Coefficient de corrélation dans Power BI

Le coefficient de corrélation fournit une mesure quantitative pour évaluer la direction et la force de la relation entre deux variables continues.

Dans cet exercice, vous mesurerez quantitativement la relation entre fished et share_sustainable en créant une nouvelle mesure rapide pour calculer le coefficient de corrélation.

Si vous avez perdu des progrès, fermez tout rapport ouvert et chargez 4_1_correlation_powerbi.pbix à partir du dossier Workbooks sur le Bureau.

Cette activité fait partie du cours

Introduction à Python dans Power BI

Voir le cours

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Introduction à Python dans Power BI

SkillTag.level.intermediateSkillTag.label

4.8+

146 reviews

Commencer le cours gratuitement

Dans ce premier chapitre, vous apprendrez les avantages et les limites de Python dans Power BI ainsi que la façon d'activer cette fonctionnalité dans un classeur. Vous effectuerez aussi la même tâche avec chacune des technologies séparément pour vous familiariser avec leurs forces et leurs faiblesses. Power BI est un outil puissant. En y intégrant Python, vous pouvez le rendre encore plus puissant!

Exercise 1: Découvrir les bases de Python dans Power BI Exercise 2: Avantages et limites de Python dans Power BI Exercise 3: Configurer, importer et transformer des données Exercise 4: Configurer Power BI pour Python Exercise 5: Power BI : importer et joindre Exercise 6: Python : importation et jointure

Maintenant que vous êtes prêt à travailler avec Python dans Power BI, passons à une autre étape importante du traitement des données : repérer les données manquantes et l'imputation. Dans ce chapitre, vous identifierez les données manquantes dans un jeu de données avec Python, puis avec Power BI. Vous verrez ensuite comment traiter les données manquantes en appliquant des techniques d'imputation.

Exercise 1: Données manquantes et imputation Exercise 2: Données manquantes de façon non aléatoire Exercise 3: Repérer les valeurs manquantes Exercise 4: Repérer les données manquantes avec Python Exercise 5: Repérer les données manquantes dans Power BI Exercise 6: Traitement des valeurs manquantes par imputation

Dans ce chapitre, vous construirez plusieurs visualisations basées sur Python dans Power BI à l'aide du paquet Seaborn, notamment un graphique linéaire, un pair plot et un joint plot. Vous apprendrez également à interpréter ces visualisations pour en tirer des insights sur les données. À ce stade, vous connaîtrez certaines des principales différences entre Python et Power BI dans les étapes de traitement de données de base. La prochaine étape consiste à visualiser ces données!

Exercise 1: Créer des visualisations avec Seaborn Exercise 2: Ordonner les étapes pour construire un graphique Exercise 3: Créer des visualisations avec Python Exercise 4: Premiers pas avec les graphiques linéaires Exercise 5: Produire un pair plot Exercise 6: Générer un joint plot

Dans ce chapitre, vous continuerez d'évaluer la relation entre des variables. Cette fois, vous le ferez de manière quantitative en calculant le coefficient de corrélation. Vous apprendrez à le faire dans Power BI, puis dans Python. Enfin, vous mettrez à profit la puissance des visualisations Seaborn pour créer une carte thermique de corrélation! Une fois le cours terminé, vous aurez des compétences en Power BI, en Python et en techniques de visualisation de données. Beau travail!

Exercise 1: Calcul du coefficient de corrélation Exercise 2: Classer la corrélation Exercise 3: Comment calculer dans Power BI et Python Exercise 4: Coefficient de corrélation dans Power BI

Exercice en cours

Exercise 5: Carte thermique de corrélation avec seaborn Exercise 6: Une carte thermique du volume de pêche Exercise 7: Récapitulatif