数据分析利器,Power BI简明教程(中)

简介: 今天给大家介绍一款我常用的数据分析利器——Power BI,由微软开发出品的一个可视化数据分析工具。

1、获取数据这里主要是连接数据源使用,Power BI支持的数据源很多,有些数据源都没见过,如下图,只截了一部分常用的。

46.jpg

以上连接都是可视化操作,每个连接都会有提示功能。


2、工作区这里是我们的主要工作区,所有可视化的控件全部显示在这里。最后做好的报表通过这里进行发布浏览。


3、控件区上面写的可视化区,但我更喜欢叫控件区,这里就是一个个控件显示的位置,可以直接从这里拖放控件到工作区。下半部分的值则是控件的一些属性,可以更加你的意愿进行调整。


4、字段区这里是数据字段显示的地方,就是我们常说的数据列。

此外还有其他一些菜单功能,这里由于篇幅暂不介绍。


简单示例

我们以SQL_Road数据库为数据源,做一个简单的示例给大家看看Power BI的一些功能。


1、连接数据源通过数据源我们连接SQL Server数据库,如下图:

47.jpg

2、配置数据库连接按下图的顺序填好你的数据库的登陆账号和密码即可。点击连接后会有个警告提示,直接点确定即可。

48.jpg

3、选择需要连接的数据库和表如下图,我们勾选上需要的数据库和表,点击加载即可

49.jpg

加载完成后,在字段区就会出现我们刚才加载的几个表,如下图:

50.jpg

4、拖放控件到工作区我们拖放一个柱形图控件到工作区,然后给它添加一些属性。如下图

51.jpg

得到的效果就和我们使用Excel做图一模一样的。

我们再拖一个切片器进来,如下图所示:

52.jpg


相关文章
|
数据采集 存储 数据可视化
数据分析都要会BI?No!不是所有企业都应该上BI
BI工具已成为数据分析行业的标配,广泛应用于企业决策支持。本文深入解析了BI的重要性、演进历程,并探讨企业是否真正具备实施BI的条件,帮助读者理性评估需求,避免盲目跟风。
|
11月前
|
SQL 人工智能 搜索推荐
Quick BI V6.0发布:让人人都能拥有的「超级数据分析师」到底强在哪?
阿里巴巴推出首个数据分析Agent“智能小Q”,助力用户快速获取、解读数据并生成洞察报告。Quick BI 6.0深度融合AI Agent能力,通过三重技术体系提升企业级数据分析可靠性,覆盖多行业场景,实现从数据获取到洞察的高效闭环。
642 0
|
敏捷开发 存储 SQL
Quick BI × 宜搭:低代码敏捷开发与专业数据分析的完美融合,驱动企业数字化转型新范式
钉钉低代码平台宜搭与瓴羊QuickBI深度融合,提供前端敏捷构建+后端智能决策的解决方案。通过无缝对接的数据收集与分析、一站式数据分析及报表嵌入等功能,实现业务与数据双重赋能。
1048 3
|
SQL 自然语言处理 数据可视化
📊 Quick BI 真实体验评测:小白也能快速上手的数据分析工具!
作为一名软件开发工程师,我体验了阿里云的Quick BI工具。从申请试用账号到上传数据、创建数据集,再到搭建仪表板和使用智能小Q功能,整个过程流畅且简单易用。尤其对非专业数据分析人士来说,拖拽式设计和自然语言问数功能极大降低了操作门槛。虽然在试用入口明显度和复杂语义理解上还有提升空间,但整体体验令人满意。Quick BI让我改变了对数据分析的认知,值得推荐给需要快速制作报表的团队成员。
|
机器学习/深度学习 数据采集 数据可视化
基于爬虫和机器学习的招聘数据分析与可视化系统,python django框架,前端bootstrap,机器学习有八种带有可视化大屏和后台
本文介绍了一个基于Python Django框架和Bootstrap前端技术,集成了机器学习算法和数据可视化的招聘数据分析与可视化系统,该系统通过爬虫技术获取职位信息,并使用多种机器学习模型进行薪资预测、职位匹配和趋势分析,提供了一个直观的可视化大屏和后台管理系统,以优化招聘策略并提升决策质量。
1271 4
|
数据采集 数据可视化 数据挖掘
数据分析大神养成记:Python+Pandas+Matplotlib助你飞跃!
在数字化时代,数据分析至关重要,而Python凭借其强大的数据处理能力和丰富的库支持,已成为该领域的首选工具。Python作为基石,提供简洁语法和全面功能,适用于从数据预处理到高级分析的各种任务。Pandas库则像是神兵利器,其DataFrame结构让表格型数据的处理变得简单高效,支持数据的增删改查及复杂变换。配合Matplotlib这一数据可视化的魔法棒,能以直观图表展现数据分析结果。掌握这三大神器,你也能成为数据分析领域的高手!
443 2
|
机器学习/深度学习 算法 数据挖掘
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
本文介绍了2023年第二届钉钉杯大学生大数据挑战赛初赛A题的Python代码分析,涉及智能手机用户监测数据分析中的聚类分析和APP使用情况的分类与回归问题。
733 0
2023 年第二届钉钉杯大学生大数据挑战赛初赛 初赛 A:智能手机用户监测数据分析 问题二分类与回归问题Python代码分析
|
机器学习/深度学习 算法 数据挖掘
数据分析的 10 个最佳 Python 库
数据分析的 10 个最佳 Python 库
2072 4
数据分析的 10 个最佳 Python 库
|
供应链 数据可视化 数据挖掘
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一
本文详细介绍了第十一届泰迪杯数据挖掘挑战赛B题的解决方案,涵盖了对产品订单数据的深入分析、多种因素对需求量影响的探讨,并建立了数学模型进行未来需求量的预测,同时提供了Python代码实现和结果可视化的方法。
712 3
【2023年第十一届泰迪杯数据挖掘挑战赛】B题:产品订单的数据分析与需求预测 建模及python代码详解 问题一