Transformace
Uzavřené smlouvy jsou často porovnávány s plánem, aby bylo jasné, zda hodnoty uzavřených kontraktů dosahují požadové úrovně. Tabulka s plánem tržeb je ke stažení zde. Tabulku importujeme do Power BI jako nový zdroj.
Tabulka má data zadaná jako čísla - číslo roku a číslo měsíce. Abychom mohli zobrazit obě hodnoty v jednom grafu, potřebujeme k tabulce s plánem přidat datum. Kliknutím na tlačítko Transform data otevřeme nástroj Power Query, kde můžeme provádět různé transformace dat.
Nejprve přidáme sloupec s datem. Klikneme na tlačítko Custom column, které nám umožní přidat sloupec s hodnotou spočítanou na základě ostatních funkcí. V počítaných sloupcích můžeme využít balík více než 700 funkcí, které jsou popsány v dokumentaci. V našem případě využijeme funkci #datetime.
Po zavolání funkce bychom měli zkontrolovat typ hodnoty ve sloupci. Pokud není nastaven jako Date, provedeme převod pomocí menu Change Type.
Jako poslední krok spojíme obě tabulky dohromady. Nejjednodušší je použití tlačítka Append Queries, což je obdoba operace UNION v jazyce SQL nebo funkce concat() v modulu pandas.
Nyní můžeme přidat vizualizaci Lined and Stacked column chart a porovnat, nakolik se obchodníkům daří plnit obchodní plán.
Využití Pythonu jako zdroje
Python můžeme využít jako zdroj dat a do Power BI můžeme například přenést již hotové skripty. Zkusme tedy nejprve přenést do Power BI výsledky maturity, se kterými jsme již pracovali.
Ve skupině Other vybereme jako zdroj Python script. Budeme opět využívat modul pandas. Data načteme pomocí metody read_csv, do které vložíme URL jednotlivých datových souborů.
Po stisknutí tlačítka OK se zobrazí dialogové okno, ve kterém vybereme, které datové zdroje chceme využít. Jednotlivé "zdroje" se v terminologii Power BI označují jako query (dotazy).
Pokud vybereme všechny, uvidíme v levé části okna každý ze zdrojů jako samostatnou položku v menu, kterou si můžeme zobrazit.
Nyní bychom mohli pomocí nástrojů Power Query mohli provést stejné transformace (propojení zdrojů, filtrování, případně agregace), abychom se dostali k obdobným výsledkům jako v předchozí části. Níže je například vidět dialog na pro spojení jednotlivých datových souborů.
Efektivnější ale bude využít již připravený kód v jazyce Python a v Power BI pracovat až s připravenými výsledky. Smažme tedy všechny vytvořené dotazy a přidejme nový skript, ze kterého vybereme pouze dotaz maturita.
import pandas
u202 = pandas.read_csv("https://kodim.cz/cms/assets/kurzy/python-data-1/python-pro-data-1/agregace-a-spojovani/u202.csv")
u203 = pandas.read_csv("https://kodim.cz/cms/assets/kurzy/python-data-1/python-pro-data-1/agregace-a-spojovani/u203.csv")
u302 = pandas.read_csv("https://kodim.cz/cms/assets/kurzy/python-data-1/python-pro-data-1/agregace-a-spojovani/u302.csv")
u202['mistnost'] = 'u202'
u203['mistnost'] = 'u203'
u302['mistnost'] = 'u302'
maturita = pandas.concat([u202, u203, u302], ignore_index=True)
Po vyhodnocení výsledků maturity stačí, abychom tabulky propojili dohromady,
agregace budou vypočteny automaticky při tvorbě vizualizací. Proto klikneme na tlačítko Close & Apply.
Poznámka: Pokud bychom se k editaci skriptu chtěli vrátit, klikneme na ikonku ozubeného kola v řádku Source v panelu napravo.