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

• Назва: Dodaj mocy Power BI! Jak za pomocą kodu w Pythonie i R pobierać, przekształcać i wizualizować dane
• Автор: Luca Zavarella, Francesca Lazzeri
• Оригінальна назва: Extending Power BI with Python and R: Ingest, transform, enrich, and visualize data using the power of analytical languages
• Переклад: Radosław Meryk
• ISBN: 978-83-283-9454-4, 9788328394544
• Дата видання: 2022-12-02
• Формат: Eлектронна книга
• Ідентифікатор видання: rozmoz
• Видавець: Helion