSE` 像"变成日期"（格式导向、带语义）。该上正则的地方（混乱如 `25.1U` / `26.5PK2`）还是得正则。

三、补充：SQL 中的 strftime（跨工具视野）

3.1 先澄清：strftime 严格说是 SQLite 的函数

它并非"所有 SQL 通用"。通用的是"日期格式化 / 解析函数"这一族，各数据库方言不同：

SQLite：`strftime(format, timestring, ...)`
MySQL：`DATE_FORMAT`（date→string）/ `STR_TO_DATE`（string→date）
PostgreSQL：`TO_CHAR`（date→string）/ `TO_DATE`（string→date）
SQL Server：`CONVERT` / `FORMAT`

3.2 strftime 是什么

它是 C 标准库 `strftime` 的 SQL 版，作用是 date → string（把日期格式化成串），格式符如 `%Y %m %d %H %M %S %q`（其中 `%q` = 季度，正好和 Tableau 的 `Q` 令牌遥相呼应）。

3.3 与 Tableau DATEPARSE 的关系：互为逆运算

图6 strftime 与 DATEPARSE 逆运算对照图 — 图：DATEPARSE（解析输入）与 strftime（格式化输出）互为逆运算

`DATEPARSE`：string → date（解析输入），对应 C 的 `strptime`。
`strftime` / `TO_CHAR` / `DATE_FORMAT`：date → string（格式化输出），对应 C 的 `strftime`。
格式符对照：`%Y` ↔ `yyyy` / `yy`、`%m` ↔ `MM`、`%d` ↔ `dd`、`%q` ↔ `Q`。

3.4 一句话收束

解析 / 格式化是通用的"逆运算"思想：Tableau 用 `DATEPARSE` 把串变成日期，SQL 用 `strftime` 把日期变成串，二者方向相反、思想同源。理解了"类型"与"解析"，你就能在任意工具间迁移这套认知。

结语：三句话形成知识闭环

1. 类型是基础——它预先定义了数据怎么存、能怎么算。

2. 解析 / 转换是桥——把混排文本变成可计算字段。

3. Tableau 与 SQL 共用同一套"逆运算"思想——提取、解析、转换，层层递进。

回到本系列第一篇《Tableau 正则表达式实战：从混合字符串里精准拆出「年.月」》，你就能把"提取 → 解析 → 类型"串成一条完整的认知线。

整条链路是：**提取**（正则把子串拿出来）→ **解析**（DATEPARSE 按位置与格式令牌转成日期）→ **类型**（转换方向决定了后面能做什么计算）。三篇连起来读，「把混排文本变成可计算字段」这件事就没有死角了。

Tableau 解析类函数图解——理解数据类型及其转换