Аналитика в Power BI с помощью R и Python: загрузка, преорбразование и визуализация данных

Содержание
От издательства
	Отзывы и пожелания
	Скачивание исходного кода примеров
	Список опечаток
	Нарушение авторских прав
Об авторе
	О техническом редакторе
	Благодарности
Введение
	Настройка вашего окружения Azure
		Подписка на Azure
		Подписка на Microsoft Cognitive Services
		Создание виртуальной машины для анализа данных (DSVM)
			Шаги создания виртуальной машины в Azure
		Настройка R на виртуальной машине
		Настройка Python на виртуальной машине
		Настройка SQL Server Machine Learning Services на виртуальной машине
		Установка пакетов R
		Установка библиотек Python
		Настройка Power BI на виртуальной машине
	Альтернативная настройка
	Загрузка пакетов R в SSMLS
		Шаг 1. Загрузите пакет sqlmlutils в папку Documents
		Шаг 2. Запустите следующий код из командной строки
		Шаг 3. Загрузите необходимые пакеты
	Загрузка необходимых библиотек Python в SSMLS
		Шаг 1. Скачайте пакет sqlmlutils на свой компьютер в папку Documents
		Шаг 2. Откройте командную строку и введите следующие инструкции
		Шаг 3. Загрузите необходимые пакеты
	Локальный шлюз данных
	Источники информации
		Репозиторий книги
		Ресурсы по R
		Ресурсы по Python
		Ресурсы по Power BI
		Общие ресурсы
	Описание глав
Часть I. Создание пользовательской             визуализации при помощи R
	Глава 1. Грамматика графиков
		Пошаговое создание визуализации в Power BI при помощи R
			Шаг 1. Настройте Power BI
			Шаг 2. Перенесите визуальный элемент R в рабочую область Power BI
			Шаг 3. Определитесь с набором данных
			Шаг 4. Спроектируйте визуальный элемент в среде разработки R
			Шаг 5. Используйте следующий шаблон для разработки элемента на R
			Шаг 6. Добавьте скрипту функциональности
		Рекомендованные шаги по созданию визуального элемента на R при помощи ggplot2
			Шаг 1. Импортируйте нужные для скрипта пакеты
			Шаг 2. Выполните необходимое преобразование исходных данных
			Шаг 3. Создайте визуализацию при помощи функции ggplot()
			Шаг 4. Добавьте нужные геометрии
			Шаг 5. Определите заголовки, подзаголовки и подписи
			Шаг 6. Приведите в порядок оси
			Шаг 7. Примените тему при необходимости
			Шаг 8. Используйте функцию theme() для настройки оформления
			Дополнительный шаг: задайте цвета точек на диаграмме рассеяния
		Важность оперирования «чистыми» данными
		Популярные геометрии
		Управление эстетиками через шкалы
		Встроенные в пакет ggplot2 темы
		Использование визуальных элементов R в службе Power BI
		Вспомогательные пакеты ggplot2
		Заключение
	Глава 2. Создание пользовательских визуализаций на R в Power BI при помощи ggplot2
		Диаграмма с аннотацией
			Шаг 1. Загрузите исходные данные
			Шаг 2. Создайте срез на основании года на панели фильтров
			Шаг 3. Настройте визуальный элемент R в Power BI
			Шаг 4. Экспортируйте данные в R Studio для дальнейшей разработки
			Шаг 5. Загрузите необходимые пакеты
			Шаг 6. Создайте переменные для проверки данных
			Шаг 7. Выполните проверку данных
			Шаг 8. Добавьте столбцы к набору данных, необходимые для нашей визуализации
			Шаг 9. Создайте переменные для динамических составляющих диаграммы
			Шаг 10. Постройте диаграмму при помощи функции ggplot()
			Шаг 11. Добавьте слой со столбчатой диаграммой на визуальный элемент
			Шаг 12. Добавьте текстовый слой на визуальный элемент
			Шаг 13. Измените ось y
			Шаг 14. Преобразуйте вертикальную столбчатую диаграмму в горизонтальную
			Шаг 15. Добавьте на диаграмму динамическую аннотацию
			Шаг 16. Добавьте динамические заголовки и подпись на визуальный элемент
			Шаг 17. Удалите метки с осей x и y
			Шаг 18. Удалите легенду с диаграммы
			Шаг 19. Измените внешний вид диаграммы при помощи темы theme_few()
			Шаг 20. Расположите заголовки по центру
			Шаг 21. Перенесите код в Power BI
		Пузырьковая диаграмма
			Шаг 1. Загрузите исходные данные
			Шаг 2. Загрузите данные в Power BI
			Шаг 3. Создайте срез на основании года
			Шаг 4. Выполните базовую настройку визуального элемента R
			Шаг 5. Экспортируйте данные в R Studio для разработки элемента
			Шаг 6. Загрузите требуемые пакеты
			Шаг 7. Создайте переменные для проверки данных
			Шаг 8. Создайте код для проверки
			Шаг 9. Определите цвета для конференций и дивизионов
			Шаг 10. Динамически определите заголовок диаграммы
			Шаг 11. Создайте набор данных для диаграммы
			Шаг 12. Создайте диаграмму при помощи функции ggplot
			Шаг 13. Добавьте слой для пузырьковой диаграммы при помощи геометрии geom_point
			Шаг 14. Добавьте метки на диаграмму
			Шаг 15. Измените цвет границ и заливок пузырьков на диаграмме
			Шаг 16. Создайте заголовок диаграммы
			Шаг 17. Задайте тему
			Шаг 18. Перенесите код в Power BI
		Визуализация прогнозирования
			Шаг 1. Загрузите исходные данные
			Шаг 2. Создайте срез по квотербекам на панели фильтров
			Шаг 3. Настройте визуальный элемент R в Power BI
			Шаг 4. Экспортируйте данные в R Studio для дальнейшей разработки
			Шаг 5. Загрузите необходимые пакеты
			Шаг 6. Создайте переменные для проверки данных
			Шаг 7. Выполните проверку данных
			Шаг 8. Создайте динамический заголовок для визуализации
			Шаг 9. Создайте набор данных, необходимый для составления прогноза
			Шаг 10. Постройте прогноз
			Шаг 11. Постройте диаграмму
			Шаг 12. Перенесите код в Power BI
		Линейная диаграмма с затенением
			Шаг 1. Загрузите исходные данные
			Шаг 2. Загрузите данные в Power BI
			Шаг 3. Создайте срезы в отчете
			Шаг 4. Настройте визуальный элемент R в Power BI
			Шаг 5. Экспортируйте данные в R Studio для дальнейшей разработки
			Шаг 6. Загрузите необходимые пакеты
			Шаг 7. Создайте переменные для проверки данных
			Шаг 8. Выполните проверку данных
			Шаг 9. Создайте новый датафрейм на основании датафрейма dataset
			Шаг 10. Создайте переменные для динамических составляющих диаграммы
			Шаг 11. Создайте наборы данных, необходимые для наложения тени
			Шаг 12. Создайте наборы данных, необходимые для отрисовки графика
			Шаг 13. Создайте символьный вектор для хранения цветовой схемы затенения
			Шаг 14. Постройте диаграмму при помощи функции ggplot()
			Шаг 15. Добавьте слой для создания затенения
			Шаг 16. Добавьте линейную диаграмму на основании выбора пользователя
			Шаг 17. Раскрасьте фоновую заливку в соответствии с предопределенной цветовой схемой партий
			Шаг 18. Отформатируйте ось y в соответствии с выбором пользователя
			Шаг 19. Добавьте метки на оси x и y
			Шаг 20. Снабдите диаграмму динамическим заголовком и подзаголовком
			Шаг 21. Измените внешний вид диаграммы в стиле журнала The Economist
			Шаг 22. Перенесите код в Power BI
		Карта
			Шаг 1. Загрузите исходные данные
			Шаг 2. Загрузите данные в Power BI
			Шаг 3. Создайте срез в отчете на основании выбранного в фильтре штата
			Шаг 4. Настройте визуальный элемент R в Power BI
			Шаг 5. Экспортируйте данные в R Studio для дальнейшей разработки
			Шаг 6. Загрузите необходимые пакеты
			Шаг 7. Создайте переменные для проверки данных
			Шаг 8. Выполните проверку данных
			Шаг 9. Создайте переменные для заголовков диаграммы
			Шаг 10. Добавьте к набору данных столбец с квинтилем
			Шаг 11. Создайте символьный вектор для хранения цветовой схемы затенения
			Шаг 12. Постройте диаграмму при помощи функции ggplot()
			Шаг 13. Добавьте слой с картой
			Шаг 14. Отформатируйте оси x и y
			Шаг 15. Раскрасьте округа на основании квинтилей
			Шаг 16. Улучшите отображение карты выбранного штата
			Шаг 17. Снабдите диаграмму динамическим заголовком и подзаголовком
			Шаг 18. Примените тему theme_map()
			Шаг 19. Перенесите код в Power BI
		Диаграмма квадрантов
			Шаг 1. Загрузите исходные данные
			Шаг 2. Загрузите данные в Power BI
			Шаг 3. Создайте срезы в отчете по типу игры и четверти матча
			Шаг 4. Настройте визуальный элемент R в Power BI
			Шаг 5. Экспортируйте данные в R Studio для дальнейшей разработки
			Шаг 6. Загрузите необходимые пакеты
			Шаг 7. Создайте переменные для проверки данных
			Шаг 8. Выполните проверку данных
			Шаг 9. Создайте заголовки диаграммы
			Шаг 10. Добавьте дополнительные столбцы в набор данных
			Шаг 11. Постройте диаграмму при помощи функции ggplot()
			Шаг 12. Используйте геометрию geom_point() для создания диаграммы рассеяния
			Шаг 13. Добавьте метки игроков для всех квадрантов
			Шаг 14. Добавьте горизонтальные и вертикальные линии, проходящие через центр
			Шаг 15. Добавьте на диаграмму заголовки квадрантов
			Шаг 16. Добавьте метки на оси x и y
			Шаг 17. Снабдите диаграмму динамическими заголовками и подписями
			Шаг 18. Примените тему theme_tufte
			Шаг 19. Выполните финальную очистку
			Шаг 20. Перенесите код в Power BI
		Добавление линии регрессии
			Шаг 1. Загрузите исходные данные
			Шаг 2. Загрузите данные в Power BI
			Шаг 3. Настройте визуальный элемент R в Power BI
			Шаг 4. Экспортируйте данные в R Studio для дальнейшей разработки
			Шаг 5. Загрузите необходимые пакеты
			Шаг 6. Создайте переменные для проверки данных
			Шаг 7. Выполните проверку данных
			Шаг 8. Постройте диаграмму при помощи функции ggplot()
			Шаг 9. Используйте геометрию geom_point() для создания диаграммы рассеяния
			Шаг 10. Добавьте на визуализацию слой с линией регрессии
			Шаг 11. Снабдите диаграмму заголовком и подзаголовком
			Шаг 12. Примените тему
			Шаг 13. Выполните финальную очистку
			Шаг 14. Перенесите код в Power BI
Часть II. Загрузка информации            в модель данных Power BI            при помощи R и Python
	Глава 3. Чтение файлов CSV
		Динамическое объединение файлов
			Пример сценария
			Выбор файлов за скользящий период из 24 месяцев при помощи R
				Шаг 1. Импортируйте необходимые пакеты для скрипта
				Шаг 2. Установите рабочую директорию на папку, содержащую наборы данных о продажах
				Шаг 3. Считайте имена файлов в символьный вектор
				Шаг 4. Создайте вектор дат
				Шаг 5. Создайте датафрейм, состоящий из двух векторов
				Шаг 6. Получите верхнюю и нижнюю границы желаемого диапазона дат
				Шаг 7. Ограничьте датафрейм только нужными нам месяцами
				Шаг 8. Создайте датафрейм на основании объединенных файлов
				Шаг 9. Соберите написанный код и перенесите в редактор скриптов в Power BI
			Выбор файлов за скользящий период из 24 месяцев при помощи Python
				Шаг 1. Создайте скрипт на Python и загрузите необходимые библиотеки
				Шаг 2. Установите рабочую директорию на папку Python_Code
				Шаг 3. Загрузите перечень имен файлов в список
				Шаг 4. Создайте датафрейм pandas с информацией о файлах для объединения
				Шаг 5. Создайте новый столбец с датой в датафрейме
				Шаг 6. Определите границы нужного нам диапазона дат
				Шаг 7. Ограничьте датафрейм нужным диапазоном
				Шаг 8. Объедините файлы в единый датафрейм
				Шаг 9. Перенесите скрипт в Power BI
		Фильтрация строк на основе регулярных выражений
			Использование регулярных выражений в R
				Шаг 1. Загрузите необходимые для работы пакеты
				Шаг 2. Загрузите в R файл с потенциальными избирателями
				Шаг 3. Определите регулярное выражение
				Шаг 4. Исключите неправильные адреса из набора данных
				Шаг 5. Объедините написанный код в один скрипт и перенесите в редактор скриптов в Power BI
			Использование регулярных выражений в Python
				Шаг 1. Загрузите необходимые для работы библиотеки
				Шаг 2. Загрузите в Python файл с избирателями и присвойте его содержимое датафрейму
				Шаг 3. Определите регулярное выражение
				Шаг 4. Исключите неправильные адреса из набора данных
				Шаг 5. Объедините написанный код в один скрипт и перенесите в редактор скриптов Python в Power BI
	Глава 4. Чтение данных из Microsoft Excel
		Чтение файлов Excel при помощи R
			Шаг 1. Импортируйте пакеты tidyverse и readxl
			Шаг 2. Создайте оболочку функции combine_sheets
			Шаг 3. Получите имена листов для объединения из указанной рабочей книги
			Шаг 4. Преобразуйте символьный вектор, полученный на предыдущем шаге, в именованный символьный вектор
			Шаг 5. Используйте функцию map_dfr() для объединения информации с листов в один датафрейм
			Шаг 6. Верните датафрейм из функции
			Шаг 7. Направьте рабочую директорию на папку с файлами Excel
			Шаг 8. Сохраните в переменной excel_file_paths список файлов для обработки
			Шаг 9. Используйте функцию map_dfr() для применения функции combine_sheets() ко всем выбранным файлам
			Шаг 10. Скопируйте скрипт и вставьте в редактор скриптов R в Power BI через инструмент Получить данные (GetData)
		Чтение файлов Excel при помощи Python
			Шаг 1. Импортируйте библиотеки os и pandas
			Шаг 2. Создайте оболочку функции combine_sheets()
			Шаг 3. Создайте объект Excel на основании пути, переданного в функцию в аргументе excel_file_path
			Шаг 4. Создайте список имен листов в рабочей книге
			Шаг 5. Используйте метод read_excel() из библиотеки pandas для считывания данных в один датафрейм
			Шаг 6. Верните датафрейм df из функции combine_sheets
			Шаг 7. Установите рабочую директорию в папку, в которой находятся файлы Excel
			Шаг 8. Получите список файлов в текущей рабочей директории и присвойте его переменной excel_file_paths
			Шаг 9. Создайте пустой датафрейм и назовите его combined_workbooks
			Шаг 10. Создайте заготовку для цикла for
			Шаг 11. Объедините данные со всех листов в один датафрейм при помощи функции combine_sheets()
			Шаг 12. Добавьте датафрейм combined_workbook к главному датафрейму combined_workbooks
			Шаг 13. Скопируйте скрипт и вставьте в редактор скриптов Python в Power BI через инструмент Получить данные (GetData)
	Глава 5. Чтение данных из SQL Server
		Добавление базы данных AdventureWorksDW_StarSchema к вашему экземпляру SQL Server
		Чтение данных из SQL Server в Power BI при помощи R
			Шаг 1. Создайте DSN для подключения к базе данных SQL Server
			Шаг 2. Создайте таблицу лога в SQL Server
			Шаг 3. Начните написание скрипта на R для загрузки таблицы DimDate
			Шаг 4. Создайте переменную для хранения имени загружаемой таблицы
			Шаг 5. Создайте переменную для хранения SQL-выражения
			Шаг 6. Создайте подключение к SQL Server
			Шаг 7. Извлеките данные из SQL Server и сохраните их в датафрейм
			Шаг 8. Получите текущее время
			Шаг 9. Получите количество прочитанных записей
			Шаг 10. Добавьте в датафрейм запись с информацией для сохранения в лог
			Шаг 11. Сохраните собранную информацию в базе данных
			Шаг 12. Закройте соединение
			Шаг 13. Скопируйте написанный скрипт в Power BI
			Шаг 14. Создайте скрипт для загрузки таблицы DimProduct на базе ReadLog_DimDate.R
			Шаг 15. Создайте скрипт для загрузки таблицы DimPromotion
			Шаг 16. Создайте скрипт для загрузки таблицы DimSalesTerritory на основе ReadLog_DimDate.R
			Шаг 17. Создайте скрипт для загрузки таблицы FactInternetSales на основе ReadLog_DimDate.R
		Чтение данных из SQL Server в Power BI при помощи Python
			Шаг 1. Создайте DSN для SQL Server
			Шаг 2. Создайте таблицу для ведения логов в SQL Server
			Шаг 3. Создайте скрипт для загрузки таблицы DimDate
			Шаг 4. Определите переменную для хранения имени таблицы, предназначенной для загрузки в Power BI
			Шаг 5. Создайте подключение к базе данных с помощью библиотеки sqlalchemy
			Шаг 6. Прочитайте содержимое таблицы DimDate и сохраните его в переменной df_read
			Шаг 7. Получите текущую дату и время и сохраните в переменной datestamp
			Шаг 8. Посчитайте количество записей в таблице DimDate
			Шаг 9. Добавьте запись в датафрейм с информацией для сохранения логов
			Шаг 10. Добавьте информацию, добытую на предыдущем шаге, в таблицу логов
			Шаг 11. Скопируйте скрипт в Power BI
			Шаг 12. Создайте скрипт для загрузки таблицы DimProduct на основе ReadLog_DimDate.py
			Шаг 13. Создайте скрипт для загрузки таблицы DimPromotion на основе ReadLog_DimDate.py
			Шаг 14. Создайте скрипт для загрузки таблицы DimSalesTerritory на основе ReadLog_DimDate.py
			Шаг 15. Создайте скрипт для загрузки таблицы FactInternetSales на основе ReadLog_DimDate.py
	Глава 6. Чтение в модель данных Power BI посредством API
		Чтение и загрузка данных в Power BI из API с помощью R
			Шаг 1. Получите персональный ключ API к Census
			Шаг 2. Загрузите необходимые пакеты R
			Шаг 3. Определите переменные для возврата из вашего набора данных
			Шаг 4. Создайте символьный вектор, содержащий нужные вам переменные
			Шаг 5. Сконфигурируйте функцию get_acs
			Шаг 6. Присвойте переменным (столбцам) осмысленные имена
			Шаг 7. Скопируйте скрипт в Power BI
		Чтение и загрузка данных в Power BI из API с помощью Python
			Шаг 1. Получите персональный ключ API к Census
			Шаг 2. Загрузите необходимые библиотеки Python
			Шаг 3. Определите переменные для возврата из вашего набора данных
			Шаг 4. Создайте список, содержащий нужные вам переменные
			Шаг 5. Создайте список кортежей с географическими фильтрами для набора данных
			Шаг 6. Извлеките данные при помощи функции censusdata.download()
			Шаг 7. Переиндексируйте датафрейм, созданный на шестом шаге
			Шаг 8. Дайте столбцам осмысленные имена
			Шаг 9. Переименуйте столбцы в датафрейме
			Шаг 10. Скопируйте скрипт в Power BI
		Заключение
Часть III. Преобразование данных            при помощи R и Python
	Глава 7. Продвинутые строковые операции и распознавание шаблонов
		Защита конфиденциальных сведений
			Защита конфиденциальных сведений в Power BI с помощью R
				Шаг 1. Импортируйте пакеты tidyverse и stringr
				Шаг 2. Напишите функцию для очистки данных
				Шаг 3. Считайте комментарии в датафрейм
				Шаг 4. Скройте телефонные номера и номера социального страхования в поле комментария
				Шаг 5. Скопируйте скрипт в Power BI
			Защита конфиденциальных сведений в Power BI с помощью Python
				Шаг 1. Импортируйте библиотеки pandas, os и re
				Шаг 2. Напишите функцию mask_text()
				Шаг 3. Установите рабочую директорию
				Шаг 4. Считайте комментарии в датафрейм
				Шаг 5. Выполните замену телефонных номеров и номеров социального страхования
				Шаг 6. Скопируйте скрипт в Power BI
		Подсчет количества слов и предложений в обзорах
			Подсчет количества слов и предложений в обзорах с помощью R
				Шаг 1. Импортируйте библиотеки tidyverse и stringr
				Шаг 2. Измените рабочую директорию
				Шаг 3. Считайте информацию из файла
				Шаг 4. Ограничьте набор данных требуемыми столбцами
				Шаг 5. Добавьте столбцы с количеством слов и предложений
				Шаг 6. Скопируйте скрипт в Power BI
			Подсчет количества слов в обзорах с помощью Python
				Шаг 1. Импортируйте библиотеки pandas и os
				Шаг 2. Установите рабочую директорию
				Шаг 3. Считайте информацию из файла
				Шаг 4. Создайте в датафрейме столбец word_count
				Шаг 5. Скопируйте скрипт в Power BI
		Удаление имен неподходящего формата
			Удаление имен неподходящего формата с помощью R
				Шаг 1. Импортируйте пакеты tidyverse и stringr
				Шаг 2. Установите рабочую директорию
				Шаг 3. Создайте регулярное выражение с правильным шаблоном имени
				Шаг 4. Считайте данные в датафрейм
				Шаг 5. Выполните обновление столбца Name
				Шаг 6. Скопируйте скрипт в Power BI
			Удаление имен неподходящего формата с помощью Python
				Шаг 1. Импортируйте библиотеки pandas, re и os
				Шаг 2. Установите рабочую директорию
				Шаг 3. Считайте данные из файла DimEmployee.csv в датафрейм
				Шаг 4. Создайте регулярное выражение, соответствующее правильному формату имени
				Шаг 5. Скомпилируйте регулярное выражение
				Шаг 6. Напишите функцию для проверки имен на совместимость с шаблоном
				Шаг 7. Примените функцию к столбцу, чтобы избавиться от лишних имен
				Шаг 8. Скопируйте скрипт в Power BI
		Определение шаблонов в строках на основании условной логики
			Поиск шаблонов в строках на основании условной логики с помощью R
				Шаг 1. Импортируйте пакеты tidyverse и stringr
				Шаг 2. Установите рабочую директорию
				Шаг 3. Напишите функцию для поиска изделий
				Шаг 4. Считайте данные из файла ProductionOrders.csv в датафрейм
				Шаг 5. Добавьте в датафрейм df столбец Monitored Products
				Шаг 6. Скопируйте скрипт в Power BI
			Поиск шаблонов в строках на основании условной логики с помощью Python
				Шаг 1. Импортируйте библиотеки pandas, re и os
				Шаг 2. Установите рабочую директорию
				Шаг 3. Скомпилируйте регулярное выражение
				Шаг 4. Напишите функцию для распознавания нужных нам деталей
				Шаг 5. Считайте данные в датафрейм Pandas
				Шаг 6. Создайте новый столбец с именем Monitored Products
				Шаг 7. Скопируйте скрипт в Power BI
		Заключение
	Глава 8. Вычисляемые столбцы с помощью R и Python
		Создание ключа Google Geocoding API
			Шаг 1. Зайдите в консоль Google
			Шаг 2. Настройте учетную запись
			Шаг 3. Добавьте новый проект
			Шаг 4. Активируйте API геокодирования
			Геокодирование адресов с помощью R
		Геокодирование адресов с помощью Python
		Вычисление расстояния между точками с помощью пользовательской функции в R
		Вычисление расстояния между точками с помощью пользовательской функции в Python
		Вычисление расстояния между точками с помощью готовой функции в R
		Вычисление расстояния между точками с помощью готовой функции в Python
		Заключение
Часть IV. Машинное обучение и            искусственный интеллект            в Power BI при помощи            R и Python
	Глава 9. Применение методов машинного обучения и искусственного интеллекта к моделям данных Power BI
		Применение алгоритмов машинного обучения к набору данных перед загрузкой в модель Power BI
			Прогнозирование цен на недвижимость с помощью R
				Шаг 1. Пусть аналитик данных сохранит для вас модель
				Шаг 2. Загрузите пакет tidyverse
				Шаг 3. Загрузите объект модели и набор данных для оценки
				Шаг 4. Ограничьте датафрейм столбцами, необходимыми для вашей модели
				Шаг 5. Примените модель машинного обучения к своему набору данных для составления прогноза цен на недвижимость
				Шаг 6. Добавьте прогноз к исходному набору данных
				Шаг 7. Скопируйте скрипт в Power BI
			Прогнозирование цен на недвижимость с помощью Python
				Шаг 1. Пусть аналитик данных сохранит для вас модель
				Шаг 2. Загрузите необходимые библиотеки
				Шаг 3. Загрузите объект модели и актуальный набор данных
				Шаг 4. Извлеките нужную информацию из датафрейма
				Шаг 5. Примените модель к подготовленному набору данных для расчета прогноза
				Шаг 6. Добавьте прогнозные данные к исходному набору данных
				Шаг 7. Скопируйте скрипт в Power BI
		Использование готовых моделей ИИ для расширения функционала моделей данных в Power BI
			Настройка Cognitive Services в Azure
			Виртуальная машина для анализа данных (Data Science Virtual Machine – DSVM)
			Анализ тональности текста в Microsoft Cognitive Services при помощи Python
				Шаг 1. Загрузите набор данных с отзывами Yelp с сайта Kaggle
				Шаг 2. Загрузите нужные библиотеки, модули и функции для скрипта
				Шаг 3. Инициализируйте переменные для работы скрипта
				Шаг 4. Считайте фрагмент файла с отзывами в датафрейм
				Шаг 5. Преобразуйте датафрейм к формату, приемлемому для службы Microsoft Cognitive Services
				Шаг 6. Оцените отзывы посетителей при помощи метода sentiment()
				Шаг 7. Создайте датафрейм, содержащий оценки отзывов
				Шаг 8. Скопируйте скрипт в Power BI
		Применение сторонних моделей машинного обучения к моделям данных Power BI
			Конфигурирование средства анализа настроения текста в IBM Watson
				Шаг 1. Заведите аккаунт в IBM Cloud
				Шаг 2. Выполните вход в IBM Cloud
				Шаг 3. Перейдите на страницу Tone Analyzer
				Шаг 4. Настройте службу Tone Analyzer
				Шаг 5. Получите ключ API
			Написание скрипта на Python для анализа настроения текста в IBM Watson
				Шаг 1. Импортируйте необходимые библиотеки и модули
				Шаг 2. Создайте экземпляр класса IAMAuthenticator
				Шаг 3. Создайте экземпляр класса ToneAnalyzerV3
				Шаг 4. Установите ссылку на службу для созданного объекта
				Шаг 5. Создайте датафрейм с исходными данными для анализа
				Шаг 6. Создайте основу для датафрейма с оценочными данными
				Шаг 7. Определите циклическую конструкцию для отправки документов в службу IBM Watson
				Шаг 8. Отформатируйте и оцените настроение текста в документе
				Шаг 9. Извлеките результат анализа текста и инициализируйте переменные исходными значениями
				Шаг 10. Пройдите по тонам и присвойте их значения соответствующим переменным
				Шаг 11. Создайте датафрейм на основе списка listReturnedUtterance
				Шаг 12. Объедините датафреймы dfReturnedUtterance и dfDocuments
				Шаг 13. Скопируйте скрипт в Power BI
	Глава 10. Создание моделей анализа данных и скриптов  для обработки информации
		Прогнозирование цен на недвижимость в Power BI с помощью R со службой SSMLS
			Написание скрипта на языке R для добавления модели в SQL Server
				Шаг 1. Загрузите необходимые пакеты
				Шаг 2. Загрузите модель R в вашу сессию
				Шаг 3. Подключитесь к базе данных
				Шаг 4. Определите переменные модели
				Шаг 5. Напишите выражение на T-SQL для добавления модели в базу данных
				Шаг 6. Добавьте код, необходимый для запуска выражения T-SQL из R
				Шаг 7. Сохраните скрипт
			Использование SSMLS совместно с R для оценки данных
				Шаг 1. Запустите SQL Server Management Studio
				Шаг 2. Создайте подключение к серверу, который хотите использовать
				Шаг 3. Добавьте базу данных BostonHousingInfo на ваш сервер
				Шаг 4. Добавьте модель в базу данных
				Шаг 5. Создайте в базе данных хранимую процедуру для прогноза
				Шаг 6. Извлеките данные с прогнозами из SQL Server в Power BI
		Прогнозирование цен на недвижимость в Power BI с помощью Python со службой SSMLS
			Написание скрипта на языке Python для добавления модели в SQL Server
				Шаг 1. Подберите версии библиотек
				Шаг 2. Создайте окружение conda
				Шаг 3. Напишите код для загрузки модели в SQL Server
			Использование SSMLS совместно с Python для оценки данных
				Шаг 1. Запустите SQL Server Management Studio
				Шаг 2. Создайте подключение к серверу, который хотите использовать
				Шаг 3. Добавьте базу данных BostonHousingInfo на ваш сервер
				Шаг 4. Добавьте модель в базу данных
				Шаг 5. Создайте в базе данных хранимую процедуру для прогноза
				Шаг 6. Извлеките данные с прогнозами из SQL Server в Power BI
		Анализ тональности текста в Power BI с помощью R со службой SSMLS
			Добавление готовых моделей R в SSMLS с помощью PowerShell
				Шаг 1. Проверьте, установлены ли предварительно обученные модели
				Шаг 2. Откройте PowerShell от имени администратора
				Шаг 3. Загрузите скрипт PowerShell
				Шаг 4. Запустите загруженный скрипт в PowerShell
				Решение проблем
			Использование готовой модели R в SSMLS для анализа тональности текста в Power BI
				Шаг 1. Определите хранимую процедуру
				Шаг 2. Определите переменные
				Шаг 3. Инициализируйте переменную @Query
				Шаг 4. Инициализируйте переменную @RScript
				Шаг 5. Сконфигурируйте процедуру sp_execute_external_script
				Шаг 6. Определите выходные данные
				Шаг 7. Создайте хранимую процедуру в базе данных
				Шаг 8. Вызовите процедуру из Power BI
		Анализ тональности текста в Power BI с помощью Python со службой SSMLS
			Добавление готовых моделей Python в SSMLS
				Шаг 1. Проверьте, установлены ли предварительно обученные модели
				Шаг 2. Откройте PowerShell от имени администратора
				Шаг 3. Загрузите скрипт PowerShell
				Шаг 4. Запустите загруженный скрипт в PowerShell
				Решение проблем
			Использование готовой модели Python в SSMLS для анализа тональности текста в Power BI
				Шаг 1. Определите хранимую процедуру
				Шаг 2. Определите переменные
				Шаг 3. Инициализируйте переменную @Query
				Шаг 4. Инициализируйте переменную @PythonScript
				Шаг 5. Сконфигурируйте процедуру sp_execute_external_script
				Шаг 6. Определите выходные данные
				Шаг 7. Создайте хранимую процедуру в базе данных
				Шаг 8. Вызовите процедуру из Power BI
		Вычисление расстояния между точками в Power BI с помощью R со службой SSMLS
			Шаг 1. Убедитесь, что в SSMLS загружен пакет dplyr
			Шаг 2. Запустите SSMS и подключитесь к SQL Server
			Шаг 3. Добавьте базу данных CalculateDistance на ваш сервер
			Шаг 4. Создайте хранимую процедуру для расчета расстояний
			Шаг 5. Вызовите процедуру из Power BI
		Вычисление расстояния между точками в Power BI с помощью Python со службой SSMLS
			Шаг 1. Запустите SSMS и подключитесь к SQL Server
			Шаг 2. Добавьте базу данных CalculateDistance на ваш сервер
			Шаг 3. Создайте хранимую процедуру для расчета расстояний
			Шаг 4. Вызовите процедуру из Power BI
Предметный указатель