映射数据集
在ProcessMind中映射数据集
在ProcessMind中，映射数据集是将原始数据转化为洞察的关键步骤。ProcessMind的一项重要优势是灵活性：您可以随时添加、移除、启用或停用数据。数据集成到流程时没有固定顺序，也不受强制方式限制。
您可以通过两种主要方式处理数据：
- **定义流程后添加数据：**先建立流程框架，再加入数据，以识别缺失信息并完善分析。
- **从数据开始：**使用事件数据创建初始流程图，并在此基础上继续构建。
应该选择哪种方式？
| 情况 | 方式 |
|---|---|
| 已经定义了流程，希望用数据丰富流程 | 先从流程开始，再添加数据 |
| 只有原始事件数据，还没有模型 | 先从数据开始并挖掘流程 |
| 希望先评估ProcessMind | 使用模拟数据生成示例流程 |
本文档将介绍如何从空白画布开始，逐步构建流程并完成分析。如果您希望从现有流程开始，也可以直接导入现有BPMN模型，并将数据映射到导入模型的Task和Event。
第1步：从空白画布开始
首先创建新流程或打开现有流程。画布是模型的基础，您将在其中映射和整理数据集。 如果您尚未在数据区域上传数据，也可以直接从流程视图上传。请在右侧面板中打开数据集选择区域，如下图所示。
选择数据集
数据集上传并处理完成后，系统会通知您可以使用该数据集。然后，您可以从数据集列表中选择它，如上图所示。最近上传的数据集始终显示在顶部。
将鼠标悬停在列表中的数据集上时，提示框会显示其他信息，例如：
- 数据集名称
- 识别出的行数
- 上传文件的大小和名称
- 上传日期和时间
这有助于确保您为流程选择正确的数据集。
选择数据集后，系统会执行一些基本的预处理。数据集名称旁会显示加载图标，表示正在处理。
在当前流程中，您可以重命名数据集（如有需要），以便后续识别。 通过开关，您可以选择在模型中显示或隐藏数据集。
数据集选项
数据集设置菜单提供多种选项，帮助您有效管理和自定义数据集。可用选项如下：
-
编辑数据集：
快速访问编辑数据集选项，直接修改或完善数据集。 -
从模型中移除数据：
如果流程不再需要该数据集，请使用从模型中移除数据选项。这会移除数据集的所有引用，并将其从流程画布中清除。
**注意：**此操作不会删除数据集本身；数据集仍可在数据集列表中使用。 -
数据集颜色：
更改数据集颜色，以便在视觉上区分。所选颜色也会应用于由该数据集生成的活动，便于在画布中识别。 -
自动映射此数据集：
尝试将数据集活动自动映射到流程模型中已有的活动，从而节省时间并保持一致性。 -
移除此数据集的所有映射：
清除数据集与流程模型之间的所有活动映射。如果需要重新开始或进行重大更改，此选项非常有用。 -
自动布局模型：
自动布局模型选项会自动在画布上排列活动及其关系，使显示更清晰。 -
合并相同颜色的数据集：
将颜色相同的数据集合并为一个模型，并统一使用该颜色。
此外，数据集列表行包含在模型中显示数据开关，可隐藏或显示数据集中存在但尚未直接映射到模型的活动。切换该开关即可管理未映射活动的可见性。
此外，您可以使用这些选项管理数据集在流程模型中的集成、显示和比较方式。有关主要数据集和比较数据集角色的切换、提升和移除，请参阅主要数据集和比较数据集。
将数据映射到流程
数据集完全加载后，系统会自动在画布上显示流程挖掘结果。这个初始流程图是没有固定连接的浮动模型。要将其纳入流程设计并进行编辑，您需要将其映射到现有模型或活动，或将其转换为固定模型。
将模型固定到画布
将浮动模型中的活动固定到画布主要有两种方式：
-
单独选择活动：
选择特定活动，逐个进行映射。 -
批量选择：
使用选择工具或键盘快捷键一次选择多个活动：- **Shift+鼠标拖动：**在活动周围绘制选择框。
- **全选：**按
Ctrl + A（Windows）或Command + A（macOS）选择所有活动。
完成选择后，所选活动旁会出现新的上下文菜单。在此菜单中选择添加到模型。此选项会将所选活动固定到画布，使您可以：
- 为活动添加上下文。
- 将其与其他属性关联。
- 根据需要映射或取消映射其他属性。
将数据集的流程图固定到画布后，您可以为流程补充详细的属性、关系和上下文，将原始数据转化为洞察。
未映射活动
未映射活动是存在于数据集中、但尚未映射到模型中任何属性的活动。这些活动可能代表流程设计中缺失的环节，或需要进一步集成的元素。
开启或关闭未映射活动选项时，未映射数据会以虚线显示。您可以一眼区分未映射活动和已映射活动。
在可视化示例中，您可以看到切换未映射活动选项前后的状态：之前和之后
- **之前：**未映射活动处于隐藏状态，不会显示在画布上。
- **之后：**未映射活动以虚线显示，突出显示可能需要映射的区域。
借助此功能，您可以高效管理和处理未映射数据，确保流程模型尽可能完整、准确。
边构建边完善
无论从已定义的流程还是原始数据开始，您都可以在构建过程中持续完善模型。最终得到的完整模型可用于分析和改进。