Présentation

  • 2 minutes

Considérez le scénario dans lequel vous avez importé des données dans Power BI à partir de plusieurs sources différentes et, lorsque vous examinez les données, elle n’est pas préparée pour l’analyse. Qu’est-ce qui fait que les données ne sont pas préparées pour l’analyse ?

Lorsque vous examinez les données, vous découvrez plusieurs problèmes, notamment les suivants :

  • Une colonne appelée Employment status comporte seulement des nombres.

  • Plusieurs colonnes comportent des erreurs.

  • Certaines colonnes comportent des valeurs nulles.

  • L’ID client s’affiche dans certaines colonnes comme s’il était dupliqué de façon répétée.

  • Une même colonne d’adresse comporte l’adresse postale, la ville, l’État et le code postal combinés.

Vous commencez à utiliser les données, mais chaque fois que vous créez des visuels sur des états, vous obtenez de mauvaises données, des résultats incorrects et les états simples sur les totaux des ventes sont erronés.

Les données à l’état brut peuvent engendrer des problèmes insurmontables : bien que cela puisse être frustrant, vous décidez d’y travailler et de déterminer comment rendre ce modèle sémantique aussi parfait que possible.

Heureusement, Power BI et Power Query vous offrent un environnement puissant pour nettoyer et préparer les données. Des données « propres » présentent les avantages suivants :

  • Les mesures et les colonnes produisent des résultats plus précis lorsque des calculs et des agrégations sont effectués sur celles-ci.

  • Les tables sont organisées, où les utilisateurs peuvent trouver les données de façon intuitive.

  • Les doublons sont supprimés, ce qui simplifie la navigation dans les données. Cela se traduit aussi par des colonnes utilisables dans des segments et des filtres.

  • Une colonne complexe peut être fractionnée en deux colonnes plus simples. Plusieurs colonnes peuvent être combinées en une seule colonne pour des raisons de lisibilité.

  • Les codes et les entiers peuvent être remplacés par des valeurs lisibles par l’utilisateur.

Dans ce module, vous allez découvrir comment :

  • résoudre les incohérences, les valeurs inattendues ou nulles, et les problèmes de qualité des données ;

  • Appliquer des remplacements de valeurs simples d’utilisation.

  • profiler des données afin d’en savoir plus sur une colonne spécifique avant de l’utiliser ;

  • évaluer et transformer des types de données de colonnes ;

  • appliquer des transformations de forme de données à des structures de table ;

  • Combiner des requêtes.

  • Appliquez des conventions de nommage claires aux colonnes et aux requêtes.

  • modifier du code M dans l’éditeur avancé.