在本章中，您将了解在 Power BI 中使用 Python 的优势与局限，以及如何在工作簿中启用该功能。您还会分别使用这两种技术完成同一任务，从而熟悉各自的长处与短板。Power BI 功能强大。结合 Python 可以让它更加强大。

在 Power BI 中学习 Python 基础

在 Power BI 中使用 Python 的优缺点

设置、导入并转换数据

为 Python 配置 Power BI

Power BI：导入与连接

Python：导入与连接

在 Power BI 中开始使用 Python

既然您已经在 Power BI 中成功运行 Python，接下来进入另一项重要的数据处理步骤——识别缺失数据与进行插补。在本章中，您将先用 Python，再用 Power BI，在数据集中识别缺失数据。随后，您将运用插补技术来处理这些缺失数据。

缺失数据与插补

非随机缺失的数据

查找缺失数据

使用 Python 查找缺失数据

在 Power BI 中查找缺失数据

用插补法处理缺失值

在本章中，您将使用 Seaborn 包，在 Power BI 中构建多种基于 Python 的可视化，包括折线图、配对图和联合分布图。您还将学习如何解读这些图表，从数据中提炼洞见。此时，您已经了解了 Python 与 Power BI 在基础数据处理步骤中的一些关键差异。下一步就是把数据可视化呈现出来。

使用 Seaborn 构建可视化

创建图形

为绘图步骤排序

构建基于 Python 的可视化

从折线图开始

生成成对关系图（pair plot）

生成 joint plot（联合分布图）

在 Power BI 中使用 Seaborn 做可视化

在本章中，您将继续评估变量之间的关系。这一次，您将通过计算相关系数，以定量方式进行评估。您会先在 Power BI 中，再在 Python 中完成计算。最后，借助 Seaborn 的可视化功能创建相关性热力图。完成本课程后，您将在 Power BI、Python 以及数据可视化技术方面更为熟练。做得很好。

计算相关系数

如何在 Power BI 和 Python 中进行计算

在 Power BI 中计算相关系数

使用 seaborn 绘制相关性热力图

捕捞量热力图

总结

热力图与相关系数

Exercises and Datasets

DataCamp vs. Local Experience

在本课程中，您将使用过度捕捞研究和一家在线零售商的数据，学习如何在 Power BI 中使用 Python 脚本进行数据准备、可视化，以及计算相关系数。针对构建自定义的 Python 可视化，您将使用 Seaborn 包。课程结束时，您应当能更自如地在 Power BI 内外使用 Python。

无论您起初是 Pythonista 还是 Power BI 高级用户，将 Python 集成到 Power BI 都能大幅扩展您的数据工具箱。课程将向您展示，结合这两者可以取长补短，并为手头任务选择最合适的工具。

<h2>使用 Python 自定义 Power BI </h2>
在这门 Power BI 中的 Python 入门课程中，您将使用来自一项过度捕捞研究和一家在线零售商的数据，学习如何在 Power BI 中使用 Python 脚本进行数据准备、可视化以及计算相关系数。 
<br><br>
<h2>构建自定义可视化</h2>
具体来说，为了构建自定义的基于 Python 的可视化，你将使用 Seaborn 包。 到最后，你应该会对在 Power BI 中（以及在 Power BI 之外）使用 Python 感到更加得心应手。
<br><br>
<h2>为你的工具箱赋能</h2>
无论你最初是 Python 爱好者还是 Power BI 高级用户，将 Python 集成到 Power BI 中，都是数据工具箱中的绝佳补充。 本课程将展示，通过将两者结合使用，你可以充分发挥各自的优势，并根据当前任务选择最合适的一个。


Introduction to DAX in Power BI

Introduction to Data Visualization with Seaborn

学习在Power BI中使用Python脚本进行数据准备、可视化和计算相关系数。

Power BI 中的 Python 入门

学习如何在 Power BI 中使用 Python 脚本进行数据准备、可视化和计算相关系数。

import matplotlib.pyplot as plt
import seaborn as sns

为绘图步骤排序

Power BI 中的 Python 入门

动手互动练习