Erstelle einen Joint Plot

Power BI ist ein leistungsstarkes Tool für Datenvisualisierung. Einige nützliche Diagrammtypen sind jedoch nicht direkt verfügbar. Genau hier spielt Python seine Stärken aus – du kannst damit eigene Visualisierungen erstellen!

In dieser Übung erstellst du mit Seaborn einen Joint Plot. Damit kannst du die Beziehung zwischen der Menge gefangener Meeresfrüchte und der weltweit konsumierten Menge analysieren.

Wenn du Fortschritte verloren hast, schließe alle offenen Berichte und lade 3_3_jointplot.pbix aus dem Ordner Workbooks auf dem Desktop.

Diese Übung ist Teil des Kurses

<Kurs>Einstieg in Python in Power BI</Kurs>

Kurs ansehen

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Übung starten

Diese Übung ist Teil des Kurses

<Kurs>Einstieg in Python in Power BI</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

143 reviews

Kurs kostenlos starten

In diesem ersten Kapitel lernst du die Vorteile und Grenzen von Python in Power BI kennen und wie du diese Funktion in einer Arbeitsmappe aktivierst. Außerdem führst du dieselbe Aufgabe einmal mit Python und einmal mit Power BI aus, um die Stärken und Schwächen beider Technologien kennenzulernen. Power BI ist ein mächtiges Tool. Mit Python kannst du es noch leistungsfähiger machen!

Exercise 1: Die Grundlagen von Python in Power BI kennenlernen Exercise 2: Vor- und Nachteile von Python in Power BI Exercise 3: Daten einrichten, importieren und transformieren Exercise 4: Power BI für Python einrichten Exercise 5: Power BI: importieren und verknüpfen Exercise 6: Python: importieren und verknüpfen

Jetzt, da Python in Power BI läuft, geht es weiter mit einem wichtigen Schritt der Datenverarbeitung – dem Erkennen fehlender Daten und der Imputation. In diesem Kapitel identifizierst du fehlende Werte zunächst mit Python, dann mit Power BI. Anschließend gehst du das Thema durch, indem du Imputationstechniken einsetzt, um fehlende Daten zu beheben.

Exercise 1: Fehlende Daten und Imputation Exercise 2: Nicht zufällig fehlende Daten Exercise 3: Fehlende Daten finden Exercise 4: Fehlende Daten mit Python finden Exercise 5: Fehlende Daten in Power BI finden Exercise 6: Fehlende Werte per Imputation behandeln

In diesem Kapitel erstellst du mehrere Python-basierte Visualisierungen in Power BI mithilfe des Seaborn-Pakets: konkret ein Liniendiagramm, ein Pair Plot und ein Joint Plot. Du lernst außerdem, wie du diese Visualisierungen interpretierst, um Erkenntnisse aus den Daten zu gewinnen. Bis hierhin kennst du einige der wichtigsten Unterschiede zwischen Python und Power BI bei grundlegenden Verarbeitungsschritten. Der nächste Schritt: diese Daten visualisieren!

Exercise 1: Visualisierungen mit Seaborn erstellen Exercise 2: Die Schritte zum Erstellen eines Plots in die richtige Reihenfolge bringen Exercise 3: Python-basierte Visualisierungen erstellen Exercise 4: Einstieg mit Liniendiagrammen Exercise 5: Erstelle einen Pairplot Exercise 6: Erstelle einen Joint Plot

Aktuelle Übung

In diesem Kapitel untersuchst du weiter die Beziehungen zwischen Variablen. Diesmal tust du das quantitativer, indem du den Korrelationskoeffizienten berechnest. Du lernst, wie das in Power BI und anschließend in Python funktioniert. Abschließend nutzt du die Stärke der Seaborn-Visualisierungen, um eine Korrelations-Heatmap zu erstellen! Wenn du den Kurs abgeschlossen hast, bist du fit in Power BI, Python und in Visualisierungstechniken. Stark gemacht!

Exercise 1: Korrelationskoeffizienten berechnen Exercise 2: Korrelation klassifizieren Exercise 3: So rechnest du in Power BI und Python Exercise 4: Korrelationskoeffizient in Power BI Exercise 5: Korrelations-Heatmap mit seaborn Exercise 6: Ein Heatmap zu Fangmengen Exercise 7: Zusammenfassung