Power BI是微软推出的商业智能工具，自2018年起，它开始支持集成R和Python等统计和通用软件。这种集成消除了业务智能(BI)专业人员和数据科学团队之间的依赖关系，使得BI专业人员能够直接在集成环境中运行Python代码，而Python开发者也可以利用BI团队的成果，以仪表板的形式展示分析结果。
在当前数据驱动的商业环境中，数据科学家需要理解解决复杂商业问题的完整流程，这通常包括数据收集、清洗、探索、转换，并最终预测未来事件。分析结果通常以仪表板或报告的形式呈现。因此，传统的BI专业人员和预测建模专家的角色正在变得模糊。
这种趋势增强了对一个综合性工具的需求，该工具能够执行分析流程中的所有任务。如果这个工具来自Excel的制造商，那就再好不过了。因此，Power BI成为了执行嵌入式分析的新宠。
本教程将帮助理解Power BI和Python的集成能力，并亲自动手执行一些单独系统难以轻松实现的任务。
要开始使用集成环境，需要在计算机上安装Python发行版。推荐使用Python的基础发行版，对于所有编码相关任务，使用Anaconda。不过，将Anaconda与Power BI集成可能会比较复杂。
安装完成后，集成环境需要安装四个Python包：Pandas（用于数据操作和分析）、Matplotlib和Seaborn（用于绘图）以及Numpy（用于科学计算）。可以使用pip命令在命令行工具中安装这些包。
pip install pandas
pip install matplotlib
pip install numpy
pip install seaborn
安装这些包后，需要在Power BI中启用Python脚本功能。可以打开Power BI检查它是否自动检测到计算机上安装的Python发行版。
现在，可以运行一个快速测试来检查Python是否在Power BI堆栈中工作。首先，可以使用Python脚本在Power BI中导入一个小数据集。
为此，请转到“主页”选项卡，点击“获取数据”，然后选择“其他”。这个部分允许从多种来源导入数据，特别是Web、Hadoop分布式文件系统(HDFS)、Spark等，除了使用R或Python等脚本。在这里，将导入存储在计算机上的“客户流失预测”数据集。
点击“连接”。它将打开一个部分，可以在其中编写以下Python脚本：
# 此处省略具体的Python脚本代码
点击“确定”将加载导航器，并要求选择“流失”数据，然后点击“加载”。可以转到数据视图以检查数据是否已加载。现在，已准备好使用Power Query执行一键式数据转换。
那些已经攀登了Python学习曲线的人会认识到，转换数据或多或少是一个直接的活动，但对于刚开始他们的数据科学之旅的人来说，可能并不那么容易。
然而，有了Power Query编辑器，可以一键式地塑造和转换数据。不仅如此，Power BI还记录了所有进入数据转换管道的操作，然后再进行任何分析。为了展示简单的数据转换能力，将展示如何使用Power Query。
一旦在Power BI中加载了数据，请点击“主页”选项卡下的“转换数据”以打开查询编辑器。
这将打开查询编辑器，并为提供许多选项来执行数据的清理、重塑和转换。
将把“customer_nw_category”变量转换为文本字段，因为这些代表客户净价值类别，不应用于连续变量。
为此，将选择列，转到“数据类型”，并将数据类型更改为文本。Power Query将此步骤记录在“已应用步骤”部分。重命名此步骤是个好习惯，以便于回忆。将将其重命名为“nw_cat Text”。类似地，将“流失”列转换为逻辑变量，表示1（流失）为True，0（未流失）为False，并重命名步骤为“流失 – True/False”。
完成转换步骤后，点击左上角的“关闭并应用”以将这些转换应用于数据。
尽管Power BI拥有全面的可视化库，但在其中创建相关性矩阵并非易事。然而，相关性矩阵热图是数据分析报告的重要组成部分。
在本节中，将展示如何使用Python的correlation函数创建相关性矩阵热图。这个热图将在Power BI的报告部分显示。
转到Power BI的报告部分，点击可视化部分下的Python视觉符号“Py”。在左侧，会注意到一个空的Python视觉出现，底部弹出了一个Python脚本编辑器。换句话说，Power BI为提供了使用脚本创建可视化的选项。
会注意到当前“值”字段为空。
为了说明相关性热图，将所有连续变量放入“值”字段，即年龄、所有平均每月余额列、当前和上个月余额以及当前和上个月交易列、被抚养人数和陈旧性（关联时间）。这是重要的一步。否则，Power BI将无法识别这些变量是可视化的一部分。
当将变量放入“值”字段时，Python脚本会自动填充以下代码：
# 以下代码用于创建数据框并删除重复行，始终执行，并作为脚本的序言：
# dataset = pandas.DataFrame(age, average_monthly_balance_prevQ, average_monthly_balance_prevQ2, current_balance, current_month_balance, current_month_credit, current_month_debit, dependents, previous_month_balance, previous_month_credit, previous_month_end_balance, previous_month_debit, vintage)
# dataset = dataset.drop_duplicates()
# 在此处粘贴或输入脚本代码：
# 导入图表库matplotlib和seaborn
import matplotlib.pyplot as plt
import seaborn as sns
# 在数据集上创建相关性矩阵
corr = dataset.corr()
# 创建相关性矩阵的热图
sns.heatmap(corr, cmap="YlGnBu")
# 显示图表
plt.show()
最后，使用“运行脚本”按钮运行此脚本后，它会产生一个相关性矩阵热图。
分析热图后，可以得出以下结论：
对于所有客户，年龄和被抚养人数与其他变量没有相关性；
过去两个季度的平均每月余额中等程度相关；
上个季度的平均每月余额与当前月和上个月的余额高度相关。
可以为流失的客户生成这个热图，并与未流失的客户进行比较。因此，使用蓝色框应用“流失=True或False”的过滤器，分别观察两组客户的热图。