让我们回到 Glassdoor 数据集。之前的练习已经找出了 MonthlyIncome 与数据集中其他变量(包括 JobRole、JobLevel 和 CareerStage)之间的关系。您可以在分解树中使用这些变量,更快速地分析各变量取值如何影响 MonthlyIncome 的数值。
MonthlyIncome
JobRole
JobLevel
CareerStage
在本练习中,您将通过这种方式来理解:多个"Explain by"变量的不同取值如何影响 MonthlyIncome 的平均值。
本练习是课程的一部分
通过我们的互动练习之一,将理论转化为实践
在本章中,您将更熟悉基于时间的变量,以及使用 EDA 为分析提取更多变量的多种方法——例如星期几和时间差。您还将上手使用 Power BI 构建折线图,计算新指标并发掘数据中隐藏的趋势——包括环比变化和滚动平均值。
Power BI 中 EDA 最强大的功能之一,是能够识别哪些变量对您的目标结果影响最大。支持这一点的原生 Power BI 可视化工具是分解树。您将学习分解树、如何构建它们,以及如何解读,以便用其他变量来解释目标结果。
当前练习
在本章中,您将构建另一个原生 Power BI 工具——关键影响因素可视化。它帮助您了解基于特定变量和观测分组时,目标结果会发生多大变化。