Excel BI之道：从零开始学Power工具应用

《Excel BI之道：从零开始学Power工具应用》主要介绍Excel 2016的3个BI组件Power Query、 Power Pivot和Power Map。 在微软的BI体系中，Power Query和Power Pivot是Excel BI和Power BI共同的组件， 因此《Excel BI之道：从零开始学Power工具应用》用大部分篇幅着重介绍这两个组件， 列举了多个业务场景的实例， 使读者轻松掌握Excel BI。《Excel BI之道：从零开始学Power工具应用》是读者掌握Excel BI和Power BI的入门级图书。

零一，沐垚科技创始人，电商自媒体，资深数据分析师，8年电商从业经验，擅长Excel、Power BI、R、Python等工具，主要研究数据化运营、商业智能和人工智能在电商领域的应用，专注“数据+电商”的新零售服务。

初次接触Excel BI时都会为之惊叹，灵活、方便、高效！
以前用VLOOKUP函数、Index+Match函数甚至VBA才能实现的功能操作，现在轻轻单击鼠标就能实现！
《Excel BI之道：从零开始学Power工具应用》一半的篇幅介绍基础功能，另外一半的篇幅是实操案例，解决多表格文件合并、多表关联建模、抓取互联网数据等实务问题，读者不用担心学完不知道如何运用。

我是在 2005 年开始使用 Excel 的， 至今已经有 12 年了， 千万不要把我当成老子， 在写本书的时候我 29 岁。 我在念中学的时候， 就在信息课上开始学习并使用 Excel， 大学毕业后从事电商行业， 在工作中频繁使用 Excel。 我发现， 实践是最好的老师。我相信一个年轻人写的书， 加上这个年轻人 12 年的经验， 会让同样年轻的你们有一场不一样的数据之旅。
本书主要介绍 Excel 2016 的 3 个 BI 组件。 对于办公室白领来说， 灵活运用这几个具足够你在职场中呼风唤雨了。 对于数据分析师来说， 也足够满足日常的分析和报表的需求了。 对于比数据工程师更高层次的人来说， 我相信它们的便捷性也足够让你眼前一亮。Excel 是号称唯一能够与 SAS 媲美的系统， 有非常多的功能拓展插件， 例如 VBA、 SQLServer 数据挖掘套件、 R-Excel、 Power Query、 Power Pivot 和 Power Map 等。 Excel 可以完美地解决我们在日常生活及工作中的数据需求。只要你愿意尝试使用 Excel 2016， 就会发现再也离不开它。 你会把以前的 VLOOKUP 函数丢掉， 把 Index+Match 丢掉， 甚至连 VBA 都可能丢掉。
现在你是不是已经心动了呢？ 如果是的话，马上翻开第 1 章， 进入 Excel BI 学习之旅吧！鉴于作者水平有限， 不足之处请读者不吝赐教。

第 1 章 看 Excel BI 如何解决这些现实问题 . 1
1.1 5 分钟内合并从业务部门收集的 100 张表格2
1.2 用模型来梳理分析复杂的业务流程.7
1.3 开会发言， 需要有可交互的动态图表.13
1.4 公司业务分析要精细到每条街道的情况.18
第 2 章 万能的查询器 Power Query .24
2.1 兼容的数据源.25
2.2 从文件加载数据.25
2.2.1 从工作簿.26
2.2.2 从 CSV31
2.3 从数据库加载数据.32
2.3.1 SQL Server 数据库.33
2.3.2 Microsoft Access.36
2.3.3 从 ODBC 导入 .38
2.4 从 Web 导入数据 .40
2.4.1 GET 方法40
2.4.2 POST 方法44
2.5 数据类型操作.47
2.6 标题操作.49
2.6.1 修改字段名.49
2.6.2 标题的升降.51
2.7 表操作.52
2.7.1 分组.52
2.7.2 转置.54
2.8 列操作.54
2.8.1 删除列.54
2.8.2 添加列.56
2.9 字符操作.65
2.10 统计及运算.66
2.11 数据解析.69
2.12 查询与合并.71
2.12.1 合并查询.71
2.12.2 追加查询.73
2.13 M 语言 74
2.13.1 删除字符.77
2.13.2 包含查询.78
2.13.3 插入文本.79
2.13.4 自定义函数.80
第 3 章 靠近大数据的数据库 Power Pivot . 84
3.1 数据导入.85
3.2 表属性设置.89
3.3 表基础操作.92
3.4 DAX 语言.94
3.5 数据建模.100
第 4 章 可视化地图报表 Power Map 105
4.1 地图展现.106
4.2 自定义热力图. 112
第 5 章 应用实例.116
5.1 业务部门做季度 / 年度报告 . 117
5.2 分析淘宝网数据（爬虫） .124
5.3 电商运营算盈亏.142
5.4 电商运营分析全店数据（建模） .150
5.5 爬取股票数据（爬虫） .154
5.6 文本分析（分词和情感分析） .163
5.7 新媒体监控文章数据.181
附录 A M 语言常用函数速查表 196