Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Визуализиране на данни с Power BI

217 views

Published on

Microsoft Power BI представлява гъвкав инструмент за прилагане на Business Intelligence, улеснява потребителя при самостоятелно генериране на анализи на данни, управлявани в облака за съвместна работа и споделяне.

Published in: Data & Analytics
  • Be the first to comment

  • Be the first to like this

Визуализиране на данни с Power BI

  1. 1. ВИЗУАЛИЗИРАНЕ НА ДАННИ С POWER BI доц. д-р Цветанка Георгиева-Трифонова
  2. 2. ВИЗУАЛИЗИРАНЕ НА ДАННИ С POWER BI – СЪДЪРЖАНИЕ  Предназначение на Power BI  Предимства и недостатъци от прилагане на добиване на данни чрез Power BI  Примери за анализиране и визуализиране на демографски данни чрез Power BI  Литература 22Цветанка Георгиева
  3. 3. ПРЕДНАЗНАЧЕНИЕ НА POWER BI  Power BI, https://powerbi.microsoft.com  Инструмент за визуализиране на данни и Business Intelligence (BI);  Зададено от потребителя, гъвкаво извличане на данни и анализи;  Работа с графичен интерфейс;  Онлайн публикуване;  Power BI Service, Power BI Desktop. 33Цветанка Георгиева
  4. 4. ПРЕДИМСТВА НА POWER BI  Полезен за анализатори;  Извличане на данни от източници; създаване на набор от данни; трансформиране; визуализиране; публикуване на получените отчети и табла за управление;  Производителност и лекота на използване;  База от данни за Power Pivot вместо кубовете с данни;  Езикът DAX (Data Analysis Expressions);  Q&A функция;  Self-service BI;  Активно поддържане и обновяване;  Безплатна версия. 44Цветанка Георгиева
  5. 5. ОГРАНИЧЕНИЯ И НЕДОСТАТЪЦИ НА POWER BI  Размер на файлове .pbix (до 1 GB);  Размер на набор от данни (до 1 GB);  Не позволява създаване на планирани отчети, персонализирани изгледи на потребители;  Пречистване и преобразуване на данните;  Допълване вместо заменяне на други инструменти за генериране на отчети.  Еднократни и непрекъснати, често променящи се анализи на по-малки набори от данни. 55Цветанка Георгиева
  6. 6. ПРИМЕРИ ЗА АНАЛИЗИРАНЕ И ВИЗУАЛИЗИРАНЕ НА ДЕМОГРАФСКИ ДАННИ ЧРЕЗ POWER BI  Импортиране на данни; 66Цветанка Георгиева Data | Filter
  7. 7. ПРИМЕРИ ЗА АНАЛИЗИРАНЕ И ВИЗУАЛИЗИРАНЕ НА ДЕМОГРАФСКИ ДАННИ ЧРЕЗ POWER BI (2) 77Цветанка Георгиева  Визуализации  Наслагване на данни върху карта;  Прогнозиране с линейна диаграма;  Клъстериране;  Корелация;  Прогнозиране с дърво на решенията.
  8. 8. ПРИМЕРИ – НАСЛАГВАНЕ НА ДАННИ ВЪРХУ КАРТА  Пример 1. Среден списъчен брой на наетите лица по трудово и служебно правоотношение по области за 2016, http://www.nsi.bg/bg/content/3955/статистически-райони- област. 88Цветанка Георгиева
  9. 9.  Пример 2. Население по области към 31.12.2017 чрез ArcGIS Maps визуализация, http://www.nsi.bg/bg/content/2975/население-по-области- общини-местоживеене-и-пол. 99Цветанка Георгиева ПРИМЕРИ – НАСЛАГВАНЕ НА ДАННИ ВЪРХУ КАРТА (2)
  10. 10.  Визуализация ArcGIS Maps for Power BI  Карта в населено място, чрез указване на конкретни адреси за съответните точки и стойности на числова характеристика;  Например брой посещения на туристически обект, брой кражби, др. 1010Цветанка Георгиева ПРИМЕРИ – НАСЛАГВАНЕ НА ДАННИ ВЪРХУ КАРТА (3)
  11. 11. ПРИМЕРИ – ПРОГОЗИРАНЕ С ЛИНЕЙНА ДИАГРАМА  Пример 3. Среден списъчен брой на наетите лица по трудово и служебно правоотношение по години за област Велико Търново. 1111Цветанка Георгиева
  12. 12. ПРИМЕРИ – ПРОГНОЗИРАНЕ С ЛИНЕЙНА ДИАГРАМА (2)  В страницата Анализи  Продължителност на прогнозата – брой на прогнозираните точки;  Доверителен интервал.  Най-вероятната стойност (с 95% вероятност) ще е между пресметнатите граници. 1212Цветанка Георгиева прогнозирана стойност
  13. 13. ПРИМЕРИ – ПРОГНОЗИРАНЕ С ЛИНЕЙНА ДИАГРАМА (3)  Пример 4. Приходи от нощувки в лева по години за Велико Търново, http://www.nsi.bg/bg/content/1978/годишни-данни 1313Цветанка Георгиева
  14. 14. ПРИМЕРИ – КЛЪСТЕРИРАНЕ  В Power BI Desktop с Точкова диаграма (Scatter Chart), Automatically find clusters. 1414Цветанка Георгиева
  15. 15. ПРИМЕРИ – КЛЪСТЕРИРАНЕ (2)  Пример 5. Клъстериране на областите според среден списъчен брой на наетите лица по трудово и служебно правоотношение по области през 2016 година. 1515Цветанка Георгиева
  16. 16. ПРИМЕРИ – КЛЪСТЕРИРАНЕ (3)  Визуализация Cluster Map  За представяне на клъстери от свързани данни;  Обобщение на данните – брой елементи във всеки клъстер; сума; средна аритметична стойност; минимална, максимална стойност, др. 1616Цветанка Георгиева
  17. 17. ПРИМЕРИ – КЛЪСТЕРИРАНЕ (4)  Визуализация Clustering with outliers  Средната годишна заплата по области и броя на висшите училища в съответните области. 1717Цветанка Георгиева
  18. 18. ПРИМЕРИ – КОРЕЛАЦИЯ  Визуализацията Correlation plot  Връзка между различни атрибути в даден набор от данни;  Промяна в единия атрибут – промяна и в другия;  Коефициент на корелация (коефициент на Pearson), диапазон [-1, 1]:  Близо до -1 – отрицателна връзка;  Близо до +1 – положителна връзка;  Близо до 0 – липса на корелация. 1818Цветанка Георгиева
  19. 19. ПРИМЕРИ – КОРЕЛАЦИЯ (2)  Пример 6. Корелационна връзка между:  брой висши училища;  брой завършили;  брой студенти;  брой преподаватели;  средна годишна заплата;  среден списъчен брой наети лица по трудово и служебно правоотношение по области през 2016. 1919Цветанка Георгиева
  20. 20. ПРИМЕРИ – ПРОГНОЗИРАНЕ С ДЪРВО НА РЕШЕНИЯТА  Визуализация Decision Tree Chart  Рекурсивно разделяне при конструиране на дърво на решението;  От примера – средната годишна заплата е 9266;  Ако общият брой на студентите >= 24000, средната годишна заплата е 12000;  В противен случай е 8924 и т.н. 2020Цветанка Георгиева
  21. 21. ПРИМЕРИ – ПРОГНОЗИРАНЕ С ДЪРВО НА РЕШЕНИЯТА (2)  Пример 7. Входни променливи – общ брой на студенти и общ брой на завършили в съответните области;  Целевата променлива – средната годишна заплата по области. 2121Цветанка Георгиева
  22. 22. ВИЗУАЛИЗИРАНЕ НА ДАННИ С POWER BI – ЛИТЕРАТУРА  Esat Erkec, How to create advanced analytics using Power BI and R scripts, SQLShack, 2018, https://www.sqlshack.com/use-advanced-analytics-power- bi/  Oliver Frost, Power BI: Transform Data with R, 2017, https://www.consolidata.co.uk/explore/blog/power-bi- transform-data-with-r/  Daniil Maslyuk, Pearson correlation coefficient in DAX, 2017, https://xxlbi.com/blog/pearson-correlation-coefficient-in- dax/ 2222Цветанка Георгиева
  23. 23. 2323Цветанка Георгиева Цветанка Георгиева-Трифонова, 2019 Някои права запазени. Презентацията е достъпна под лиценз Creative Commons, Признание-Некомерсиално-Без производни, https://creativecommons.org/licenses/by-nc-nd/4.0/legalcode

×