28、Power BI Desktop 数据模型关系创建与管理指南

Power BI Desktop 数据模型关系创建与管理指南

1. 数据存储与关系概述

在处理数据时,虽然可以将两个表的数据合并为一个表存储,但这会导致数据元素重复,如发票包含多个项目时,发票日期或发票号会重复出现,进而使文件大小大幅增加。在实际从企业数据库导入的数据中,很可能会看到表之间潜在的链接或关系。若要在数据分析中使用多源数据,就需通过公共字段(如 ColorID 字段)来关联表,尽管实际情况可能更复杂,但原理是不变的。

提示 :若具备必要权限和 SQL 知识,可在源数据库中直接使用查询语句连接表,这样能从一开始就在 Power BI Desktop 中创建更少的“扁平化”表,避免在其中创建复杂的表关系网络。

2. 数据视图与关系视图

Power BI Desktop 提供了两种查看数据模型的方式,当需要对所有数据表有一个宏观概览时,应使用关系视图,具体操作如下:
1. 点击 Power BI Desktop 窗口左侧的“关系视图”按钮,此时窗口将显示关系视图下的表。
2. 在关系视图中,能看到大部分或所有表以及表和列的名称,但看不到数据内容。Power BI Desktop 会尝试自动猜测表之间可能的关系并自动创建,以节省时间和精力。
3. 可以在该视图中移动和调整表的大小。移动表只需拖动表的标题栏;调整表大小则是将指针放在表的边缘或角落,然后拖动鼠标。

提示 :重新定位表虽然可视为一种美化操作,但它有助于理解表之间的关系和数据的内在结构。

2.1 关系视图显示选项

关系视图的目

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练分类,实现对不同类型扰动的自动识别准确区分。该方法充分发挥DWT在信号去噪特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性效率,为后续的电能治理设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值