ネイティブの Power BI にオプションがない場合でも、Python の可視化は柔軟にカスタマイズできます。Seaborn パッケージには、さまざまなチャートに使える便利な関数が揃っています。
この演習では、よりシンプルな関数の一つである seaborn.lineplot() を使って、Python 可視化の基本に慣れていきます。
seaborn.lineplot()
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この最初の章では、Power BI における Python の利点と制約、そしてブック内でこの機能を有効化する方法を学びます。さらに、同じタスクを両方の技術でそれぞれ実行し、双方の強みと弱みを体感します。Power BI は強力なツールです。そこに Python を組み合わせれば、さらにパワフルにできます。
Power BI での Python 利用に慣れてきたところで、次は重要なデータ処理ステップである欠損データの特定と代入（インピュテーション）に進みましょう。この章では、まず Python、次に Power BI を使ってデータセット内の欠損を特定します。そのうえで、代入手法を活用して欠損への対処を進めていきます。
この章では、Power BI 上で Seaborn パッケージを用いて、複数の Python ベースの可視化（ラインプロット、ペアプロット、ジョイントプロット）を作成します。さらに、これらの可視化をどのように解釈してデータから洞察を得るかも学びます。ここまでで、基本的なデータ処理ステップにおける Python と Power BI の主な違いを理解できているはずです。次のステップは、データを可視化することです。
現在の演習
この章では、変数間の関係の評価を続けます。今回は、相関係数を計算して定量的に評価します。まず Power BI、続いて Python での実施方法を学びます。最後に、Seaborn の可視化を活用して相関ヒートマップを作成します。コースを終えるころには、Power BI、Python、そしてデータ可視化のスキルが身についているはずです。お疲れさまでした。
