or
Acest exercițiu face parte din cursul
În acest prim capitol, vei afla care sunt avantajele și limitările Python în Power BI, precum și cum să activezi această funcționalitate într-un registru de lucru. Vei realiza același exercițiu folosind cele două tehnologii separat, pentru a te familiariza cu punctele forte și slabe ale fiecăreia. Power BI este un instrument puternic – iar Python îl poate face și mai puternic!
Acum că ai pus bazele lucrului cu Python în Power BI, trecem la un alt pas important în procesarea datelor: identificarea datelor lipsă și imputarea. În acest capitol, vei identifica datele lipsă dintr-un set de date folosind Python, apoi Power BI. Vei parcurge apoi metode de gestionare a datelor lipsă prin tehnici de imputare.
În acest capitol, vei construi mai multe vizualizări bazate pe Python, folosind pachetul Seaborn, în Power BI – mai exact, un grafic liniar, un pair plot și un joint plot. Vei învăța, de asemenea, cum să interpretezi aceste vizualizări pentru a extrage informații relevante din date. Până în acest punct, vei cunoaște câteva dintre diferențele esențiale dintre Python și Power BI în pașii de bază ai procesării datelor. Următorul pas este să vizualizezi aceste date!
În acest capitol, vei continua să analizezi relația dintre variabile, de data aceasta dintr-o perspectivă cantitativă, calculând coeficientul de corelație. Vei învăța cum să faci acest lucru în Power BI, apoi în Python. În final, vei folosi puterea vizualizărilor Seaborn pentru a crea un heatmap al corelațiilor! La finalul cursului, vei stăpâni Power BI, Python și tehnici de vizualizare a datelor. Felicitări!
Exercițiul curent