Power BI’da Python ve R

Power BI, Python ve R betiklerini üç yerde çalıştırabilir: veri kaynağı olarak, Power Query’de dönüştürme adımı olarak ve rapor tuvalinde görsel olarak. Bu, istatistik ve makine öğrenmesi kütüphanelerini rapora getirir. Ama her betik bir bağımlılık ve bir sınır demektir. Bu derste ne zaman kullanılacağını ve nerede duracağını göreceksin. (Kesit Power BI tarayıcıda Python çalıştıramaz; kodlar okumak ve kendi bilgisayarında denemek içindir.)

Kurulum

1. Bilgisayarına Python (python.org dağıtımı önerilir) ya da R kur.
2. Python için en az iki paket: pip install pandas matplotlib. Power BI veriyi yalnızca pandas veri çerçevesi (DataFrame) olarak alır ve verir.
3. Desktop’ta Dosya → Seçenekler ve ayarlar → Seçenekler → Python betiği oluşturma (R için “R betiği oluşturma”): Python giriş dizinini seç.

Betik veri kaynağı olarak

Giriş → Veri al → Diğer → Python betiği. Betikte oluşturduğun her DataFrame, Gezgin’de bir tablo olarak görünür. Örnek: bir API’den ya da dosyadan gelen veriyi pandas ile hazırlamak.

import pandas as pd

kampanya = pd.DataFrame({
    "Kampanya": ["Okula Dönüş", "Yaz Festivali", "Yılbaşı"],
    "Baslangic": pd.to_datetime(["2024-08-20", "2024-06-01", "2024-12-15"]),
    "Butce": [40000, 25000, 60000],
})
# Gezginde "kampanya" adlı bir tablo görünür

Sınırlar: 30 dakikadan uzun süren betik zaman aşımına uğrar; kullanıcıdan girdi bekleyen komutlar betiği durdurur; iç içe tablolar desteklenmez; çalışma dizini ayarlıyorsan tam yol yazmalısın.

Power Query’de betik adımı

Power Query’de Dönüştür → Python betiği çalıştır. Sorgunun o anki tablosu betiğe dataset adlı bir DataFrame olarak gelir. Örnek: bölgesi boş müşterilerde eksik değeri şehirden tamamlamak, kalanları “Bilinmiyor” yapmak.

import pandas as pd

sehir_bolge = {"İstanbul": "Marmara", "Ankara": "İç Anadolu", "İzmir": "Ege"}
df = dataset.copy()
df["Bolge"] = df["Bolge"].fillna(df["Sehir"].map(sehir_bolge))
df["Bolge"] = df["Bolge"].fillna("Bilinmiyor")
# zaman serisinde boşluğu bir sonraki değerle doldurmak: df["Kur"] = df["Kur"].bfill()

Bunun için Python gerekmez: aynı iş Power Query’de birleştirme (Merge) ve “Değeri değiştir” adımlarıyla da yapılır ve sorgu katlamayı bozmaz. Python’ı, Power Query’nin yapamadığı işler için sakla: istatistiksel eksik değer tahmini (ör. regresyonla doldurma), metin madenciliği, kümeleme.

Python ve R görselleri

Görselleştirmeler bölmesinde Py ya da R simgesini seç, betik görsellerini etkinleştir ve alanları Değerler kutusuna sürükle. Power BI bu alanlardan dataset adlı bir veri çerçevesi oluşturur. Dikkat: alanlar tablo görseli gibi gruplanır, tekrar eden satırlar bir kez gelir; her satırı istiyorsan benzersiz bir alan (ör. SatirNo) ekle.

import seaborn as sns
import matplotlib.pyplot as plt

# Değerler: Kanal, Kategori, Net Satış
pivot = dataset.pivot_table(index="Kategori", columns="Kanal",
                            values="Net Satış", aggfunc="sum")
sns.heatmap(pivot, annot=True, fmt=".0f", cmap="Blues")
plt.title("Kategori × kanal net satış")
plt.show()

# R görseli: aynı ısı haritası ggplot2 ile
library(ggplot2)
ggplot(dataset, aes(x = Kanal, y = Kategori, fill = `Net Satış`)) +
  geom_tile() +
  scale_fill_gradient(low = "white", high = "steelblue")

Görsel bir resimdir: üzerine gelince araç ipucu çıkmaz, tıklayınca başka görselleri filtrelemez. Diğer görsellerden gelen filtre ve vurgulamaya ise tepki verir. Çoğu ısı haritası için matris + koşullu biçimlendirme yeterlidir ve etkileşimlidir; “Koşullu biçimlendirme ve KPI'lar” dersine bak.

Sınırlar (Learn’e göre)

Ne zaman DAX ya da Power Query yeterli?

Örneğin Python’da df["Indirim"].corr(df["Adet"]) ile bulunan Pearson korelasyonu DAX’ta da yazılabilir; üstelik dilimleyiciyle değişir:

İndirim-Adet Korelasyonu =
VAR T = FILTER(Satislar, Satislar[Durum] <> "İptal")
VAR OrtX = AVERAGEX(T, Satislar[Indirim])
VAR OrtY = AVERAGEX(T, Satislar[Adet])
VAR Kov = SUMX(T, (Satislar[Indirim] - OrtX) * (Satislar[Adet] - OrtY))
VAR SX = SQRT(SUMX(T, (Satislar[Indirim] - OrtX) ^ 2))
VAR SY = SQRT(SUMX(T, (Satislar[Adet] - OrtY) ^ 2))
RETURN DIVIDE(Kov, SX * SY)

Bizim modelde sonuç yaklaşık −0,02: indirim ile satılan adet arasında neredeyse hiç doğrusal ilişki yok. Elektronik’te sonuç boş döner, çünkü o kategoride indirim hiç değişmiyor (standart sapma 0, DIVIDE boş döndürür).