Pipe In R: Tilslutningsfunktioner med Dplyr
I denne øvelse lærer du, hvordan du kæder funktioner sammen ved hjælp af dplyr-røroperatoren i programmeringssproget R.
Denne tutorial vil diskutere om Python-scripting i LuckyTemplates-rapporter. Du lærer, hvordan du bruger Python til at opnå forskellige output inde i LuckyTemplates. Du vil også forstå nogle af de tekniske begrænsninger ved Python, så du kan undgå fejl, mens du bruger dette inde i .
Indholdsfortegnelse
Forstå Python-pakker til scripting i LuckyTemplates
Der sker fejl mellem Python og LuckyTemplates, fordi de opdaterer med forskellige hastigheder. Nogle gange er der konflikter om pakker i disse to software. Du kan undgå fejl ved at sætte det rigtige miljø op.
Ikke alle pakker i Python Anaconda-installationen er understøttet af LuckyTemplates. På billedet nedenfor kan du se alle de forskellige pakker, der i øjeblikket understøttes.
Dette næste billede viser kravene og begrænsningerne for pakker.
Pandas er datamanipulationsbiblioteket, mens Numpy er den lineære algebra. Scikit-Learn og Xgboost er biblioteker, der giver dig mulighed for at lave maskinlæring og forbehandling. Scipy og Statsmodels beskæftiger sig med statistik. Seaborn bruges til visualisering, mens Matplotliob er det visuelle bibliotek.
Oprettelse af miljøer med Python Scripting
Du skal lave et miljø, der indeholder de pakker, du skal bruge for at undgå konflikter. Du kan oprette et miljø ved hjælp af Anaconda-prompten, der blev installeret under . For at åbne prompten skal du skrive Anaconda i Windows-søgelinjen og klikke på appen.
Hvis du søger "opret miljø i anaconda" i Google, bliver du omdirigeret til denne side. På samme side kan du se forskellige måder at skabe specifikke miljøer på.
I Anaconda-prompt-kommandovinduet kan du se basismiljøet og arbejdsmappen.
For at skabe et nyt miljø, indtast conda create . Indtast derefter –n efterfulgt af dit miljønavn. Til sidst skal du skrive hvilken Python-version du ønsker. I dette eksempel er miljønavnet new_env_pbi og er 3.7.
Tryk på Enter, når du er færdig. Du vil så se, at det skaber et nyt miljø.
Tryk på Y for at fortsætte med processen.
Dernæst skal du aktivere miljøet. Input conda activate new_env_pbi .
Når det er gjort, kan du så se, at det nye miljø er aktiveret. Derfra kan du begynde at installere de pakker, du har brug for. Først skal du installere Pandas for at bringe data ind. Indtast pip installer pandaer og tryk enter.
Indtast derefter pip install seaborn for at installere Seaborn. Du vil også se, at Seaborn også indlæser Matplotlib. Efter installationen kan du nu åbne .
Hent data ved hjælp af Python
Der er tre måder at få data inde i LuckyTemplates ved hjælp af Python. Den første er at gå til værktøjslinjen Filer, klikke på Hent data og derefter vælge Hent data for at komme i gang .
Klik på Filværktøjslinjen igen, vælg Andet, og vælg Python Script .
Derfra skal du indtaste et script for at hente data og trykke på OK. I dette eksempel er dette script brugt.
I Navigator-ruden skal du klikke på variablen under Python-mappen og klikke på Indlæs .
Du vil derefter se disse data i felter-ruden.
Derefter skal du sikre dig, at du bruger det korrekte miljø. Gå til værktøjslinjen Filer, klik på Indstillinger og indstillinger, og vælg derefter Indstillinger .
Under Global, klik på Scripting og indstil Python Home Directory. Klik på Gennemse og åbn new_env_pbi .
Aktivering af Python-scriptvisualiseringer i LuckyTemplates
For at få adgang til Python-integration skal du klikke påunder Visualiseringer.
Aktiver derefter scriptvisualiseringer.
Når det er gjort, vises en tekstbaseret Python Script Editor på lærredet.
For at starte scripting skal du trække et felt i området Værdier i visualiseringen. I dette eksempel er afdelinger placeret inden for området Værdier.
Visualiseringen vil nu se sådan ud.
En dataramme oprettes ved hjælp af pandas.DataFrame -funktionen. Scriptet gemte det som en variabel og kaldte det datasæt . Under linje 6 kan du indsætte eller skrive din scriptkode for at skabe en visualisering. I dette eksempel blev følgende koder brugt.
I øjeblikket er datarammen ufuldstændig, fordi den kun har afdelinger. Så træk alle kolonner fra feltruden til værdiområdet for at oprette en fuld dataramme.
Derefter kan du vælge en visualisering fra din Jupyter Notebook. Kopier derefter koden for det visuelle billede og indsæt det i editoren.
Skift variabelen brugt i den visuelle kode fra df til datasættet og indtast plt.show() i næste linje for at bruge Matplotlib.
Når du er færdig, skal du køre scriptet ved at klikke på Kør-ikonet i editoren.
Du vil derefter se visualiseringen materialisere sig i dit lærred. Det visuelle er ikke interaktivt, men du kan gøre det dynamisk ved at tilpasse det.
Tilpasning af Python-visualisering
Klik på pilespidsen for at åbne Python Script Editor. Indtast derefter plt.style.use() .
Åbn Google og søg efter matplotlib- stile. Klik på Style Sheets-referencen, og du vil blive omdirigeret til deres side.
Inde på siden kan du se forskellige stilarter, som du kan bruge.
Vælg en stil og indtast koden for den stil i scriptkoden.
I dette eksempel er koden for den anvendte stil bmh . Når du er færdig, skal du trykke på Kør-ikonet.
Du vil derefter se, at farverne i det visuelle har ændret sig.
Du kan også ændre formen på det visuelle, hvis du vil. For at gøre dette skal du åbne script-editoren, ændre boxplot til violinplot og køre scriptkoden.
Du vil se, at formen på det visuelle har ændret sig.
Transformering af data i Power Query ved hjælp af Python Scripting
Den sidste metode til at få adgang til Python-scripting i LuckyTemplates er at transformere data i Power-forespørgselseditoren. En af de bedste fremgangsmåder er at duplikere dataene og udføre scriptet i dublet i stedet for at bruge hoveddataene. I dette eksempel er hoveddataene df , og duplikatet er df2 .
Gå til Transform værktøjslinjen og vælg Kør Python Script .
Du vil derefter se dialogboksen Kør Python Script med en scriptmeddelelse.
Indtast en kode for tabeller fra din Jupyter Notebook. I dette eksempel bruges dataset.corr() i scriptet. Men først skal du gemme variablen igen ved at skrive dataset = igen.
Når du har trykket på OK, vil du se dataene på dit lærred.
Udvid tabellen ved at klikke på Tabel i kolonnen Værdi. Dette vil også vise en korrelationstabel.
Indekskolonnen i Python-scriptet er dog ikke vist i korrelationstabellen. For at løse dette skal du gå til ruden Anvendte trin og klikke på tandhjulsikonet for trinnet Kør Python Script for at åbne scriptkoden.
Indtast nu en anden funktion ved at indtaste .reset_index() . Sæt derefter denne funktion sammen med korrelationstabelfunktionen.
Når du er færdig, kan du nu se en indekskolonne i korrelationstabellen.
Konklusion
Der er mange ting, som Python kan gøre, når det først er integreret med LuckyTemplates. I denne tutorial blev Python-scripts brugt på tre forskellige måder: til at bringe datasættet ind, til at skabe visuals og til at manipulere de eksisterende data i.
Gaelim
I denne øvelse lærer du, hvordan du kæder funktioner sammen ved hjælp af dplyr-røroperatoren i programmeringssproget R.
RANKX fra LuckyTemplates giver dig mulighed for at returnere rangeringen af et specifikt tal i hver tabelrække, der udgør en del af en liste over tal.
Lær, hvordan du adskiller en PBIX-fil for at udtrække LuckyTemplates-temaer og -billeder fra baggrunden og bruge den til at oprette din rapport!
Excel Formler Snydeark: Mellemvejledning
LuckyTemplates kalendertabel: Hvad er det, og hvordan man bruger det
Lær, hvordan du installerer programmeringssproget Python i LuckyTemplates, og hvordan du bruger dets værktøjer til at skrive koder og vise billeder.
Lær, hvordan du beregner dynamiske fortjenstmargener ved siden af LuckyTemplates, og hvordan du kan få mere indsigt ved at grave dybere ned i resultaterne.
Lær, hvordan du sorterer felterne fra kolonner med udvidet datotabel korrekt. Dette er en god strategi at gøre for vanskelige felter.
I denne artikel gennemgår jeg, hvordan du kan finde dine topprodukter pr. region ved hjælp af DAX-beregninger i LuckyTemplates, herunder funktionerne TOPN og CALCUATE.
Lær, hvordan du bruger en uønsket dimension til flag med lav kardinalitet, som du ønsker at inkorporere i din datamodel på en effektiv måde.