01 写在前面

为什么要写【数据分析工具】这个系列文章？还是回到一个最根本的问题上：数据分析到底是干什么的？

数据分析虽然是以业务为主，工具为辅，业务为目的，工具为手段，但巧妇难为无米之炊，只有掌握了基础的工具才能够进行数据分析。但工具千千万，Excel、SQL、Python/R、SPSS、SAS、PowerBI/Tableau，到底哪些才是数据分析师日常工作中必备的工具？哪些是没有必要花费时间精力的花架子？数据分析工具这个系列，我们就一起来看一下哪些是数据分析师真正需要熟练掌握的工具！

Excel是目前最基础、也是应用最广的数据分析工具，百万行级别以下最好用的数据分析工具，没有之一，不接受反驳！熟练使用Excel，能够解决数据分析中80%的问题，而且非常灵活、快速和高效，所以Excel作为数据分析师必备的基本技能，重要性不言而喻。

很多想入行数据分析的小伙伴学习Excel没有经过系统的指引与训练，而往往是来自于各种东拼西凑的知识，感觉自己很懂Excel，所以简历上就非常自信地写上了“精通Excel”这样不知天高地厚的字眼，面试一问起来才发现自己的纯真和无知。是的，当你还觉得Excel很low很简单的时候，说明你还没有被它震撼和教育过，越是精通Excel的大神越会觉得它的强大和自己的无知。

那么想入行数据分析的同学来说，怎么快速高效地掌握Excel这个数据分析的利器呢？根据笔者多年来的工作经验，作为数据分析师，提升Excel水平可以按照这样的学习路径：

1）基本操作包括数据的简单处理汇总、图表制作等，属于Excel基础知识，一般大家都能正常使用。

2）熟练掌握常用的函数后，你就可以做简单的数据统计、分析和数据可视化等工作了。

3）为了进一步从不同维度对关心的指标进行上卷、下钻分析，还需要非常熟练地掌握数据透视表，这也是Excel最为强大、使用最为频繁的功能。

4）为了实现复杂的业务分析，解决不同数据源、海量数据的分析问题，我们就需要掌握PowerQuery和PowerPivot，PowerQuery负责整合多重来源数据，并进行数据转换，PowerPivot对整合后的规范化数据进行高效率的透视分析，几百万上千万行数据均不在话下。

5）当然，这个时候可能还不够，因为平时还有很多任务是需要每天手动处理的，所以PowerBI横空出世了，PowerBI融合了PowerQuery和PowerPivot的功能，你可以利用PowerBI制作好你想要监控的核心报表，以后只要更新数据源，报表就能自动化生成，再也不用每天重复地复制粘贴做表格了！

前面已经总结了一些数据分析工具，有兴趣的可以翻看之前的文章，包括：

1、【数据分析工具】手把手教你制作Excel仪表盘

2、【数据分析工具】数据分析必知必会的Excel函数（文末领取Excel教程）

3、【数据分析工具】Excel数据透视表：菜鸟也能做数据分析(文末领取教程)

4、【数据分析工具】Excel也能玩转大数据分析，超级透视表Power Pivot

图片

02 什么是Power BI?

在大数据时代，随着数据驱动业务观念的普及，商业智能BI(Business Intelligence)已经成为了，但究竟什么是BI?不同的人可能有不同的答案。这里我用最简单直白的方式给出我的理解：商业智能 (BI)是一系列技术和工具，通过可视化这种更易于理解和传递的形式，洞察海量数据背后的业务价值，完成从数据到信息的过程，进而帮助业务做出更有效的商业决策。

而谈到BI，我们就不得不提一下微软旗下这款风靡全球的BI神器：Power BI！

Power BI，这个名字在 BI 市场已经存在很长时间了。微软团队长期以来一直致力于构建一个名为 Power BI 的工具包，这个工具包是强大数据整合、处理和可视化的工具组合。它可以整合来自不同数据源的数据，对数据进行清洗、转换等预处理，并提供基于云服务的可视化，方便用户创建交互式的仪表板和分析报告。为企业提供数据洞察，帮助进行业务决策。

有了PowerBI这一整套技术方案，数据分析师可以低门槛、自助式地进行数据分析，方便地创建各种主题的分析报告和高交互性的仪表板，而不必依赖信息技术人员或数据库管理员来开发可视化报表。

Power BI之所以能够轻松地实现如此强大的功能，是因为它有很多强大组件的加持。

图片

Power Query：它可用于搜索、访问和转换公共和/或内部数据源。

Power Pivot：用于内存分析的数据建模。

Power View：您可以使用 Power View 以交互式数据可视化的形式分析、可视化和显示数据。

Power Map：它通过交互式地理可视化使数据栩栩如生。

Power BI Service： 您可以共享可从本地和基于云的数据源刷新的数据视图和工作簿。

Power BI Q&A： 通过自然语言查询提出问题并立即获得答案。

Data Management Gateway： 通过使用此组件，您可以获得定期数据刷新、公开表和查看数据馈送。

Data catalog：用户可以使用数据目录轻松发现和重用查询。元数据可以促进搜索功能。

对Power BI的定位、架构、组件和功能有个大致的了解后，我们通过一个实际案例，一步一步来创建一个完整的数据可视化报表。

03 Power BI实际案例介绍

在进行这部分之前，我们首先需要在这里https://powerbi.microsoft.com/zh-cn/下载并安装PowerBI Desktop，安装过程非常简单，这里不再赘述。

我们这里以一个非常熟悉的销售数据分析为例，介绍PowerBI的使用步骤。在这个案例里，为了展示Power BI整合不同的数据源的能力，我们将使用来自两个数据源的数据，这种情况在实际业务中也很常见，很多数据都是来源于不同的数据源。

数据分布在多个数据源中是很常见的，例如一个数据库中的产品信息和另一个数据库中的销售信息。您将在本文档中学习的技术包括 Excel 工作簿和 OData 源，但这些技术也可以应用于其他数据源，如SQL Server 查询、CSV 文件或 Power BI Desktop 中的任何数据源。

在案例中，我们将从 Excel（产品信息表）和 OData 源（订单信息表）导入数据，并会做一些数据转换和清洗的操作，最终创建基于PowerBI销售数据分析的可视化报表。

这是最终可视化报表的样子：

图片

本案例中涉及到的数据以及整个可视化报表资料，可以在文末获取下载方式！

04 Power BI中导入数据

1、从Excel中导入产品信息

首先，我们要把记录产品信息的Excel工作簿产品信息.xlsx 文件导入到Power BI Desktop。

1、启动Power BI Desktop.

2、从主页功能区中，选择获取数据， Excel 是最常见的数据连接方式之一，也可以直接选择它，导入我们事先准备好的产品信息.xlsx。

图片

3、在导航器窗格中，选择，然后选择转换数据，就会出现数据编辑Power Query的窗口，在这里我们可以对数据进行预处理。

图片

2、产品信息表Products预处理

在Power Query编辑器中，我们把产品信息表中除 ProductID、ProductName、UnitsInStock 和 QuantityPerUnit之外的所有列删掉，因为其他的列我们分析时用不到。步骤如下：

1、在编辑器中，选择 ProductID、ProductName、QuantityPerUnit 和UnitsInStock 列（使用 Ctrl+单击选择多个列，或使用Shift+单击选择彼此相邻的列）。

2、从功能区中选择移除列 > 移除其他列，或右键单击列标题并单击移除其他列。

图片

当Power Query编辑器连接到数据时，它会检查每个字段并确定最佳数据类型。对于 Excel 工作簿，库存产品将始终为整数，因此在此步骤中，我们需要确认 UnitsInStock 列的数据类型为整数。

1、选择 UnitsInStock 列，发现该列数据存在小数。

2、右键该列在下拉框中选择更改类型-整数，即可将数据类型更改为整数。

图片

3、从Odata源导入订单数据

还需要导入订单数据，我们通过连接OData 源导入订单数据。在OData源中输入以下链接：http://services.odata.org/V3/Northwind/Northwind.svc/，步骤与之前类似，只是这里导入的数据源不同。

步骤如下：

1、主页-获取数据-选择 OData数据源。

2、在OData 源对话框中，粘贴OData源的URL：http://services.odata.org/V3/Northwind/Northwind.svc/。

3、该数据源下有多个表，在导航菜单中，选择订单表Orders，然后选择转换数据。

图片

4、订单信息表Orders预处理

订单表Orders 中包含了对订单明细表Order_Details的引用，Order_Details记录了每笔订单中单个产品的单价、数量等数据。因为我们要统计具体到产品粒度的销售数据，所以需要用到Order_Details中的一些字段。

1、点击展开Order_Details 表，将其中的 ProductID、UnitPrice和 Quantity 列展开到 Orders 表中，合并作为订单信息表Orders中的列。

图片

2、类似的，我们把订单信息表中除 OrderDate、ShipCity、ShipCountry、Order_Details.ProductID、Order_Details.UnitPrice 和 Order_Details.Quantity 列之外的所有列删除。因为我们此次分析中用不到这些列。

3、以上操作完成后，点击左上角关闭并应用，就完成了整个数据的导入和预处理过程，回到报表界面，我们可以基于处理好的数据创建计算列、度量值进行分析和可视化报表制作。

图片

05 创建数据模型

在上面的步骤中，我们已经完成了两个数据源的导入和数据的预处理，在正式进行数据分析之前，我们需要建立数据模型，即建立订单信息表Orders和产品信息表之间的关联关系，这样Power BI 才能够将两个表进行关联组合，合起来进行分析。

在本教程中，我们通过两个表共有的“ProductID”字段关联订单信息表和产品信息表，使两个表产生关系，建立数据模型。

步骤如下：

1、在报表视图下，在“建模”工具栏下，选择“管理关系”。

2、选择新建按钮，在弹出的创建关系的对话框中，选择两个表Orders和。

3、分别选择两个表的ProductID 字段，就通过该字段在两个表建立了关联关系。

图片

4、切换到关系视图，也能看到两个表之间的关联关系已通过箭头连接表示。

图片

06 DAX创建度量值

上述步骤已经完成了数据的导入、预处理和数据建模，接下来就可以通过定义一些计算列和度量值进行分析了。

在创建计算列和度量值之前，我们先简单的说一下这两者之间的区别，因为这两个概念很容易让人混淆。

计算列基于现有的列创建的一个新列，直接体现为在现有的表上增加了一列，新建的计算列，和表中之前已经存在的列一样，可以作为表格的行、列，图表的轴以及切片器的字段等等，也可以使用计算列与其他表建立关系。

度量值就是一个孤立的公式，是基于现有的列进行计算的结果，并不会作为一列出现在表中，一般是用作一些聚合操作，比如求和、计数、求平均等，都是用度量值实现的。

1、创建计算列

如果我们要计算每个产品ProductID的销售额，我们知道销售额=销量*单价，相当于在现有数据最后添加一列销售额，创建一个自定义计算列来计算每一行每个产品的销售额。

步骤如下：

1、在报表视图中，右键单击右侧订单信息表Orders，单击新建列。

2、在弹出的公式栏中，输入LineTotal=Orders[UnitPrice]*Orders[Quantity]，Enter确定。

图片

2、创建度量值

上面仅创建了一个计算列LineTotal，可以看到每个产品的销售额数据，但是如果我们想要进行汇总聚合，在日期、国家维度上看整体的销售量、销售额等数据，我们就需要通过创建度量值来实现了。

基于我们之后要进行的分析，我们需要创建以下几个度量值，我们先将对应的公式写出来，然后再在Power BI中创建度量值：

1、销售量：对订单信息表Orders中的Quantity字段进行求和

2、销售额：对订单信息表Orders中的每个产品的销售额LineTotal字段进行求和

3、平均客单价：上面计算的销售额/销售量

4、销售额月同比增长率：本年某月销售额/去年同期销售额-1

5、销售额月环比增长率：本年某月销售额/本年上月销售额-1

按照上述计算逻辑，在报表视图下，右键订单信息表Orders，点击“新建度量值”：

图片

创建对应的度量值如下：

1、销售量TotalQuantity，直接对Quantity字段求和

图片

2、销售额TotalSales，直接对计算列LineTtoal字段求和

图片

3、平均客单价AvgPrice，可以通过上面新建的度量值再计算

图片

4、去年同期销售额，使用了SAMPERIODLASTYEAR函数，获取当前时间对应的去年同期时间，进而计算去年同期的销售额

图片

5、销售额月同比，本期销售额/去年同期销售额-1

图片

6、本年上期销售额，使用DATEADD函数获取当前时间的上一月，进而计算上一个月的销售额

图片

7、销售额月环比，本期销售额/上期销售额-1

图片

也许你会发现，这里面有一些语法好像没有见过，比如CALCULATE，这里涉及到DAX上下文的理解，DAX非常强大，但也不容易理解，这里篇幅有限，不再展开，有兴趣的同学可以深入研究。

07 创建可视化报表

Power BI 是一个强大的BI工具，可以通过托拉拽方便地创建可视化报表，通过图形化的形式快速洞察数据背后的业务信息。Power BI提供了很多丰富的图表，基于之前创建的度量值等，我们可以通过创建不同的图形形成一个完整的可视化报表。下面我们就来一步步创建这个报表。

1、整体概览

一般情况下，我们希望通过一些核心指标快速判断当前业务的整体情况，而不是直接关注到细节。在报表中，我们通常会将这些核心指标显示在最上方显眼处，这样我们就可以快速得知当前业务情况，我们把之前新建的度量值：销售量、销售额、客单价、销售额同比增长率、销售额环比增长率这5个核心指标依次选取，然后选择“多行卡”，即可把核心指标监控如下图所示。

图片

2、各国家/区域销售量分布

如果我们想直观地获取各个国家/区域的销售数量情况，选择可视化图表“地图”，将shipCountryt拖入到“位置”框，将度量值TotalQuantity拖入“大小”框，地图中圆圈大小展现各国家的销售量情况，将地图放大后如下图所示。

图片

3、各国家/区域销售额占比

如果我们想直观地获取各个国家/区域的销售额占比，选择可视化图表“饼图”，将shipCountryt拖入到“图例”框，将度量值TotalSales拖入“值”框，即可展示个国家/区域销售额占比情况，如下图所示。

图片

4、各国家/区域客单价排名

如果我们想分析各个国家/区域的客单价排名情况，选择可视化图表“堆积条形图”，将shipCountryt拖入到“轴”框，将度量值AvgPrice拖入“值”框，即可展示个国家/区域客单价的排名情况，如下图所示。

图片

5、整体销售额趋势

如果我们想看整体销售额的变化趋势，选择可视化图表“折线图”，将OrderDate拖入到“轴”框，将度量值TotalSales拖入“值”框，即可展示整体销售额历史以来的变化趋势，如下图所示。

图片

6、筛选器

为了方便我们查看特定时间范围内的数据，我们可以添加时间筛选器，放置在报表上方，当我们选定时间范围后，报表里各个图表的数据会和筛选器交互，仅显示筛选器范围内的数据，如下图，我们将日期设置为1998年，报表的数据会跟着更新。类似的，我们可以添加国家/区域的筛选器，进而筛选特定国家/区域的数据，这里不再赘述。

图片

07

发布Power BI报表

通过上面的步骤，我们已经用Power BI成功创建了一个可视化报表。接下来我们可以继续将报告发布到网络上。

点击文件→发布→发布到Power BI，发布报表后，Power BI 会提供一个链接。我们可以单击该链接并在报告发布后查看，且Power BI为了更加方便地提供数据洞察，智能化地形成了一些数据的快速见解，方便我们进行深入的数据分析。

图片

以上就是数据分析工具—Power BI部分的内容，部分数据分析工具请翻看历史文章，更多数据分析工具的文章持续更新中，敬请期待，如果觉得不错，也欢迎分享、点赞和点在看哈~