Труба в R: підключення функцій за допомогою Dplyr
У цьому підручнику ви дізнаєтесь, як об’єднати функції разом за допомогою оператора каналу dplyr мовою програмування R.
У цьому підручнику буде обговорено сценарії Python у звітах LuckyTemplates. Ви дізнаєтесь, як використовувати Python для створення різних результатів у LuckyTemplates. Ви також зрозумієте деякі технічні обмеження Python, щоб уникнути помилок під час використання цього всередині .
Зміст
Розуміння пакетів Python для створення сценаріїв у LuckyTemplates
Між Python і LuckyTemplates виникають помилки, оскільки вони оновлюються з різною швидкістю. Іноді виникають конфлікти щодо пакетів у цих двох програмах. Ви можете уникнути помилок, налаштувавши правильне середовище.
Не всі пакунки в Python Anaconda Installation підтримуються LuckyTemplates. На зображенні нижче ви можете побачити всі різні пакети, які зараз підтримуються.
На наступному зображенні показано вимоги та обмеження пакетів.
Pandas — це бібліотека для обробки даних, тоді як Numpy — це лінійна алгебра. Scikit-Learn і Xgboost — це бібліотеки, які дозволяють виконувати машинне навчання та попередню обробку. Scipy і Statsmodels мають справу зі статистикою. Seaborn використовується для візуалізації, тоді як Matplotliob є візуальною бібліотекою.
Створення середовища за допомогою сценаріїв Python
Вам потрібно створити середовище, яке містить пакети, необхідні для уникнення конфліктів. Ви можете створити середовище за допомогою запиту Anaconda, який було встановлено під час . Щоб відкрити підказку, введіть Anaconda на панелі пошуку Windows і натисніть програму.
Якщо ви введете пошук «створити середовище в анаконді» в Google, ви будете перенаправлені на цю сторінку. На цій же сторінці ви можете побачити різні способи створення певних середовищ.
У вікні командного рядка Anaconda ви можете побачити базове середовище та робочий каталог.
Щоб створити нове середовище, введіть conda create . Потім введіть –n і назву свого середовища. Нарешті, введіть потрібну версію Python. У цьому прикладі назва середовища — new_env_pbi , а — 3.7.
Після завершення натисніть Enter. Потім ви побачите, що це створює нове середовище.
Натисніть Y, щоб продовжити процес.
Далі потрібно активувати середовище. Введіть conda активуйте new_env_pbi .
Після цього ви побачите, що нове середовище активовано. Звідти ви можете розпочати встановлення необхідних вам пакетів. Спочатку встановіть Pandas для введення даних. Введіть pip install pandas і натисніть enter.
Далі введіть pip install seaborn , щоб установити Seaborn. Ви також побачите, що Seaborn також завантажує Matplotlib. Після встановлення ви можете відкрити .
Отримання даних за допомогою Python
Є три способи отримати дані в LuckyTemplates за допомогою Python. Перший — перейти на панель інструментів «Файл», натиснути «Отримати дані», а потім вибрати « Отримати дані для початку» .
Знову клацніть панель інструментів «Файл», виберіть «Інше» та виберіть «Сценарій Python» .
Звідти введіть сценарій для введення даних і натисніть OK. У цьому прикладі використовується цей скрипт.
На панелі навігатора клацніть змінну в папці Python і натисніть «Завантажити» .
Потім ви побачите ці дані на панелі полів.
Після цього вам потрібно переконатися, що ви використовуєте правильне середовище. Перейдіть на панель інструментів «Файл», клацніть «Параметри та налаштування», а потім виберіть «Параметри» .
У розділі «Глобальне» клацніть «Сценарії» та встановіть домашній каталог Python. Натисніть «Огляд» і відкрийте new_env_pbi .
Увімкнення візуалізацій сценаріїв Python у LuckyTemplates
Щоб отримати доступ до інтеграції Python, натиснітьу Візуалізації.
Потім увімкніть візуальні елементи сценарію.
Після цього на полотні з’явиться текстовий редактор сценаріїв Python.
Щоб розпочати створення сценарію, перетягніть поле в область значень візуалізації. У цьому прикладі відділи розміщено всередині області значень.
Тепер візуалізація буде виглядати так.
Фрейм даних створюється за допомогою функції pandas.DataFrame . Сценарій зберіг його як змінну та назвав набір даних . Під рядком 6 ви можете вставити або ввести код сценарію, щоб створити візуал. У цьому прикладі були використані такі коди.
Наразі фрейм даних є неповним, оскільки він містить лише відділи. Отже, перетягніть усі стовпці з панелі «Поля» в область «Значення», щоб створити повний фрейм даних.
Після цього ви можете вибрати візуал зі свого блокнота Jupyter. Потім скопіюйте код цього візуалу та вставте його в редактор.
Змініть змінну, що використовується у візуальному коді, з df на набір даних і введіть plt.show() у наступному рядку, щоб використовувати Matplotlib.
Після цього запустіть сценарій, клацнувши піктограму запуску в редакторі.
Потім ви побачите, як візуалізація матеріалізується на вашому полотні. Візуальний елемент не є інтерактивним, але ви можете зробити його динамічним, налаштувавши його.
Налаштування візуалізації Python
Натисніть стрілку, щоб відкрити редактор сценаріїв Python. Далі введіть plt.style.use() .
Відкрийте Google і знайдіть стилі matplotlib . Клацніть посилання на таблиці стилів, і вас буде перенаправлено на їх сторінку.
На сторінці ви побачите різні стилі, які можна використовувати.
Виберіть стиль і введіть код цього стилю в код сценарію.
У цьому прикладі використаний код стилю bmh . Після завершення натисніть значок запуску.
Тоді ви побачите, що кольори всередині візуалізації змінилися.
Ви також можете змінити форму візуалізації, якщо хочете. Для цього відкрийте редактор сценаріїв, змініть boxplot на violinplot і запустіть код сценарію.
Ви побачите, що форма візуалізації змінилася.
Перетворення даних у Power Query за допомогою сценаріїв Python
Останнім методом доступу до сценаріїв Python у LuckyTemplates є перетворення даних у редакторі потужних запитів. Однією з найкращих практик є дублювання даних і виконання сценаріїв у дублікаті замість використання основних даних. У цьому прикладі основними даними є df , а дублікатами – df2 .
Перейдіть на панель інструментів Transform і виберіть Run Python Script .
Після цього ви побачите діалогове вікно «Запустити сценарій Python» із повідомленням про сценарій.
Введіть код для таблиць із вашого записника Jupyter. У цьому прикладі в сценарії використовується dataset.corr() . Але спочатку вам потрібно повторно зберегти змінну, ввівши dataset = знову.
Після натискання OK ви побачите дані на своєму полотні.
Розгорніть таблицю, натиснувши «Таблиця» у стовпці «Значення». Це також покаже кореляційну таблицю.
Однак стовпець Index у сценарії Python не відображається в кореляційній таблиці. Щоб виправити це, перейдіть на панель «Застосовані кроки» та клацніть значок шестірні кроку «Запустити сценарій Python», щоб відкрити код сценарію.
Тепер введіть іншу функцію, ввівши .reset_index() . Потім зв’яжіть цю функцію з функцією кореляційної таблиці.
Після цього ви можете побачити стовпець Index у кореляційній таблиці.
Висновок
Є багато речей, які Python може робити після інтеграції з LuckyTemplates. У цьому посібнику сценарії Python використовувалися трьома різними способами: для введення набору даних, для створення візуальних елементів і для маніпулювання існуючими даними в.
Гаелім
У цьому підручнику ви дізнаєтесь, як об’єднати функції разом за допомогою оператора каналу dplyr мовою програмування R.
RANKX від LuckyTemplates дозволяє повернути рейтинг певного числа в кожному рядку таблиці, який є частиною списку чисел.
Дізнайтеся, як розібрати файл PBIX, щоб витягти теми та зображення LuckyTemplates із фону та використовувати їх для створення звіту!
Шпаргалка формул Excel: Посібник середнього рівня
Календарна таблиця LuckyTemplates: що це таке та як ним користуватися
Дізнайтеся, як інсталювати мову програмування Python у LuckyTemplates і як використовувати її інструменти для написання кодів і відображення візуальних елементів.
Дізнайтеся, як обчислювати динамічну маржу прибутку за допомогою LuckyTemplates і як ви можете отримати більше інформації, глибше досліджуючи результати.
Дізнайтеся, як правильно сортувати поля зі стовпців розширеної таблиці дат. Це хороша стратегія для складних полів.
У цій статті я поясню, як знайти найпопулярніші продукти для регіону за допомогою обчислень DAX у LuckyTemplates, включаючи функції TOPN і CALCULATE.
Дізнайтеся, як використовувати вимірювання сміття для позначок низької потужності, які ви хочете ефективно включити у свою модель даних.