8、Power BI 可视化创建与数据交互指南

Power BI 可视化创建与数据交互指南

1. 添加分析到可视化

在完成可视化的格式设置后,我们可以为其添加一些简单的分析。以下是具体操作步骤:
1. 确保在画布中选择了第一个可视化。
2. 点击“可视化”窗格中的“分析”子窗格,这里有几个可展开的部分。
3. 展开“平均线”部分,然后点击“+ 添加”,此时可视化上会出现虚线。
4. 将文本“平均线 1”更改为“平均工作日”,下方的“度量值”设置为“IsWorkDay”。
5. 在“度量值”下方,将“颜色”改为黑色,“位置”改为“背后”。
6. 打开“数据标签”,将“颜色”改为黑色,“文本”改为“两者”,最后将“水平位置”改为“右侧”。

2. 创建和使用切片器

2.1 小倍数功能尝试

为了查看每个月每年的工作日数量,我们可以先尝试小倍数功能:
1. 确保第一个可视化被选中,切换到“可视化”窗格中的“字段”子窗格。
2. 将“字段”窗格中的“年份”列拖到“可视化”窗格的“小倍数”字段中,此时可视化将被分为四个象限,每个年份单独显示。

2.2 使用切片器

我们也可以使用切片器来实现相同的效果,具体步骤如下:
1. 选中第一个可视化,点击“小倍数”字段中“年份”列右侧的“X”,将“年份”列从可视化中移除,此时可视化将显示为单个柱状图。
2. 点击画布上除可视化之外的任何空白部分,取消选中可视化。
3. 在“可视化”窗格中找到带有小漏斗的可视化图标。
4. 将鼠标悬停在该图标上,会弹出“切片器”,用鼠标选择此可视化,会创建一个新的空白切片器可视化,

【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;随后结合机学习分类(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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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