Kurs Power BI: Wizualizacje w Pythonie i R na danych Nordvelli

W skrócieWizualizacja Python albo R w Power BI to wykres rysowany skryptem na kolumnach z modelu, który Power BI pokazuje na kanwie obok wbudowanych wykresów. Konfigurujemy interpreter Pythona i R w Power BI Desktop, budujemy wykres seaborn i ggplot2 na danych Nordvelli i uczymy się szukać przyczyny błędu skryptu.

Wbudowane wykresy Power BI wystarczają w większości raportów Nordvelli, ale prędzej czy później trafisz na potrzebę, której standardowa galeria nie zaspokoi: rozkład wartości koszyka z nałożoną krzywą gęstości, mapa cieplna korelacji ocen z ankiet satysfakcji, czy wykres skrzynkowy (box plot, wykres pokazujący medianę i rozrzut) marży w rozbiciu na kategorie. W takich momentach Power BI pozwala oddać stronę raportu skryptowi w Pythonie albo w R. Ty wybierasz kolumny z modelu, skrypt rysuje wykres w bibliotece seaborn lub ggplot2, a Power BI renderuje gotowy obraz na kanwie raportu, obok wykresów natywnych.

W tym rozdziale przejdziemy przez to na danych Nordvelli krok po kroku: najpierw skonfigurujemy interpreter (program uruchamiający kod) w Opcjach, potem zbudujemy realny wykres seaborn na tabeli FaktSprzedaz, dołożymy do tej tabeli kolumny wyliczone skryptem w Power Query, zrobimy wykres w R przez ggplot2, a na koniec zobaczymy, jak wygląda błąd skryptu i gdzie szukać jego przyczyny.

Kiedy Python lub R, a kiedy natywny wykres

Co chcemy osiągnąć. Dział sprzedaży Nordvelli chce wiedzieć, jak rozkłada się wartość pojedynczej transakcji w każdej kategorii, a do takiego pytania pasuje wykres pudełkowy, którego w standardowym zestawie Power BI nie ma. Zanim sięgniemy po Pythona albo R, chcemy umieć rozpoznać, kiedy skrypt jest naprawdę potrzebny, a kiedy natywny wykres zrobi to lepiej.

Zanim uruchomisz interpreter, zadaj sobie jedno pytanie: czy natywny wykres Power BI naprawdę nie potrafi tego pokazać. W Nordvelli odpowiedź brzmi "nie" znacznie rzadziej, niż się wydaje. Sprzedaż według miast, trend, udział kategorii, mapa sklepów: to wszystko robisz natywnie i lepiej, bo natywne wizualizacje są interaktywne. Sprawdź to od razu na pliku startowym.

Krok 1: otwórz plik startowy i zapisz go pod nową nazwą

Otwórz nordvella_12_motyw.pbix z ramki na początku lekcji. Od razu wybierz Plik, Zapisz jako i zapisz plik w tym samym folderze jako nordvella_13_python_r.pbix. Dzięki temu plik z lekcji 12 zostaje nietknięty, a nowa nazwa jest widoczna w pasku tytułu na wszystkich zrzutach tej lekcji.

Na pasku stron na dole okna kliknij kartę Przegląd (strona z lekcji 11), a potem na Wykresie miast kliknij najdłuższy słupek, Warszawa.

Kliknij słupek Warszawy jeszcze raz, żeby zdjąć zaznaczenie. Wykres ze skryptu w Pythonie lub R tej interaktywności nie ma. Wynik jest obrazem PNG: nie da się kliknąć w punkt, żeby przefiltrować resztę strony. To cena za dostęp do bibliotek statystycznych. Płać ją tylko wtedy, gdy dostajesz w zamian coś, czego natywnie nie masz.

Konfiguracja interpretera: Opcje i skrypty Python

Co chcemy osiągnąć. Power BI nie ma wbudowanego Pythona, a bez niego żaden skrypt w raporcie Nordvelli się nie uruchomi. Chcemy zainstalować Pythona z potrzebnymi bibliotekami i wskazać go w opcjach Power BI.

Power BI nie ma wbudowanego Pythona. Instalujesz go sam, a Power BI korzysta z niego przy każdym rysowaniu wizualizacji i przy każdym odświeżeniu zapytania ze skryptem.

Krok 2: zainstaluj Pythona i biblioteki

Pobierz instalator ze strony python.org (Downloads, Windows) i uruchom go. Na pierwszym ekranie zaznacz pole Add python.exe to PATH, a potem kliknij Install Now. Instalator wrzuci Pythona do C:\Users\TwojaNazwa\AppData\Local\Programs\Python\Python314. Na naszym komputerze Python jest zainstalowany dla wszystkich użytkowników (opcja Customize installation, Install Python 3.14 for all users), dlatego leży w C:\Program Files\Python314. Power BI wykrywa oba miejsca. Alternatywą jest dystrybucja Anaconda, która ma pandas, matplotlib i seaborn od razu.

Po instalacji otwórz Wiersz polecenia (menu Start, wpisz cmd) i wpisz komendę, która dociągnie biblioteki używane w tym rozdziale:

python -m pip install pandas matplotlib seaborn

Pakiety, które już masz, pip oznaczy linią Requirement already satisfied, a doinstalowane wypisze w ostatniej linii Successfully installed. U nas pandas (3.0.6) i matplotlib (3.11.2) były już na maszynie, więc pip doinstalował tylko seaborn (0.13.2).

Krok 3: wskaż interpreter w Opcjach

W Power BI Desktop wybierz Plik, Opcje i ustawienia, Opcje. W lewej kolumnie okna, w grupie GLOBALNE, kliknij Wykonywanie skryptów w języku Python. Po prawej zobaczysz sekcję Opcje skryptów w języku Python z listą Wykryte katalogi główne języka Python. Jeśli Power BI znalazł Twoją instalację, jest na liście, wystarczy ją zostawić. Jeśli nie, wybierz z listy Inna i wskaż katalog Pythona przyciskiem Przeglądaj. Pole Wykryte środowiska IDE języka Python możesz zostawić bez zmian, do tej lekcji wystarczy edytor wbudowany w Power BI. Kliknij OK.

Dodanie wizualizacji Python i ramka dataset

Krok 4: dodaj stronę Python i R

Co chcemy osiągnąć. W tej sekcji wstawimy pierwszy element wizualny Pythona, przekażemy mu trzy pola z modelu i sprawdzimy, w jakiej postaci trafiają do skryptu: jako ramka danych pandas o nazwie dataset. Na tym samym elemencie w następnej sekcji narysujemy wykres seaborn, a fragmentator miast pokaże, czy wykres reaguje na filtry raportu.

Wizualizacje skryptowe postawimy na osobnej stronie. Kliknij + na końcu paska stron. Power BI doda pustą stronę. Kliknij dwukrotnie jej nazwę, wpisz Python i R i naciśnij Enter.

Krok 5: wstaw fragmentator miasta

Fragmentator przyda się za chwilę, żeby sprawdzić, czy wykres Pythona reaguje na filtry. Kliknij puste płótno, w panelu Wizualizacje kliknij ikonę Fragmentator, a w panelu Dane rozwiń tabelę DimSklepy i zaznacz haczykiem Miasto. Przy zaznaczonym fragmentatorze kliknij ikonę pędzla Formatuj element wizualny, kartę Ogólne i rozwiń Właściwości. W sekcji Pozycja wpisz Pozioma 1560 i Pionowa 30, w sekcji Rozmiar Wysokość 500 i Szerokość 330. Każdą liczbę zatwierdź Enterem.

Krok 6: wstaw wizualizację Python

Kliknij puste miejsce na płótnie, a w panelu Wizualizacje kliknij ikonę z napisem Py (podpowiedź: Wizualizacja języka Python). Przy pierwszym elemencie skryptowym Power BI pokaże okno Włącz elementy wizualne skryptu z ostrzeżeniem, że wizualizacje skryptów mogą wykonywać kod, który może stanowić zagrożenie dla bezpieczeństwa lub prywatności. Kliknij Włącz.

Na płótnie jest mały, pusty element z logo Pythona, a dolną połowę okna zajmuje Edytor skryptów języka Python z napisem Przeciągnij pola do obszaru Wartości w okienku Wizualizacja, aby zacząć tworzyć skrypt.. W panelu Wizualizacje pojawił się obszar Wartości.

Krok 7: wrzuć pola do sekcji Wartości

Przy zaznaczonym elemencie Python rozwiń w panelu Dane tabelę FaktSprzedaz i przeciągnij kolumnę WartoscBrutto na napis Dodaj pola danych tutaj w obszarze Wartości. W edytorze od razu pojawi się kilka linii komentarza wygenerowanych przez Power BI, a nad nimi zielony pasek Zduplikowane wiersze zostaną usunięte z danych..

Teraz z tabeli DimProdukty przeciągnij kolumnę Kategoria, a z FaktSprzedaz kolumnę SprzedazID. Upuszczaj każde pole tuż pod ostatnim polem w obszarze Wartości. Preambuła ma teraz trzy kolumny:

# Następujący kod służący do tworzenia ramki danych i usuwania zduplikowanych wierszy jest zawsze wykonywany i działa jako preambuła skryptu:

# dataset = pandas.DataFrame(WartoscBrutto, Kategoria, SprzedazID)
# dataset = dataset.drop_duplicates()

# W tym miejscu wklej lub wpisz kod skryptu:

Przeczytaj pierwszą linię komentarza: kod tworzący ramkę i usuwający duplikaty jest zawsze wykonywany. Linie z # są tylko informacją, ich zakomentowanie ani usunięcie niczego nie zmienia. Dwie transakcje Nordvelli z tą samą wartością i kategorią to dwie osobne sprzedaże, a Power BI zostawiłby z nich jedną. Na samych polach WartoscBrutto i Kategoria do skryptu trafiłoby 100 790 wierszy zamiast 108 675. Dlatego dodaliśmy SprzedazID: każda transakcja ma inny numer, więc żaden wiersz nie jest duplikatem.

Zobacz też: Szkolenie Power BI - Desktop, DAX i Online + Copilot

Krok 8: przestaw pola liczbowe na Nie sumuj

Power BI grupuje dane wizualizacji po polach tekstowych, a pola liczbowe sumuje. Przy obecnych ustawieniach skrypt dostałby cztery wiersze, po jednym na kategorię, z sumą wartości i liczbą transakcji. Histogram z czterech liczb nie ma sensu. W obszarze Wartości kliknij strzałkę w dół przy polu Suma elementów WartoscBrutto i wybierz Nie sumuj.

To samo zrób przy polu Liczba elementów SprzedazID: strzałka w dół, Nie sumuj. W obszarze zostają trzy pola bez przedrostków.

Czym dokładnie jest dataset

Ramka danych (po angielsku DataFrame, tabela z nazwanymi kolumnami z biblioteki pandas) o nazwie dataset zawiera tylko kolumny z sekcji Wartości i tylko wiersze, które przechodzą przez filtry strony. Jeśli we fragmentatorze wybierzesz Kraków, skrypt dostanie tylko krakowskie transakcje. Tak wyglądają pierwsze wiersze naszej ramki (kolejność kolumn jak w obszarze):

Wykres seaborn na danych Nordvelli

Co chcemy osiągnąć. Chcemy dać działowi sprzedaży Nordvelli wykres, którego Power BI nie narysuje natywnie: rozkład wartości transakcji z porównaniem kategorii, i sprawdzić, czy reaguje na fragmentator miasta tak jak zwykła wizualizacja.

Wykres odpowie na pytanie działu sprzedaży: jak rozkłada się wartość pojedynczej transakcji i czy różni się między kategoriami. Złożymy go z dwóch paneli: histogramu wartości transakcji i wykresu pudełkowego (box plot, wykres pokazujący medianę i rozrzut) wartości w podziale na kategorie.

Krok 9: wklej kod i uruchom skrypt

Kliknij w edytorze pod ostatnią linią preambuły i wklej kod z ramki poniżej (jest też w pliku 13_seaborn_wizual.py). Potem kliknij ikonę Uruchom skrypt, ostatnią po prawej na ciemnym pasku edytora (trójkąt w kółku).

import matplotlib.pyplot as plt
import seaborn as sns

sns.set_theme(style="whitegrid")
fig, axes = plt.subplots(1, 2, figsize=(11, 4.5))

# Panel 1: rozkład wartości pojedynczej transakcji
sns.histplot(
    data=dataset, x="WartoscBrutto",
    bins=50, kde=True, color="#E02D33", ax=axes[0]
)
axes[0].set_title("Rozkład wartości transakcji (Nordvella)")
axes[0].set_xlabel("Wartość brutto (PLN)")
axes[0].set_ylabel("Liczba transakcji")

# Panel 2: wykres pudełkowy wartości per kategoria produktu
sns.boxplot(
    data=dataset, x="Kategoria", y="WartoscBrutto",
    hue="Kategoria", palette="Reds", legend=False, ax=axes[1]
)
axes[1].set_title("Wartość transakcji wg kategorii")
axes[1].set_xlabel("Kategoria")
axes[1].set_ylabel("Wartość brutto (PLN)")
axes[1].tick_params(axis="x", rotation=30)

plt.tight_layout()
plt.show()

Power BI przekaże dataset do Pythona, wykona kod i wstawi to, co narysował matplotlib, jako obraz. Element na płótnie jest jednak tak mały, że wykres jest nieczytelny.

Krok 10: powiększ element i zwiń edytor

Przy zaznaczonym elemencie Python kliknij ikonę pędzla Formatuj element wizualny, kartę Ogólne, rozwiń Właściwości i wpisz w sekcji Pozycja: Pozioma 30, Pionowa 30, a w sekcji Rozmiar: Wysokość 500, Szerokość 1500. Każdą liczbę zatwierdź Enterem. Najpierw pozycja, potem rozmiar, bo Power BI przycina szerokość do krawędzi strony liczonej od bieżącego położenia.

Kliknij strzałkę w dół na prawym końcu paska Edytor skryptów języka Python, żeby zwinąć edytor, a potem kliknij puste miejsce strony. Płótno wraca do pełnej wysokości i wykres da się przeczytać.

Krok 11: sprawdź, czy wykres słucha fragmentatora

Kliknij Gdańsk we fragmentatorze Miasto. Power BI uruchomi skrypt od nowa na samych gdańskich transakcjach: najwyższy słupek histogramu spada do około 1 700, a kształt rozkładu zostaje ten sam. Kliknij Gdańsk jeszcze raz, żeby zdjąć zaznaczenie.

Krok 12: otwórz wykres w trybie koncentracji uwagi

Najedź myszą na wykres Pythona i kliknij ikonę Tryb koncentracji uwagi w prawym górnym rogu ramki. Wizualizacja zajmie całe płótno. Wróć przyciskiem Powrót do raportu w lewym górnym rogu.

Jak zinterpretować to, co widzisz

Histogram po lewej pokazuje, że większość transakcji Nordvelli jest niska: najliczniejszy przedział, od około 2 700 do 4 000 zł, ma 28 624 transakcje. Linia gęstości (KDE, wygładzona krzywa pokazująca, gdzie danych jest najwięcej) potwierdza, że rozkład jest prawoskośny: ma długi ogon w stronę wysokich kwot, aż do 62 676 zł. Wykres pudełkowy pokazuje to, czego histogram nie pokaże. Pudełko to zakres od pierwszego do trzeciego kwartyla, kreska w środku to mediana, a kropki to transakcje odstające. Mediana Akcesoriów to 1 102 zł, Komputerów 3 552 zł, AGD/RTV 3 965 zł, a Telefonów 5 554 zł. Telefony mają najwyżej położone pudełko i najdroższą transakcję w danych.

Skrypt Python w Power Query

Co chcemy osiągnąć. Analityk Nordvelli chce przy każdej transakcji widzieć porę roku i znacznik, czy kwota mocno odstaje od typowych. Chcemy dodać te dwie kolumny skryptem Pythona w Power Query, zanim dane trafią do modelu.

Python w Power BI ma drugie oblicze: skrypt w Power Query, który nie rysuje, tylko przekształca tabelę, zanim trafi do modelu. Dołożymy do FaktSprzedaz dwie kolumny: Sezon z porą roku i CzyAnomalia z flagą transakcji odstających według reguły trzech sigm (wartość dalej niż trzy odchylenia standardowe od średniej).

Krok 13: otwórz Edytor Power Query na tabeli FaktSprzedaz

Na karcie Narzędzia główne kliknij strzałkę pod przyciskiem Przekształć dane i wybierz Przekształć dane.

W oknie edytora kliknij FaktSprzedaz na liście zapytań po lewej, a potem kartę Przekształć na wstążce. Po prawej stronie wstążki jest grupa Skrypty z dwoma przyciskami: Uruchom skrypt języka R i Uruchom skrypt języka Python. Zapytanie ma na razie cztery kroki: Źródło, Nawigacja, Nagłówki o podwyższonym poziomie i Zmieniono typ.

Krok 14: wklej skrypt Pythona

Kliknij Uruchom skrypt języka Python. W oknie Uruchom skrypt języka Python pole Skrypt ma już linię # Element 'dataset' zawiera dane wejściowe dla skryptu. Kliknij pod nią i wklej kod z ramki (jest też w pliku 13_powerquery_sezon_anomalie.py). Pod polem okno pisze, z której instalacji Pythona skorzysta. Kliknij OK.

import pandas as pd

# dataset = tabela FaktSprzedaz przekazana z Power Query
df = dataset.copy()

# Wyliczenie sezonu z klucza daty (DataID w formacie RRRRMMDD)
miesiac = df["DataID"].astype(str).str[4:6].astype(int)
mapa_sezonow = {
    12: "Zima", 1: "Zima", 2: "Zima",
    3: "Wiosna", 4: "Wiosna", 5: "Wiosna",
    6: "Lato", 7: "Lato", 8: "Lato",
    9: "Jesień", 10: "Jesień", 11: "Jesień",
}
df["Sezon"] = miesiac.map(mapa_sezonow)

# Oznaczenie transakcji odstających (reguła trzech sigm)
srednia = df["WartoscBrutto"].mean()
odchylenie = df["WartoscBrutto"].std()
df["CzyAnomalia"] = (
    (df["WartoscBrutto"] - srednia).abs() > 3 * odchylenie
).astype(int)

# Power Query pokaże każdą ramkę danych jako osobną tabelę - tutaj będzie to df

Krok 15: ustaw poziom prywatności

Zamiast podglądu pojawi się żółty pasek Wymagane są informacje dotyczące prywatności danych.. Power Query traktuje skrypt jak osobne źródło danych i chce wiedzieć, czy wolno mu przekazać dane z pliku Excel. Kliknij Kontynuuj.

W oknie Poziomy prywatności jest jeden wiersz: c:\, czyli dysk, na którym leży C:\Kurs_PBI\Nordvella_dane.xlsx. Rozwiń listę po prawej, wybierz Organizacyjne i kliknij Zapisz. Pole Ignoruj kontrole poziomów prywatności dla tego pliku zostaw puste: ono wyłącza kontrolę dla całego pliku, a to zabezpieczenie przed wysłaniem danych tam, gdzie nie powinny trafić.

Krok 16: wybierz tabelę df

Po kilkunastu sekundach Power Query pokaże tabelę z kolumnami Name i Value i dwoma wierszami: dataset i df. To wszystkie ramki danych, które zostały w pamięci po skrypcie. Nasz wynik to df, więc kliknij Table w wierszu df.

Tabela się rozwinie, a Power Query sam doda krok Zmieniono typ1. Spójrz na nagłówki kolumn CenaNetto, WartoscNetto, WartoscBrutto i MarzaNetto: mają ikonę ABC, czyli typ tekstowy, a liczby mają kropkę zamiast przecinka (7624.13). Python oddaje liczby dziesiętne z kropką, a Power BI w polskich ustawieniach regionalnych nie rozpoznaje ich jako liczb. Gdyby tak zostało, miary sprzedaży i marży z poprzednich lekcji przestałyby działać, bo nie da się zsumować tekstu.

Krok 17: przywróć typ liczbowy z ustawieniami regionalnymi

Kliknij nagłówek CenaNetto, a potem z wciśniętym Ctrl nagłówki WartoscNetto, WartoscBrutto i MarzaNetto (MarzaNetto znajdziesz po przewinięciu tabeli w prawo, za KosztWlasny; KosztWlasny ma poprawny typ, nie zaznaczaj go). Kliknij prawym przyciskiem myszy nagłówek jednej z zaznaczonych kolumn i wybierz Zmień typ, Używając ustawień regionalnych....

W oknie Zmienianie typu za pomocą ustawień regionalnych ustaw Typ danych na Liczba dziesiętna, a Ustawienia regionalne na Angielski (Stany Zjednoczone). Pod spodem okno pokaże przykład liczby w tym zapisie: 2,100.50. Kliknij OK.

Krok 18: zamknij edytor i wczytaj wynik

Kliknij kartę Narzędzia główne i przycisk Zamknij i zastosuj. Power BI uruchomi skrypt na wszystkich 108 675 wierszach i przeładuje tabelę. W oknie Ładowanie przez chwilę zobaczysz FaktSprzedaz z licznikiem wierszy z Pythona.

Po załadowaniu w panelu Dane, w tabeli FaktSprzedaz, są dwie nowe kolumny: CzyAnomalia i Sezon. Sprawdziliśmy wynik zapytaniem DAX: anomalii jest 2 109 (wszystkie powyżej 22 132 zł, czyli średnia 5 209 zł plus trzy odchylenia po 5 641 zł), sezony rozkładają się tak: Zima 34 981 transakcji, Wiosna 28 409, Jesień 26 082, Lato 19 203. Łączna sprzedaż nadal wynosi 467 775 009,17 zł, więc poprawka typów niczego nie zepsuła.

Wykres ggplot (R) w raporcie

Co chcemy osiągnąć. Zarząd Nordvelli pyta, czy droższe transakcje przynoszą wyższą marżę i czy wygląda to tak samo w każdej kategorii. Chcemy odpowiedzieć wykresem narysowanym w języku R biblioteką ggplot2, bo część analityków pracuje w R, a nie w Pythonie.

R działa w Power BI tak samo jak Python, tylko z inną ikoną w panelu Wizualizacje (litera R) i innym interpreterem. Dane w skrypcie R też nazywają się dataset, ale to data.frame, natywna tabela języka R.

Krok 19: zainstaluj R i wskaż go w Opcjach

Pobierz R dla Windows ze strony projektu CRAN (cran.r-project.org) i zainstaluj z domyślnymi ustawieniami. U nas to R 4.6.1 w C:\Program Files\R\R-4.6.1. Uruchom program R z menu Start i w konsoli wpisz:

install.packages(c("ggplot2", "hexbin"))

Pakiet ggplot2 rysuje wykres, hexbin jest potrzebny w wariancie z kafelkami w kroku 23. Potem w Power BI wybierz Plik, Opcje i ustawienia, Opcje, w grupie GLOBALNE kliknij Obsługa skryptów języka R i sprawdź, czy na liście Wykryte katalogi główne języka R jest katalog R.

Krok 20: wstaw wizualizację R

Kliknij puste miejsce na płótnie pod wykresem Pythona, a w panelu Wizualizacje kliknij ikonę R (podpowiedź: Element wizualny skryptu R). Zgodę na skrypty dałeś już w kroku 6, więc okno się nie pojawi. Power BI wstawi element R pod wykresem Pythona i otworzy Edytor skryptów języka R.

Krok 21: wrzuć pola i przestaw je na Nie sumuj

Pytanie dla Nordvelli: czy droższe transakcje przynoszą wyższą marżę i czy wygląda to tak samo w każdej kategorii. Do obszaru Wartości przeciągnij z FaktSprzedaz WartoscBrutto i MarzaNetto, z DimProdukty Kategoria, a na końcu z FaktSprzedaz SprzedazID. Przy WartoscBrutto, MarzaNetto i SprzedazID wybierz ze strzałki Nie sumuj, tak jak w kroku 8. Rozwiń edytor strzałką w górę na jego pasku. Preambuła w R wygląda tak:

# Następujący kod służący do tworzenia ramki danych i usuwania zduplikowanych wierszy jest zawsze wykonywany i działa jako preambuła skryptu:

# dataset <- data.frame(WartoscBrutto, MarzaNetto, Kategoria, SprzedazID)
# dataset <- unique(dataset)

# W tym miejscu wklej lub wpisz kod skryptu:

Krok 22: wklej kod ggplot2 i uruchom

Wklej kod pod preambułą (plik 13_ggplot_korelacja.R) i kliknij Uruchom skrypt na pasku edytora. Rysowanie ponad 108 tys. punktów z liniami regresji trwa kilkanaście sekund.

library(ggplot2)

# dataset = data.frame z polami WartoscBrutto, MarzaNetto, Kategoria, SprzedazID
ggplot(dataset, aes(x = WartoscBrutto, y = MarzaNetto, color = Kategoria)) +
  geom_point(alpha = 0.35, size = 1.6) +
  geom_smooth(method = "lm", se = TRUE) +
  scale_color_brewer(palette = "Set1") +
  labs(
    title = "Korelacja: wartość transakcji a marża (Nordvella)",
    x = "Wartość brutto (PLN)",
    y = "Marża netto (PLN)",
    color = "Kategoria"
  ) +
  theme_minimal(base_size = 12)

Zwiń edytor i otwórz wykres R w trybie koncentracji uwagi, tak jak w kroku 12. Każdy punkt to jedna transakcja, kolor to kategoria, a przez każdą chmurę przechodzi linia regresji (dopasowana prosta). geom_smooth(method = "lm") dolicza ją metodą regresji liniowej, a se = TRUE rysuje wokół niej pas niepewności; przy tak dużej liczbie punktów pas jest węższy niż linia.

Nachylenie linii to sygnał biznesowy: ile złotych marży przynosi każda złotówka wartości transakcji. Policzyliśmy je na danych: Akcesoria około 0,33 zł, AGD/RTV 0,18 zł, Komputery 0,08 zł, Telefony 0,05 zł. Telefony mają najdroższe transakcje (krok 12), ale najniższą marżę na złotówkę. Akcesoria to małe kwoty z dużym narzutem.

Krok 23: wypróbuj wariant z kafelkami heksagonalnymi

Gdy punktów jest tyle, że zlewają się w plamę, lepiej pokazać gęstość. W trybie koncentracji rozwiń edytor, zaznacz cały kod (Ctrl+A), wklej wariant z ramki (plik 13_ggplot_hex.R) i kliknij Uruchom skrypt.

# Wariant lekki: gdy punktów jest za dużo i wykres się zlewa,
# zastąp chmurę gęstością 2D (kafelki heksagonalne)
library(ggplot2)

ggplot(dataset, aes(x = WartoscBrutto, y = MarzaNetto)) +
  geom_hex(bins = 40) +
  scale_fill_gradient(low = "#fdd", high = "#E02D33") +
  labs(title = "Gęstość: wartość a marża", x = "Wartość brutto (PLN)", y = "Marża netto (PLN)") +
  theme_minimal()

Wariant hex był tylko próbą. Wklej z powrotem kod z kroku 22 (razem z preambułą albo pod nią), kliknij Uruchom skrypt, zwiń edytor i wróć do raportu przyciskiem Powrót do raportu. Plik efektu tej lekcji ma na stronie wykres z kroku 22.

Błąd skryptu w wizualizacji: jak go czytać

Co chcemy osiągnąć. Wykres skryptowy w raporcie Nordvelli kiedyś pokaże szary prostokąt zamiast wykresu, na przykład po literówce w nazwie kolumny. Chcemy nauczyć się czytać komunikat błędu, zanim zdarzy się to naprawdę.

Prędzej czy później zamiast wykresu zobaczysz szary prostokąt. Sprawdź, jak to wygląda, zanim zdarzy się naprawdę.

Krok 24: zrób celową literówkę

Kliknij wykres Pythona, rozwiń edytor i w linii data=dataset, x="WartoscBrutto", usuń jedną literę, tak żeby było x="WartosBrutto". Kliknij Uruchom skrypt.

Krok 25: otwórz szczegóły błędu

Kliknij łącze Zobacz szczegóły w środku elementu, a w oknie, które się otworzy, przycisk Zobacz szczegóły. I tu czeka rozczarowanie: zamiast treści wyjątku Pythona dostajesz ServiceErrorToClientError, identyfikator działania i godzinę. Ani słowa o kolumnie WartosBrutto, ani numeru linii. Kliknij Zamknij i popraw literówkę z powrotem na WartoscBrutto.

Wniosek praktyczny: diagnozę robisz poza Power BI, a poniższa tabela mówi, czego szukać. Komunikaty w pierwszej kolumnie zobaczysz w konsoli Pythona, w Power BI wszystkie wyglądają jak na zrzucie wyżej.

Krok 26: sprawdź, co robi brak plt.show()

Na końcu kodu zamień plt.show() na # plt.show(), czyli zakomentuj tę linię, i kliknij Uruchom skrypt. Kod jest poprawny, matplotlib rysuje wykres w pamięci, ale Power BI zbiera go do obrazu dopiero na wywołanie plt.show(). Wizualizacja pokazuje ten sam komunikat co przy literówce. W R analogicznie: wykres ggplot(...) musi zostać wypisany, więc nie przypisuj go do zmiennej bez późniejszego print().

Usuń znak # przed plt.show(), kliknij Uruchom skrypt, zwiń edytor i kliknij puste miejsce strony. Wykres wraca.

Ograniczenia w chmurze i dobre nawyki

Co chcemy osiągnąć. Raport Nordvelli trafi do usługi Power BI, a tam wizualizacje Python i R działają z ograniczeniami. Chcemy wiedzieć, czego się spodziewać po publikacji, i zapisać plik lekcji z kompletem wykresów.

Po publikacji w usłudze Power BI (piszemy o niej w dalszych rozdziałach) wizualizacje Python i R rysuje sama usługa, ale tylko z pakietami z listy obsługiwanych przez Microsoft i z limitem czasu wykonania. Zapytanie z krokiem skryptu w Power Query, jak nasze FaktSprzedaz, odświeży się w chmurze tylko przez bramę danych w trybie osobistym, na komputerze z zainstalowanym Pythonem i bibliotekami.

Krok 27: zapisz plik lekcji

Naciśnij Ctrl+S albo kliknij ikonę dyskietki w lewym górnym rogu. Plik nordvella_13_python_r.pbix ma teraz stronę Python i R z oboma wykresami i fragmentatorem oraz kolumny Sezon i CzyAnomalia w FaktSprzedaz.

Po ponownym otwarciu pliku (także pliku efektu z ramki na początku lekcji) Power BI zapyta o zgodę jeszcze raz, a zamiast wykresów pokaże napisy Wizualizacja języka Python nie są włączone i przyciski Wybierz, aby włączyć. Kliknij Włącz w oknie Włącz elementy wizualne skryptu i wykresy się narysują.

Python i R to mocne uzupełnienie Power BI, ale ich rola jest wąska i celowa. W kolejnym rozdziale wracamy do serca narzędzia, czyli do języka DAX i funkcji CALCULATE, gdzie zdecydowana większość analiz Nordvelli powstaje bez ani jednej linii Pythona. Wykresy skryptowe traktuj jako specjalistyczne uzupełnienie strony analitycznej, a nie fundament raportu.

✕