Identificarea datelor lipsă în Power BI

Identificarea datelor lipsă cu Python este relativ simplă. Totuși, Power BI oferă o modalitate și mai rapidă, mai ales dacă ești la început cu codul Python.

În acest exercițiu, vei folosi Power Query Editor în Power BI pentru a găsi valorile lipsă din setul de date purchases. Folosind statisticile coloanelor, vei realiza o imputare simplă (adică înlocuirea valorilor lipsă) cu media coloanei.

Dacă ai pierdut progresul, închide orice rapoarte deschise și încarcă 2_2_missing_powerbi.pbix din folderul Exercises de pe Desktop.

Acest exercițiu face parte din cursul

Introducere în Python în Power BI

Vezi cursul

Exercițiu interactiv practic

Transformă teoria în practică cu unul dintre exercițiile noastre interactive

Începe exercițiul

Acest exercițiu face parte din cursul

Introducere în Python în Power BI

SkillTag.level.intermediateSkillTag.label

4.8+

147 reviews

Începe cursul gratuit

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!

Exercise 1: Noțiuni de bază despre Python în Power BI Exercise 2: Avantaje și dezavantaje ale Python în Power BI Exercise 3: Configurare, import și transformare date Exercise 4: Configurează Power BI pentru Python Exercise 5: Power BI: import și îmbinare Exercise 6: Python: import și îmbinare

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.

Exercise 1: Date lipsă și imputare Exercise 2: Date lipsă non-aleatoriu Exercise 3: Identificarea datelor lipsă Exercise 4: Identificarea valorilor lipsă cu Python Exercise 5: Identificarea datelor lipsă în Power BI

Exercițiul curent

Exercise 6: Tratarea valorilor lipsă prin 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!

Exercise 1: Construirea vizualizărilor cu Seaborn Exercise 2: Ordonarea pașilor pentru construirea unui grafic Exercise 3: Construirea vizualizărilor bazate pe Python Exercise 4: Primul pas cu graficele linie Exercise 5: Creează un pair plot Exercise 6: Generează un grafic joint

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!

Exercise 1: Calcularea coeficienților de corelație Exercise 2: Clasificarea corelației Exercise 3: Cum se calculează în Power BI și Python Exercise 4: Coeficientul de corelație în Power BI Exercise 5: Heatmap de corelație cu Seaborn Exercise 6: O hartă termică a volumului de pescuit Exercise 7: Concluzie