前言
上回提到，Power BI借助Python做关联分析，可以轻松地找出物品中的频繁项集，且该频繁项集内的物品数量不限于2个。实现方式既可以通过Power BI里添加Python可视化控件直接生成Python式图表，也可在PQ里借助Python处理数据。前者最大的好处体现在与切片器联动中，是即时计算新的频繁项集。不足在于Python图表的风格与Power BI不一致，而且由于直接输出Python图（没有输出数据源），不便于开展其他分析。后者，正好解决了这些不足。
方法
首先点击【转换数据】进入Power Query(PQ)界面。
接下来，我们复制一份源数据。因为在PQ里用Python进行数据清洗，实际上会修改覆盖掉原来的这份数据记录，所以复制一份以便备份。
再接下来，是用Python清洗数据的关键。网上同类话题的文献都讲的比较简单，这里把每一步截图给大家看看。
如图所示依次点开Python编辑器。编辑器中输入输出都是Python的DataFrame数据结构。打开后，系统默认将数据源转成DataFrame的dataset。也即在此编辑器中，已经有了数据dataset。
将上篇推文那段Apriori算法的代码复制到此编辑器。区别是，之前需要输入图表，而这次无需，因此可以把最后几行代码删掉。输入的代码如下：
代码语言：javascript复制from mlxtend.frequent_patterns import apriori
from mlxtend.preprocessing import TransactionEncoder
import pandas as pd
import matplotlib.pyplot as plt
data=dataset
data.Item=data.Item.str.lower()
data=data.drop(data[data["Item"]=='none'].index) #删除无物品的记录
# 将数据集进行格式转换
orders_series = data.set_index("Transaction")["Item"]
transactions = []
temp_index = 0
for i, v in orders_series.items():
if i != temp_index:
temp_set = set()
temp_index = i
temp_set.add(v)
transactions.append(temp_set)
else:
temp_set.add(v)
# 数据转码
te = TransactionEncoder()
te_ary = te.fit(transactions).transform(transactions)
df = pd.DataFrame(te_ary, columns=te.columns_)
# 求频繁项集
frequent_items=apriori(df,min_support=0.02,use_colnames=True) # 支持度阈值为0.02
frequent_items["itemsets"]=frequent_items["itemsets"].apply(lambda x:[x for x in x]) # 频繁项集frozenset转list
frequent_items["itemsets"]=frequent_items["itemsets"].apply(lambda x:','.join(x)) # 频繁项集list转str
frequent_items=frequent_items.sort_values(["support"],ascending=False) # 按支持度降序排序点击【确定】完成后，将提示数据隐私安全性，选择【公共】。
最后是将算法运行结果转化为Power BI 的表，这也是相关文献演示得最少的地方。步骤3后会得到如下的表。前几行为数据表原有的字段，最后一行为Python处理后得到的结果（Python代码中最后得到的dataframe）。
单击最后一行的Table，将得到Python处理的结果。
结果里有2个字段（列），support——支持度，即频繁项集的出现概率；itemsets——频繁项集。这个集合里，可能是1个、2个、3个甚至更多个物品组合，具体视数据源的特征以及支持度的阈值而定。在itemsets中，不同物品的名称使用逗号分开的。如需进一步分析，我们可以按逗号拆分列，再添加索引列，如下图所示。
最后点击关闭并应用，数据处理完成。
总结与延展
在PQ中使用Python对原有数据处理，可以生成Power BI原生的数据集。相比上一篇中使用Python可视化控件直接输出Python图表，增加了更多的灵活性和可延展性。如下图所示，使用矩阵可以做出频繁项集的列表。（注：本数据集数据量太少，因此频繁项集里只有1-2个物品。）
细心的读者可能会发现，这种做法也有不足——由于此方法是从数据源入手的，因此无法通过切片器改变数据源的计算范围。比如当数据源计算的是整个时间段（如全年）的频繁项集，则无法通过切片器即时地改变数据源生成部分时间段（如某月）的频繁项集。有没有解决办法呢？【参数化查询】是目前Power BI应对的一个权宜之计。详情参见本文——Power BI的时间序列预测，除了移动平均还能怎么做？
