公开笔记对他人可见,有机会被管理员评为“优质笔记”
{{ noteEditor.content.length }}/2000
包含本视频的课程:
DAX函数的自学途径
视频中介绍了自学MAX函数及其他DAX函数的多种途径,包括阅读官方文档、访问专门网站Cycle BI、学习权威书籍《DAX权威指南》以及参考中文版翻译、利用在线平台测试DAX函数等。强调了理论知识与实践操作的重要性,以及找到合适学习材料的必要性。适合愿意通过自学掌握Power BI和DAX函数,未安装相关学习工具但想快速学习DAX函数,以及对英文资料阅读有困难需求中文材料的用户。
变量是常数
视频主要描述了在编程中处理变量和常数的方式,强调了一旦定义常数后无法再次修改的特性,区别于其他编程语言可以对变量重新赋值。介绍了变量作用范围的概念,局部变量仅在函数内部有效,外部无法引用。进一步探讨了度量值的使用和变量计算中需注意的上下文环境问题,分析了错误的使用方式会导致不正确的计算结果,如连续计算时引起的误差。内容适合对编程和数据分析感兴趣的开发者、数据分析师或任何希望了解编程变量处理细节的个体。
验证DAX中的方差函数VAR
本视频涉及方差的计算验证过程,对tax函数是否准确进行检验。讲解了如何使用数学公式计算总体方差和样本方差,并通过编程代码在dex工具中演示计算过程。演示中包含了平均值的计算、不同tax函数的用途和区别,并对函数的正确性进行实际代码验证。内容适合对数据分析、编程验证和统计计算有兴趣的技术人员。
认识Power BI以及安装Power BI Desktop
Power BI 作为微软的商业智能工具,通过整合数据整合、分析和可视化功能,在商业决策中提供快速准确的报告支持。工具包含Power Query、Power Pivot及DAX函数等组件,帮助用户简化数据处理过程,并允许构建动态的交互式报表。针对于那些日常工作中需要处理大量业务数据、寻求提升数据处理能力或期望避免复杂编程学习的人群,Power BI 能够提供强大而易用的解决方案。课程内容覆盖了从基础数据导入、模型建立到高级DAX函数运用和时间智能等多个方面,结合案例教学,帮助学员掌握全面的Power BI应用技能。
Power BI Python脚本编程
本视频讲解在Power BI中使用Python脚本编程的优势和应用。Power BI选择Python而非VBA进行数据编程,原因在于Python的能力更适合处理大型数据集,VBA则适用于传统中小型数据处理,但速度较慢。探讨了Python脚本在Power BI中的用途:数据导入、清洗、整理、合并、拆分和预处理,例如去除重复和处理缺失值。视频着重介绍了Python在统计分析、AI分析和数据可视化方面的强项,及其与Power BI的互补优势。通过Python实现的数据导出功能可以突破Power BI的导出限制。最后提及了Python与M语言的混合编程方式。
Power Query操作入门及应用:同类表数据追加查询
视频讲解了如何使用Power Query的追加查询功能来合并多个格式相同的明细表,并指出了操作中的一些注意事项。通过一个具体例子,演示了将多个年月份的数据表连接成一个汇总数据的过程。不过,视频也提出了使用该功能时可能遇到的问题,例如当添加新的数据时,已追加的查询不会自动更新新表数据,另外在列名不一致的情况下合并将导致数据错位。这个技能对于那些需要处理来自不同渠道的固定数量数据源的人特别有用,但对于需要动态更新的数据合并场景则不那么适用。适合需要进行数据整合管理的数据分析师、报表开发者、数据库管理员以及对于Excel高级功能感兴趣的高级用户。
Python爬虫:Requests库的基本用法
本次内容聚焦于使用Python的requests库进行网页数据爬取。介绍了requests库作为一个无需转基因的HTTP库,在人类获取网页数据过程的适用性与便捷性。视频解释了如何安装库,以及如何使用GET方法来获取网页对象。其中,还包含了HTTP状态码的讲解,状态码帮助开发者识别HTTP请求的响应状态。强调了文本编码的重要性,在处理爬取到的文本数据时需设置合适的编码以避免乱码问题。此外,视频提供了通过requests库对网页文本信息提取的具体代码实例演示,旨在帮助开发者理解如何使用这一工具进行数据抓取。
大数据架构与生态圈01
视频内容聚焦于大数据技术的发展三个阶段,其中大数据1.0时代遍及2006-2009年,以Apache基金会建立的Hadoop开源项目和相关技术(如HDFS、MapReduce、HBase)为标志,主要解决大规模结构化数据批处理问题。2.0时代自2009年至2015年,以Spark为主流计算引擎,着重于结构化数据处理与多种流计算引擎的出现。而3.0时代则自2015年开始,注重非结构化数据处理、数据共享及解决数据孤岛问题,推进大数据与人工智能、云计算技术的融合。内容指出大数据技术依据不同行业需求有不同架构,并且强调技术的持续更新与业务适配性。