or
Den här övningen är en del av kursen
I det här första kapitlet lär du dig fördelarna och begränsningarna med Python i Power BI, samt hur du aktiverar den här funktionen i en arbetsbok. Du utför också samma uppgift med respektive teknik separat för att bekanta dig med styrkor och svagheter hos båda. Power BI är ett kraftfullt verktyg – och med Python kan du göra det ännu kraftfullare!
Nu när du är igång med Python i Power BI är det dags att ta nästa steg: att identifiera saknade värden och arbeta med imputering. I det här kapitlet identifierar du saknade värden i en datamängd med hjälp av Python och sedan Power BI. Därefter arbetar du igenom hur du hanterar saknade värden med hjälp av imputeringstekniker.
I det här kapitlet skapar du flera Python-baserade visualiseringar i Power BI med paketet Seaborn – närmare bestämt ett linjediagram, ett pardiagram och ett kombinationsdiagram. Du lär dig också att tolka dessa visualiseringar för att dra insikter ur datan. Nu känner du till några viktiga skillnader mellan Python och Power BI vid grundläggande databearbetning. Nästa steg är att visualisera datan!
I det här kapitlet fortsätter du att undersöka sambandet mellan variabler – den här gången kvantitativt, genom att beräkna korrelationskoefficienten. Du lär dig hur du gör det i Power BI och sedan i Python. Slutligen använder du Seaborns visualiseringsmöjligheter för att skapa en korrelationsvärmekartan! När du är klar med kursen har du goda kunskaper i Power BI, Python och datavisualiseringstekniker. Bra jobbat!
Aktuell övning