Power BI现已与Jupyter Notebooks集成

嗨！今天，我想和你分享一些令人兴奋的消息：Power BI现在与Jupyter Notebooks集成了！ 作为一个喜欢与数据打交道的人，这种集成将改变游戏规则。

在本文中，我将为你提供如何使用此集成的分步指南，并分享一些示例用例来帮助你入门。如果你想了解更多关于数据分析的相关内容，可以阅读以下这些文章：
LLMs能否取代数据分析师？
遵循10个步骤进行出色的数据分析!
GPT-4高级数据分析：初学者的图表和地图指南
作为数据分析师，我一直在使用ChatGPT Vision

什么是Power BI？

对于那些不熟悉的人来说，Power BI是微软开发的一款功能强大的商业智能工具。它允许用户连接到各种数据源，转换和清理数据，并创建有见地的可视化和报告。Power BI被数据分析师、业务分析师和其他定期处理数据的专业人士广泛使用。

什么是Jupyter Notebooks？

另一方面，Jupyter Notebooks是交互式文档，允许用户编写和运行代码、可视化数据和记录他们的工作。Jupyter Notebooks在需要探索和实验数据的数据科学家、机器学习工程师和研究人员中很受欢迎。

集成

那么，这种集成对于Power BI和Jupyter Notebooks用户意味着什么呢？从本质上讲，这意味着你现在可以将Jupyter Notebooks嵌入到Power BI报表和仪表板中。这种集成使你可以利用Jupyter Notebooks的强大功能，同时还可以利用power BI的可视化功能。

示例用例

让我们来看看这个集成的一些用例：

• 数据探索：假设你有一个想要探索和分析的大型数据集。你可以使用Jupyter Notebooks编写清理和转换数据的代码，然后使用Power BI基于清理后的数据创建可视化。
• 机器学习：假设你想建立一个机器学习模型来预测客户流失。你可以使用Jupyter Notebooks来训练和测试模型，然后使用Power BI创建显示模型预测的仪表板。

示例用例

那么，有哪些使用Power BI和Jupyter Notebooks集成的示例呢？以下是一些想法：

探索性数据分析——使用Jupyter Notebooks来探索你的数据，创建可视化，识别模式和趋势。然后，将这些可视化嵌入到你的Power BI报告中，与你的团队分享你的见解。

import pandas as pd
import seaborn as sns

data = pd.read_csv('sales_data.csv')
sns.pairplot(data, hue='region')

预测建模-使用Jupyter Notebooks创建机器学习模型，根据历史数据预测未来的结果。然后，将这些模型嵌入到Power BI报告中，为你的团队提供可操作的见解。

import pandas as pd
from sklearn.linear_model import LinearRegression

data = pd.read_csv('sales_data.csv')
X = data[['price', 'advertising']]
y = data['sales']
model = LinearRegression()
model.fit(X, y)
predictions = model.predict(X)
data['predictions'] = predictions
sns.scatterplot(x='sales', y='predictions', data=data)

设置集成

现在你已经了解了如何使用这个集成，那么让我们来看看设置它的步骤。

第1步：安装Power BI Visuals CLI

首先，你需要安装Power BI Visuals CLI，这是用于开发Power BI可视化的命令行界面。打开终端窗口，执行如下命令：

npm install -g powerbi-visuals-cli

第2步：创建新的Power BI可视化

接下来，你需要创建一个新的Power BI视觉效果。运行如下命令创建新的可视化模板：

pbiviz new jupyter

这将创建一个名为“jupyter”的新视觉模板。

第3步：安装所需的库

要在Power BI可视化中使用Jupyter Notebooks，你需要安装所需的库。运行以下命令安装必要的库：

cd jupyter
npm install --save @jupyter-widgets/base
npm install --save @jupyter-widgets/controls
npm install --save @jupyter-widgets/jupyterlab-manager
npm install --save jupyter-js-widgets

第4步：添加Jupyter Notebook查看器

接下来，你需要将 Jupyter Notebook 查看器添加到你的视觉对象中。打开“capability.json”文件并在“dataRoles”部分下添加以下代码：

{
    "name": "JupyterNotebook",
    "kind": "Grouping

第 5 步：添加Jupyter Notebook代码

现在是时候将Jupyter Notebook代码添加到你的视觉对象中了。打开“visual.ts”文件并添加以下代码：

import { WidgetManager } from '@jupyter-widgets/jupyterlab-manager';
import * as base from '@jupyter-widgets/base';

export class Visual implements IVisual {
    private host: HTMLElement;
    private widgetManager: WidgetManager;
    constructor(options: VisualConstructorOptions) {
        this.host = options.element;
        // Create the widget manager
        this.widgetManager = new WidgetManager({ el: this.host });
    }
    public update(options: VisualUpdateOptions) {
        // Get the data view
        const dataView = options.dataViews[0];
        // Get the notebook data
        const notebookData = dataView.table.rows[0][0];
        // Create the notebook widget
        const notebookWidget = this.widgetManager.createWidget({
            model_id: 'notebook',
            widget_class: 'jupyter-widgets.Widget',
            options: {
                model_module: '@jupyter-widgets/base',
                model_module_version: '1.0.0',
                model_data: {
                    'widget_manager': this.widgetManager.toJSON(),
                    'notebook': JSON.parse(notebookData),
                },
                view_module: '@jupyter-widgets/base',
                view_module_version: '1.0.0',
                view_name: 'WidgetView',
            },
        });
        // Render the notebook widget
        notebookWidget.render();
    }
    public destroy(): void {
        // Clean up the widget manager
        this.widgetManager.dispose();
    }
}

此代码创建一个新的Jupyter Notebook小部件并将其呈现在 Power BI 视觉对象中。

第6步：构建和测试可视化

最后，你需要构建和测试你的可视化系统。运行以下命令来构建和打包你的可视化系统：

pbiviz package
pbiviz start

这将启动一个本地服务器，你可以在其中测试你的可视化。打开网页浏览器，导航到“http://localhost:8080/”。你应该会看到新的Power BI可视化，其中嵌入了Jupyter Notebook。

比较表

为了帮助你决定这种集成是否适合你，下面是在Power BI中使用Jupyter Notebooks的功能和限制对照表：

正如你所看到的，在Power BI中使用Jupyter Notebook有很多好处，但也有一些限制需要注意，比如Jupyter Notebook代码的性能。

下面举例说明如何使用Python Visual针对客户流失预测用例优化代码：

1. 在Jupyter Notebook中创建一个新的Python脚本，其中包含用于清理和预处理数据、创建机器学习模型以及评估其性能的代码。
2. 用静态可视化取代任何交互式部件或绘图。
3. 将Python脚本保存为.py文件。
4. 在Power BI Desktop中，点击“可视化”窗格中的“导入”按钮。
5. 从“Power BI可视化”类别中选择“Python可视化”。
6. 将可视化添加到报告后，点击它打开“可视化”窗格。
7. 在“可视化”窗格中，点击“Python 脚本”选项卡。
8. 在这里，你可以输入Jupyter Notebook脚本中的代码，也可以上传.py文件。
9. 点击“运行”按钮运行脚本。
10. 现在，你应该可以看到脚本的输出以可视化的形式显示在Power BI报告中！

代码对照表

为了帮助说明Jupyter Notebook可视化与Python可视化之间的差异，下面是一个比较表：

将Jupyter Notebook与Power BI相整合

在深入了解示例之前，我们先来谈谈如何将Jupyter Notebooks与Power BI集成。

有几个先决条件：

1. 你需要有一个Power BI账户，以及一个Jupyter Notebook托管服务（如Azure Notebooks或Anaconda Cloud）账户。
2. 需要安装Power BI Visuals Tools，可以从微软网站下载。
3. 你需要从Power BI市场安装“Jupyter Notebook”可视化工具。

具备这些先决条件后，就可以开始使用了。

以下是将Jupyter Notebooks与Power BI集成的分步指南：

1. 在Power BI Desktop中，点击屏幕右侧“可视化”窗格中的“导入”按钮。
2. 在“导入”窗格中，从“Power BI可视化”类别中选择“Jupyter Notebook”可视化。
3. 将可视化添加到报告后，点击它以打开屏幕右侧的 “可视化 “窗格。
4. 在“可视化”窗格中，你会看到一个名为“Notebook设置”的部分。在这里，你可以输入Jupyter Notebook的URL，并选择是显示整个Notebook还是只显示特定单元格。
5. 点击“应用”按钮，应用你的更改。
6. 现在，你应该可以看到Power BI报告中嵌入了你的Jupyter Notebook！

对于经常处理数据的人来说，Power BI与Jupyter Notebooks 的集成是一个强大的工具。

通过在Power BI报告和仪表盘中嵌入Jupyter Notebooks，你可以利用Jupyter Notebooks的强大功能，同时还可以利用Power BI的可视化功能。按照我在本文中提供的步骤，你可以轻松设置这个集成，并开始以令人兴奋的新方式探索你的数据。

无论你是将此集成用于数据探索、机器学习还是讲故事，你都可以利用这一强大的工具实现无限可能。

感谢阅读！你还可以订阅我们的YouTube频道，观看大量大数据行业相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Gabe Araujo, M.Sc
翻译作者：文玲&Qing
美工编辑：过儿
校对审稿：Jason
原文链接：https://levelup.gitconnected.com/power-bi-now-integrates-with-jupyter-notebooks-adb4a2b866e9