Power BIé uma ferramenta de visualização de dados e agora podemos aprimorar os recursos do Power BI Python e Rsimplificar as atividades de ingestão e transformação. Neste blog, usarei Python Seaborn e Matplotlib bibliotecas para visualização de dados. Ao combinar o Power BI e o Python, é possível estender os recursos de ingestão, transformação, aumento e visualização de dados do Power BI.

Aqui está um caso de uso comercial entre muitos — Um site de comércio eletrônico deseja entender melhor seus usuários. Um analista de dados da empresa poderia usar o Python para analisar as vendas da empresa, destacar tendências previsíveis e usar visuais personalizados do Python para mostrar isso nos relatórios.

Aprenderemos sobre os recursos de integração do Power BI e do Python e veremos alguns recursos visuais abaixo. Se você quiser pular para a seção de implementação, vá para a seção " Usar Seaborn para visualização de dados " abaixo.

Usando os recursos do Python no Power BI

M languagee DAX já são linguagens suportadas pelo Microsoft Power BI (Data Analysis Expression), mas usar Python para preparação de dados às vezes é mais prático. Isso porque ele dá acesso a várias bibliotecas Python, uma coleção de funções práticas que reduzem a necessidade de escrever código do zero.

Você pode usar o Python para realizar limpeza de dados, modelagem de dados complexos e análises em conjuntos de dados, como preencher dados ausentes e fazer previsões. Um conjunto completamente novo de oportunidades para lidar com dados é ampliado pela combinação de Python e Power BI. O Power BI se tornou uma plataforma quase ilimitada, graças ao Python.

Alguns exemplos do tipo de trabalhos que podem ser realizados com Python no Power BI são os seguintes:

• Limpeza de dados — Os scripts Python podem ser usados ​​para automatizar algumas das atividades repetitivas de limpeza de dados.
• Transformação de dados — Os scripts Python são úteis para conjuntos de dados que precisam de transformações de dados antes de serem importados, o que pode ser difícil de executar no Editor do Power Query.
• Visualizações avançadas — Ao utilizar o Python, não há limitações quanto ao tipo de visual que você pode incluir em seu relatório. Você pode adicionar visualizações altamente personalizadas e exclusivas ao Power BI sem precisar baixar visuais personalizados.
• Conectividade — Mesmo que o Power BI não tenha uma conexão de fonte de dados integrada, o Python permite que você se conecte a praticamente qualquer fonte de dados.

Siga as etapas abaixo para trabalhar com Python no Power BI.

1. Baixando e instalando o Python

A configuração de um ambiente integrado é a primeira etapa. Você precisa ter uma distribuição do Python configurada em seu computador para conseguir isso. Você pode consultar estas etapas para a instalação. O Serviço do Power BI oferece suporte ao tempo de execução do Python 3.7.7. Consulte a seção “ Requisitos e limitações dos pacotes Python ” nesta página .

2. Instalando as bibliotecas necessárias

O Serviço do Power BI oferece suporte a algumas bibliotecas, mas a instalação dos pacotes abaixo do Python é suficiente.

1. Pandas: é usado para trabalhar com conjuntos de dados. Oferece ferramentas para exploração, limpeza, análise e manipulação de dados.
2. Matplotlib: é usado para criar visualizações estáticas, animadas e interativas em Python.
3. Seaborn: é uma biblioteca de visualização de dados Python baseada em Matplotlib chamada Seaborn. Ele oferece uma ferramenta de desenho sofisticada para criar visuais estatísticos atraentes e educacionais.

C:\>pip install pandas
C:\>pip install matplotlib
C:\>pip install seaborn

Esta não é uma etapa necessária porque o editor de scripts do Power BI também permite criar scripts Python. No entanto, qualquer editor de código externo ajudará a criar scripts rapidamente. Como inclui realce de sintaxe, sugiro usar o Visual Studio Code. Você pode baixá-lo do site oficial e consultar o procedimento de instalação do Visual Studio Code aqui . Consulte a documentação para obter mais detalhes sobre o Python IDE externo com Power BI.

4. Habilitando scripts Python no Power BI Desktop

Para ativar o script Python, abra o Power BI Desktop e clique em 'Arquivo' no canto superior esquerdo, clique em 'Opções e configurações', clique em 'Opções' e clique em 'Scripts Python', conforme mostrado abaixo.

Use Seaborn para visualização de dados

A Seaborn oferece uma ampla variedade de terrenos . No entanto, vamos nos concentrar em Boxen e Point Plots neste blog.

Boxen Plot: (seaborn.boxenplot)

Um Boxen Plot, um box plot avançado, pode ser usado para grandes conjuntos de dados. Quando uma representação de distribuição não paramétrica é plotada, semelhante a um gráfico de caixa, todos os recursos correspondem às observações reais. A forma da distribuição, particularmente nas caudas, é melhor compreendida plotando mais quantis. Clique aqui para saber mais sobre essa trama.

import matplotlib.pyplot as plt
import seaborn as sns
#Set aspects of the visual theme
sns.set_theme(style="whitegrid", color_codes=True)
#Take a sample dataset from the Github repository
dataset = sns.load_dataset("exercise")
#Ordering of diet values
pulse_ranking = ["no fat", "low fat"]
sns.boxenplot(x="diet",y="pulse",scale="linear",order=pulse_ranking,
data=dataset,k_depth="proportion")
#Use to display the visual
plt.show()

• set_theme:Esta função define aspectos do tema visual para todos os gráficos.
• load_dataset:Você pode carregar o conjunto de dados necessário com a ajuda desta função . Usei esse conjunto de dados para fins de referência. Você pode consultar outros conjuntos de dados para fins de aprendizado aqui .

Um gráfico de ponto usa a posição do ponto para indicar uma estimativa da tendência central para uma variável numérica, e as barras de erro são usadas para mostrar o grau de incerteza em torno dessa estimativa.

Para comparações entre vários níveis de uma ou mais variáveis ​​categóricas, os gráficos de pontos podem ser úteis. É mais simples para os olhos detectar interações por diferenças na inclinação do que comparando as alturas de vários agrupamentos de pontos. Este gráfico exibe apenas o valor médio. Clique aqui para saber mais sobre essa trama.

import matplotlib.pyplot as plt
import seaborn as sns
#Set aspects of the visual theme
sns.set_theme(color_codes=True)
#Take a sample dataset from the Github repository
df = sns.load_dataset("glue")
sns.pointplot(data=df, x="Score", y="Model", hue="Encoder",capsize=.2, 
 linestyles=" - " ,markers='^')
#Use to display the visual
plt.show()

Limitações do Python no Power BI

Python visual é um excelente recurso para usar com o Power BI, mas tem algumas limitações que você deve ter em mente ao escrever seus scripts:

Limitações de tamanho de dados

• O visual do Python pode usar apenas 150.000 linhas de dados para plotagem. Se mais de 150.000 linhas forem escolhidas, as primeiras 150.000 linhas serão usadas.
• Há um limite de 250 MB nos dados de entrada. Se você estiver processando conjuntos de dados realmente grandes, isso pode ser um problema.
• Uma coluna com um valor de cadeia de caracteres com mais de 32.766 caracteres no conjunto de dados de entrada de um Python Visual é truncada.

• Os visuais do Python são exibidos em 72 DPI.

• Os cálculos visuais do Python que levam mais de cinco minutos produzem erros de tempo limite de execução.

• Quando os dados são atualizados, filtrados ou realçados, os visuais do Python são atualizados. O visual em si, no entanto, não é interativo.
• Os visuais do Python respondem ao realce de outros visuais, mas você não pode clicar em elementos no visual do Python para filtrar outros elementos.

Neste blog, aprendemos como o Power BI pode ser integrado ao Python e como os gráficos Boxen e Point podem ser usados ​​em um ambiente integrado. Esta é apenas a ponta do iceberg do que é possível com a integração entre Python e Power BI. Sugiro que você consulte a documentação oficial da seaborn para saber mais sobre como aproveitar o Python no Power BI.

Graças a Federico Kereki !

Referências

Seaborn Instalação

Seaborn Tutorial em Python para Iniciantes

Interface de objeto Seaborn