Visualisation de données avec Power BI

Notre objectif, en tant qu’analystes de données, est de présenter les enseignements de nos données de manière à ce que toute personne qui les consulte comprenne leurs implications et puisse agir en conséquence.

Power BI est un service cloud d’analyse métier proposé par Microsoft qui permet à chacun de visualiser et d’analyser des données, rapidement et efficacement. C’est un outil de BI à la fois puissant et flexible, conçu pour se connecter à une grande variété de sources et les analyser. De nombreuses entreprises le jugent même indispensable pour les travaux liés à la data science. La facilité d’utilisation de Power BI vient de son interface en glisser-déposer. Cette fonctionnalité permet d’effectuer très simplement et rapidement des tâches comme trier, comparer et analyser. Power BI est également compatible avec de multiples sources, notamment Excel, SQL Server et des dépôts de données dans le cloud, ce qui en fait un excellent choix pour les Data Scientists.

1. Vue d’ensemble de Power BI

Vue d’ensemble

Power BI offre la possibilité d’explorer et d’analyser des données, sur site comme dans le cloud. Power BI facilite la collaboration et le partage de tableaux de bord personnalisés et de rapports interactifs entre collègues et au sein d’organisations, de manière simple et sécurisée.

Vue d’ensemble de Power BI. Source : Microsoft

Les composants de Power BI

Power BI se compose de différents éléments, disponibles séparément sur le marché et pouvant être utilisés de façon autonome.

Composants Power BI. Source : Wikipedia

Le choix du composant dépend principalement du projet ou de l’équipe. Nous travaillerons ici avec Power BI Desktop, le composant principalement utilisé pour créer des rapports métiers et des interfaces sur ordinateur. Par ailleurs, la plupart des projets débutent dans Power BI Desktop, où la création des rapports a lieu.

Introduction à Power BI

Pour une excellente prise en main de la navigation sur la plateforme Power BI, suivez le cours DataCamp Introduction to Power BI.

2. Atouts de Power BI

Power BI offre plusieurs avantages qui le rendent supérieur à de nombreux autres outils d’analyse :

• Propose une interface cloud et une application de bureau.
• Intègre des capacités d’entrepôt de données, d’exploration de données et de tableaux de bord interactifs.
• Permet de charger des visualisations personnalisées, et
• Se déploie facilement à l’échelle de toute l’organisation.

3. Power BI Desktop

Power BI est une application gratuite que vous pouvez télécharger et installer sur votre machine. Elle se connecte à de multiples sources de données. En général, l’analyse commence dans Power BI Desktop, où l’on crée les rapports. Le rapport est ensuite publié dans le Power BI service, d’où il peut être partagé vers les applications mobiles Power BI afin que les utilisateurs puissent consulter les rapports sur leurs smartphones.

Power BI Desktop. Source : Microsoft

Installation

Power BI fonctionne uniquement sur Windows. Les utilisateurs Mac peuvent lancer une machine virtuelle Windows dans Azure et y installer Power BI, ou utiliser Turbo.net, qui diffuse Power BI sur Mac directement depuis le cloud.

Vous pouvez utiliser Power BI de deux manières :

• Comme application du Microsoft Store, puis vous connecter pour démarrer. Il s’agit de la version en ligne de l’outil.
• Télécharger le logiciel en local et l’installer. Veillez à lire toutes les instructions d’installation.

Selon le produit choisi, téléchargez le logiciel sur votre ordinateur. Après acceptation du contrat de licence, vérifiez l’installation en cliquant sur l’icône/l’app Power BI. Si l’écran suivant apparaît, vous êtes prêt.

4. Premiers pas

Voyons maintenant comment travailler avec Power BI Desktop. Dans cette section, nous allons explorer l’outil pour nous familiariser avec son interface.

Espace de travail Power BI

L’image ci-dessous met en évidence les principaux éléments de l’espace de travail Power BI.

Vues de base

• Vue Rapport : la vue principale où le tableau de bord est créé.

• Vue Données : un aperçu de l’ensemble des données.

• Vue Relations : affiche les relations entre les différents objets.

Connexion à une source de données

Power BI peut se connecter à de nombreuses sources de données. L’icône Obtenir des données affiche toutes les options possibles pour importer des données dans Power BI.

Voyons quelques-unes des sources les plus courantes :

Données Excel

Connectons-nous à une source Excel. Le classeur contient des données financières factices. Téléchargez le fichier depuis ce lien. Power BI Desktop charge le classeur, lit son contenu et affiche les données dans la fenêtre Navigator.

Une fois chargées, les données apparaissent dans le volet Champs.

Web

Vous pouvez également exploiter des données issues du web. Voici un jeu de données présentant les meilleurs et les pires États américains pour la retraite.

lien : https://www.bankrate.com/retirement/best-and-worst-states-for-retirement/

Sélectionnez simplement Web comme option dans Obtenir des données et saisissez l’URL.

N’hésitez pas à tester d’autres sources de données.

5. Transformation des données

Après chargement, les données sont visibles sous l’onglet Champs. À partir de là, nous pouvons modifier nos jeux de données grâce au Query Editor. L’éditeur de requêtes s’utilise pour modifier les jeux de données, quelle que soit leur source. On peut par exemple renommer un jeu de données, supprimer une ou plusieurs colonnes, etc. L’éditeur de requêtes est accessible via le bouton Modifier les requêtes dans le ruban Accueil.

Créer une colonne personnalisée

Avec les mêmes données financières utilisées ci-dessus, adaptons les données à nos besoins. Créons une colonne personnalisée nommée New Manufacturing Price, égale à :

([manufacturing Price])*3
Propulsé par

Modifier les types de données des colonnes

Les types de données des colonnes peuvent aussi être ajustés facilement. La colonne Units Sold est de type flottant ; on peut la convertir en entier.

Supprimer des colonnes

Supprimer des colonnes est tout aussi simple. Sélectionnez la colonne concernée et choisissez l’option Supprimer des colonnes, comme illustré ci-dessous. Supprimons la colonne Discount, qui n’apporte pas de valeur à notre jeu de données.

De la même manière, de nombreuses autres opérations peuvent être réalisées comme supprimer/ajouter des lignes, transposer, pivoter ou scinder, le tout très simplement via l’éditeur de requêtes. Notez que toutes les étapes de transformation apparaissent dans le panneau Paramètres de la requête.

6. Rapports

Les rapports sont un ensemble de visualisations pouvant être créées sur une ou plusieurs pages. Ces visualisations sont généralement liées entre elles.

7. Tableau de bord

Un tableau de bord regroupe plusieurs vues, ce qui permet de comparer différents indicateurs simultanément. Alors qu’un rapport peut comprendre plusieurs pages, un tableau de bord est une interface d’une seule page.

Créer un tableau de bord

Une fois le jeu de données prêt et les transformations effectuées, nous pouvons passer à la création du tableau de bord. Un tableau de bord Power BI, aussi appelé canevas, rassemble plusieurs visualisations sur une seule page pour raconter une histoire. Ces visualisations, appelées tuiles, sont épinglées au tableau de bord depuis les rapports.

Explorons maintenant les insights possibles avec le jeu de données « superstore » :

• Ventes par pays

• Ventes et marge par segment

• Ventes et marge par mois

• Ventes par produit

• Marge par bande de remise

Le tableau de bord créé est interactif : une action sur une tuile impacte les autres.

8. Intégration de Power BI avec R et Python

Au-delà de ses atouts en matière de visualisation, Power BI dispose d’excellentes capacités de connexion. Il s’intègre aisément avec des langages comme Python et R, ainsi qu’avec des SGBD comme SQL. Cela apporte davantage de fonctionnalités et s’avère très utile pour les Data Scientists habitués à travailler en Python ou en R. Ils peuvent importer directement des scripts R et Python dans l’espace de travail et profiter de visualisations bien plus abouties que celles de ces langages seuls.

Dans cette section, nous verrons comment travailler avec des scripts Python et R dans Power BI. Pour découvrir l’intégration de SQL avec Power BI, consultez notre tutoriel SQL with Power BI.

Power BI et R

R est un langage statistique populaire, utilisé pour des analyses avancées et l’analytique prédictive : modélisation linéaire et non linéaire, tests statistiques, analyses de séries temporelles, classification, clustering, etc. Utiliser Power BI conjointement à R donne accès à une riche collection, en constante expansion, de bibliothèques d’analyse statistique et de fouille de données pour approfondir les insights.

Prérequis

Assurez-vous d’avoir installé et opérationnels sur votre machine :

• R
• Un environnement de développement R (IDE) dédié, comme RStudio.

Il est également important de noter que :

• Seuls les data frames sont importés
• Tout script R s’exécutant plus de 30 minutes est automatiquement interrompu.

Vérifiez que R et RStudio sont installés sur votre système. Lancez Power BI et allez dans Options et paramètres -> Options

Dans Options, ouvrez l’onglet R Scripting et vérifiez que la bonne version de R est détectée.

Utiliser des scripts R dans Power BI

Working with R Scripts in Power BI est une excellente ressource sur le sujet. Voici un aperçu issu de cette source.

1. Scripts R pour l’import de données

Il arrive que vous ne souhaitiez importer qu’une partie d’un jeu de données. Vous pouvez écrire un script R pour ne charger que certaines colonnes ou lignes dans Power BI.

Pour cette démonstration, nous utiliserons le célèbre jeu de données Iris, inclus avec la distribution CRAN.

Les jeux de données peuvent aussi être importés depuis des fichiers. Voici un exemple montrant comment charger un fichier CSV dans l’espace de travail avec le script suivant. Téléchargez le fichier depuis ce lien.

iris_csv <- read.csv(file="C:/Users/Parul/Desktop/Iris", header=TRUE, sep=",")
Propulsé par

Importer des données via un script R n’a d’intérêt que si l’on peut aussi les manipuler à l’import. Le script suivant utilise les fonctions summarize et group_by du package R dplyr pour regrouper et agréger les données avant de les charger :

Lancez RStudio et installez les packages suivants :

install.packages("dplyr")  
install.packages("data.table")  
install.packages("ggplot2")
Propulsé par

Utilisez maintenant ce script R pour importer les données Iris. Vous obtiendrez un nouveau jeu de données appelé iris_mean, qui contient la moyenne des quatre mesures, regroupées selon la colonne Species (Source : Power BI Introduction).

library(dplyr)

iris_mean <- summarize(group_by(iris, Species),  
slength = mean(Sepal.Length), swidth = mean(Sepal.Width),  
plength = mean(Petal.Length), pwidth = mean(Petal.Width))
Propulsé par

2. Scripts R pour transformer les données

Les scripts R sont utiles pour manipuler des données déjà importées dans l’espace de travail. Supposons que nous voulions appliquer summarize et groupby après l’import complet des données. Cela peut se faire en exécutant un script R dans l’éditeur de requêtes comme suit :

3. Scripts R pour créer des visualisations

Avec des scripts R, vous pouvez créer des visualisations dans Power BI. Il suffit de saisir le script, de charger les bibliothèques nécessaires, et vous obtenez des visualisations similaires à celles d’un IDE R. Procédez ainsi :

• Importez le jeu de données Iris dans l’espace de travail.
• Cliquez sur « R script Visual » dans l’onglet Visualisations : un espace réservé apparaît sur le canevas et un éditeur de script en bas.
• Sélectionnez les champs à inclure dans le script. Choisissons PetalLengthCm ,PetalWidthCm et Species. Les champs choisis apparaissent sous l’onglet Valeurs, et un script R prérempli s’affiche dans l’éditeur.
• Le script crée un dataframe nommé dataset avec les colonnes sélectionnées. Vous pouvez écrire votre script ou modifier l’existant. Collons le code suivant qui importe la bibliothèque ggplot et crée un nuage de points.

      library(ggplot2)  
      ggplot(data=dataset, aes(x=PetalWidthCm, y=PetalLengthCm)) +  
        geom_point(aes(color=Species), size=2) +  
        ggtitle("Petal Widths and Lengths") +  
        labs(x="Petal Width", y="Petal Length") +  
        theme_bw() +  
        theme(title=element_text(size=15, color="blue3"))
Propulsé par

Power BI et Python

Python est un langage polyvalent très répandu, doté d’un grand nombre de bibliothèques pour réaliser des analyses statistiques et des modèles prédictifs avec des algorithmes d’apprentissage automatique.

Microsoft a récemment permis d’intégrer des scripts Python dans Power BI, ce qui autorise l’exécution de scripts Python et la création de visuels Python dans Power BI. Voyons les étapes nécessaires. Mais d’abord, quelques prérequis :

• Assurez-vous que Python est installé et opérationnel sur votre machine.
• Toutes les bibliothèques nécessaires (pandas, matplotlib, etc.) doivent être disponibles.
• Actuellement, seuls les dataframes pandas sont pris en charge.
• Tout script Python s’exécutant plus de 30 minutes est automatiquement interrompu.
• Python doit être activé avant utilisation. Lancez Power BI et allez dans Options et paramètres -> Options

Dans Options, ouvrez l’onglet Fonctionnalités en préversion et activez « Python Support ».

Redémarrez Power BI : l’icône Python apparaît dans les visualisations et dans l’onglet Transformer.

Il existe plusieurs façons d’exécuter des scripts Python dans Power BI.

1. Exécuter des scripts Python exclusivement

Étapes :

• Pour exécuter votre script Python, sélectionnez Obtenir des données > Plus > Autre > Script Python comme ci-dessous.

Collez ensuite votre script Python dans la fenêtre qui s’ouvre. Cliquez sur OK pour l’exécuter : les jeux de données résultants seront importés dans l’espace de travail Power BI Desktop.

2. Créer des visualisations avec Python

• Importez le jeu de données dans l’espace de travail. Reprenons le même jeu de données financier d’une entreprise hypothétique.
• Cliquez sur « Python Visuals » dans l’onglet Visualisations : une zone réservée apparaît sur le canevas et un éditeur de script Python en bas.
• Sélectionnez les champs à inclure dans le script. Choisissons Sales et Profit. Les champs choisis apparaissent sous l’onglet Valeurs, et le script s’affiche dans l’éditeur Python.
• Le script crée un dataframe pandas nommé dataset avec les colonnes sélectionnées. Vous pouvez écrire votre script ou modifier l’existant. Collons le code suivant qui importe matplotlib et crée un graphique.

  import matplotlib.pyplot as plt  
  dataset.plot()  
  plt.title("Sales Vs Profit")  
  plt.show()
  Propulsé par

• Exécutez le script : la visualisation s’affiche sur le canevas, comme dans n’importe quel IDLE Python.

• Créons ensuite une matrice de corrélation. Sélectionnez Discounts, gross Sales, et Units sold en plus des champs précédents, puis remplacez le script par celui-ci :

  import matplotlib.pyplot as plt  
  plt.matshow(dataset.corr('pearson'))  
  plt.show()
  Propulsé par

• Nous pouvons aussi importer d’autres bibliothèques. Importons Seaborn (assurez-vous qu’il est installé). Le jeu de données s’appelle « Tips », généralement préchargé avec seaborn. Téléchargez-le depuis ce lien et chargez-le dans l’espace de travail. Collez ensuite le code suivant dans l’éditeur pour obtenir des graphiques seaborn.

  import matplotlib.pyplot as plt  
  import seaborn as sns  
  sns.set(style="darkgrid")
  
  sns.relplot(x="total_bill", y="tip", data=dataset)  
  sns.relplot(x="total_bill", y="tip", hue="smoker", data=dataset);  
  sns.relplot(x="total_bill", y="tip", hue="smoker",col="time", data=dataset);
  
  plt.show()
  Propulsé par

Le tableau de bord rassemblant toutes les visualisations Python apparaîtra finalement ainsi.

Tableau de bord Python

9. Enregistrement et publication

Enregistrer et exporter

Vous pouvez enregistrer vos fichiers en tant que modèles Power BI. Les visualisations peuvent également être exportées en PDF.

Publication

Les données n’ont de valeur que si elles peuvent être partagées au sein d’une équipe ou d’une organisation. Les tableaux de bord et rapports générés peuvent être partagés en les publiant dans le Power BI Service. Vous pouvez ensuite utiliser les applications Power BI pour consulter ou interagir avec les tableaux de bord/rapports.

10. Conclusion

Voilà l’essentiel pour créer de bonnes visualisations dans Power BI. Vous aurez sans doute à itérer davantage à chaque étape que dans cet aperçu. Avec l’expérimentation et la pratique, Power BI devient rapidement familier et révèle des fonctionnalités puissantes pour analyser et présenter vos données.