#PowerQuery

[excelworld]

[bicxoseo]

Bicxo allows you to effortlessly turn your raw data into real-time visual insights, so you can make informed decisions quickly

In just a few clicks, you can:

1. View your data through interactive, easy-to-understand dashboards.

2. Ask any data-related questions, and get clear, visual answers instantly.

3. Monitor trends, track performance, and dive deeper into metrics without the complexity.

Whether you're tracking sales, analyzing customer behavior, or managing KPIs, Bicxo helps you navigate your data in a way that’s fast, intuitive, and impactful

For a free demo visit: www.bicxo.co

[lavanyachowary]

Power Query Basics: A Beginner's Guide

[excelhelps]

Power Query to Combine and Import Files in Excel

[ibarrau]

[PowerQuery] Combinar tablas de cualquier origen

Power Query ha demostrado ser un gran asistente en materia de experiencia de usuario y potencialidad. Sin embargo, eso no quita que sus acciones automáticas resuelvan todo de la mejor manera o que alguna acción no disponible en los botones no esté disponible.

Cuando trabajamos con particiones de archivos, tablas, etc. El motor podría sugerir combinar archivos si todo coincide con algunos parametros o detalles como así también podría no hacerlo. Éste artículo nos guiará a combinar Tablas sin importar la sugerencia del motor. Si sabemos que los json, excel, csv, tablas web o lo que sea coincide en estructura, podemos combinarlo.

Cuando hablamos de combinar, seguramente se les venga a la cabeza la sugerencia tradicional del motor con botones. Este método busca combinar archivos binarios (ej: csv) con el botón en vista de la carpeta:

Este puede ser el punto de partida para comprender lo que sucede y copiarlo en otro tipo de archivos de forma más simple. Veamos lo que sucede

El motor genera una prueba de formato de la tabla, parametro, lista y una función. Básicamente toma de ejemplo el primer archivo para aprender a leer el csv con las delimitaciones y separadores correspondientes y luego combinar esos resultados. Adicionalmente, nos agrega cuatro pasos a nuestro script definitivo y no resuelve la unificación de headers/columnas. Podrán apreciar que por cada archivo tendríamos las cabeceras sueltas.

No solamente seguiríamos agregando pasos sino que estamos atados a la propuesta del motor, ahora ¿Y si el botón no aparece? estaríamos en más problemas aún.

Combinar tablas escribiendo código

Puede sonar desafiante, pero no es nada que no podamos guiarnos de lo que el motor genera. Por ejemplo, si copiamos la función Table.PromoteHeaders y Csv.Document, nos bastaría para interpretar un archivo binario. En lugar de crear tantos recursos y pasos, nos bastaría con agregar una columna que lea los archivos binarios en tabla cuando estamos explorando la carpeta de archivos. Algo así:

Table.PromoteHeaders( Csv.Document([Content],[Delimiter=";", Columns=11, Encoding=1252]) )

En este código usamos la primera fila como header/columnas y leer el csv con los mismos parámetros que hubiera sugerido el motor. A partir de este momento tenemos dos opciones.

Expandir tablas

El motor nos permite seleccionar el botón de la interfaz para expandir las tablas con sus filas y columnas para llegar a la combinación de los archivos

La desventaja de este procedimiento es que aún tendríamos todas las columnas iniciales con las que navegabamos entre carpetas

Combinar Tablas

La otra opción, y la que más me gusta, es combinar las tablas como siguiente resultado. Cuando estamos usando la interfaz y hacemos una unión entre tablas, podremos apreciar que el motor usa una función "Table.Combine". Nosotros nos nutriremos de esa función para que el siguiente paso a la lectura de tablas sea combinarlas sin la participación de todo el contenido anterior. La función recibe una lista de tablas para combinar. Nosotros tenemos 2 registros de tipo Table en la columna "Tablas". Para devolver esos registros como lista, podemos simplemente referenciar la tabla y la columna entre corchetes. Así podríamos invocar la función:

= Table.Combine(#"Added Custom"[Tablas])

Que nos daría el resultado esperado:

De este modo podemos combinar archivos de cualquier tipo, siempre y cuando lleven el mismo patrón de lectura (extensión, columnas, etc), con tan solo dos pasos y sin la creación de contenidos adicionales. Considero esta última opción ligeramente más rápida, pero todo dependerá del requerimiento deseado.

[fmskillsharing]

In this content I will share IF Function in Excel, If Statement, If Formula, Excel If, If Formula Excel. After watching this video you can easily learn it.

[andreas-ganster]

Mit PowerQuery Tabellen umstrukturieren, entpivotieren Excel Tipp 16211 | deutsch | Ganster

[fernando-arciniega]

Excel en línea - Tablas y gráficos básicos

Práctica 01 - Excel en línea

Paso 1: Accede a la página web de Excel en línea (https://office.live.com/start/Excel.aspx) e inicia sesión con tu cuenta de Microsoft. Si no tienes una cuenta, puedes crearla gratis siguiendo las instrucciones.

Paso 2: Haz clic en el botón "Nuevo libro en blanco" para crear un nuevo documento de Excel. Verás una cuadrícula con filas y columnas donde podrás introducir datos numéricos o textuales.

Paso 3: Escribe los nombres de las asignaturas que cursas en la primera fila, empezando por la columna B. Por ejemplo: Matemáticas, Lengua, Historia, etc.

Paso 4: Escribe los nombres de los meses del año escolar en la primera columna, empezando por la fila 2. Por ejemplo: Febrero, Marzo, Abril, Mayo, Junio, Julio.

Paso 5: En las celdas que corresponden a cada asignatura y mes, escribe las calificaciones que has obtenido o esperas obtener. Puedes usar números enteros o decimales.

Paso 6: Selecciona todas las celdas con datos y haz clic en el botón "Insertar" del menú superior. Luego haz clic en el botón "Tabla" y acepta los ajustes predeterminados. Verás que tus datos se convierten en una tabla con un formato más claro y ordenado.

Paso 7: Haz clic en el botón "Tabla dinámica" del menú superior y elige la opción "Nueva hoja de cálculo". Verás que se crea una nueva pestaña con una tabla dinámica vacía.

Paso 8: Arrastra el campo "Matemáticas" (o cualquier otra materia) al área "Filtros" de la tabla dinámica. Luego arrastra el campo "Columna 1" al área "Filas". Por último, arrastra el campo "Matemáticas" (debe ser la misma materia que elegiste antes) al área "Valores". Verás que se genera un resumen de tus datos por asignatura y mes, de manera predeterminada nos da la "SUMA".

- Configura el campo de valores para mostrar el promedio, haciendo clic en la lista desplegable, Configuración de campo de valor.

- Elegimos promedio y damos clic en aceptar.

- La vista previa debe verse así:

Paso 9: Haz clic en el botón "Insertar" del menú superior y luego haz clic en el botón "Gráfico". Elige el tipo de gráfico que prefieras para visualizar tus datos. Por ejemplo: línea con marcadores, un gráfico de barras o un gráfico circular.

Paso 10: Personaliza tu gráfico cambiando el título, los colores, las etiquetas o cualquier otro elemento que quieras modificar. Puedes usar los botones del menú superior o hacer doble clic sobre el gráfico para acceder a más opciones.

- Cambia el nombre de tu libro, empezando por grupo, apellidos, nombre y practica 01:

- Sigue las instrucciones de tu docente para entrega y revisión ¡Felicidades! Has completado la práctica de Excel en línea y has aprendido a crear tablas, tablas dinámicas y gráficos con tus propios datos. Espero que te haya gustado y te haya servido para mejorar tus habilidades con esta herramienta. ¡Sigue practicando y descubriendo todo lo que puedes hacer con Excel!

Read the full article

[excelworld]

[bicxoseo]

Stepping into the new year? Remember: Business goals without actionable insights are merely aspirations. Let BiCXO steer your path to sustainable success in 2025

Want better visual insights for your data? visit our epm software website.

[bellshazes]

also while i'm procrastinating on doing metadata crimes in powerquery. do we think etho was thinking of anything at all whatsoever when he picked bdubs looking at the flower gem gave him for his thumbnail despite the fact that he cut out bdubs pathetic little "you have a family?" realization at the end of his episode.

evidence against: all of his thumbnails for ever evidence for: he cropped the first one of bdubs. we're in uncharted territory

[coldswarkids]

oh anon the colorful visuals were done with a quick everything-to-text format on the entire sheet, powerquery unpivot, and then an import into Tableau!

[selossej]

Formation Excel Les fonctions DAX

Nos autres Formation Excel: Excel base, Excel intermédiaire, Excel avancé, Excel perfectionnement, Excel les graphiques, Excel les fonctions de base, Excel les fonctions avancées, Excel Macros et VBA, Excel les tableaux croisés dynamiques, Excel pivot Table, Excel Copilot, Excel PowerPivot, Excel PowerQuery, Excel PowerBI, Excel Analyse finance, Excel comptabilité, Excel RH, Excel Trucs et…

[ibarrau]

[Python] PySpark to M, SQL or Pandas

Hace tiempo escribí un artículo sobre como escribir en pandas algunos códigos de referencia de SQL o M (power query). Si bien en su momento fue de gran utilidad, lo cierto es que hoy existe otro lenguaje que representa un fuerte pie en el análisis de datos.

Spark se convirtió en el jugar principal para lectura de datos en Lakes. Aunque sea cierto que existe SparkSQL, no quise dejar de traer estas analogías de código entre PySpark, M, SQL y Pandas para quienes estén familiarizados con un lenguaje, puedan ver como realizar una acción con el otro.

Lo primero es ponernos de acuerdo en la lectura del post.

Power Query corre en capas. Cada linea llama a la anterior (que devuelve una tabla) generando esta perspectiva o visión en capas. Por ello cuando leamos en el código #“Paso anterior” hablamos de una tabla.

En Python, asumiremos a "df" como un pandas dataframe (pandas.DataFrame) ya cargado y a "spark_frame" a un frame de pyspark cargado (spark.read)

Conozcamos los ejemplos que serán listados en el siguiente orden: SQL, PySpark, Pandas, Power Query.

En SQL:

SELECT TOP 5 * FROM table

En PySpark

spark_frame.limit(5)

En Pandas:

df.head()

En Power Query:

Table.FirstN(#"Paso Anterior",5)

Contar filas

SELECT COUNT(*) FROM table1

spark_frame.count()

df.shape()

Table.RowCount(#"Paso Anterior")

Seleccionar filas

SELECT column1, column2 FROM table1

spark_frame.select("column1", "column2")

df[["column1", "column2"]]

#"Paso Anterior"[[Columna1],[Columna2]] O podría ser: Table.SelectColumns(#"Paso Anterior", {"Columna1", "Columna2"} )

Filtrar filas

SELECT column1, column2 FROM table1 WHERE column1 = 2

spark_frame.filter("column1 = 2") # OR spark_frame.filter(spark_frame['column1'] == 2)

df[['column1', 'column2']].loc[df['column1'] == 2]

Table.SelectRows(#"Paso Anterior", each [column1] == 2 )

Varios filtros de filas

SELECT * FROM table1 WHERE column1 > 1 AND column2 < 25

spark_frame.filter((spark_frame['column1'] > 1) & (spark_frame['column2'] < 25)) O con operadores OR y NOT spark_frame.filter((spark_frame['column1'] > 1) | ~(spark_frame['column2'] < 25))

df.loc[(df['column1'] > 1) & (df['column2'] < 25)] O con operadores OR y NOT df.loc[(df['column1'] > 1) | ~(df['column2'] < 25)]

Table.SelectRows(#"Paso Anterior", each [column1] > 1 and column2 < 25 ) O con operadores OR y NOT Table.SelectRows(#"Paso Anterior", each [column1] > 1 or not ([column1] < 25 ) )

Filtros con operadores complejos

SELECT * FROM table1 WHERE column1 BETWEEN 1 and 5 AND column2 IN (20,30,40,50) AND column3 LIKE '%arcelona%'

from pyspark.sql.functions import col spark_frame.filter( (col('column1').between(1, 5)) & (col('column2').isin(20, 30, 40, 50)) & (col('column3').like('%arcelona%')) ) # O spark_frame.where( (col('column1').between(1, 5)) & (col('column2').isin(20, 30, 40, 50)) & (col('column3').contains('arcelona')) )

df.loc[(df['colum1'].between(1,5)) & (df['column2'].isin([20,30,40,50])) & (df['column3'].str.contains('arcelona'))]

Table.SelectRows(#"Paso Anterior", each ([column1] > 1 and [column1] < 5) and List.Contains({20,30,40,50}, [column2]) and Text.Contains([column3], "arcelona") )

Join tables

SELECT t1.column1, t2.column1 FROM table1 t1 LEFT JOIN table2 t2 ON t1.column_id = t2.column_id

Sería correcto cambiar el alias de columnas de mismo nombre así:

spark_frame1.join(spark_frame2, spark_frame1["column_id"] == spark_frame2["column_id"], "left").select(spark_frame1["column1"].alias("column1_df1"), spark_frame2["column1"].alias("column1_df2"))

Hay dos funciones que pueden ayudarnos en este proceso merge y join.

df_joined = df1.merge(df2, left_on='lkey', right_on='rkey', how='left') df_joined = df1.join(df2, on='column_id', how='left')Luego seleccionamos dos columnas df_joined.loc[['column1_df1', 'column1_df2']]

En Power Query vamos a ir eligiendo una columna de antemano y luego añadiendo la segunda.

#"Origen" = #"Paso Anterior"[[column1_t1]] #"Paso Join" = Table.NestedJoin(#"Origen", {"column_t1_id"}, table2, {"column_t2_id"}, "Prefijo", JoinKind.LeftOuter) #"Expansion" = Table.ExpandTableColumn(#"Paso Join", "Prefijo", {"column1_t2"}, {"Prefijo_column1_t2"})

Group By

SELECT column1, count(*) FROM table1 GROUP BY column1

from pyspark.sql.functions import count spark_frame.groupBy("column1").agg(count("*").alias("count"))

df.groupby('column1')['column1'].count()

Table.Group(#"Paso Anterior", {"column1"}, {{"Alias de count", each Table.RowCount(_), type number}})

Filtrando un agrupado

SELECT store, sum(sales) FROM table1 GROUP BY store HAVING sum(sales) > 1000

from pyspark.sql.functions import sum as spark_sum spark_frame.groupBy("store").agg(spark_sum("sales").alias("total_sales")).filter("total_sales > 1000")

df_grouped = df.groupby('store')['sales'].sum() df_grouped.loc[df_grouped > 1000]

#”Grouping” = Table.Group(#"Paso Anterior", {"store"}, {{"Alias de sum", each List.Sum([sales]), type number}}) #"Final" = Table.SelectRows( #"Grouping" , each [Alias de sum] > 1000 )

Ordenar descendente por columna

SELECT * FROM table1 ORDER BY column1 DESC

spark_frame.orderBy("column1", ascending=False)

df.sort_values(by=['column1'], ascending=False)

Table.Sort(#"Paso Anterior",{{"column1", Order.Descending}})

Unir una tabla con otra de la misma característica

SELECT * FROM table1 UNION SELECT * FROM table2

spark_frame1.union(spark_frame2)

En Pandas tenemos dos opciones conocidas, la función append y concat.

df.append(df2) pd.concat([df1, df2])

Table.Combine({table1, table2})

Transformaciones

Las siguientes transformaciones son directamente entre PySpark, Pandas y Power Query puesto que no son tan comunes en un lenguaje de consulta como SQL. Puede que su resultado no sea idéntico pero si similar para el caso a resolver.

Analizar el contenido de una tabla

spark_frame.summary()

df.describe()

Table.Profile(#"Paso Anterior")

Chequear valores únicos de las columnas

spark_frame.groupBy("column1").count().show()

df.value_counts("columna1")

Table.Profile(#"Paso Anterior")[[Column],[DistinctCount]]

Generar Tabla de prueba con datos cargados a mano

spark_frame = spark.createDataFrame([(1, "Boris Yeltsin"), (2, "Mikhail Gorbachev")], inferSchema=True)

df = pd.DataFrame([[1,2],["Boris Yeltsin", "Mikhail Gorbachev"]], columns=["CustomerID", "Name"])

Table.FromRecords({[CustomerID = 1, Name = "Bob", Phone = "123-4567"]})

Quitar una columna

spark_frame.drop("column1")

df.drop(columns=['column1']) df.drop(['column1'], axis=1)

Table.RemoveColumns(#"Paso Anterior",{"column1"})

Aplicar transformaciones sobre una columna

spark_frame.withColumn("column1", col("column1") + 1)

df.apply(lambda x : x['column1'] + 1 , axis = 1)

Table.TransformColumns(#"Paso Anterior", {{"column1", each _ + 1, type number}})

Hemos terminado el largo camino de consultas y transformaciones que nos ayudarían a tener un mejor tiempo a puro código con PySpark, SQL, Pandas y Power Query para que conociendo uno sepamos usar el otro.

[soulfullionbunny]

Doing powerquery

my query of multiple report went from this

to this just by filtering out unnecessary data.

feels gooodddd mannn. the refresh time also jadi dari 15 mins to seconds, a min at most. honestly this kinda applicable to life. remove some unnecessary part of life and suddenly life is much simpler yet more fulfilling