Orange：开源可视化数据挖掘工具
Orange 是一款面向数据挖掘与机器学习场景的开源数据分析和可视化工具。它通过图形化界面让用户在不编写程序、不需要深厚数学基础的情况下完成数据科学工作流；同时也支持用 Python 脚本实现更高级的功能。
原文链接：Orange 官方网站（正文内含下载、示例与文档入口）。
功能简介
Orange 的图形化编程方式对初学者友好，可以把精力集中在数据分析本身。工具内置了大量开箱即用的组件，覆盖数据查询、预处理、可视化、建模、评估等环节，通过串联组件即可构建完整的数据分析流程。
组件之间支持实时通信：上游数据变化会同步传递到下游。比如在一个流程中，如果在数据表格里选中不同数据，散点图会随之更新，便于做交互式探索分析。
流程搭建时界面会提供智能提示。例如放置 Distances（距离计算）组件后，Orange 会猜测你可能需要 Hierarchical Clustering（层次聚类）组件。多数组件的默认参数已经能完成基础分析，用户不需要提前掌握专业背景知识。
模型的可视化结果、统计指标等信息可以保存为报告，便于后续管理和访问。
Orange 提供插件机制来扩充功能，包括自然语言处理与文本挖掘、网络分析、关联规则挖掘，以及机器学习公平性相关插件。部分插件针对特定数据形态设计，如时间序列、生存数据、光谱数据、基因表达数据。新手可以从内置的示例流程快速起步。
下载安装
官方下载页面：
在该页面选择对应平台的安装包，下载完成后运行即可。欢迎界面提供新建/打开工作流（workflow）的入口，以及教程、示例和使用文档。关闭欢迎界面后进入主界面。
主界面左侧为常用组件面板，内容包括：
- 数据（Data）：数据输入/保存、数据过滤、抽样、插补、特征操作与特征选择，支持内嵌 Python 脚本；
- 可视化（Visualize）：通用可视化（箱形图、直方图、散点图）和多变量可视化（马赛克图、筛分曲线图）；
- 模型（Model）：用于分类和回归的有监督机器学习算法集合；
- 评估（Evaluate）：交叉验证、抽样程序、可靠性评估及预测方法评估；
- 无监督算法（Unsupervised）：聚类（k-means、层次聚类）和数据降维（多维尺度变换、主成分分析、相关分析）相关算法。
通过 “Options | Add-ons” 菜单可安装更多组件；部分插件安装后需要重启 Orange 才会出现在左侧列表中。
示例教程
初学者可点击 “Help | Example Workflows”，从现成示例流程入手。以分类任务中的 “Classification Tree” 为例：
该工作流展示了决策树分类的基本流程，由以下组件组成：
- File 组件：加载鸢尾花（Iris）数据集，这是经典的数据挖掘数据集；
- Classification Tree 组件：执行决策树分类；
- Tree Viewer 组件：展示决策树模型结果；
- Scatter Plot 组件：展示数据的散点图；
- Box Plot 组件：展示数据的箱形图；
- 组件之间的连接线表示数据流的传递方向。
这些组件组合起来构建了一个交互式分类树浏览器。点击并打开各组件可查看、调整设置。
File 组件除加载本地文件外，也能读取在线 URL 资源，并可调整数据属性的类型与角色。分类树组件支持决策算法相关参数配置。Tree Viewer 直接呈现分类结果。在 Tree Viewer 中选中不同节点时，Scatter Plot 会根据该节点包含的数据同步刷新。
更多示例流程见官方网站：
高级用户可以开发自定义组件来扩展功能，或直接在 Python 脚本中用 Orange 库编写数据挖掘程序，相关细节可查阅官方文档：