Un escenario frecuente y sencillo de resolver es aquel en el que nos encontramos con dos tablas de idéntica estructura que deseamos agregar según algún campo. Veamos cómo sería. Suponemos que ya hemos obtenido los datos y tenemos cargadas en Power BI las dos tablas que, en este caso, contienen información de ventas:
Supongamos que estamos trabajando con un dataframe como el del Titanic que podemos descargar de seaborn:
import numpy as np
import seaborn as sns
titanic = sns.load_dataset("titanic")
titanic.head()
En este sencillo escenario partimos de dos tablas:
La función sklearn.preprocessing.MaxAbsScaler escala y traslada cada característica del array de entrada de forma que el valor absoluto máximo de cada una sea 1.0 (es decir, todas las características pasan a tener valores en el rango [-1, 1]).
El array de entrada debe ser de números reales (enteros o de tipo float). No se aceptan números complejos.
En este sencillo escenario partimos de los siguientes datos:
En este escenario partimos de dos tablas:
La función DISTINCTCOUNTNOBLANK cuenta el número de valores distintos de una columna que no sean Blank.
La función CONTAINSSTRINGEXACT devuelve True si la cadena within_text incluida como primer argumento contiene la cadena de texto find_text incluida como segundo argumento.
La función CONTAINSSTRING devuelve True si la cadena within_text incluida como primer argumento contiene la cadena de texto find_text incluida como segundo argumento.
La librería sklearn incluye la función sklearn.tree.export_graphviz que permite la visualización de un árbol de decisión. Probémosla con el dataset de tips proveído por la librería seaborn:
import seaborn as sns
tips = sns.load_dataset("tips")
tips.sample(5)
Excepto donde se indique otra cosa, los contenidos de este sitio web se ofrecen bajo una licencia Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional