V první kapitole se seznámíš s výhodami a omezeními Pythonu v Power BI a také s tím, jak tuto funkci v sešitu aktivovat. Stejný úkol pak splníš oběma technologiemi zvlášť, abys lépe pochopil/a silné a slabé stránky každé z nich. Power BI je výkonný nástroj — a Python ho dokáže posunout ještě dál!

Základy Pythonu v Power BI

Možnosti

Výhoda

Omezení

Výhody a nevýhody Pythonu v Power BI

Nastavení, import a transformace dat

Nastavení Power BI pro Python

Power BI: import a spojení dat

Python: import a spojení dat

Začínáme s Pythonem v Power BI

Teď, když máš Python v Power BI rozběhnutý, se přesuneme k dalšímu důležitému kroku při zpracování dat — identifikaci chybějících dat a jejich imputaci. V této kapitole chybějící data v datasetu odhalíš nejprve pomocí Pythonu a poté v Power BI. Pak se pustíš do jejich řešení prostřednictvím imputačních technik.

Chybějící data a imputace

Data chybějící nezcela náhodně

Hledání chybějících dat

Hledání chybějících dat pomocí Pythonu

Hledání chybějících dat v Power BI

Řešení chybějících hodnot pomocí imputace

V této kapitole vytvoříš několik vizuálů založených na Pythonu pomocí balíčku Seaborn přímo v Power BI — konkrétně spojnicový graf, pair plot a joint plot. Naučíš se také, jak tyto vizualizace interpretovat a získat z nich užitečné poznatky o datech. V tuto chvíli už budeš znát hlavní rozdíly mezi Pythonem a Power BI v základních krocích zpracování dat. Dalším krokem je tato data vizualizovat!

Tvorba vizualizací se Seabornem

Správné pořadí kroků při sestavování grafu

Tvorba vizualizací v Pythonu

Začínáme s čárovými grafy

Vytvoř párový graf

Vytvoření joint plotu

Vizualizace pomocí Seaborn v Power BI

V této kapitole budeš dál zkoumat vztahy mezi proměnnými — tentokrát kvantitativně, výpočtem korelačního koeficientu. Nejprve se naučíš, jak na to v Power BI, a pak v Pythonu. Nakonec využiješ sílu vizualizací Seaborn a vytvoříš korelační heatmapu! Po dokončení kurzu budeš mít pevnou půdu pod nohama v Power BI, Pythonu i technikách datové vizualizace. Skvělá práce!

Výpočet korelačních koeficientů

Klasifikace korelace

Jak počítat v Power BI a Pythonu

Korelační koeficient v Power BI

Korelační heatmapa se Seabornem

Heatmapa objemu úlovků

Shrnutí

Heatmapy a korelační koeficienty

Exercises and Datasets

DataCamp vs. Local Experience

V tomto kurzu zaměřeném na Python v Power BI budeš pracovat s daty ze studie přelovení oceánů a z e-shopu. Naučíš se využívat Python skripty v Power BI pro přípravu dat, vizualizace a výpočty korelačních koeficientů. Pro tvorbu vlastních vizuálů na bázi Pythonu budeš využívat balíček Seaborn. Po absolvování kurzu se budeš v Pythonu uvnitř i vně Power BI pohybovat s větší jistotou.

Ať přicházíš jako zkušený pythonista, nebo jako Power BI nadšenec, integrace Pythonu do Power BI je skvělým rozšířením datového arzenálu. Kurz ti ukáže, jak tyto dva nástroje kombinovat a vytěžit z každého to nejlepší podle aktuálního úkolu.

<h2>Přizpůsobte Power BI pomocí Pythonu </h2>
V tomto úvodním kurzu Pythonu v Power BI budete pracovat s daty ze studie o nadměrném rybolovu a od online prodejce a naučíte se používat skripty v Pythonu v Power BI pro přípravu dat, vizualizace a výpočet korelačních koeficientů. 
<br><br>
<h2>Vytvářejte vlastní vizuály</h2>
Konkrétně pro tvorbu vlastních vizualizací v Pythonu budete používat balíček Seaborn. Na konci byste se měli cítit o něco jistěji při používání Pythonu v Power BI i mimo něj.
<br><br>
<h2>Posilte svou sadu nástrojů</h2>
Ať už jsi byl/a nejdřív Pythonista, nebo pokročilý uživatel Power BI, integrace Pythonu do Power BI je skvělým rozšířením datového nástrojového boxu. Tento kurz ukáže, že když je budete používat společně, můžete využít výhod obou a vybrat si ten nejlepší pro daný úkol.


Introduction to DAX in Power BI

Introduction to Data Visualization with Seaborn

Naučte se používat Python skripty v Power BI pro přípravu dat, vizualizace a výpočet korelací.

Úvod do Pythonu v Power BI

Naučte se používat skripty Python v Power BI pro přípravu dat, vizualizace a výpočet korelačních koeficientů.

Datové sady musí být menší než 250 MB

Ve vizualizaci lze použít nejvýše 150 000 řádků

Výhody a nevýhody Pythonu v Power BI

Úvod do Pythonu v Power BI

Interaktivní praktické cvičení