or
Este ejercicio forma parte del curso
En este primer capítulo, aprenderás las ventajas y limitaciones de Python en Power BI, así como a habilitar esta capacidad dentro de un cuaderno de trabajo. También realizarás la misma tarea utilizando ambas tecnologías por separado para familiarizarte con las fortalezas y debilidades de cada una. Power BI es una herramienta muy potente. ¡Python se puede aprovechar para hacerlo aún más potente!
Ahora que ya estás trabajando con Python en Power BI, pasemos a otro paso importante del procesamiento de datos: la identificación de datos faltantes y la imputación. En este capítulo, identificarás los datos que faltan en un conjunto de datos utilizando Python y, a continuación, Power BI. A continuación, trabajarás en la resolución de los datos faltantes utilizando técnicas de imputación.
En este capítulo, crearás varias visualizaciones basadas en Python, utilizando el paquete Seaborn, en Power BI. Concretamente, un gráfico de líneas, un gráfico de pares y un gráfico conjunto. También aprenderás a interpretar estas visualizaciones para extraer información sobre los datos. Llegados a este punto, ya conocerás algunas de las diferencias clave entre Python y Power BI en los pasos básicos del procesamiento de datos. ¡El siguiente paso es visualizar estos datos!
En este capítulo, continuarás evaluando la relación entre variables. En esta ocasión, lo harás de forma cuantitativa calculando el coeficiente de correlación. Aprenderás cómo hacerlo en Power BI y luego en Python. Por último, ¡aprovecharás el poder de las visualizaciones de Seaborn para crear un mapa de calor de correlación! Cuando termines el curso, serás un experto en Power BI, Python y técnicas de visualización de datos. ¡Buen trabajo!
Ejercicio actual