Power BI ile Veri Görselleştirme

Veri analistleri olarak amacımız, verilerimizden elde ettiğimiz içgörüleri, gören herkesin ne anlama geldiklerini anlayıp buna göre harekete geçebileceği şekilde düzenlemektir.

Power BI, Microsoft'un, herkesin verileri daha hızlı ve verimli bir şekilde görselleştirip analiz etmesini sağlayan bulut tabanlı bir iş analitiği hizmetidir. Çok çeşitli verilerle bağlantı kurup onları analiz etmek için güçlü ve esnek bir BI aracıdır. Pek çok işletme, veri bilimiyle ilgili işler için onu vazgeçilmez görmektedir. Power BI’ın kullanım kolaylığı, sürükle-bırak ara yüzüne sahip olmasından gelir. Bu özellik; sıralama, karşılaştırma ve analiz gibi görevleri çok kolay ve hızlı şekilde yapmaya yardımcı olur. Power BI ayrıca Excel, SQL Server ve bulut tabanlı veri depoları dahil olmak üzere birden çok kaynağı destekler; bu da onu Veri Bilimciler için mükemmel bir seçim haline getirir.

1. Power BI’a Genel Bakış

Genel bakış

Power BI, verileri hem şirket içinde (on-premise) hem de bulutta analiz edip keşfetme olanağı sunar. Power BI, özelleştirilmiş panoları ve etkileşimli raporları ekipler ve kurumlar arasında kolay ve güvenli şekilde paylaşma ve birlikte çalışma imkânı sağlar.

Power BI Genel Bakış. Kaynak: Microsoft

Power BI’ın bileşenleri

Power BI, piyasada ayrı ayrı sunulan ve tek başına da kullanılabilen çeşitli bileşenlerden oluşur.

Power BI Bileşenleri. Kaynak: Wikipedia

Hangi bileşenle çalışılacağı seçimi esas olarak projeye veya ekibe bağlıdır. Ancak biz, öncelikle İş raporları oluşturma ve masaüstü geliştirme için kullanılan bir bileşen olduğu için Power BI Desktop ile çalışacağız. Ayrıca diğer tüm işler genellikle rapor oluşturmanın gerçekleştiği Power BI Desktop ile başlar.

Power BI’a giriş

Power BI platformunda nasıl gezineceğinize dair harika bir uygulamalı giriş için DataCamp'in Power BI’a Giriş kursunu alın.

2. Power BI kullanmanın avantajları

Power BI, mevcut analitik araçlara kıyasla üstün kılan bazı avantajlar sunar:

• Hem bulut tabanlı hem de masaüstü ara yüz sağlar.
• Veri ambarı, veri keşfi ve etkileşimli panolar gibi yetenekler sunar.
• Özel görselleştirmeler yükleme olanağı, ve
• Tüm organizasyona kolayca ölçeklenebilir.

3. Power BI Desktop

Power BI, sisteme indirip kurulabilen ücretsiz bir uygulamadır. Birden çok veri kaynağına bağlanabilir. Genellikle bir analiz çalışması, raporun oluşturulduğu Power BI Desktopta başlar. Rapor daha sonra Power BI hizmetine yayımlanır; buradan da insanların raporları mobilde de görebilmesi için Power BI Mobil uygulamalarında paylaşılabilir.

Power BI Desktop. Kaynak: Microsoft

Kurulum

Power BI yalnızca Windows makinelerde çalışır. Mac kullanıcıları Azure’da bir Windows VM oluşturup Power BI&rsquoı ona yükleyebilir veya Power BI&rsquoı doğrudan buluttan Mac’e yayınlayabilen Turbo.net'i kullanabilir.

Power BI iki şekilde kullanılabilir:

• Microsoft Mağazası'ndan bir uygulama olarak; oturum açıp hemen başlayın. Bu aracın çevrimiçi sürümüdür.
• Yazılımı yerel olarak indirin ve ardından kurun. Tüm kurulum talimatlarını okuduğunuzdan emin olun.

Ürün seçiminize bağlı olarak yazılımı bilgisayara indirin. Lisans sözleşmesini kabul ettikten sonra Power BI Simgesine/Uygulamasına tıklayarak kurulumu doğrulayın. Aşağıdaki ekran görünürse hazırsınız demektir.

4. Başlarken

Şimdi Power BI Desktop ile çalışmaya dair fikir edinelim. Bu bölümde, ara yüzüne alışmak için biraz keşif yapacağız.

Power BI Çalışma Alanı

Aşağıdaki görsel, Power BI çalışma alanının başlıca bileşenlerini vurgulamaktadır.

Temel görünümler

• Rapor Görünümü: Panonun oluşturulduğu ana görünümdür.

• Veri Görünümü: Tüm verinin bir ön izlemesini sunar.

• İlişki Görünümü: Çeşitli nesneler arasındaki ilişkileri gösterir.

Bir veri kaynağına bağlanma

Power BI birden çok veri kaynağına bağlanabilir. Veri Al simgesi, verilerin Power BI’a aktarılabileceği tüm olası seçenekleri gösterir.

En sık kullanılan birkaç veri kaynağına bakalım:

Excel verisi

Bir Excel veri kaynağına bağlanalım. Çalışma kitapları sahte bazı finansal veriler içeriyor. Dosyayı buradan indirin. Power BI Desktop çalışma kitabını yükler, içeriğini okur ve Gezgin penceresini kullanarak dosyadaki verileri gösterir.

Yüklendikten sonra veriler Alanlar bölmesinde görüntülenebilir.

Web

Web'deki verileri de kullanabilirsiniz. İşte ABD’de emeklilik için en iyi ve en kötü eyaletleri sunan bir veri kümesi.

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

Veri Al içinde seçenek olarak Web'i seçip url’yi girmeniz yeterlidir.

Diğer veri kaynaklarıyla da denemeler yapın.

5. Verileri Dönüştürme

Veriler yüklendikten sonra Alanlar sekmesi altında görünür hale gelir. Buradan, Sorgu Düzenleyicisi yardımıyla veri kümelerimizi değiştirebiliriz. Sorgu düzenleyicisi, kaynağı ne olursa olsun veri kümelerini değiştirmek için kullanılabilir. Sorgu düzenleyicisinde bir veri kümesini yeniden adlandırma, tekli veya çoklu sütunları kaldırma gibi işlemler yapabiliriz. Sorgu Düzenleyicisi, Giriş Şeridindeki Sorguları Düzenle düğmesine tıklanarak açılabilir.

Özel bir sütun oluşturma

Yukarıda kullandığımız aynı Finansal verileri kullanarak, verileri ihtiyaçlarımıza göre şekillendirelim. Yeni Üretim Fiyatı adlı özel bir sütun oluşturalım; bu sütun şu değere eşit olacak:

([manufacturing Price])*3

Sütun veri türlerini değiştirme

Sütunların veri türleri de kolayca değiştirilebilir. Units Sold sütunu, tam sayıya ayarlanabilecek bir kayan noktalı veri türüne sahiptir.

Sütunları kaldırma

Sütun kaldırmak da kolaydır. Kaldırılacak sütunu seçip aşağıdaki şekilde gösterildiği gibi Sütunları Kaldır seçeneğini işaretleyin. Veri setimize bir değer katmadığı için Discount sütunundan kurtulalım.

Benzer şekilde, satırları kaldırma ve ekleme, döndürme (transpose), pivot ve bölme gibi birçok başka işlev de sorgu düzenleyicisiyle kolayca gerçekleştirilebilir. Verilerinizi dönüştürürken attığınız tüm adımların Sorgu Ayarları panelinde göründüğünü unutmayın.

6. Raporlar

Raporlar, bir veya daha fazla sayfada oluşturulabilen görselleştirmelerin bir koleksiyonudur. Bu görselleştirmeler genellikle birbirleriyle ilişkilidir.

7. Pano

Bir pano, aynı anda çeşitli verileri karşılaştırmayı sağlayan birden fazla görünümün bir araya gelmesidir. Rapor birden çok sayfayı kapsayabilirken, Pano tek sayfalık bir ara yüzdür.

Pano oluşturma

Veri seti hazır olup tüm düzenlemeler tamamlandıktan sonra Pano oluşturma sürecine geçebiliriz. Tuval olarak da bilinen bir Power BI panosu, tek bir sayfada birçok görselleştirmeden oluşur ve bir hikâye anlatmaya yardımcı olur. Kutucuk olarak adlandırılan bu görselleştirmeler, raporlardan panoya sabitlenir.

Şimdi, süpermarket veri setini kullanarak hangi içgörüleri elde edebileceğimizi anlamaya çalışalım:-

• Ülkeye Göre Satışlar

• Segmente Göre Satış ve Kâr

• Ay Bazında Satış ve Kâr

• Ürüne Göre Satışlar

• İndirim Dilimine Göre Kâr

Oluşturulan Pano etkileşimlidir; yani bir kutucuktaki değişiklik diğerlerini etkiler.

8. Power BI’ın R ve Python ile entegrasyonu

Power BI’ın sunduğu çeşitli görselleştirme avantajlarının yanı sıra kutudan çıktığı haliyle harika bağlanabilirlik yetenekleri de vardır. Power BI, Python ve R gibi dillerle ve hatta SQL gibi VTYS’lerle kolayca entegre olabilir. Bu, işlevsellik açısından artı sağlar ve Python veya R ile çalışmaya alışkın Veri Bilimciler için kullanışlıdır. R ve Python betiklerini doğrudan çalışma alanına aktarabilir ve bu dillerinkinden çok daha üstün olan görselleştirmelerinden yararlanabilirler.

Bu bölümde, Python ve R betikleriyle nasıl çalışılacağını öğreneceğiz. SQL’in Power BI ile entegrasyonu hakkında bilgi edinmek için Power BI ile SQL rehberimize göz atın.

Power BI & R

R; doğrusal/doğrusal olmayan modelleme, istatistiksel testler, zaman serisi analizi, sınıflandırma, kümeleme vb. gelişmiş analizler ve kestirimsel analitik için kullanılan popüler bir istatistik dilidir. Power BI ile R’ı birlikte kullanmak, kullanıcılara verilerinden daha derin içgörüler elde etmelerine yardımcı olan zengin ve sürekli genişleyen bir istatistiksel analiz ve veri madenciliği kütüphaneleri koleksiyonuna erişim sağlar.

Ön koşullar

Yerel sistemlerinizde aşağıdakilerin yüklü ve çalışır olduğundan emin olun:

• R
• R Studio gibi ayrı bir R tümleşik geliştirme ortamı (IDE).

Ayrıca şunlara dikkat etmek önemlidir:

• Yalnızca veri çerçeveleri (data frame) içe aktarılır
• 30 dakikadan uzun süren herhangi bir R betiği otomatik olarak zaman aşımına uğrar.

Sisteminizde R ve R Studio’nun kurulu olduğunu doğrulayın. Power BI&rsquoı başlatın ve Seçenekler ve Ayarlar -> Seçenekler menüsüne gidin

Seçenekler altında R Betikleme sekmesine gidin ve doğru R sürümünü gördüğünüzden emin olun.

Power BI içinde R Betiklerini kullanma

Power BI’da R Betikleri ile Çalışma bu konuda mükemmel bir kaynaktır. Aşağıda aynı kaynaktan bir genel bakış yer almaktadır.

1. Verileri içe aktarmak için R betikleri

Bazen tüm veri kümesini değil, yalnızca bir kısmını içe aktarmak isteyebilirsiniz. Power BI’a yüklenecek veri kümesinden yalnızca belirli sütunları veya satırları seçmek için bir R betiği yazabilirsiniz.

Bu gösterimde, CRAN dağıtımıyla gelen, iyi bilinen Iris veri kümesiyle çalışacağız.

Veri kümeleri dosyalardan da içe aktarılabilir. Aşağıda, aşağıdaki betikle bir CSV dosyasını çalışma alanına nasıl yükleyeceğinizi gösteren bir örnek yer almaktadır. Dosyayı buradan indirin.

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

Yalnızca R betiğiyle veri içe aktarmak çok anlamlı değildir. Asıl kullanım, içe aktarırken verileri değiştirebildiğimizde ortaya çıkar. Aşağıdaki betik, verileri içe aktarmadan önce gruplamak ve özetlemek için dplyr R paketinde bulunan summarize ve group_by işlevlerini kullanır:

R Studio’yu başlatın ve aşağıdaki paketleri kurun:

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

Şimdi, Iris verilerini içe aktarmak için aşağıdaki R betiğini kullanın. Species sütunundaki değerlere göre gruplanmış, dört ölçümün her biri için ortalamayı içeren iris_mean adlı yeni bir veri kümesi elde edeceğiz (Kaynak: 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. Verileri dönüştürmek için R betikleri

R betikleri, çalışma alanına zaten içe aktarılmış verileri değiştirmek istediğimizde kullanışlıdır. Diyelim ki tüm veri içe aktarıldıktan sonra summarize ve groupby işlevlerini uygulamak istiyoruz. Bu, Sorgu Düzenleyicisinde R Betiği çalıştırılarak gerçekleştirilebilir:

3. Görselleştirmeler oluşturmak için R betikleri

R betikleri yardımıyla Power BI’da görselleştirmeler oluşturabilirsiniz. Betiği yazıp gerekli kütüphaneleri yüklemeniz yeterlidir; tıpkı herhangi bir R IDE’sindekilere benzer görselleştirmeler elde edersiniz. Adımları inceleyelim:

• Iris veri kümesini çalışma alanına aktarın.
• Görselleştirme sekmesinde ‘R script Visual’a tıklayın; tuvalde bir yer tutucu R görseli ve altta bir betik düzenleyicisi görünür.
• Betiğe dahil etmek istediğiniz alanları seçin. PetalLengthCm ,PetalWidthCm ve Species seçelim. Seçilen alanlar Değerler sekmesinde görünür ve önceden doldurulmuş bir R betiği R düzenleyicisinde belirir.
• Betik, seçilen sütunlarla dataset adlı bir veri çerçevesi oluşturur. Artık burada betiğinizi yazabilir veya mevcut olanı değiştirebilirsiniz. ggplot kütüphanesini içe aktarıp bir saçılım grafiği oluşturan aşağıdaki kodu yapıştıralım.

      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 & Python

Python, yaygın olarak kullanılan genel amaçlı bir programlama dilidir ve makine öğrenmesi algoritmaları ile istatistiksel analiz ve kestirimsel modelleme yapmak için çok sayıda Python kütüphanesi mevcuttur.

Microsoft kısa süre önce Power BI içinde Python betiklerinin entegrasyonunu mümkün kıldı; bu sayede Power BI içinde Python betikleri çalıştırılabilir ve Python görselleri elde edilebilir. Gerekli adımlara bakalım. Ancak ondan önce birkaç ön koşul var:

• Python’ın yerel sistemlerinizde kurulu ve çalışır olduğundan emin olun.
• pandas, matplotlib vb. gerekli tüm paket ve kütüphaneler de yüklü olmalıdır.
• Şu anda yalnızca pandas veri çerçeveleri desteklenmektedir.
• 30 dakikadan uzun süren herhangi bir Python betiği otomatik olarak zaman aşımına uğrar.
• Kullanmadan önce Python’ın etkinleştirilmesi gerekir. Power BI&rsquoı başlatın ve Seçenekler ve Ayarlar -> Seçenekler menüsüne gidin

Seçenekler altında Önizleme Özellikleri sekmesine gidin ve ‘Python Desteği’ni etkinleştirin.

Power BI&rsquoı yeniden başlatın; Python simgesini hem görselleştirmede hem de Dönüştür sekmesinde görürsünüz.

Power BI’da Python Betiklerini çalıştırmanın birden çok yolu vardır.

1. Yalnızca Python betiklerini çalıştırma

Adımlar:

• Python Betiğinizi çalıştırmak için aşağıda gösterildiği gibi Veri Al > Daha Fazla>Diğer > Python betiğini seçin.

Şimdi açılan pencereye Python betiğinizi yapıştırın. Betiği çalıştırmak için Tamam'ı seçin; sonuçtaki veri kümeleri Power BI Desktop çalışma alanına aktarılır.

2. Python kullanarak görselleştirme oluşturma

• Veri kümesini çalışma alanına aktarın. Aynı, varsayımsal bir şirketin finansallarına ait Finansal veri kümesi ile devam edelim.
• Görselleştirme sekmesinde ‘Python Visuals’a tıklayın; tuvalde bir Python görseli yer tutucusu ve altta bir Python betik düzenleyicisi görünür.
• Betiğe dahil etmek istediğiniz alanları seçin. Sales ve Profit seçelim. Seçilen alanlar Değerler sekmesinde görünür ve betikler Python betik düzenleyicisinde de görünür.
• Betik, seçilen sütunlarla dataset adlı bir pandas veri çerçevesi oluşturur. Artık burada betiğinizi yazabilir veya mevcut olanı değiştirebilirsiniz. matplotlib’i içe aktarıp bir grafik oluşturan aşağıdaki kodu yapıştıralım.

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

• Betik çalıştırıldığında görselleştirme tuvalde görünür. Görselleştirme, herhangi bir Python IDLE’ında olduğu gibi görünür.

• Şimdi bir korelasyon grafiği oluşturalım. Önceki alanlara ek olarak Discounts, gross Sales, ve Units sold alanlarını seçin ve betiği şu yeni betikle değiştirin:

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

• Diğer kütüphaneleri de içe aktarabiliriz. Seaborn kütüphanesini içe aktaralım; ancak sisteminizde kurulu olduğundan emin olun. Veri kümesi genellikle seaborn ile ön yüklü gelen ‘Tips’ veri kümesidir. Veri kümesini buradan indirin ve çalışma alanına yükleyin. Ardından aşağıdaki kodu betik düzenleyicisine yapıştırın; seaborn grafikleri oluşacaktır.

  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()
  

Tüm Python görselleştirmeleriyle birlikte Pano sonunda şu şekilde görünecektir.

Python Panosu

9. Kaydetme ve Yayımlama

Dosyaları kaydetme ve dışa aktarma

Dosyalarınızı Power BI şablonları olarak kaydedebilirsiniz. Görselleştirmeler ayrıca PDF dosyaları olarak da dışa aktarılabilir.

Yayımlama

Veri, kişiler veya kurum arasında paylaşılabildiğinde faydalıdır. Oluşturulan pano veya raporlar, Power BI Hizmetine yayımlanarak da paylaşılabilir. Ardından Panoları/Raporları görüntülemek veya etkileşimde bulunmak için Power BI Uygulamalarını kullanabiliriz.

10. Sonuç

Power BI’da iyi bir görselleştirme oluşturmak için bilmemiz gerekenler bu kadar; ancak her aşamada burada yaptığımızdan daha fazla revizyon yapmanız gerekebilir. Deneme ve pratikle Power BI çok daha tanıdık hale gelir ve verileri analiz edip sunmamıza yardımcı olacak harika özellikler sunar.