1.3 为什么使用Power BI
1.3.1 什么是Power BI
Power BI 是一款数据可视化分析软件。如果你觉得这个概念太抽象，则可将 Power BI理解为加强版的 Excel，尽管这种理解有些许偏差。图 1.3.1 为微软官方对 Power BI 的价值的精辟总结：“可以连接任何位置的数据，然后通过令人惊叹的交互式可视化效果来浏览数据”“发布报表和仪表板、与团队协作，并在组织内外共享见解”“随时随地获取见解”。
图1.3.1
有的读者可能会问：何以见得此为Power BI的高明之处呢？其他BI工具，例如Tableau，也可以达到这种效果啊！的确没有错，能实现这些功能的产品不仅一家。参照 BI 平台魔力象限图，可以看出微软在领导者象限中一枝独秀，并且在过去 13 年中处于领导者地位。尽管此排名是以微软品牌的总体来打分的，但 Power BI 作为微软目前核心的可视化数据分析软件，足以代表微软在BI平台方面的最高水准。
1.3.2 Power BI与Excel
有的读者会问，Excel 难道就不是一个自助式 BI 工具吗？为什么还需要使用 Power BI呢？Excel的确具有BI 工具的许多特性，如果从这个角度理解，那么 Excel的确还是市面上使用最广泛的“BI工具”。有一个笑话可以说明Excel的用途广泛。
问：BI工具中使用频率第三高的按钮是什么？
答：“导出为Excel”。
问：那么第一与第二高的按钮是什么呢？
答：“Yes”和“No”。
这里不妨对比一下Power BI与Excel这两款工具的差别。前文说过Power BI是Excel的加强版，那么它强在哪里？首先，Power BI解决了Excel的3大难题：
● Excel有无法突破104万行数据的限制及超慢的数据处理速度；Power BI有数据建模功能，处理超过100万行的数据很轻松。
● Excel 通过 Vlookup 函数建立大表，会产生冗余数据和让人难以想象的复杂调用；Power BI有表关联功能，只需要建立Relationship（关系）就可以完成Lookup（查找）任务，不再需要Vlookup函数了。
● Excel 通过不断重复书写公式，完成各种复杂的计算，令表中的计算难以维护；Power BI有DAX公式，一次编写公式，永久有效，避免重复编写冗余公式。
除此之外，Power BI比Excel更加完善的地方还有许多，以下只是列举其中一些重要的特性。
● Power BI增加了Power BI Service Online 分享发布功能，使内容发布与分享更为便利。
● Power BI增加了丰富而强悍的可视化组件，使用户更容易理解和洞察数据背后的规律。
● Power BI增加了AI高级分析功能，帮助用户洞察数据。
● Power BI与Office 365、Azure和Dynamic 365可以无缝对接，形成了强大的协同生态体系。
既然Power BI如此强大，是否可以直接用Power BI替代Excel？答案是否定的。下面是Power BI不能做的事情。
● Power BI不是编程工具，不能完成Excel VBA的复杂逻辑。
● Power BI不能处理非结构性数据。
● Power BI不能用于事务性处理（OLTP）。
● Power BI本身只能分析数据，通常不用于回写数据。
基于这几点，Excel的优势就显现出来了。实际上，在Excel中也可以使用Power BI中的数据模型功能（本书中将使用数据模型功能的 Excel 称为 Power Excel，用于与传统的Excel 进行区分）。图 1.3.2 为使用 Power Excel 进行股票回归测试，其背后所使用的技术是VBA+Power Pivot。
Power BI与Power Excel在技术上是相通的，同宗同源，如图1.3.3所示，它们都使用了Power Query（获取准备）与Power Pivot（数据建模）模块。对比而言，Power BI更适合于可视化分析解决方案，而Power Excel更适用于事务型与表格型分析的混合解决方案。
图1.3.2
图1.3.3
1.3.3 Power BI与Python、R
应该学习Power BI还是Python、R呢？Power BI与Python、R既有互补又有竞争的关系，为什么这样说呢？虽然 Python 和 R 语言简练，但它们还不属于低代码级别的应用，也不能通过IDE（集成开发环境）完成开发。“全民学Python”和“全民学R” 的想法基本不太现实。
而原先依赖Python和R的可视化分析现在可以用Power BI来实现了，从这个角度而言，它们是竞争的关系。另外，Power BI 支持嵌入 Python 和 R 的可视化控件，一部分在 Power BI 中无法实现的可视化分析，可以通过嵌入 Python 和 R 的可视化控件来实现，从这个角度而言，它们又是互补的关系。那么究竟先学哪个好呢？如图 1.3.4 所示，笔者认为 Power BI类似中学课程，适用人群更广。而Python和R属于大学课程，学习难度要大一些。
图1.3.4
当然，即使你目前已经有“大学生”的水平，回头看一下中学课程也是很有益处的：用更简便的方法实现相同的目的，谁会拒绝这样的选择呢？
1.3.4 Power BI中的分析语言
在 Power BI 中进行数据分析时，需要使用到 3 种“神器”：M 语言、DAX 语言和表关联。为了更好地了解它们的用途，可以将数据可视化分析过程理解为烹饪的过程，如图1.3.5所示。过程分为3个阶段：洗菜、烹饪与就餐。而 M 语言就是洗菜用的工具、DAX语言和表关联就是烹饪用的工具。
图1.3.5
首先介绍 M 语言。在数据分析中，如果没有洗菜，就会是“Garbage in，Garbage out”（垃圾进，垃圾出）。从中可以看出数据准备的重要性。根据《哈佛商业评论》的调查研究，在数据分析中，准备数据要用掉80%的时间，真正用在分析上的时间只有20%。如果没有数据清洗，那么再炫酷的可视化分析工具也失去了意义。
Power BI 的功能可谓是非常全面的。首先，M 语言的操作大部分都可以通过 IDE 界面完成。对于一般的数据清洗，用户在不用写一行代码的情况下就可以完成。另外，资深用户还可以直接使用高级功能：通过编写 M 公式来完成更为复杂的数据清洗任务，前提是用户需要先学习M语言的知识。
DAX，即Data Analysis Expression，是数据分析工具的核心功能，也是Power BI的灵魂。DAX的历史比Power BI还要久。DAX可以应用的逻辑场景很丰富，一些在SQL或者Excel中也未必能表达出的逻辑，用 DAX 总能轻而易举地完成。许多用户早已被 DAX 的简练、高深、优雅所深深折服。
最后是表关联。因为Power BI具有SQL的“基因”，所以它在建模方面有着得天独厚的优势：通过拖曳的方式可以快速定义各个表之间的关系，非常直观、简洁。设计优秀的模型，就好比把房子盖在磐石上：当发大水时，因为房子盖在了磐石上，所以不会被冲倒，住户的安全得到了保护。不良的模型设计好比把房子盖在沙土上，水一冲，房子就倒了，连房子里的住户都会一起遭殃。
1.3.5 Power BI的企业级应用
经过多年的深耕细作，如今的 Power BI 已经不仅仅是数据可视化分析工具，也成了企业级 BI 解决方案。企业级 BI 解决方案强调的是从性能与量级考虑解决方案的稳定性。图1.3.6为Azure 与Power BI结合的企业级BI解决方案。
图1.3.6
从数据连接角度而言，在 Power BI 中可以通过选择导入、直连、混合连接等连接模式，满足各种数据量级的需求。从平台角度而言，可以通过Analysis Services、Power BI Premium、Power BI Embedded等工具满足企业级的运算性能需求。