کتاب Extending Power BI with Python and R, 2nd Edition: Perform advanced analysis using the power of analytical languages (گسترش Power BI با پایتون و R، ویرایش دوم: انجام تجزیه و تحلیل پیشرفته با استفاده از قدرت زبان های تحلیلی) به صورت عمیق به تجزیه و تحلیل پیشرفته می‌پردازد و بر تقویت مهارت پایتون و R در Power BI تمرکز دارد.
فصل‌های جدید شامل بهینه‌سازی تنظیمات پایتون و R، استفاده از کتابخانه هسته ریاضی (MKL) اینتل برای افزایش عملکرد، و رسیدگی به چالش‌های یکپارچه‌سازی می‌شوند. تکنیک‌هایی برای مدیریت مجموعه داده‌های بزرگ فراتر از RAM لپ‌تاپ، استفاده از قالب داده‌های پارکت، و الگوریتم‌های تطبیق فازی پیشرفته بررسی شده‌اند.
علاوه بر این، استفاده از زبان‌های خارجی سرور SQL برای غلبه بر محدودیت‌های سنتی پایتون و R در Power BI را مورد بحث قرار می‌دهد. همچنین به ایجاد تجسم‌های پیچیده با استفاده از گرامر گرافیکی در R و Python کمک می‌کند.
در ادامه مقدمه‌ای از کتاب Extending Power BI with Python and R را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Extending Power BI with Python and R:
به ویرایش دوم کتاب ما خوش آمدید، جایی که سفر به تجزیه و تحلیل پیشرفته برای Power BI تخصص شما را در Python و R توسعه می‌دهد. این نسخه فقط یک به روز‌رسانی نیست. این گسترش به قلمروی جدید است که با دقت ساخته شده است تا توانایی تحلیلی شما را افزایش دهد، چه از Power BI استفاده کنید یا مستقیماً در Python و R.
ما فصل‌های جدیدی را معرفی کرده‌ایم که راه را برای بهینه‌سازی محیط شما، استفاده از قدرت کتابخانه هسته ریاضی اینتل برای سرعت، و مقابله با چالش‌های یکپارچه‌سازی با ظرأفت هموار می‌کند. تصور کنید با استفاده از تکنیک‌های پیشرفته و فرمت پارکت Swift برای پردازش سریع داده‌ها، مجموعه‌های داده عظیم را بدون زحمت مدیریت کنید.
تصور کنید که بر هنر تطبیق فازی احتمالی و پیمایش پتانسیل زبان‌های خارجی SQL Server برای غلبه بر محدودیت‌های سنتی در Power BI مسلط هستید. شما همچنین در ایجاد تجسم‌های خیره‌کننده با استفاده از نه تنها R، بلکه همچنین پایتون، با استفاده از گرامر گرافیک از طریق یک بسته تخصصی راهنمایی خواهید شد.
فصل‌های باقی‌مانده با دقت به‌روزرسانی، گسترش یافته و از نظر فنی اصلاح شده‌اند. آن‌ها به شما مهارت می‌دهند تا در اعتبارسنجی داده‌ها با استفاده از عبارات منظم، استفاده از داده‌ها از انواع منابع خارجی غیر معمول و استفاده از الگوریتم‌های پیچیده تبدیل داده‌ها برتری پیدا کنید.
روش‌های پیشرفته‌ای برای محافظت از داده‌های شخصی در Power BI، از جمله استراتژی‌هایی برای نام مستعار، ناشناس‌سازی، و پوشاندن داده‌ها را بررسی خواهید کرد. این کتاب همچنین ادغام APIهای خارجی را برای غنی‌سازی مجموعه داده‌های شما، بهبود کارایی ورودی/خروجی و استفاده از قابلیت‌های تحلیلی قدرتمند پایتون و R را پوشش می‌دهد.
تجزیه و تحلیل جامع انجام دهید و بینش‌های عمیق را با روش‌های آماری و یادگیری ماشین کشف کنید، همه بدون نیاز به ظرفیت برتر. متن شما را تشویق می‌کند تا همزمان با توسعه مدل‌های یادگیری ماشین، ویژگی‌های آماری کلیدی داده‌های خود را از طریق انواع خروجی‌های گرافیکی تجسم کنید. علاوه بر این، هر فصل دارای پرسش‌ها و پاسخ‌های چالش برانگیزی است که درک شما را تقویت می‌کند و مهارت‌های شما را آزمایش می‌کند.
در این ماجراجویی چالش برانگیز به ما بپیوندید که در آن مهارت‌های تحلیلی شما به قله‌های جدیدی می‌رسد.
بیشتر بخوانید: کتاب The Definitive Guide to Power Query (M)
کتاب Extending Power BI with Python and R برای چه کسی است؟
این کتاب برای تحلیلگران داده و توسعه‌دهندگانی است که قبلاً تجربه‌ای با Power BI دارند. علاوه بر این، در حالت‌ایده‌آل، خوانندگان باید با پایتون یا R (یا هر دو) نیز آشنا باشند، اما این کتاب طوری طراحی شده است که هنوز برای مبتدیان قابل دسترسی باشد.
برای آن دسته از موضوعات پیچیده‌تر که نیاز به مهارت‌های برنامه‌نویسی دارند، کتاب Extending Power BI with Python and R منابع یادگیری عمیقی را ارائه می‌دهد. تازه واردان از طریق هر مفهوم با توضیحات واضح و نمونه‌های کد مشروح راهنمایی می‌شوند و اطمینان حاصل می‌کنند که در نهایت به درک جامعی از چگونگی و چرایی کارکرد کد خواهند رسید.
آنچه کتاب Extending Power BI with Python and R پوشش می‌دهد:
فصل ۱، کجا و چگونه از اسکریپت‌های R و Python در Power BI استفاده کنیم، یک نمای کلی از ادغام اسکریپت‌های R و Python با Power BI ارائه می‌کند. قابلیت‌های Power BI را بررسی می‌کند و بر کاربرد آن فراتر از تجسم ساده داده‌ها با ترکیب تحلیل‌های پیشرفته از طریق R و Python تأکید می‌کند.
این فصل از کتاب Extending Power BI with Python and R، جنبه‌های کلیدی مانند تزریق اسکریپت‌های R یا Python به Power BI، ابزار‌های Power BI خاص برای یکپارچه‌سازی اسکریپت و محدودیت‌های این اسکریپت‌ها در محصولات مختلف Power BI را پوشش می‌دهد.
همچنین به الزامات فنی برای این ادغام می‌پردازد و بینش‌هایی را درباره بارگذاری، تبدیل و تجسم داده‌ها با استفاده از اسکریپت‌های R و Python ارائه می‌دهد. این فصل از کتاب Extending Power BI with Python and R، برای درک نقش این اسکریپت‌ها در گسترش عملکرد Power BI و نحوه تعامل آن‌ها با داده‌ها در مراحل مختلف توسعه گزارش بسیار مهم است.
فصل ۲، پیکربندی R با Power BI، بر تنظیم و ادغام R با Power BI تمرکز دارد. شما را در نصب و پیکربندی موتور‌های R و محیط‌های توسعه لازم برای استفاده در Power BI راهنمایی می‌کند.
این فصل از کتاب Extending Power BI with Python and R، توزیع‌های مختلف R، از جمله CRAN R و Microsoft R Open را مورد بحث قرار می‌دهد و بینشی در مورد بهبود عملکرد R با استفاده از کتابخانه هسته ریاضی اینتل (MKL) ارائه می‌کند.
همچنین نصب RTools و پیکربندی Power BI Desktop و سرویس Power BI برای کار مؤثر با R را پوشش می‌دهد. علاوه بر این، این فصل از کتاب Extending Power BI with Python and R، محدودیت‌های تجسم اسکریپت R و الزامات فنی برای این پیکربندی‌ها را مورد بحث قرار می‌دهد.
فصل ۳، پیکربندی Python با Power BI، به ادغام Python با Power BI می‌پردازد. نصب و پیکربندی موتور‌های پایتون و IDEها را بررسی می‌کند و توزیع‌های مختلف پایتون و نحوه انتخاب موتور مناسب را برجسته می‌کند.
این فصل راه‌اندازی دسکتاپ و سرویس Power BI برای پایتون را مورد بحث قرار می‌دهد، با تمرکز بر محدودیت‌ها و الزامات فنی تجسم پایتون. بر روی استفاده از محیط‌های مجازی برای تبدیل داده‌ها و تجسم اسکریپت پایتون در Power BI تمرکز دارد. علاوه بر این، این فصل از کتاب Extending Power BI with Python and R، به بهبود عملکرد پایتون در Power BI، از جمله استفاده از MKL اینتل برای کارایی محاسباتی بهینه می‌پردازد.
فصل ۴، حل مسائل رایج هنگام استفاده از Python و R در Power BI، به طور سیستماتیک به مشکلات رایجی می‌پردازد که هنگام توسعه راه‌حل‌ها در Power BI با استفاده از Python و R با آن مواجه می‌شوید. راه‌حل‌هایی برای مسائلی مانند خطای ADO. NET هنگام اجرای اسکریپت پایتون، خطای Formula. Firewall، استفاده از چندین مجموعه داده در مرحله اسکریپت Python/R، و مدیریت تاریخ/زمان در این اسکریپت‌ها.
فصل ۵، وارد کردن‌اشیاء داده‌های کنترل نشده، بر استفاده از R و Python برای جذب داده در Power BI تمرکز دارد. این شامل وارد کردن فایل‌های RDS و PKL به Power BI می‌شود، که برای داده‌هایی که از پردازش خارجی می‌آیند و مستقیماً توسط Power BI مدیریت نمی‌شوند، مفید است. این فصل از کتاب Extending Power BI with Python and R، برای هدایت فایل‌های سریالی در Power BI، ارائه مثال‌های عملی و دستورالعمل‌های دقیق طراحی شده است.
فصل ۶، با استفاده از عبارات منظم در Power BI، استفاده از عبارات منظم (regex) را برای انجام جستجو‌ها و جایگزینی‌های پیچیده روی رشته‌ها در Power BI بررسی می‌کند و وظایف پاکسازی داده‌ها را بهبود می‌بخشد.
موضوعات کلیدی شامل معرفی مختصری از regex، اعتبارسنجی داده‌ها، بارگیری فایل‌های گزارش پیچیده، و استخراج مقادیر از متن با استفاده از regex در Power BI است. همچنین در مورد الزامات فنی این فرآیند‌ها و نحوه پیکربندی محیط‌های R و Python در Power BI برای انجام عملیات regex بحث می‌کند. هدف این فصل ارائه مهارت‌هایی برای استفاده از regex برای پروژه‌های داده با کیفیت بالا در Power BI است.
فصل ۷، ناشناس کردن و نام مستعار داده‌های شما در Power BI، بر تکنیک‌هایی برای شناسایی داده‌ها در Power BI با استفاده از اسکریپت‌های Python و R تمرکز دارد. این فصل از کتاب Extending Power BI with Python and R، بر اهمیت حفظ حریم خصوصی داده‌ها و انطباق با مقرراتی مانند GDPR تأکید می‌کند.
این روش‌های مختلف شناسایی، از جمله حذف اطلاعات، پوشش داده‌ها، مبادله، تعمیم، اغتشاش، رمزگذاری، هش کردن و رمزگذاری را پوشش می‌دهد. این فصل همچنین بین فرآیند‌های ناشناس‌سازی و نام مستعار تمایز قائل می‌شود و اجرای آن‌ها را در Power BI با مثال‌های دنیای واقعی نشان می‌دهد. همچنین در مورد حفظ خواص آماری مجموعه داده‌ها در طول نام مستعار و ناشناس‌سازی بحث می‌کند.
فصل ۸، ثبت داده‌ها از Power BI به منابع خارجی، نحوه استخراج و ثبت داده‌ها از Power BI به فایل‌ها یا سیستم‌های خارجی با استفاده از Python و R را پوشش می‌دهد. روش‌های مختلف برای ثبت داده‌ها به فایل‌های CSV و Excel را پوشش می‌دهد، و نحوه تعامل را نشان می‌دهد. با سرور‌های SQL، از جمله Azure SQL Server. این فصل دستورالعمل‌ها و مثال‌های مفصلی را برای هر یک از این فرآیند‌ها ارائه می‌کند، که نشان می‌دهد چگونه به طور مؤثر داده‌ها را به خارج از Power BI برای اهداف مختلف مدیریت و انتقال دهید.
فصل ۹، بارگیری مجموعه داده‌های بزرگ فراتر از رم موجود در Power BI، بر کار با فایل‌های بزرگ، به ویژه آن‌هایی که بیش از ظرفیت رم دستگاه شما هستند، در Power BI با استفاده از Python و R تمرکز دارد.
تکنیک‌های عملی برای وارد کردن، پردازش، و صادرات مجموعه داده‌های بزرگ موضوعات کلیدی شامل سناریو‌های تحلیلی معمولی شامل مجموعه داده‌های بزرگ، ورودی و خروجی مجموعه داده‌های بزرگ در پایتون و R و الزامات فنی برای این عملیات است. این فصل از کتاب Extending Power BI with Python and R، بر استفاده از بسته‌های خاص و سیستم‌های محاسباتی توزیع شده برای ارائه راهنمای جامع برای کار با مجموعه داده‌های بزرگ در Power BI تأکید می‌کند.
فصل ۱۰، افزایش سرعت بارگذاری داده‌ها در Power BI با فرمت پارکت، بهبود عملکرد Power BI، به ویژه برای منابع داده بزرگ را مورد بحث قرار می‌دهد. این فصل از کتاب Extending Power BI with Python and R، بر تبدیل داده‌ها از فرمت سنتی CSV به فرمت فایل پارکت کارآمدتر تمرکز دارد.
هدف از این تبدیل بهینه‌سازی زمان اجرای پرس و جو و عملکرد کلی گزارش در Power BI است. این فصل از کتاب Extending Power BI with Python and R، الزامات فنی و دستورالعمل‌های دقیق در مورد نحوه اجرای این تبدیل را ارائه می‌دهد و مزایای عملکرد قابل توجه استفاده از قالب پارکت را نشان می‌دهد. همچنین نحوه استفاده از فایل‌های Parquet در Power BI را برای کاربران پایتون و R توضیح می‌دهد و برنامه‌های کاربردی و مزایای آن را برجسته می‌کند.
فصل ۱۱، فراخوانی APIهای خارجی برای غنی‌سازی داده‌های شما، به شما می‌آموزد که چگونه داده‌های موجود را با استفاده از رابط‌های برنامه‌نویسی برنامه‌های کاربردی خارجی (API) که اغلب از طریق نقاط پایانی سرویس وب در معرض نمایش قرار می‌گیرند، گسترش دهید.
این شامل درک خدمات وب، استفاده از خدمات وب Bing Maps برای ژئوکد آدرس در پایتون و R و دسترسی به این خدمات از طریق Power BI است. این فصل شامل دستورالعمل‌های دقیق برای ثبت نام برای خدمات وب Bing Maps، مدیریت کدگذاری جغرافیایی، و ادغام این روش‌ها در Power BI، با تأکید بر الزامات فنی و مثال‌های عملی است.
فصل ۱۲ کتاب Extending Power BI with Python and R، محاسبه ستون‌ها با استفاده از الگوریتم‌های پیچیده: فاصله‌ها، به بررسی استفاده از اندازه‌گیری فاصله در تجزیه و تحلیل داده‌ها می‌پردازد. این فصل با کاوش در مفهوم فاصله در زمینه‌های مختلف، از جمله فاصله‌های جغرافیایی و رشته‌ای آغاز می‌شود. موضوعات کلیدی شامل محاسبه فاصله بین دو مکان جغرافیایی و بین رشته‌ها است.
این فصل از کتاب Extending Power BI with Python and R، بر استفاده از الگوریتم‌های غیر ضروری برای تجزیه و تحلیل داده‌ها در Power BI، با استفاده از R و Python برای محاسبات پیچیده تأکید می‌کند. این شامل مثال‌های عملی و الزامات فنی لازم برای اجرای این مفاهیم است.
فصل ۱۳، محاسبه ستون‌ها با استفاده از الگوریتم‌های پیچیده: تطبیق فازی، تکنیک‌های پیشرفته تجزیه و تحلیل داده‌ها را با تمرکز بر تطابق فازی در Power BI بررسی می‌کند. استفاده از الگوریتم تطبیق فازی مبتنی بر فاصله Jaccard Research مایکرؤسافت را پوشش می‌دهد و به جزئیات ارتباط داده‌های احتمالی می‌پردازد.
این فصل از کتاب Extending Power BI with Python and R، شامل مثال‌های عملی و راهنمایی در مورد پیاده‌سازی این تکنیک‌ها در Power BI، برجسته کردن جنبه‌های کلیدی مانند تطبیق فازی استاندارد، الگوریتم‌های تداعی رکورد احتمالی و کاربرد آن‌ها است.
فصل ۱۴، محاسبه ستون‌ها با استفاده از الگوریتم‌های پیچیده: مسائل بهینه‌سازی، به بررسی این موضوع می‌پردازد که چگونه تحلیلگران Power BI می‌توانند با مسائل بهینه‌سازی ریاضی بدون دانش گسترده از ریاضیات پیشرفته مقابله کنند.
این برنامه بر برنامه‌ریزی خطی (LP) و کاربرد آن در تجزیه و تحلیل داده‌ها، به ویژه برای موارد دنیای واقعی مانند بهینه‌سازی تقاضا در تولید، تمرکز دارد. این فصل از کتاب Extending Power BI with Python and R، به موضوعاتی مانند مبانی برنامه‌نویسی خطی، نحوه حل مسائل بهینه‌سازی با استفاده از پایتون و R و الزامات فنی برای راه‌اندازی Power BI با این زبان‌های برنامه‌نویسی می‌پردازد. مثال‌های عملی برای نشان دادن نحوه به کارگیری مؤثر تکنیک‌های LP در Power BI ارائه شده است.
فصل ۱۵، افزودن بینش‌های آماری: انجمنها، بر تکنیک‌های آماری مورد استفاده برای استخراج بینش از داده‌ها تمرکز می‌کند و بر نقش حیاتی آمار در تجزیه و تحلیل داده‌ها تأکید می‌کند.
این فصل از کتاب Extending Power BI with Python and R، به بررسی ارتباط بین متغیر‌ها، از جمله همبستگی بین متغیر‌های عددی و طبقه‌ای می‌پردازد و الزامات فنی برای انجام این تحلیل‌ها را مورد بحث قرار می‌دهد. مفاهیم کلیدی شامل درک رفتار متغیر‌ها، اندازه‌گیری میزان ارتباط (همبستگی) و استفاده از مفاهیم ریاضی برای تعریف انواع مختلف همبستگی است.
این فصل از کتاب Extending Power BI with Python and R، همچنین محدودیت‌های روش‌های آماری خاص را مورد بحث قرار می‌دهد و جایگزین‌هایی مانند ضرایب همبستگی اسپیرمن و کندال را معرفی می‌کند. همچنین شامل مثال‌ها و دستورالعمل‌های کاربردی برای پیاده‌سازی این تکنیک‌ها در پایتون، R و Power BI است.
فصل ۱۶، افزودن بینش‌های آماری: نقاط پرت و مقادیر گمشده، قابلیت‌های آماری پیشرفته در Power BI را با تمرکز بر تشخیص نقاط پرت و انتساب مقادیر گمشده در مجموعه‌های داده بررسی می‌کند.
این روش‌های مختلف را برای شناسایی و رسیدگی به موارد پرت، تأثیر مقادیر از دست رفته بر تجزیه و تحلیل داده‌ها و استراتژی‌هایی برای مقابله با این مسائل را پوشش می‌دهد.
این فصل از کتاب Extending Power BI with Python and R، مهارت‌هایی را برای استفاده مؤثر از Power BI برای این اهداف به شما ارائه می‌دهد، از جمله توضیحی جامع درباره الگوریتم‌های تشخیص نقاط دورأفتاده و مقادیر گمشده. همچنین الزامات فنی برای انجام این عملیات در Power BI را تشریح می‌کند.
فصل ۱۷، استفاده از یادگیری ماشینی بدون ظرفیت ممتاز یا جاسازی شده، بر ادغام قابلیت‌های یادگیری ماشین (ML) در جریان‌های کاری Power BI، به‌ویژه برای کاربران دارای مجوز‌های حرفه‌ای تمرکز دارد.
این فصل از کتاب Extending Power BI with Python and R، به استفاده از Python و R برای یادگیری ماشین در Power BI، با وجود محدودیت‌های برخی ابزار‌های پیشرفته هوش مصنوعی می‌پردازد. موضوعات کلیدی شامل تعامل با ML در Power BI با استفاده از جریان‌های داده، راه حل‌های AutoML، جاسازی کد آموزشی در Power Query، استفاده از مدل‌های آموزش دیده و فراخوانی خدمات وب در Power Query است. هدف این فصل ارائه بینش‌های عملی در مورد بکارگیری مؤثر تکنیک‌های ML در محیط‌های Power BI است.
فصل ۱۸، استفاده از زبان‌های خارجی سرور SQL برای تجزیه و تحلیل پیشرفته و ادغام ML در Power BI، ادغام موتور‌های تحلیلی Python و R در SQL Server (یا Azure SQL Managed Instance) و استفاده از آن‌ها در Power BI را بررسی می‌کند.
این رویکرد به دلیل محدودیت‌های خاصی در Power BI برای مدیریت مستقیم پایتون و R در نظر گرفته شده است. این فصل نصب و پیکربندی Python و R در SQL Server، استفاده از سرویس‌های ML و وارد کردن مجموعه داده‌های از پیش پردازش شده به Power BI را پوشش می‌دهد. راهنمای دقیقی برای مدیریت و ادغام این فناوری‌ها برای گسترش قابلیت‌های گزارش‌های Power BI ارائه می‌کند.
فصل ۱۹، تجزیه و تحلیل داده‌های اکتشافی، بر اهمیت درک کامل ویژگی‌های ذاتی داده‌های شما قبل از استفاده از مدل‌های ML تمرکز دارد. تکنیک‌های تجزیه و تحلیل داده‌های اکتشافی (EDA) را معرفی می‌کند که می‌تواند به شما در تصمیم‌گیری آگاهانه در مورد انتخاب مدل‌های مناسب ML و روش‌های مهندسی ویژگی کمک کند.
این فصل از کتاب Extending Power BI with Python and R، موضوعاتی مانند اهداف EDA، تکنیک‌های انجام EDA با استفاده از Python و R و EDA در Power BI را پوشش می‌دهد. این بر مراحل حیاتی پاکسازی مجموعه داده، درک روابط متغیر‌ها و استخراج بینش‌های معنادار برای ساخت مدل‌های دقیق تأکید دارد.
فصل ۲۰ کتاب Extending Power BI with Python and R، با استفاده از گرامر گرافیک در پایتون با plotnine، راهنمای جامعی برای بسته plotnine در پایتون ارائه می‌کند، و موازی‌هایی با ابزار محبوب ggplot۲ در R ارائه می‌کند. گرافیک و نحو بصری و قدرتمند آن.
سپس به کاربرد‌های عملی می‌پردازد و نشان می‌دهد که چگونه می‌توان مجموعه داده تایتانیک را با استفاده از تکنیک‌های مختلف plotnine، مانند ایجاد نمودار‌های میله‌ای و هیستوگرام، تجزیه و تحلیل کرد.
علاوه بر این، این فصل از کتاب Extending Power BI with Python and R، ادغام پلانین با Power BI را پوشش می‌دهد و دستورالعمل‌های دقیقی را در مورد نحوه استفاده مؤثر از تجسم‌های پلانین در محیط‌های Power BI ارائه می‌دهد. این شامل روش‌هایی برای تبدیل نمودار‌های پلانین برای سازگاری با Power BI و اطمینان از نمایش مؤثر آن‌ها در گزارش‌ها می‌شود.
فصل ۲۱ کتاب Extending Power BI with Python and R، تجسم‌های پیشرفته، بر ایجاد نمودار‌های سفارشی پیشرفته و جذاب بصری، با تأکید بر نمودار‌های نوار دایره‌ای تمرکز دارد. این نمودار‌های نواری به ویژه برای نمایش داده‌های دوره‌ای یا دوره‌ای به شیوه‌ای واضح و کارآمد در فضا مفید هستند.
این فصل از کتاب Extending Power BI with Python and R، موضوعاتی مانند انتخاب و پیاده‌سازی نمودار‌های دایره‌ای در R و Power BI را پوشش می‌دهد. همچنین در مورد ادغام اسکریپت‌های R در Power BI برای رندر کردن نمودار‌های پیچیده ggplot۲ بحث می‌کند و توضیح دقیقی برای این فرآیند ارائه می‌دهد.
فصل ۲۲، تعاملی R Custom Visuals، بر تقویت تجسم داده‌ها با تعامل، تمرکز بر مفاهیم معرفی شده در فصل‌های قبلی کتاب Extending Power BI with Python and R است. این انتقال از نمودارهای‌ایستا به تجسم‌های تعاملی با استفاده از ویجت‌های HTML و Plotly در R را بررسی می‌کند و بر مزایای آن‌ها برای تفسیر داده‌ها تأکید می‌کند.
این فصل از کتاب Extending Power BI with Python and R، موضوعات کلیدی مانند افزودن تعامل با Plotly، استفاده از ویجت‌های HTML و ادغام این تصاویر تعاملی با Power BI را پوشش می‌دهد. همچنین راهنمایی عملی در مورد ایجاد و وارد کردن بسته‌های بصری سفارشی به Power BI ارائه می‌کند و به خوانندگان مهارت می‌دهد تا ارائه‌های داده‌ای پویاتر و جذاب‌تر ایجاد کنند.
سرفصل‌های کتاب Extending Power BI with Python and R:
- Preface
- Where and How to Use R and Python Scripts in Power BI
- Configuring R with Power BI
- Configuring Python with Power BI
- Solving Common Issues When Using Python and R in Power BI
- Importing Unhandled Data Objects
- Using Regular Expressions in Power BI
- Anonymizing and Pseudonymizing Your Data in Power BI
- Logging Data from Power BI to External Sources
- Loading Large Datasets Beyond the Available RAM in Power BI
- Boosting Data Loading Speed in Power BI with Parquet Format
- Calling External APIs to Enrich Your Data
- Calculating Columns Using Complex Algorithms: Distances
- Calculating Columns Using Complex Algorithms: Fuzzy Matching
- Calculating Columns Using Complex Algorithms: Optimization Problems
- Adding Statistical Insights: Associations
- Adding Statistical Insights: Outliers and Missing Values
- Using Machine Learning without Premium or Embedded Capacity
- Using SQL Server External Languages for Advanced Analytics and ML Integration in Power BI
- Exploratory Data Analysis
- Using the Grammar of Graphics in Python with plotnine
- Advanced Visualizations
- Interactive R Custom Visuals
- Appendix 1: Answers
- Appendix 2: Glossary
- Other Books You May Enjoy
- Index
جهت دانلود کتاب Extending Power BI with Python and R می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.