摘要: https://zhuanlan.zhihu.com/p/101812525 ​PowerBI中,有三个地方可以使用DAX,分别是度量值、新建列和新建表,这三个功能并成一排摆放在这里,如图所示, 之前的文章中曾介绍了度量值和计算列的异同(收藏 | Power BI计算列和度量值,一文帮你搞清楚),这 阅读全文
posted @ 2020-04-27 18:45 秋华 阅读(2150) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/55295072 静态的分析经常不能满足实际分析的需要,还需要引入动态分析,通过调节某个维度的增减变化来观察对分析结果的影响。在PowerBI中,可以使用「参数」,以切片器的形式来控制变量,与其他指标进行交互,进而完成动态分析。 创建「参数」 阅读全文
posted @ 2020-04-27 18:43 秋华 阅读(5214) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/99818030 ​在知识星球遇到的问题中,有不少朋友问如何修改数值型度量值的格式,比如,新建的度量值如何显示为百分比或者千分位等等,这篇文章就帮你掌握修改格式的几种方式。 假设已经建好了度量值: 收入 = SUM('订单'[销售额]) 以此 阅读全文
posted @ 2020-04-27 18:36 秋华 阅读(8752) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/64421933 经常有朋友问,当把文本字段放到坐标轴或者切片器上,显示的顺序都乱了,完全不是自己想要的,就像下面这些, ↑月份坐标轴 ↑星期切片器 ↑奖牌切片器 以上这些都是文本类的数据,文本数据默认是按照字母来排序的,但是这样的排序明显与 阅读全文
posted @ 2020-04-27 18:34 秋华 阅读(9716) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/64418072 源数据常常包含各种差错值,为了进行下一步的分析,我们必须先找出并更正这些差错,做这些工作几乎不会有什么快乐感可言,但却往往需要耗费很多精力。如果利用数据准备工具就能够发现这些数据质量问题,我们就可以节省大量时间。 Power 阅读全文
posted @ 2020-04-27 18:27 秋华 阅读(2062) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/67932754 在PowerBI报表中,切片器绝对是最常用的控件了,利用它可以进行各种维度的动态切换,同一个页面中的所有图表可以同步响应;利用PowerBI的同步切片器功能,不同页面也可以设置同步响应。 同步切片器 在【视图】选项卡下,勾选 阅读全文
posted @ 2020-04-27 18:22 秋华 阅读(5563) 评论(0) 推荐(0) 编辑
摘要: https://zhuanlan.zhihu.com/p/67564062 进行数据分析时,每个分析维度并不总是独立的,比如省份是一个维度,城市也是一个维度,而这两个维度之间是有逻辑关系的,那么在进行切片分析时,我们希望能达到动态联动的效果。在PowerBI中,只要维度表的数据有关系并建立了层次结构 阅读全文
posted @ 2020-04-27 18:21 秋华 阅读(4734) 评论(0) 推荐(0) 编辑
摘要: 例1 极大似然佑计 第一步:先验概率及条件概率 先验概率 条件概率 第二步: 第三步:确定实例x的类 例2 贝叶斯佑计 第一步:先验概率及条件概率 先验概率 条件概率 第二步: 第三步:确定实例x的类 阅读全文
posted @ 2020-04-27 17:53 秋华 阅读(530) 评论(0) 推荐(0) 编辑
摘要: 1 简介 先验概率分布 后验概率分布 2 模型 3 策略 朴素贝叶斯法将实例分到后验概率最大的类中。这等价于期望风险最小化。 4 算法 4.1 极大似然佑计 4.2 贝叶斯佑计 阅读全文
posted @ 2020-04-27 15:32 秋华 阅读(239) 评论(0) 推荐(0) 编辑
摘要: 1. kd树简介 构造kd树的方法如下:构造根结点,使根结点对应于k维空间中包含所有实例点的超矩形区域;通过下面的递归方法,不断地对k维空间进行切分,生成子结点。在超矩形区域(结点)上选择一个坐标轴和在此坐标轴上的一个切分点,确定一个超平面,这个超平面通过选定的切分点并垂直于选定的坐标轴,将当前超矩 阅读全文
posted @ 2020-04-27 13:06 秋华 阅读(456) 评论(0) 推荐(0) 编辑
摘要: 1 简介 k近邻法的输入为实例的特征向量,对应于特征空间的点;输出为实例的类别,可以取多类。k近邻法假设给定一个训练数据集,其中的实例类别已定。分类时,对新的实例,根据其k个最近邻的训练实例的类别,通过多数表决等方式进行预测。因此,k近邻法不具有显式的学习过程。k近邻法实际上利用训练数据集对一特征向 阅读全文
posted @ 2020-04-27 10:51 秋华 阅读(307) 评论(0) 推荐(0) 编辑