or
Bài tập này là một phần của khóa học
Ở chương đầu tiên này, bạn sẽ học về ưu điểm và hạn chế của Python trong Power BI, cũng như cách bật tính năng này trong một workbook. Bạn cũng sẽ thực hiện cùng một tác vụ bằng cả hai công nghệ riêng rẽ để làm quen với điểm mạnh và điểm yếu của từng bên. Power BI là một công cụ mạnh mẽ. Python có thể được tận dụng để khiến nó còn mạnh mẽ hơn!
Giờ đây khi bạn đã chạy Python trong Power BI, hãy chuyển sang một bước xử lý dữ liệu quan trọng khác — nhận diện dữ liệu thiếu và nội suy (imputation). Trong chương này, bạn sẽ xác định dữ liệu thiếu trong một tập dữ liệu bằng Python, rồi bằng Power BI. Sau đó, bạn sẽ xử lý dữ liệu thiếu bằng cách áp dụng các kỹ thuật nội suy.
Trong chương này, bạn sẽ xây dựng một số biểu đồ dựa trên Python bằng gói Seaborn trong Power BI. Cụ thể là line plot, pair plot và joint plot. Bạn cũng sẽ học cách diễn giải các biểu đồ này để rút ra insight từ dữ liệu. Đến thời điểm này, bạn đã nắm được một số khác biệt chính giữa Python và Power BI trong các bước xử lý dữ liệu cơ bản. Bước tiếp theo là trực quan hóa dữ liệu này!
Trong chương này, bạn sẽ tiếp tục đánh giá mối quan hệ giữa các biến. Lần này, bạn sẽ thực hiện định lượng bằng cách tính hệ số tương quan. Bạn sẽ học cách làm điều này trong Power BI rồi đến Python. Cuối cùng, bạn sẽ tận dụng sức mạnh trực quan hóa của Seaborn để tạo một correlation heatmap! Khi hoàn thành khóa học, bạn sẽ thành thạo Power BI, Python và các kỹ thuật trực quan hóa dữ liệu. Làm tốt lắm!
Bài tập hiện tại