关于powerbi和pandas概念对比.docx

《关于powerbi和pandas概念对比.docx》由会员分享，可在线阅读，更多相关《关于powerbi和pandas概念对比.docx（7页珍藏版）》请在第一文库网上搜索。

1、微软Powerbi的DAX中的概念和pandas的对照这两天看powerbi的DAX书籍，云山雾罩的。今天搞明白了两个被微软搞得贼复杂得概念举例说一下：范例：订单ID订单时间产户ID制蜘ID渠道原单价折扣销俵单价数S销售价格是否会员01000000012016-09-24999194线下偿8.01.00800.0540.0非会员11000000022016-09-24999105线下例400.01.00400.041600.0非会员21000000032016-09-24100001191妣自营800.01.00800.01800.0会员31000000042016-09-2410000292

2、线下f60.01.0060.05300.0会员41000000052016-09-24999155妣自营800.00.85680.053400.0非会员1相关概念释义1.1上下文概念上下文就是Pandas中得筛选条件比如：In3:0ut3:ffPoWerbi中的上下文的概念二端选刊城市1加3的城市可1头再添加别的通选比如0:：（11厂产品1/：6）,:$等,尴小寸（1门=（1210（:（1城市1了=3）,:df1JnieiD订单时SgaID产品城市里滔原单折销售单数销售价是否“里ID间自尸QRID1架IH价扣价格会员51000000062016-09-241003QF1I虹目菅6.00.955

3、70.042280.0会员6IO(Xx)O0072016-09-2499953线下ra300.00.80240.04960.0三哙员81000000092016-09-24999,t自营3.00.95285.02570.0峥员91000000102016-09-241005201%t1自百600.01.00600.042400.0会员131000000142016-09-2499923虹自首3.01.003.0412.0三哙员1.2度量值概念In5:#Powerbi中的度量值的概念df2=df1.groupby（“城市ID）”数量.sum（）.squeeze0df21ut：7855度量值的概念

4、理解如下：假设pandas为比较底层的使用数据加工工具，直接使用方法和参数，比较直接，类似于底层的代码编程，但是学习难度一开始比较大，熟练后使用便捷。微软的powerbi的DAX函数，是在更底层的类似pandas函数基础上进行了封装，加工出更多的积木，更多的积木，可以堆积使用。但是增加了上下文概念还有度量值的概念，让人便于使用，但是更难于理解。结论：还是多学习PandaS更究竟，对于数据分析更便捷。DAX使用对于数据展示更便捷！2DAX函数的pandas解释文档2.1AVERAGE（co1umn）类型的函数厂函数含义例子返回的结果-AVERAGE(co1umn)寰东将数字向下舍入到最接近的整数

5、或第二个参数的最接近倍数AVERAGE（学生成绩成.绩）返回学生成绩表中成绩字段的平均值MAX(co1umn)返回列中的最大数值MAX（，的售明编表编置返回用大值M1N(COIUmn)返同列中的最小数值MIN（悯售明细表:）_返回倩酷最小值MAXX(tab1e,expreaekm)返回通过为表的每-行计算表达式而得出的最小数值度Ii值=MAXX（，销售统if*，.价格*数依D返回箱皆统计表中价格字段乘以数猿字段后最大的值M1NX(tab1e.expression)返回通过为我的每-行计算表达式而得I出的被小数值度址值=M1NX。销售统计价格【数属D返回销官统计表中价格字段乘以数量字段后最小的值

6、COUNT(公OIU1nn)返回列中数字嘏的数目COUNT（，第密明翘数1省2）_返回省份的个数1,1TRNtI.1I.,D17HMI一返回数据表中的行效/列散Coiintrows店铺分类表）返回店1分类表的数据行数2.1.1范例一:Pandas:In3:df.groupby(fee)amountmeanOOut3:amountfee管理费用3.938243e04销售费用1.595483e+06度量值度Rffi前面的条件E1UEtnSB1匕*MVk19OIEQ*E3BSa*EIPQ7QQ管理费用交通费1.650000e+04工资1.453571e+05销售费用招待费电话费社保餐饮费交通费工资招

7、待费电话费社保餐饮费1.310000e+041.512500e+041.475000e+041.380000e+041.638730e+061.891196e+061.387670e+061.607980e+061.500422e+061.497617e+06管理费用39,382.43销售费用1,595,483.24总计817,432.842.1.2范例二：度量值一致，前面的上下文不一致PandasIn4:df.groupby(,fee”c1assify)amount,mean()Out4:amountfeec1assifyPowerbi:KMErhIXU.MVk1dOB9fiE3管理费用餐饮

8、费13,800.00管理费用电话费15,125.00管理费用工资145,357.14管理费用交通费16,500.00管理费用社保14,750.00管理费用招待费13,100.00销售费用餐饮费1,497,616.67销售费用电话费1,607,980.00艄售费用工资1.891,195.71总计817,432.84总结：我们可以看到所谓的上下文就是pandas的一个对象在本例中上下文用Pandas表达就是groupbyed=df.groupby(ttfee,nC1assify)在pandas中这个groupbyed对象就是如下表现：In6:groupbyed=df.groupby(*fee*,*

9、c1assify*)CgroupEyecT?Out6：那么度量值就是后面的：In8:groupbyed1amount,.mean0Out8:amountfeec1assify管理费用交通费1.650000+04工资1.453571e+05招待费1.3100+04电话费1.512500e+04社保1.475000+04餐饮费1.380000e+04销售费用交通费1.638730+06工资1.891196+062.2MAXX(tab1e,expression)类的函数Pandas:In8:Out8:df.eva1(*tota1=amount*beishu*).groupby(fee)丘tota1”

10、力max()tota1fee管理费用2049销售费用2181In10:#也可以使用app1y,axis=1进行横向计算df“tota1=df.app1y(1ambdax:x.amount*x.beishu,axis=1)df.groupby(fee)tota1,max()Out10:tota1fee管理费用2049销售费用2181使用powerbi设置度量值198.00I电话费209.00I工资227.86I交通费220.00I社保209.00I招待费306.33管理费用2,049.00I销售费用2.181.00总计m2f181.00Mf1R可慢化必JtsnnM.BunIUHVkIOOEQ*口

11、图E9日E1IeIRFy巨228.3S对于度量值进行上下文的筛选管理费用2,049.00Pat*销售费用2,181.00总计2,181.001.J立胸时象上Bfmee1Mmaxfee*生喻VGSitOTSt)MMK.玄虞公淮JaBrr於、JM口班Wi&匡啦宫加国U1巴3由阻曲金凶号ESEBQ6公口困四唠值IG1Rpy巨唱口国?口田?必JZvImmVMK京此处XO砧8SUMmRj4X5UMbmuJCtourfy】8yo_1month2.3COUNTROWSPandas:In13:1en(df)Out13:74Powerbi度量值设定：IWfftcOUN1ROWSCOUNTRCWS(feeei)-

12、raVttR337.00电话费340.33Iffi357.57交通费331.00社保309.00管理费用2,049U销售费用2,181.00总计2,181.00可及化74BMcowwsW，-rem*stW-*wMI,匕：CGB3口*nto在图表中进行设定生成视觉对软IQ解74iCOUNTROWS此视砌Jr1t的saSbacountrows是（全韵处添加段此页上的簿选制在此处添加效珥字段昌盛回Py山加收。IIR玄 的区分房合一 IHR必冒田口为昌IJMQ园唱所育页面上的端选SSKMCOUNTROWSyX在此处港葭砧取蒋报袤保留所有箍选第口目度4AVEaBKMCoUNTR.白度量值EaXXOamountObeishu c1assify Zday feeMOmonth