Visualização de dados com Power BI

Nosso objetivo como analistas de dados é organizar os insights de um jeito que qualquer pessoa consiga entender suas implicações e agir com base neles.

Power BI é um serviço de análise de negócios na nuvem da Microsoft que permite a qualquer pessoa visualizar e analisar dados com mais velocidade e eficiência. É uma ferramenta de BI poderosa e flexível para se conectar e analisar uma grande variedade de dados. Muitas empresas a consideram indispensável para trabalhos relacionados a data science. A facilidade de uso do Power BI vem do seu recurso de arrastar e soltar. Isso ajuda a executar tarefas como ordenar, comparar e analisar de forma muito simples e rápida. O Power BI também é compatível com várias fontes, incluindo Excel, SQL Server e repositórios de dados na nuvem, o que o torna uma excelente escolha para Data Scientists.

1. Visão geral do Power BI

Visão geral

O Power BI permite analisar e explorar dados localmente e na nuvem. Ele oferece colaboração e compartilhamento de dashboards personalizados e relatórios interativos entre colegas e organizações, de forma simples e segura.

Visão geral do Power BI. Fonte: Microsoft

Componentes do Power BI

O Power BI é composto por vários componentes que estão disponíveis separadamente no mercado e podem ser usados de forma independente.

Componentes do Power BI. Fonte: Wikipedia

A escolha do componente depende principalmente do projeto ou do time. Aqui, vamos trabalhar com o Power BI Desktop, já que ele é o componente mais usado para criação de relatórios corporativos no desktop. Além disso, os demais fluxos costumam começar no Power BI Desktop, onde a criação do relatório acontece.

Introdução ao Power BI

Para um ótimo passo a passo prático sobre como navegar pela plataforma Power BI, faça o curso da DataCamp, Introduction to Power BI.

2. Vantagens de usar o Power BI

O Power BI oferece benefícios que o tornam superior a outras ferramentas analíticas:

• Disponível na nuvem e também com interface para desktop.
• Recursos como data warehousing, descoberta de dados e dashboards interativos.
• Capacidade de carregar visualizações personalizadas, e
• Escalabilidade fácil para toda a organização.

3. Power BI Desktop

O Power BI é um aplicativo gratuito que pode ser baixado e instalado no computador. Ele pode se conectar a múltiplas fontes de dados. Normalmente, uma análise começa no Power BI Desktop, onde a criação do relatório acontece. Depois, o relatório é publicado no Power BI Service e pode ser compartilhado com os Power BI Mobile apps, para que as pessoas vejam os relatórios também no celular.

Power BI Desktop. Fonte: Microsoft

Instalação

O Power BI roda apenas em Windows. Usuários de Mac podem criar uma VM Windows no Azure e instalar o Power BI nela, ou usar o Turbo.net, que transmite o Power BI para o Mac diretamente da nuvem.

Há duas formas de usar o Power BI:

• Como um app da Microsoft Store: é só fazer login para começar. Esta é a versão online da ferramenta.
• Baixar o software localmente e instalar. Leia todas as instruções de instalação.

De acordo com sua escolha, baixe o software no computador. Após aceitar o contrato de licença, confirme a instalação clicando no ícone/app do Power BI. Se a tela a seguir aparecer, está tudo certo.

4. Primeiros passos

Vamos entender como trabalhar com o Power BI Desktop. Nesta seção, vamos explorar um pouco para você se acostumar com a interface.

Área de trabalho do Power BI

A imagem abaixo destaca os principais componentes da área de trabalho do Power BI.

Modos de exibição básicos

• Report view: é a exibição principal, onde o dashboard é criado.

• Data view: mostra uma prévia dos dados completos.

• Relationship view: exibe os relacionamentos entre os objetos.

Conectando a uma fonte de dados

O Power BI pode se conectar a diversas fontes de dados. O ícone Get data mostra todas as opções disponíveis de onde os dados podem ser importados para o Power BI.

Vamos ver algumas das fontes mais comuns:

Dados do Excel

Vamos nos conectar a uma fonte de dados do Excel. A planilha contém dados financeiros fictícios. Baixe o arquivo aqui. O Power BI Desktop carrega a pasta de trabalho, lê seu conteúdo e exibe os dados no arquivo usando a janela Navigator.

Depois de carregar, os dados ficam visíveis no painel Fields.

Web

Você também pode usar dados da web. Aqui está um conjunto de dados que apresenta os melhores e piores estados para se aposentar nos EUA.

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

Basta selecionar Web como opção em Get data e inserir a URL.

Experimente também outras fontes de dados.

5. Transformando dados

Depois de carregados, os dados ficam visíveis na guia Fields. A partir daí, podemos modificar os conjuntos de dados com a ajuda do Query Editor. O Query Editor pode ser usado para modificar datasets independentemente da fonte de dados. Podemos fazer manipulações como renomear um dataset, remover uma ou várias colunas etc. O Query Editor pode ser acessado clicando no botão Edit queries na faixa de opções Home.

Criando uma coluna personalizada

Usando os mesmos dados financeiros de antes, vamos moldar os dados às nossas necessidades. Crie uma coluna personalizada chamada New Manufacturing Price, que seja igual a:

([manufacturing Price])*3

Alterando tipos de dados de colunas

Os tipos de dados das colunas também podem ser alterados facilmente. A coluna Units Sold tem um tipo de ponto flutuante, que pode ser ajustado para número inteiro.

Removendo colunas

Remover colunas também é simples. Selecione a coluna desejada e escolha a opção Remove columns, como mostrado a seguir. Vamos remover a coluna Discount, já que ela não agrega valor ao nosso dataset.

Da mesma forma, há várias outras funções que podem ser realizadas, como remover e adicionar linhas, transpor, fazer pivot e split, tudo facilmente no Query Editor. Observe que todas as etapas de transformação também aparecem no painel Query settings.

6. Relatórios

Relatórios são coleções de visualizações que podem ser criadas em uma ou mais páginas. Em geral, essas visualizações se relacionam entre si.

7. Dashboard

Um dashboard é uma coleção de várias visualizações, permitindo comparar diferentes dados ao mesmo tempo. Enquanto um relatório pode ter várias páginas, um dashboard é uma interface de página única.

Criando um dashboard

Com o dataset pronto e todas as manipulações concluídas, podemos partir para a criação do Dashboard. Um dashboard do Power BI, também chamado de canvas, reúne várias visualizações em uma única página, ajudando a contar uma história. Essas visualizações, chamadas de tiles, são fixadas (pinned) no dashboard a partir dos relatórios.

Vamos entender que insights podemos obter usando o dataset Superstore:

• Vendas por país

• Vendas e lucro por segmento

• Vendas e lucro por mês

• Vendas por produto

• Lucro por faixa de desconto

O dashboard criado é interativo, ou seja, uma mudança em um tile afeta os demais.

8. Integração do Power BI com R e Python

Além das várias vantagens de visualização, o Power BI tem excelentes capacidades de conexão nativas. Ele se integra facilmente com linguagens como Python e R, e também com SGBDs como SQL. Isso amplia as funcionalidades e é muito útil para Data Scientists acostumados a trabalhar em Python ou R. Eles podem importar scripts de R e Python diretamente no workspace e aproveitar visualizações que são muito superiores às dessas linguagens sozinhas.

Nesta seção vamos aprender a trabalhar com scripts de Python e R no Power BI. Para saber mais sobre a integração de SQL com Power BI, confira o tutorial SQL with Power BI.

Power BI e R

R é uma linguagem estatística popular usada para análises sofisticadas e analytics preditivo, como modelagem linear e não linear, testes estatísticos, análise de séries temporais, classificação, clusterização etc. Usar Power BI em conjunto com R dá acesso a um acervo robusto e em constante expansão de bibliotecas de análise estatística e data mining para extrair insights mais profundos dos dados.

Pré-requisitos

Garanta que você tenha o seguinte instalado e rodando localmente:

• R
• Um ambiente de desenvolvimento (IDE) para R, como o RStudio.

Também é importante observar que:

• Somente data frames são importados
• Qualquer script em R que rode por mais de 30 min é interrompido automaticamente.

Verifique se R e RStudio estão instalados. Abra o Power BI e vá em Options and settings -> Options

Em Options, acesse a aba R scripting e verifique se a versão correta do R está configurada.

Usando scripts em R no Power BI

O artigo Working with R Scripts in Power BI é um excelente recurso sobre o tema. Abaixo, um resumo desse conteúdo.

1. Scripts em R para importar dados

Às vezes você não quer importar o dataset inteiro, mas apenas uma parte. Você pode escrever um script em R para selecionar somente colunas ou linhas específicas do conjunto de dados a ser carregado no Power BI.

Nesta demonstração, vamos trabalhar com o conhecido dataset Iris, incluído na distribuição do CRAN.

Datasets também podem ser importados de arquivos. Veja um exemplo de como carregar um arquivo CSV no workspace com o script a seguir. Baixe o arquivo aqui.

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

Apenas importar dados com um script em R não resolve muito. O valor aparece quando manipulamos os dados durante a importação. O script abaixo usa as funções summarize e group_by do pacote dplyr para agrupar e agregar os dados antes de importá-los:

Abra o RStudio e instale os seguintes pacotes:

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

Agora, use o script abaixo para importar os dados do Iris. Vamos obter um novo dataset chamado iris_mean, que contém a média de cada uma das quatro medidas, agrupadas pelos valores da coluna Species (Fonte: 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))

2. Scripts em R para transformar dados

Scripts em R são úteis quando queremos manipular dados que já foram importados para o workspace. Suponha que queremos aplicar as funções summarize e groupby depois de importar todo o dataset. Isso pode ser feito executando um script em R no Query Editor, como a seguir:

3. Scripts em R para criar visualizações

Com scripts em R, você pode criar visualizações no Power BI. Basta digitar o script, carregar as bibliotecas necessárias e você terá visualizações similares às de qualquer IDE de R. Siga os passos:

• Importe o dataset Iris para o workspace.
• Clique em R script visual na guia de visualizações. Um espaço reservado aparece no canvas e um editor de script R é exibido na parte inferior.
• Selecione os campos que você quer incluir no script. Vamos selecionar PetalLengthCm, PetalWidthCm e Species. Os campos selecionados aparecem na guia Values e um script R pré-preenchido aparece no editor.
• O script cria um dataframe chamado dataset com as colunas selecionadas. Agora você pode escrever seu script aqui ou ajustar o existente. Vamos colar o código abaixo, que importa a biblioteca ggplot e cria um gráfico de dispersão.

      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"))

Power BI e Python

Python é uma linguagem de programação de uso geral amplamente adotada, com muitas bibliotecas para análise estatística e modelagem preditiva com algoritmos de machine learning.

A Microsoft tornou possível integrar scripts em Python ao Power BI, permitindo executar scripts e obter visuais de Python no Power BI. Vamos ver os passos necessários. Antes, alguns pré-requisitos:

• Garanta que o Python esteja instalado e funcionando na sua máquina.
• Carregue os pacotes e bibliotecas necessários, como pandas, matplotlib etc.
• No momento, apenas dataframes do pandas são suportados.
• Qualquer script em Python que rode por mais de 30 min é interrompido automaticamente.
• É preciso habilitar o Python antes de usá-lo. Abra o Power BI e vá em Options and settings -> Options

Em Options, vá à guia Preview features e habilite o ‘Python support’.

Reinicie o Power BI e você verá o ícone do Python tanto nas visualizações quanto na guia Transform.

Há várias maneiras de executar scripts em Python no Power BI.

1. Executar scripts em Python diretamente

Passos:

• Para rodar seu script em Python, selecione Get data > More > Other > Python script, como abaixo.

Agora, cole seu script em Python na janela que abrir. Selecione OK para executar o script e importar os datasets resultantes para o workspace do Power BI Desktop.

2. Criar visualizações com Python

• Importe o dataset para o workspace. Vamos usar o mesmo dataset financeiro, com dados de uma empresa hipotética.
• Clique em Python visuals na guia de visualizações. Um espaço reservado aparece no canvas e um editor de script Python é exibido na parte inferior.
• Selecione os campos que você quer incluir no script. Vamos selecionar Sales e Profit. Os campos aparecem em Values, e o script também é exibido no editor.
• O script cria um dataframe do pandas chamado dataset com as colunas selecionadas. Agora você pode escrever seu script aqui ou ajustar o existente. Vamos colar o código abaixo, que importa o matplotlib e cria um gráfico.

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

• Execute o script e a visualização aparecerá no canvas. O visual fica como em qualquer IDLE de Python.

• Agora, vamos criar um gráfico de correlação. Selecione Discounts, Gross Sales e Units sold, além dos campos anteriores, e substitua o script por este:

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

• Também podemos importar outras bibliotecas. Vamos importar a Seaborn (garanta que ela esteja instalada). O dataset é o ‘Tips’, que costuma vir pré-carregado com o seaborn. Baixe o dataset aqui e carregue no workspace. Depois, cole o código abaixo no editor para gerar os gráficos do 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()
  

O dashboard com todas as visualizações em Python ficará assim:

Dashboard em Python

9. Salvando e publicando

Salvando e exportando arquivos

Você pode salvar seus arquivos como templates do Power BI. As visualizações também podem ser exportadas como PDF.

Publicando

Dados só geram valor quando podem ser compartilhados entre pessoas ou equipes. O dashboard ou relatórios gerados também podem ser compartilhados publicando no Power BI Service. Depois, podemos usar os Power BI Apps para visualizar ou interagir com os dashboards/relatórios.

10. Conclusão

Isso é o essencial para criar boas visualizações no Power BI, embora você provavelmente faça mais ajustes em cada etapa do que mostramos aqui. Com experimentação e prática, o Power BI fica cada vez mais familiar e libera recursos incríveis para ajudar você a analisar e apresentar dados.