Análisis de datos con Python desde Excel

• Python es un lenguaje de programación interpretado cuya filosofía hace hincapié en una sintaxis que favorezca un código legible.

• Se trata de un lenguaje de programación multiparadigma, ya que soporta orientación a objetos, programación imperativa y, en menor medida, programación funcional.

• Para empezar a usar Python en Excel, seleccione una celda y, en la pestaña Fórmulas, seleccione Insertar Python.

• Esto indica a Excel que desea escribir una fórmula Python en la celda seleccionada.

• O use la función =PY en una celda para habilitar Python.

• Los comentarios en Python se manejan con el símbolo #.

• En lugar de utilizar llaves, utilizamos el tabulador o sangría.

• Puede haber ocasiones en las que desee especificar un tipo en una variable. Esto se puede hacer con el casting.

• Python es un lenguaje orientado a objetos, y como tal utiliza clases para definir tipos de datos, incluidos sus tipos primitivos.

• Por lo tanto, la conversión en Python se realiza mediante funciones de constructor.

Python divide los operadores en los siguientes grupos:

• Operadores aritméticos

• Operadores de Asignación

• Operadores de comparación

• Operadores lógicos

• Operadores de identidad

• Operadores de membresía

• Operadores bitwise

• = x = 5 x = 5

• += x += 3 x = x + 3

• -= x -= 3 x = x - 3

• *= x *= 3 x = x * 3

• /= x /= 3 x = x / 3

• %= x %= 3 x = x % 3

• //= x //= 3 x = x // 3

• **= x **= 3 x = x ** 3

• &= x &= 3 x = x & 3

• |= x |= 3 x = x | 3

• ^= x ^= 3 x = x ^ 3

• >>= x >>= 3 x = x >> 3

• <<=x <<= 3x = x << 3

• Operador Nombre Ejemplo

• == Igualdad x == y

• != No igual x != y

• > Mayor que x > y

• < Menor que x < y

• >= Mayor o igual x >= y

• <=Menor que x <= y

• Operador Descripción Ejemplo

• is Regresa verdadero si ambas variables son del mismo objeto x is y

• is notRegresa verdadero si ambas variables NO son del mismo objetox is not y

Hay cuatro tipos de variables agregadas en Python:

• List: es una colección que está ordenada y cambiable. Permite duplicar miembros.

• Tuple: es una colección que está ordenada e inmutable. Permite duplicar miembros.

• Set: es una colección que no está ordenada ni indexada. No hay miembros duplicados.

• Diccionario: es una colección que no está ordenada, modificable e indexada. No hay miembros duplicados.

1. Crear un DataFrame

2. Crear una serie

3. Realizar una suma a una serie

4. Usar la consola de Excel

5. Uso de encabezados

1. count()

2. std()

3. head()

4. mean()

1. df[["Usuario","Curso"]]

2. df.iloc[5]

3. df.iloc[:3]

4. ## no debe excederse el df

5. df.iloc[[True,False,True,False]]

• Localizar un renglón y una columna

• ##fila 4, columna 2 inician en cero

• df.iloc[4,2]

• Trae filas 2 y 3, col 2 y 4

• ##trae filas 2 y 3, col 2 y 4

• df.iloc[[2,3],[2,4]]

• df["Precio"].sum()

• df[["Curso","Usuario"]].nunique()

• df.agg({

• "Curso":["count","nunique"],

• "Precio":["sum","mean"]

• })

• df[["Curso","Precio"]].groupby("Curso").agg({"Precio":["sum","max","min"]})

• Renombrar columnas: df.rename(columns={"Curso":"Cursos","Usuario":"Usuarios"})

• Quitar los duplicados df.drop_duplicates(subset=["Curso","Usuario"],keep="first")

• pd.merge(

  • left, right,

  • how='inner',

  • on=None,

  • left_on=None, right_on=None,

  • left_index=False, right_index=False,

  • sort=False,

  • suffixes=('_x', '_y'),

  • copy=None,

  • indicator=False,

  • validate=None

• )

• how{‘left’, ‘right’, ‘outer’, ‘inner’, ‘cross’}, default ‘inner’

• df.concat()

• df3 = pd.DataFrame(

• {

• "A": ["A0", "A1", "A2", "A3"],

• "B": ["B0", "B1", "B2", "B3"],

• "C": ["C0", "C1", "C2", "C3"],

• "D": ["D0", "D1", "D2", "D3"],

• },

• index=[0, 1, 2, 3],

• )

• df4 = pd.DataFrame(

• {

• "A": ["A4", "A5", "A6", "A7"],

• "B": ["B4", "B5", "B6", "B7"],

• "C": ["C4", "C5", "C6", "C7"],

• "D": ["D4", "D5", "D6", "D7"],

• },

• index=[4, 5, 6, 7],

• )

• df1=df.drop("Precio",axis=1)

• df1=df.drop(["Curso","Precio"],axis=1)

• df.drop(["Curso","Precio"],axis=1,inplace=True)

• df.drop(columns=["Usuario","Fecha"])

• del df["Transacción"]

• cursos=df.pop("Curso")

• data: Series or DataFrame

• El objeto para el cual se llama el método

• x: label or position, default None

• Sólo se utiliza si los datos son un DataFrame.

• y: label, position or list of label, positions, default None

• Permite graficar una columna en comparación con otra. Solo se utiliza si los datos son un DataFrame.

• data: Series or DataFrame

• El objeto para el cual se llama el método.

• x: label or position, default None

• Sólo se utiliza si los datos son un DataFrame.

• y: label, position or list of label, positions, default None

• Permite graficar una columna en comparación con otra. Solo se utiliza si los datos son un DataFrame.

1. df[["Usuario","Curso"]]

2. df.iloc[5]

3. df.iloc[:3]

4. ## no debe excederse el df

5. df.iloc[[True,False,True,False]]

En estadística, la estimación de densidad de kernel (KDE) es una forma no paramétrica de estimar la función de densidad de probabilidad (PDF) de una variable aleatoria. Esta función utiliza kernels gaussianos e incluye la determinación automática del ancho de banda.

• data: Series or DataFrame: El objeto para el cual se llama el método

• x: label or position, default None: Sólo se utiliza si los datos son un DataFrame.

• y: label, position or list of label, positions, default None: Permite graficar una columna en comparación con otra. Solo se utiliza si los datos son un DataFrame.

• data: Series or DataFrame: El objeto para el cual se llama el método.

• x: label or position, default None: Sólo se utiliza si los datos son un DataFrame.

• y: label, position or list of label, positions, default None: Permite graficar una columna en comparación con otra. Solo se utiliza si los datos son un DataFrame.

• data: Series or DataFrame

• El objeto para el cual se llama el método.

• x: label or position, default None

• Sólo se utiliza si los datos son un DataFrame.

• y: label, position or list of label, positions, default None

• Permite graficar una columna en comparación con otra. Solo se utiliza si los datos son un DataFrame.

• data: Series or DataFrame: El objeto para el cual se llama el método.

• y: label, position or list of label, positions, default None: Etiqueta o posición de la columna que se va a representar gráficamente. Si no se proporciona, subplots=True, se debe pasar un argumento.

DataFrame.hist(column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, backend=None, legend=False, **kwargs)

• Gráfica scatter o de dispersión entre variable dependiente (x) y variable independiente (y).

• DataFrame.plot.scatter(x, y, s=None, c=None, **kwargs)

df2=xl("G2:G10",headers=True)

valores=pd.Series(df2.Series)

valores*2

##suma

valores.sum()

python11-loc

DataFrame

Sel. Del registro 1 el curso

df.loc[1,"Curso"]

Sel. El registro 1, dos campos

df.loc[1,["Usuario","Curso"]]

Asigne valores de la serie según una función o asignación de entrada.

• df1.Precio+df2.Precio

• def par_impar(x):

• return "Par" if x%2==0 else "Impar"

• df1.Precio.map(par_impar)

python16-Extraer Columnas y Filas de un DataFrame con la Función Get

• pd.pivot_table(df,index="Curso",values="Precio",aggfunc={"Precio":["sum"]})

python16-Extraer Columnas y Filas de un DataFrame con la Función Get

• misCursos.str.find("de", start=2, end=10)

• misCursos.str.rfind("de")

• miCurso.index("de")

python16-Extraer Columnas y Filas de un DataFrame con la Función Get

• miCursos=df.Curso

• miCursos.str.strip()

• miCursos.str.lstrip("AE")

• miCursos.str.partition(" ")

• miCursos.str.rpartition(" ")

• pd.date_range(start='1/1/2025', end='1/08/2025')

• pd.date_range(start='1/1/2025', periods=8)

• pd.date_range(end='1/1/2025', periods=8)

• Dimensiones de un arreglo

• a = np.array(42)

• b = np.array([1, 2, 3, 4, 5])

• c = np.array([[1, 2, 3], [4, 5, 6]])

• d = np.array([[[1, 2, 3], [4, 5, 6]], [[1, 2, 3], [4, 5, 6]]])

• Elementos

• arr = np.array([1, 2, 3, 4])

• print(arr[0])

• Dim 1, elementos 1,2 y 4

• arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

• print(arr[1, 1:4])

• [7 8 9]

Cree una matriz de la forma dada y rellénela con muestras aleatorias de una distribución uniforme sobre .[0, 1)

• #Da una nueva forma a una matriz sin cambiar sus datos.

• arr = np.array([[1, 2, 3], [4, 5, 6]])

• newarr = arr.reshape(-1)

• newarr

• #[1 2 3 4 5 6]

• #Une una secuencia de matrices a lo largo de un nuevo eje.

• arr1 = np.array([1, 2, 3])

• arr2 = np.array([4, 5, 6])

• arr = np.stack((arr1, arr2), axis=1)

• print(arr)

• a = np.arange(10)

• #array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

• np.where(a < 5, a, 10*a)

• #array([ 0, 1, 2, 3, 4, 50, 60, 70, 80, 90])

• numpy.searchsorted(a, v, side='left', sorter=None)

• Encuentre los índices en una matriz ordenada a tal que, si los elementos correspondientes en v se insertaran antes de los índices, se preservaría el orden de a .

numpy.sort(a, axis=-1, kind=None, order=None, *, stable=None)

• arr = np.array(['plátano', 'pera', 'manzana'])

• np.sort(arr)

• arr = np.array([[3, 2, 4], [5, 0, 1]])

• np.sort(arr)

• # recorrer el arreglo

• for x in arreglo:

• # Si el valor es mayor a 42, se añade

• if x%2==1:

• filtro.append(True)

• else:

• filtro.append(False)

• Devuelve números espaciados uniformemente durante un intervalo específico.

• Devuelve num muestras espaciadas uniformemente, calculadas sobre el intervalo [ inicio , fin ].

• Extraer muestras de una distribución uniforme.

• Las muestras se distribuyen uniformemente en el intervalo semiabierto (incluye el valor bajo, pero excluye el valor alto). En otras palabras, cualquier valor dentro del intervalo dado tiene la misma probabilidad de ser extraído.

• Devuelve una matriz con ejes transpuestos.

• Para una matriz 1-D, esto devuelve una vista sin cambios de la matriz original, ya que un vector transpuesto es simplemente el mismo vector.

• Constante de Euler, base de los logaritmos naturales, constante de Napier.

• numpy.e

• numpy.euler_gamma

• numpy.inf

• numpy.nan

• numpy.pi

Matplotlib grafica sus datos en el objeto Figure, cada uno de los cuales puede contener uno o más Axes, un área donde los puntos se pueden especificar en términos de coordenadas xy (o theta-r en un gráfico polar, xyz en un gráfico 3D, etc.). La forma más sencilla de crear una Gráfica con Ejes es usando pyplot.subplots. Luego podemos usar Axes.plot para dibujar algunos datos en los Ejes y show para mostrar la figura:

• df = xl("A2:E22", headers=True)

• df.describe()

• paises = df["pais"].head(8)

• pibs = df["pib"].head(8)

• colores = df["color"].head(8)

• df=xl("A1:D7", headers=True)

• raza=df["raza"]

• machos=df["machos"]

• hembras=df["hembras"]

• df = xl("barras!A2:E10", headers=True)

• df = df.sort_values(by=['poblacion'],ascending=False)

• # Series

• pais = df["pais"]

• y_pos = np.arange(len(pais)) #num consecutivo

• poblacion = df["poblacion"]/1000000 #datos

• df=xl("A1:E4", headers=True)

• peliculas = df["pelicula"]

• calis = {

• 'Reforma': df["reforma"],

• 'Universal': df["universal"],

• 'Cinepolis': df["cinepolis"],

• }

• fig, ax = plt.subplots(figsize=(6, 6))

• df = xl("A1:G11", headers=True)

• años = df["anio"]

• chrome = df["Chrome"]

• ie = df["IE-Edge"]

• firefox = df["Firefox"]

• safari = df["Safari"]

• opera = df["Opera"]

• Una tupla RGB o RGBA de valores flotantes en (por ejemplo, o ). RGBA es la abreviatura de Rojo, Verde, Azul, Alfa;[0, 1](0.1, 0.2, 0.5)(0.1, 0.2, 0.5, 0.3)

• Una cadena hexadecimal RGB o RGBA (por ejemplo, '#0F0F0F'o '#0F0F0F0F');

• Una cadena hexadecimal RGB o RGBA abreviada, equivalente a la cadena hexadecimal RGB o RGBA obtenida al duplicar cada carácter (por ejemplo, '#abc', equivalente a '#aabbcc', o '#abcd', equivalente a '#aabbccdd');

• Secuencial: cambio de luminosidad y a menudo de saturación del color de forma incremental, a menudo utilizando un solo tono; debe usarse para representar información que tiene orden.

• Divergente: cambio en la luminosidad y posiblemente la saturación de dos colores diferentes que se encuentran en el medio en un color no saturado; debe usarse cuando la información que se está graficando tiene un valor medio crítico, como la topografía o cuando los datos se desvían alrededor de cero.

• df = xl("A1:G6", headers = True)

• category_names = df["Resultado"]

• results = {

• 'Pregunta 1': df["Pregunta 1"],

• 'Pregunta 2': df["Pregunta 2"],

• 'pregunta 3': df["Pregunta 3"],

• 'Pregunta 4': df["Pregunta 4"],

• 'Pregunta 5': df["Pregunta 5"],

• 'Pregunta 6': df["Pregunta 6"]

• }

• Podemos hacer gráficas de dispersión o scatter con dos o más variables.

• plt.scatter(x, y, c=colors, cmap='viridis')

• Podemos hacer gráficas de pastel, pie o torta.

• matplotlib.pyplot.pie(x, explode=None, labels=None, colors=None, autopct=None, pctdistance=0.6, shadow=False, labeldistance=1.1, startangle=0, radius=1, counterclock=True, wedgeprops=None, textprops=None, center=(0, 0), frame=False, rotatelabels=False, *, normalize=True, hatch=None, data=None)

• Podemos hacer gráficas múltiples.

• matplotlib.pyplot.subplots(nrows=1, ncols=1, *, sharex=False, sharey=False, squeeze=True, width_ratios=None, height_ratios=None, subplot_kw=None, gridspec_kw=None, **fig_kw)

Podemos hacer “distribuciones de frecuencia” de nuestros datos, creando un histograma. Para hacer un histograma 2D necesitamos dos poblaciones.

• ax.hist(dist1, bins=n_bins)

• Podemos realizar gráficas polares, basados en coordenadas polares, es decir: un radio y un ángulo (teta).

• Los cero grados inician en el lado izquierdo del círculo (360 grados) y se dibuja en contra sentido del reloj.

• Alias Property

• 'lw' 'linewidth'

• 'ls' 'linestyle'

• 'c''color'

• seaborn.set_context(context=None, font_scale=1, rc=None)

Seaborn es una librería de visualización de datos de Python basada en matplotlib. Proporciona una interfaz de alto nivel para dibujar gráficos estadísticos atractivos e informativos. También tiene como base a los objetos de Pandas.

• Con Seaborn nos será muy sencillo cambiar entre diferentes representaciones visuales de forma coherente.

• La función relplot() está diseñada para visualizar muchas relaciones estadísticas diferentes de forma sencilla.

• Con Seaborn crea estimaciones estadísticas.

• Muchas funciones de Seaborn realizarán automáticamente la estimación estadística.

• Los análisis estadísticos de datos requieren conocimientos sobre la distribución de las variables.

• La función Seaborn displot() admite varios enfoques para visualizar distribuciones.

Los datos categóricos son un tipo de datos cualitativos que se pueden almacenar en grupos o categorías utilizando nombres o etiquetas. Se agrupan en función de las características de los datos y de sus similitudes, mediante un método llamado emparejamiento.

• Algunas funciones de Seaborn combinan varios tipos de gráficos para ofrecer rápidamente resúmenes informativos de un conjunto de datos.

• Una de ellas, jointplot(), se centra en una única relación.

Una vez que haya creado un gráfico, sus propiedades se pueden modificar a través de la API de Seaborn y bajando a la capa de matplotlib para realizar ajustes más precisos.

La organización de las funciones serán entonces: por paquete, por gráfica y por eje (axis).

• Las funciones de nivel de ejes están escritas para actuar como reemplazos directos de las funciones de matplotlib.

• Las funciones de nivel de ejes se llaman internamente matplotlib.pyplot.gca()

• Las funciones a nivel de gráfica (figure) no pueden combinarse con otros gráficos.

• Por diseño, son “dueñas” de su propia gráfica, incluida su inicialización, por lo que no existe la noción de usar una función a nivel de gráfica para dibujar un gráfico sobre ejes existentes.

Las gráficas múltiples las manejamos con facetGrid(). Esta clase asigna un conjunto de datos a varios ejes dispuestos en una cuadrícula de filas y columnas que corresponden a los niveles de las variables del conjunto de datos.

El tamaño y la forma de la subgráfica se especifican a nivel de cada una utilizando los parámetros height y aspect:

Cuando se utiliza una función de nivel de ejes en seaborn, se aplican las mismas reglas que en matplotlib: el tamaño del gráfico está determinado por el tamaño de la figura (figure) de la que forma parte y la disposición de los ejes en esa figura.

• Existe una distinción fundamental entre las tablas de datos de “formato largo” y “formato ancho”, y Seaborn tratará cada una de ellas de manera diferente.

• Si nuestros datos no tienen este formato de largo o ancho, lo podemos transformar al mismo y es más sencillo graficarlo.

Coordenadas:

• Si una variable no contiene datos numéricos, su escala aplicará una conversión para que los datos se puedan dibujar en una pantalla. Por ejemplo, las escalas Nominal asignan un índice entero a cada categoría distinta y Temporal representan las fechas como el número de días a partir de una

• Establecer aspectos del tema visual para todos los gráficos de matplotlib y seaborn.

• seaborn.set_theme(context='notebook', style='darkgrid', palette='deep', font='sans-serif', font_scale=1, color_codes=True, rc=None)

Combina a FacetGrid con una de dos funciones a nivel de eje:

• scatterplot()(con kind="scatter"; el valor predeterminado)

• lineplot()(con kind="line")

En Seaborn, podemos crear una gráfica lineal mediante la función lineplot(), ya sea directamente o relplot() configurando kind="line":

Debido a que relplot() se basa en FacetGrid, podemos mostrar múltiples relaciones.

Las funciones a nivel de ejes son histplot(), kdeplot(), ecdfplot() y rugplot(). Están agrupadas dentro de las funciones a nivel de figura displot(), jointplot() y pairplot().

En Seaborn, existen varias formas diferentes de visualizar una relación que involucra datos categóricos.

• A medida que aumenta el tamaño del conjunto de datos, los gráficos de dispersión categóricos se ven limitados en la información que pueden proporcionar sobre la distribución de valores dentro de cada categoría.

• Este tipo de gráfico muestra los tres valores cuartiles de la distribución junto con los valores extremos.

• Para otras aplicaciones, en lugar de mostrar la distribución dentro de cada categoría, es posible que desee mostrar una estimación de la tendencia central de los valores.

• Seaborn tiene dos formas principales de mostrar esta información: Gráficas de barras y gráficas de puntos.

Un gráfico de puntos representa una estimación de la tendencia central de una variable numérica mediante la posición del punto y proporciona alguna indicación de la incertidumbre en torno a esa estimación mediante barras de error.

Estimación estadística y barras de error

Las dos funciones que se pueden utilizar para visualizar un ajuste lineal son regplot() y lmplot().

• Es más sencillo encontrar tendencias en diferentes gráficas sencillas que en una gráfica complicada.

• Con FacetGrid se puede dibujar una con hasta tres dimensiones: row, col y hue.

Estimación de ajustes de regresión.

• Para manipular los parámetros visuales son dos pares de funciones. Para controlar el estilo, utilice las funciones axes_style() y set_style().

• Para escalar el gráfico, utilice las funciones plotting_context() y set_context().

• Para manipular los parámetros visuales son dos pares de funciones. Para controlar el estilo, utilice las funciones axes_style() y set_style().

• Para escalar el gráfico, utilice las funciones plotting_context() y set_context().

• En ambos casos, la primera función devuelve un diccionario de parámetros y la segunda establece los valores predeterminados de matplotlib.

Con el método sns.set_style("dark") podemos cambiar la estética con varios esquemas: dark, white, ticks, darkgrid y whitegrid.

• Paletas cualitativas, buenas para representar datos categóricos

• Paletas secuenciales, buenas para representar datos numéricos

• Paletas divergentes, buenas para representar datos numéricos con un límite categórico.

• Paletas cualitativas, buenas para representar datos categóricos

• Paletas secuenciales, buenas para representar datos numéricos

• Paletas divergentes, buenas para representar datos numéricos con un límite categórico.

• Access es una base de datos de Microsoft que es de uso personal, pero que a su vez es muy poderosa.

• Podemos fácilmente intercambiar datos de Access para su análisis en Excel.

Un Archivo en formato CSV tendrá los datos separados por comas (Comma-Separated-Values).

XML, o Lenguaje de Marcado Extensible (Extensible Markup Language), es un formato de archivo, basado en HTML, que permite almacenar, organizar y transmitir datos de forma estructurada

• Desde un archivo de Excel podemos leer otros archivos de Excel.

• Power Query es una herramienta que permite importar, transformar y preparar datos.

• Se puede usar en Excel, donde se conoce como Obtener & transformar, y es una herramienta recomendada para importar datos.

• Con Power Query podemos leer los archivos y consolidarlos.

• Los archivos deben tener la misma estructura.

• Con Power Query podemos leer los archivos y consolidarlos de una página web.

• Power Query nos mostrará las diferentes tablas de la página.

• Con Power Query podemos leer los archivos y quitar, mover y filtrar columnas.

• Power Query nos mostrará las diferentes columnas de la página.

• Con Power Query podemos transformar e insertar columnas columnas.

• Power Query nos mostrará las diferentes columnas de la página.

• Con Power Query podemos combinar tablas relacionándolas por una columna (llave).

• La combinación la podemos realizar desde Excel.

• Con Power Query podemos Consolidar tablas de Excel.

• La combinación la podemos realizar desde Excel.

• Con Power Query podemos administrar las conexiones con los archivos.

• Podemos cambiar las propiedades de la conexión.

• Con Power Query podemos modificar el formato de las columnas como texto, numérico y fecha.

• Podemos cambiar las propiedades de la conexión.

• Con Power Query podemos Insertar nuevas columnas.

• Podemos cambiar las propiedades de la conexión.

• Power Pivot es un complemento gratuito de Excel para el análisis de datos y el modelado de datos.

• Es una herramienta de inteligencia de negocios (BI) que permite trabajar con grandes cantidades de datos de diversas fuentes y crear informes y gráficos para mostrar información relevante.

Para importar datos a Power Pivot:

• Abrir la ventana de Power Pivot en Excel, haciendo clic en la pestaña Power Pivot y luego en Administrar modelo de datos.

• Hacer clic en Inicio y luego en Obtener datos externos.

• Seleccionar uno de los botones para abrir el Asistente para la importación de tablas.

Para importar datos a Power Pivot:

• Abrir la ventana de Power Pivot en Excel, haciendo clic en la pestaña Power Pivot y luego en Administrar modelo de datos.

• Hacer clic en Inicio y luego en Obtener datos externos.

• Seleccionar uno de los botones para abrir el Asistente para la importación de tablas.

Para importar datos a Power Pivot:

• Abrir la ventana de Power Pivot en Excel, haciendo clic en la pestaña Power Pivot y luego en Administrar modelo de datos.

• Hacer clic en Inicio y luego en Obtener datos externos.

• Seleccionar uno de los botones para abrir el Asistente para la importación de tablas.

Para importar datos a Power Pivot:

• Abrir la ventana de Power Pivot en Excel, haciendo clic en la pestaña Power Pivot y luego en Administrar modelo de datos.

• Hacer clic en Inicio y luego en Obtener datos externos.

• Seleccionar uno de los botones para abrir el Asistente para la importación de tablas.

Para crear una tabla dinámica desde Power Pivot:

• Primero debemos crear nuestro modelo de datos

• En Inicio seleccionamos crear tabla dinámica.

Para crear una tabla dinámica desde Power Pivot:

• Primero debemos crear nuestro modelo de datos

• En Inicio seleccionamos crear gráfica dinámica.

Para crear una tabla dinámica desde Power Pivot:

• Primero debemos crear nuestro modelo de datos

• En Inicio seleccionamos crear gráfica dinámica.

Para crear una tabla dinámica desde Power Pivot:

• Primero debemos crear nuestro modelo de datos

• Podemos modificar el formato, el orden, el filtro y modificar las columnas.

• Power Pivot tiene una área de cálculo para datos estadísticos en general.

• DAX o Expresiones de Análisis de Datos, es un lenguaje de fórmulas que se utiliza para calcular y devolver valores en Power BI, Power Pivot para Excel y Analysis Services.

• DAX se contiene funciones, operadores y constantes que se pueden combinar para crear fórmulas y expresiones.

• Crear fórmulas de DAX para columnas calculadas y medidas.

• DAX y Excel tienen muchas funciones comunes, pero en DAX están en inglés.

• Las fórmulas y expresiones DAX no pueden modificar o insertar valores individuales en las tablas.

• No se pueden crear filas calculadas con DAX. Solo se pueden crear medidas y columnas calculadas.

• Los KPI (indicador clave de rendimiento) son medidas visuales muy intuitivas del rendimiento.

• Los KPI tienen diferentes símbolos y podemos elegir el que queramos.

• Se puede crear un KPI sólo de medida, no en las columnas calculadas.

• Al guardar un libro Excel con un modelo de datos creado, la extensión del archivo es XLSX,

• Protegemos un libro en: Revisar > Proteger libro

Power Map es una herramienta de Excel que permite visualizar datos en 3D, trazar datos geográficos y temporales, y compartir la información.