若要為每一組想評估的變數建立或更新快速量值,會相當耗時。讓我們善用 Python,一次處理多組變數。
在這個練習中,你會使用 Seaborn 的熱圖,來顯示釣捕資料集中各變數兩兩之間的相關係數。
如果你遺失了進度,請關閉所有開啟的報表,並從桌面上的 Workbooks 資料夾載入 4_2_correlation_heatmap.pbix。
4_2_correlation_heatmap.pbix
本練習屬於課程
將理論付諸實踐,立即體驗我們的互動練習
在第一章中,你會學到在 Power BI 中使用 Python 的優勢與限制,以及如何在活頁簿中啟用這項功能。你也會分別使用兩種技術完成相同任務,熟悉各自的強項與弱點。Power BI 是功能強大的工具。結合 Python 能讓它更上一層樓!
既然你已經在 Power BI 中順利使用 Python,接下來前進到另一個重要的資料處理步驟——辨識遺漏值與插補。本章中,你會先用 Python,再用 Power BI,找出資料集中遺漏的資料。接著,你會透過各種插補技術來處理這些遺漏值。
本章中,你會在 Power BI 裡使用 Seaborn 套件建立多個以 Python 為基礎的視覺化,包含折線圖、成對圖(pair plot)與聯合圖(joint plot)。你也會學習如何解讀這些視覺化,從資料中擷取洞見。到這裡為止,你已了解 Python 與 Power BI 在基本資料處理步驟上的一些關鍵差異。下一步就是把這些資料視覺化!
在本章中,你會持續評估變數之間的關係。這次會以量化方式,計算相關係數。你會先在 Power BI,再在 Python 中完成這件事。最後,你會運用 Seaborn 視覺化的威力來建立相關性熱圖!完成本課程後,你將熟悉 Power BI、Python,以及資料視覺化技巧。做得很好!
當前練習