La visualización Timeline Slicer ofrece un selector horizontal en el que poder seleccionar un período de tiempo, desde años a días pasando por trimestres, semanas y días. En la siguiente imagen se muestra esta visualización mostrando los años:
La visualización Sunburst by MAQ Software permite mostrar información cuantitativa organizada jerárquicamente en forma de anillos concéntricos. Por ejemplo, en la siguiente imagen se están mostrando las ventas por país (anillo interior, campo Categoría en el panel de campos de la visualización) y categoría de producto (anillo exterior, campo Subcategoría del panel de campos mencionado). Como puede verse, para cada país se muestra la cifra de ventas desagregada según esta segunda dimensión:
La visualización Hexbin Scatterplot permite crear diagramas de dispersión agregando los puntos en hexágonos y mostrando éstos de un color diferente en función de la densidad de puntos en cada uno de ellos. Por ejemplo, en la siguiente imagen se está representando los vendedores de la empresa en función de las ventas totales y número de unidades vendidas por cada uno:
La visualización Radar Chart de Microsoft permite representar el valor que toma una métrica para diferentes valores de una variable categórica, de forma que resulte sencillo comparar todos ellos. Incluye dos campos: uno para la variable categórica que va a definir los ejes, y otro para la métrica o métricas a representar. Por ejemplo, en la siguiente imagen se muestran las ventas para España para cada uno de los valores que toma la variable categórica que representa el estado civil de los clientes:
La visualización Sankey Chart nos permite mostrar de forma práctica y elegante cómo una métrica fluye entre dos variables categóricas, permitiendo mostrar también el valor de dicha métrica para cada combinación de ambas variables.
El objetivo en este escenario es, partiendo de un dataframe, generar bins (bloques) definidos por los valores que tome una de las características y, a continuación, dividir el dataframe según estos bins.
Veamos un ejemplo muy sencillo: Supongamos que estamos trabajando con el dataset Iris y queremos dividirlo en N grupos en función de los valores que tome la característica "sepal_length". Tendríamos que crear N bins basados en los valores de sepal_length y, a continuación, asignar cada registro del dataframe a uno de los bins.
Aun cuando en los tiempos de Power Pivot era posible la utilización de imágenes embebidas (con formato binario) en bases de datos, Power BI exige el uso de una URL que apunte a la imagen en cuestión, lo que descarta el uso de estas imágenes embebidas para las que no tenemos una URL.
En este escenario partimos de una tabla de ventas ("Sales") y otra con información sobre los productos ("Products"). En la primera tenemos un campo que indica el producto vendido y otro ("Amount") con la cifra de venta. En la tabla de productos tenemos un campo ("Product name") con el nombre del producto. Obviamente, ambas tablas están relacionadas a través de un campo que contiene el identificador de cada producto.
La función EXCLUDE es parte de lo que en Tableau se denominan "Expresiones Nivel de Detalle" (LOD Expressions) y permiten aplicar una función de agregación (como la suma, o el valor medio) a cada uno de los bloques de los datos tras haberlos agrupado según una o más dimensiones.
La función INCLUDE es parte de lo que en Tableau se denominan "Expresiones Nivel de Detalle" (LOD Expressions) y permiten aplicar una función de agregación (como la suma, o el valor medio) a cada uno de los bloques de los datos tras haberlos agrupado según una o más dimensiones.
Excepto donde se indique otra cosa, los contenidos de este sitio web se ofrecen bajo una licencia Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional