Promocja!

DODAJ MOCY POWER BI JAK ZA POMOCĄ KODU W PYTHONIE I R POBIERAĆ PRZEKSZTAŁCAĆ I WIZUALIZOWAĆ DANE

107.10

Na stanie

SPIS TREŚCI

Przedmowa

O autorze

O recenzentach

Wstęp

Część I. Najlepsze praktyki korzystania z języków R i Python w usłudze Power BI

Rozdział 1. Gdzie i jak używać w usłudze Power BI skryptów języka R i Python?

Wymagania techniczne
Wstrzykiwanie skryptów języka R lub Python do usługi Power BI
Ładowanie danych
Przekształcanie danych
Wizualizacja danych
Korzystanie z języków R i Python do interakcji z danymi
Ograniczenia stosowania języków R i Python dla różnych produktów usługi Power BI
Podsumowanie

Rozdział 2. Konfigurowanie języka R na potrzeby usługi Power BI

Wymagania techniczne
Dostępne silniki języka R
Dystrybucja CRAN R
Dystrybucja Microsoft R Open i MRAN
Klient Microsoft R
Stopniowe wycofywanie dystrybucji Microsoft R Open
Wybór silnika języka R do zainstalowania
Silniki języka R używane w usłudze Power BI
Instalowanie sugerowanych silników języka R
Instalowanie środowiska IDE w celu programowania w języku R
Instalacja programu RStudio
Konfigurowanie programu Power BI Desktop do pracy z językiem R
Konfigurowanie usługi Power BI do pracy z językiem R
Instalowanie lokalnej bramy danych w trybie osobistym
Udostępnianie raportów używających skryptów języka R w usłudze Power BI
Ograniczenia wizualizacji języka R
Podsumowanie

Rozdział 3. Konfigurowanie języka Python na potrzeby usługi Power BI

Wymagania techniczne
Dostępne silniki Pythona
Wybór silnika języka Python do zainstalowania
Silniki języka Python wykorzystywane w usłudze Power BI
Instalowanie sugerowanych silników języka Python
Instalowanie środowiska IDE na potrzeby programowania w języku Python
Konfigurowanie obsługi Pythona w środowisku programu RStudio
Konfigurowanie języka Python w środowisku programu Visual Studio Code
Konfigurowanie programu Power BI Desktop do pracy z językiem Python
Konfigurowanie usługi Power BI do pracy z językiem R
Udostępnianie raportów używających skryptów języka Python w usłudze Power BI
Ograniczenia wizualizacji w Pythonie
Podsumowanie

Część II. Pozyskiwanie i przekształcanie danych za pomocą języków R i Python w usłudze Power BI

Rozdział 4. Importowanie nieobsługiwanych obiektów danych

Wymagania techniczne
Importowanie plików RDS w języku R
Krótkie wprowadzenie do Tidyverse
Tworzenie zserializowanych obiektów w języku R
Korzystanie z plików RDS w usłudze Power BI
Importowanie plików PKL w Pythonie
Krótkie wprowadzenie do PyData
Tworzenie zserializowanego obiektu Pythona
Korzystanie z pliku PKL w usłudze Power BI
Podsumowanie
Bibliografia

Rozdział 5. Korzystanie z wyrażeń regularnych w usłudze Power BI

Wymagania techniczne
Krótkie wprowadzenie do regeksów
Podstawowe informacje o regeksach
Sprawdzanie poprawności adresów e-mail
Sprawdzanie poprawności dat
Sprawdzanie poprawności danych przy użyciu regeksów w usłudze Power BI
Korzystanie z regeksów w usłudze Power BI do sprawdzania poprawności adresów e-mail z wykorzystaniem języka Python
Korzystanie z regeksów w usłudze Power BI do sprawdzania poprawności adresów e-mail za pomocą języka R
Korzystanie z regeksów w usłudze Power BI do sprawdzania poprawności dat za pomocą języka Python
Korzystanie z regeksów w usłudze Power BI do sprawdzania poprawności dat za pomocą języka R
Ładowanie do usługi Power BI złożonych plików logów z wykorzystaniem regeksów
Logi dostępu do serwera Apache
Importowanie logów dostępu serwera Apache w usłudze Power BI za pomocą języka Python
Importowanie logów dostępu serwera Apache w usłudze Power BI za pomocą języka R
Wyodrębnianie wartości z tekstu w usłudze Power BI przy użyciu regeksów
Jeden regex do zarządzania wszystkimi danymi
Używanie regeksów w usłudze Power BI do wyodrębniania wartości z wykorzystaniem języka Python
Korzystanie z regeksów w usłudze Power BI do wyodrębniania wartości za pomocą języka R
Podsumowanie
Bibliografia

Rozdział 6. Anonimizacja i pseudonimizacja danych w usłudze Power BI

Wymagania techniczne
Deidentyfikacja danych
Techniki deidentyfikacji
Istota pseudonimizacji
Czym jest anonimizacja?
Anonimizacja danych w usłudze Power BI
Anonimizacja danych za pomocą języka Python
Anonimizacja danych za pomocą języka R
Pseudonimizacja danych w usłudze Power BI
Pseudonimizacja danych za pomocą języka Python
Pseudonimizacja danych w języku R
Podsumowanie
Bibliografia

Rozdział 7. Zapisywanie danych z usługi Power BI do źródeł zewnętrznych

Wymagania techniczne
Zapis danych do plików CSV
Zapis do plików CSV w języku Python
Zapis informacji do plików CSV za pomocą języka R
Zapisywanie informacji do plików programu Excel
Zapisywanie informacji do plików Excela za pomocą języka Python
Zapis do plików Excela za pomocą języka R
Zapis danych do serwera Azure SQL Server
Instalacja programu SQL Server Express
Tworzenie bazy danych w usłudze Azure SQL Database
Zapis danych do serwera Azure SQL Server za pomocą języka Python
Zapis danych na serwerze Azure SQL za pomocą języka R
Podsumowanie
Bibliografia

Rozdział 8. Ładowanie do usługi Power BI zbiorów danych przekraczających dostępną pamięć RAM

Wymagania techniczne
Typowy scenariusz analityczny obejmujący wykorzystanie obszernego zestawu danych
Importowanie dużych zestawów danych w języku Python
Instalowanie Dask na laptopie
Tworzenie obiektów DataFrame pakietu Dask
Wyodrębnianie informacji z obiektu DataFrame pakietu Dask
Importowanie dużego zestawu danych w usłudze Power BI z wykorzystaniem języka Python
Importowanie dużych zestawów danych za pomocą języka R
Instalowanie pakietu disk.frame na laptopie
Tworzenie egzemplarza obiektu disk.frame
Wyodrębnianie informacji z obiektu disk.frame
Importowanie dużego zestawu danych w usłudze Power BI za pomocą języka R
Podsumowanie
Bibliografia

Część III. Wzbogacanie danych w usłudze Power BI za pomocą języków R i Python

Rozdział 9. Wywoływanie zewnętrznych interfejsów API w celu wzbogacania danych

Wymagania techniczne
Czym jest usługa sieciowa?
Rejestrowanie się w usłudze Bing Maps Web Services
Geokodowanie adresów z wykorzystaniem języka Python
Korzystanie z jawnego żądania GET
Korzystanie ze współbieżnych żądań GET
Korzystanie z biblioteki Geocoder w trybie programowania współbieżnego
Geokodowanie adresów za pomocą języka R
Korzystanie z jawnych żądań GET
Korzystanie ze współbieżnych żądań GET
Korzystanie z pakietu tidygeocoder do współbieżnego wykonywania kodu
Korzystanie z usług sieciowych z poziomu usługi Power BI
Geokodowanie adresów w usłudze Power BI za pomocą języka Python
Geokodowanie adresów w usłudze Power BI za pomocą języka R
Podsumowanie
Bibliografia

Rozdział 10. Obliczanie kolumn przy użyciu złożonych algorytmów

Wymagania techniczne
Obliczanie odległości między dwiema lokalizacjami geograficznymi
Trygonometria sferyczna
Twierdzenie cosinusów
Wzór Haversinesa
Wzór Vincenty’ego
Jakiego wzoru odległości używać i kiedy?
Implementacja algorytmów wyznaczania odległości w Pythonie
Obliczanie odległości w języku Python
Obliczanie odległości w usłudze Power BI za pomocą języka Python
Implementacja algorytmów wyznaczania odległości w języku R
Obliczanie odległości za pomocą języka R
Obliczanie odległości w usłudze Power BI za pomocą języka R
Podstawy programowania liniowego
Równania i nierówności liniowe
Formułowanie problemu optymalizacji liniowej
Definicja problemu LP do rozwiązania
Formułowanie problemu LP
Rozwiązywanie problemów optymalizacji w języku Python
Rozwiązywanie problemu LP za pomocą języka Python
Rozwiązywanie problemu programowania liniowego za pomocą języka Python w usłudze Power BI
Rozwiązywanie problemów programowania liniowego za pomocą języka R
Rozwiązywanie problemu LP w języku R
Rozwiązywanie problemu programowania liniowego za pomocą języka R w usłudze Power BI
Podsumowanie
Bibliografia

Rozdział 11. Dodawanie statystyk: powiązania

Wymagania techniczne
Badanie powiązań między zmiennymi
Korelacja między zmiennymi liczbowymi
Współczynnik korelacji Karla Pearsona
Współczynnik korelacji Charlesa Spearmana
Współczynnik korelacji Maurice’a Kendalla
Opis przypadku
Implementacja obliczeń współczynników korelacji w Pythonie
Implementacja obliczeń współczynników korelacji w języku R
Implementacja obliczania współczynników korelacji w usłudze Power BI za pomocą języków Python i R
Korelacje między zmiennymi kategorycznymi a liczbowymi
Związek między dwiema zmiennymi kategorycznymi
Związki pomiędzy zmiennymi liczbowymi a kategorycznymi
Implementacja obliczania współczynników korelacji w Pythonie
Implementacja obliczania współczynników korelacji w języku R
Implementacja obliczania współczynników korelacji w usłudze Power BI za pomocą języków R i Python
Podsumowanie
Bibliografia

Rozdział 12. Dodawanie statystyk: wartości odstające i wartości brakujące

Wymagania techniczne
Czym są wartości odstające i jak sobie z nimi radzić?
Przyczyny istnienia wartości odstających
Obsługa wartości odstających
Identyfikacja wartości odstających
Jednowymiarowe wartości odstające
Wielowymiarowe wartości odstające
Implementacja algorytmów wykrywania wartości odstających
Implementacja wykrywania wartości odstających w Pythonie
Implementacja wykrywania wartości odstających w języku R
Implementacja wykrywania wartości odstających w usłudze Power BI
Czym są wartości brakujące i jak sobie z nimi radzić?
Przyczyny brakujących wartości
Obsługa wartości brakujących
Diagnozowanie brakujących wartości z wykorzystaniem języków R i Python
Implementacja algorytmów imputacji brakujących wartości
Usuwanie brakujących wartości
Imputacja danych tabelarycznych
Imputacja danych szeregów czasowych
Imputacja brakujących wartości w usłudze Power BI
Podsumowanie
Bibliografia

Rozdział 13. Korzystanie z uczenia maszynowego bez licencji Premium lub Embedded

Wymagania techniczne
Interakcje z mechanizmami uczenia maszynowego w usłudze Power BI z wykorzystaniem przepływów danych
Korzystanie z rozwiązań AutoML
PyCaret
Azure AutoML
RemixAutoML dla języka R
Osadzanie kodu szkoleniowego w dodatku Power Query
Szkolenie i korzystanie z modeli ML z wykorzystaniem biblioteki PyCaret
Korzystanie z biblioteki PyCaret w usłudze Power BI
Korzystanie z przeszkolonych modeli w dodatku Power Query
Ocena obserwacji w dodatku Power Query przy użyciu przeszkolonego modelu PyCaret
Korzystanie z przeszkolonych modeli w wizualizacjach utworzonych za pomocą skryptów
Ocenianie obserwacji w skrypcie wizualizacji z wykorzystaniem przeszkolonego modelu PyCaret
Wywoływanie usług sieciowych w dodatku Power Query
Korzystanie z usług Cognitive Services w dodatku Power Query
Podsumowanie
Bibliografia

Część IV. Wizualizacja danych za pomocą języka R w usłudze Power BI

Rozdział 14. Eksploracyjna analiza danych

Wymagania techniczne
Jaki jest cel EDA?
Zrozumienie sensu danych
Oczyszczanie danych
Odkrywanie powiązań między zmiennymi
Analiza EDA z wykorzystaniem języków R i Python
Analiza EDA w usłudze Power BI
Strona podsumowania zestawu danych
Eksploracja brakujących wartości
Eksploracja jednowymiarowa
Eksploracja wielowymiarowa
Powiązania zmiennych
Podsumowanie
Bibliografia

Rozdział 15. Zaawansowane wizualizacje

Wymagania techniczne
Tworzenie wykresu kołowego
Implementacja kołowego wykresu słupkowego w języku R
Implementacja kołowego wykresu słupkowego w usłudze Power BI
Podsumowanie
Bibliografia

Rozdział 16. Interaktywne niestandardowe wizualizacje języka R

Wymagania techniczne
Zalety stosowania interaktywnych niestandardowych wizualizacji w języku R
Dodawanie elementów interaktywnych za pomocą biblioteki Plotly
Wykorzystanie elementów interaktywnych za pośrednictwem widżetów HTML
Tworzenie niestandardowych wizualizacji w usłudze Power BI
Instalowanie pakietu pbiviz
Tworzenie pierwszej niestandardowej wizualizacji R HTML
Importowanie pakietu niestandardowej wizualizacji do usługi Power BI
Podsumowanie
Bibliografia

Skorowidz

 

Autor

ISBN

978-83-283-9453-7

Opinie

Na razie nie ma opinii o produkcie.

Napisz pierwszą opinię o „DODAJ MOCY POWER BI JAK ZA POMOCĄ KODU W PYTHONIE I R POBIERAĆ PRZEKSZTAŁCAĆ I WIZUALIZOWAĆ DANE”

Twój adres e-mail nie zostanie opublikowany. Wymagane pola są oznaczone *