View source for Power Query dla Analitykow

{{Cat|Power Query|001}}
== Modul 1: Wprowadzenie do Power Query i podstawowe transformacje ==

=== Cel ===
W tym ćwiczeniu nauczysz się:

Importować dane z pliku CSV do Power Query.
Sprawdzać i dostosowywać typy danych, koncentrując się na konwersji daty zapisanej jako tekst na rzeczywisty typ daty.
Zastosować podstawowe filtrowanie danych.
Korzystać z pomocy zewnętrznej (np. ChatGPT) w celu uzyskania wskazówek dotyczących tworzenia niestandardowego kodu M, bez bezpośredniego kopiowania rozwiązań.
=== Dostarczone dane ===
Otrzymujesz do pobrania plik CSV o nazwie 
📂[[Media:PQsales.csv]] 
który zawiera dane zamówień sprzedaży.

=== Instrukcje ===

* Krok 1: Importuj dane

#Otwórz Power Query w Excelu lub Power BI.
#Zaimportuj dane z pliku sales.csv.
#Zauważ, że kolumna OrderDate została zaimportowana jako tekst ze względu na swój format (dd/MM/yyyy).
* Krok 2: Sprawdź i przekonwertuj typy danych

#Sprawdź, czy każda kolumna ma poprawny typ danych.
#Ręcznie przekształć kolumnę OrderDate z tekstu na typ daty.
#Wskazówka: Jeśli napotkasz trudności, możesz zapytać ChatGPT o wskazówki, jak napisać funkcję M do konwersji tekstu na datę.
* Krok 3: Zastosuj podstawowe filtrowanie

#Filtruj zestaw danych, tak aby pozostały tylko wiersze, w których koszt jest większy niż 200.
#Propozycja: Użyj interfejsu graficznego Power Query lub napisz prosty skrypt M, aby zastosować filtr. Jeśli to konieczne, skonsultuj się z ChatGPT w celu uzyskania pomysłów na implementację tego filtru.
* Krok 4: Przejrzyj i zapisz swoją pracę

#Potwierdź, że transformacje zostały poprawnie zastosowane, przeglądając podgląd danych.
#Zapisz zapytanie i udokumentuj kroki, które podjąłeś.

=== Zadanie ===

Wykonaj kroki opisane powyżej w Power Query.
Eksperymentuj z dostępnymi opcjami transformacji i staraj się zrozumieć, jak każdy krok wpływa na Twoje dane.
Używaj ChatGPT w celu uzyskania wskazówek lub rozwiązywania problemów, ale unikaj kopiowania kompletnych rozwiązań dosłownie.

== Modul 2: Laczenie i scalanie danych z wielu zrodel ==

=== Cel === 

W tym ćwiczeniu nauczysz się:

Importować dane z wielu plików CSV do Power Query. Scalić (połączyć) dane z różnych źródeł na podstawie wspólnego klucza. Użyć lewego zewnętrznego łączenia (Left Outer Join) do dodania szczegółów klienta do zamówień sprzedaży. Korzystać z pomocy zewnętrznej (np. ChatGPT) w celu uzyskania wskazówek dotyczących pisania niestandardowego kodu M, bez kopiowania kompletnych rozwiązań.
=== Dostarczone dane === 
Otrzymujesz do pobrania dwa pliki CSV:

📂 [[Media:PQ_sales2.csv]] – Zawiera dane zamówień sprzedaży:

📂 [[Media:PQ_customers.csv]] – Zawiera informacje o klientach:

=== Instrukcje ===

*Krok 1: Importuj dane
Otwórz Power Query w Excelu lub Power BI. Zaimportuj dane z obu plików PQ_sales.csv i PQ_customers.csv. Sprawdź, czy oba zapytania zostały załadowane poprawnie.

*Krok 2: Sprawdź i przekonwertuj typy danych
Potwierdź, że każda kolumna ma odpowiedni typ danych w obu zapytaniach. Na przykład, zauważ, że kolumna OrderDate w PQ_sales.csv jest zaimportowana jako tekst z powodu niestandardowego formatu. Wskazówka: Użyj funkcji transformacji, jeśli jakiekolwiek dostosowania są potrzebne.

*Krok 3: Scal dane
Scal zapytanie PQ_sales.csv z zapytaniem PQ_customers.csv. Użyj kolumny Customer jako klucza dopasowania. Wybierz lewy zewnętrzny join (Left Outer Join), aby każde zamówienie sprzedaży zostało zachowane wraz z odpowiednimi szczegółami klienta. Propozycja: Jeśli nie wiesz, jak napisać kod M do tego scalenia, zapytaj ChatGPT o wskazówki dotyczące scalania zapytań.

*Krok 4: Przejrzyj scalone dane
Potwierdź, że wynikowe zapytanie zawiera dodatkowe kolumny (np. Region, CustomerSince) z pliku PQ_customers.csv. Sprawdź scalone dane, aby upewnić się, że szczegóły klientów zostały poprawnie połączone z odpowiednimi zamówieniami sprzedaży.

*Krok 5: Zapisz swoją pracę
Zapisz swoje zapytanie i udokumentuj kroki transformacji, które zastosowałeś.

=== Zadanie ===

Wykonaj kroki opisane powyżej w Power Query. Eksperymentuj z interfejsem graficznym i niestandardowym kodem M w celu wykonania scalania. Korzystaj z zasobów zewnętrznych (np. ChatGPT) w celu uzyskania wskazówek lub rozwiązywania problemów, ale unikaj kopiowania kompletnych rozwiązań dosłownie.

== Modul 3: Tworzenie niestandardowych kolumn i funkcji ==

=== Cel === 
W tym ćwiczeniu nauczysz się:

Tworzyć niestandardowe kolumny obliczeniowe w Power Query.

Używać wbudowanych funkcji Power Query do manipulacji tekstem, liczbami i datami.

Pisać niestandardowe funkcje w języku M, aby automatyzować transformacje.

Korzystać z ChatGPT do pomocy przy pisaniu i optymalizacji kodu M.

=== Dostarczone dane ===

Do tego ćwiczenia wykorzystamy następujące zbiory danych:

📂[[Media:PQ_sales2.csv]] (używany w poprzednich modułach)

📂[[Media:PQ_discounts.csv]] (nowy zbiór danych) - zawiera stawki rabatowe w zależności od typu produktu.

=== Instrukcje ===

*Krok 1: Importuj dane
Otwórz Power Query w Excelu lub Power BI.
Zaimportuj oba pliki: PQ_sales.csv i PQ_discounts.csv.
Upewnij się, że obie tabele zostały załadowane poprawnie.


<br>
*Krok 2: Tworzenie niestandardowej kolumny dla całkowitego kosztu
W tabeli PQ_sales dodaj nową niestandardową kolumnę:
Przejdź do Dodaj kolumnę → Kolumna niestandardowa.
Nazwij ją TotalCost.
Utwórz formułę do obliczenia całkowitego kosztu jako:
 Quantity * Cost

Kliknij OK i sprawdź wyniki.


<br>
*Krok 3: Zastosowanie rabatów za pomocą scalania
Scal PQ_sales z PQ_discounts, używając kolumny Product jako klucza.
Rozwiń kolumnę DiscountRate do tabeli PQ_sales.
Dodaj kolejną niestandardową kolumnę o nazwie DiscountedPrice:
 [TotalCost] - ([TotalCost] * [DiscountRate])

Sprawdź, czy nowa kolumna poprawnie stosuje rabaty.
<br>
*Krok 4: Tworzenie niestandardowej funkcji w M
Utwórz funkcję do kategoryzowania produktów w różne przedziały cenowe:
Przejdź do Strona główna → Edytor zaawansowany.
Napisz funkcję M, która przyjmuje Cost jako wejście i zwraca kategorię:
 Low if Cost < 500 Medium if Cost between 500 and 1500 High if Cost > 1500

Wskazówka: Jeśli nie jesteś pewny, jak zbudować funkcję, zapytaj ChatGPT: "Jak napisać funkcję M, która kategoryzuje ceny na Low, Medium i High?" <br>

*Krok 5: Przypisywanie kategorii
W tabeli PQ_sales dodaj niestandardową kolumnę, używając funkcji.
Nazwij kolumnę PriceCategory.
Upewnij się, że kategorie są wyświetlane poprawnie na podstawie wartości w kolumnie Cost.

=== Zadanie === 
*✔ Wykonaj wszystkie kroki w Power Query. 
*✔ Eksperymentuj zarówno z interfejsem graficznym, jak i z kodem M. 
*✔ Korzystaj z ChatGPT w celu rozwiązywania problemów lub poprawiania skryptu M.

== Modul 4: Zaawansowane transformacje danych w Power Query ==

=== Cel === 
W tym module nauczysz się: 
*✔ Jak pivotować i unpivotować dane w Power Query. 
*✔ Jak dzielić i scalać kolumny w celu lepszej strukturyzacji danych. 
*✔ Jak używać transformacji warunkowych. 
*✔ Jak wykorzystać ChatGPT do tworzenia złożonych skryptów M.

=== Dostarczone dane ===

Do tego ćwiczenia wprowadzimy nowy zbiór danych:
 PQ_sales_pivot.csv, który zawiera miesięczne dane sprzedaży różnych produktów.

'''📂 [[Media:PQ_sales_pivot.csv]]''' - Struktura danych w formacie pivot.

=== Instrukcje ===

Krok 1: Importuj dane
Otwórz Power Query w Excelu lub Power BI.
Zaimportuj plik PQ_sales_pivot.csv.
Upewnij się, że tabela została poprawnie załadowana.
<br>
Krok 2: Unpivotowanie danych
Obecna tabela ma szeroki format, który nie jest idealny do analizy.
Unpivotuj kolumny miesięczne, aby dane miały strukturę:
*Product 
*Category 
*Month 
*Sales Amount 
<br>

Jak to zrobić:

#Kliknij Transformuj → Użyj pierwszego wiersza jako nagłówków, aby upewnić się, że kolumny mają poprawne nazwy.
#Zaznacz kolumny z miesiącami (Jan 2025, Feb 2025 itd.).
#Kliknij Transformuj → Unpivotuj kolumny.
#Zmień nazwy wynikowych kolumn:
"Attribute" → Month
"Value" → Sales Amount
<br>
Krok 3: Dzielnie i scalanie kolumn
#Kolumna Month obecnie zawiera wartości takie jak "Jan 2025".
#Podziel tę kolumnę na Month Name i Year:
#Zaznacz kolumnę Month.
#Kliknij Transformuj → Podziel kolumnę → Według ogranicznika.
#Wybierz spację (" ") jako ogranicznik.
#Zmień nazwy nowych kolumn na Month Name i Year.
*Przykład scalania kolumn:

Jeśli chcesz scalić Product i Category, zaznacz obie kolumny.

#Kliknij Transformuj → Scal kolumny.
#Użyj " - " jako separatora (np. "Monitor - Electronics").
<br>
Krok 4: Dodanie transformacji warunkowych
*Dodaj nową niestandardową kolumnę o nazwie "Sales Performance":

 if [Sales Amount] < 300 then "Low" else if [Sales Amount] >= 300 and [Sales Amount] < 800 then "Medium" else "High"

*Upewnij się, że kolumna poprawnie kategoryzuje wyniki sprzedaży.

=== Zadanie === 
*✔ Wykonaj wszystkie kroki w Power Query. 
*✔ Eksperymentuj z unpivotowaniem, dzieleniem, scalaniem i logiką warunkową. 
*✔ Korzystaj z ChatGPT w celu rozwiązywania problemów lub poprawiania skryptu M.

== Modul 5: Parametryzacja i dynamiczne zapytania w Power Query ==

=== Cel ćwiczenia ===
W tym module nauczysz się:
*✔ Jak tworzyć parametry w Power Query.
*✔ Jak używać parametrów do dynamicznego filtrowania i sterowania wynikami zapytań.

=== Dostarczone dane ===
W tym ćwiczeniu użyjemy pliku:
* '''📂 [[Media:PQ_sales2.csv]]''' 
oraz nowego zestawu danych 
* '''📂 [[Media:PQ_parameters.xlsx]]''', który zawiera wartości do dynamicznego filtrowania.

=== Instrukcje ===

* 🔹 Krok 1: Załaduj plik CSV do Power Query 
# Otwórz Excela i przejdź do „Dane” → „Pobierz dane” → „Z pliku” → „Z pliku CSV”.
# Wybierz plik `PQ_sales.csv` i kliknij „Załaduj do Power Query”.
# Po załadowaniu pliku upewnij się, że Power Query rozpoznał poprawnie dane.

*🔹 Krok 2: Przetwórz tabelę `Parameters` 
# W Power Query przejdź do tabeli **`Parameters`**.
# **Transponuj tabelę** – kliknij **„Przekształć” → „Transponuj”**.
# **Ustaw pierwszy wiersz jako nagłówki** – kliknij **„Przekształć” → „Użyj pierwszego wiersza jako nagłówków”**.
# **Zmień typy danych** dla `startDate` i `endDate` na **Date**:
## Kliknij nagłówek `startDate` → wybierz typ `Date`.
## Powtórz dla `endDate`.

* 🔹 Krok 3: Utwórz osobne zapytania dla `startDate` i `endDate` 
# W tabeli `Parameters` kliknij prawym przyciskiem myszy na wartość w `startDate` → **„Dodaj jako nowe zapytanie”** (`Add as new query`).
# Powtórz tę operację dla `endDate`.

* 🔹 Krok 4: Zmień typ danych w kolumnie `OrderDate` w tabeli `PQ Sales` na date 
# Wróć do zapytania `PQ Sales`.
# Kolumna `OrderDate` zawiera daty w formacie `DD MM YY`.
# **Rozdziel ją na trzy kolumny**:
## Kliknij **„Przekształć” → „Podziel kolumnę” → „Według ogranicznika”**.
## Wybierz **spację** (` `) jako ogranicznik.
## Powstają trzy nowe kolumny: `OrderDate.1`, `OrderDate.2`, `OrderDate.3` (dzień, miesiąc, rok).
# **Zmień typy danych** tych kolumn na `Number` (`Int64.Type`).
# **Połącz je w poprawny format `YYYY-MM-DD`**:
## Kliknij **„Scal kolumny”** (`Merge Columns`).
## Wybierz kolejność: `OrderDate.2`, `OrderDate.3`, `OrderDate.1` (miesiąc, rok, dzień).
## Ustaw separator `/`.
## Zmień nazwę kolumny na `DateOrder`.
## Zmień jej typ na **Date**.

* 🔹 Krok 5: Dodanie dynamicznego filtra do `DateOrder` 
# Otwórz **Edytor Zaawansowany** (`View` → `Advanced Editor`).
# Znajdź ostatni krok przed `in`:

 #"Renamed Columns" = Table.RenameColumns(#"Changed Type2",{{"Merged", "DateOrder"}})

* 🔹 Krok 6 :Dodaj filtr: 

 #"Filtered Rows" = Table.SelectRows(#"Renamed Columns", each [DateOrder] >= startDate and [DateOrder] <= endDate)

Upewnij się, że startDate i endDate są w formacie Date.

Zmień końcową wartość in, aby zwracała #"Filtered Rows":

 in
     #"Filtered Rows"

* 🔹 Krok 7: Sprawdzenie wyników 

#Kliknij „Gotowe” (Done).
#Sprawdź, czy dane są filtrowane poprawnie.
#Kliknij „Zamknij i Załaduj” (Close & Load), aby zapisać dane w Excelu

== Modul 6: Automatyzacja Laczenia i Odswiezania Danych w Power Query ==

=== Cel ===
W tym module nauczysz się:
*✔ Jak automatycznie importować i łączyć pliki z folderu.
*✔ Jak radzić sobie z różnymi nazwami kolumn w różnych plikach.
*✔ Jak przygotować dane do raportowania niezależnie od struktury źródłowych plików.
*✔ Jak ustawić automatyczne odświeżanie danych w Power Query.

=== Dostarczone dane ===
W tym ćwiczeniu użyjemy zestawu wielu plików sprzedażowych, które znajdują się w jednym folderze.

'''📂 [[Media:Sales_Jan.xlsx]]''' – Sprzedaż za styczeń

'''📂 [[Media:Sales_Feb.xlsx]]''' – Sprzedaż za luty

'''📂 [[Media:Sales_Mar.xlsx]]''' – Sprzedaż za marzec

Każdy plik zawiera podobne dane, ale ma inne nazwy kolumn dla wartości sprzedaży:

W Sales_Jan.xlsx kolumna sprzedaży to Total Sale.

W Sales_Feb.xlsx kolumna sprzedaży to Revenue.

W Sales_Mar.xlsx kolumna sprzedaży to SalesAmount.

Celem jest połączenie tych plików w jeden zbiór i dostosowanie nazw kolumn, aby były spójne.

=== Instrukcje ===

*Krok 1: Pobranie plików z folderu
#Otwórz Power Query w Excelu.
#Wybierz Dane → Pobierz dane → Z pliku → Z folderu.
#Wskaż folder, w którym znajdują się pliki sprzedażowe (Sales_Jan.xlsx, Sales_Feb.xlsx, Sales_Mar.xlsx).
#Kliknij Załaduj (Load), aby dodać pliki do Power Query bez automatycznego łączenia.
*Krok 2: Zastosowanie kodu M do załadowania danych
#Otwórz Zaawansowany Edytor w Power Query.
#Wklej poniższy kod M i kliknij Gotowe:

 let
     // Wczytanie plików z folderu
     Source = Folder.Files("C:\Users\pathToFolder..."),
     
     // Dodanie kolumny, która otworzy zawartość pliku Excel
     AddContent = Table.AddColumn(Source, "Custom", each Excel.Workbook([Content])),
     
     // Rozwinięcie zawartości, aby zobaczyć wszystkie dane
     ExpandContent = Table.ExpandTableColumn(AddContent, "Custom", {"Name", "Data"}, {"File Name", "Data"})
 
 in
     ExpandContent

#Po zastosowaniu kodu zobaczysz tabelę z nową kolumną Data.

*Krok 3: Rozwinięcie zawartości tabel
#Kliknij ikonę rozwinięcia obok kolumny Data, aby zobaczyć pełne dane z plików.
#Upewnij się, że wszystkie kolumny z różnych plików są widoczne.

*Krok 4: Usunięcie zbędnych kolumn

#Sprawdź tabelę i usuń niepotrzebne kolumny (np. kolumny techniczne dotyczące plików, które nie są wymagane do analizy).
#Kliknij Przekształć → Usuń kolumny i usuń zbędne kolumny.
*Krok 5: Nadanie nazw kolumnom
#Ustaw własne nazwy kolumn zgodnie ze spójnym formatem (np. Total Sale → Sales).
#Kliknij Przekształć → Zmień nazwę kolumny dla każdej kolumny, aby nadać im jednolitą strukturę.
*Krok 6: Usunięcie zbędnych wierszy (powtórzeń nagłówków)
#Zastosuj filtr na kolumnie zawierającej wartości sprzedaży.
#Usuń wiersze zawierające powtórzenia nagłówków, które mogą występować z powodu łączenia wielu plików.
#Kliknij Przekształć → Usuń wiersze → Usuń duplikaty lub zastosuj filtr manualnie.
*Krok 7: Automatyczne odświeżanie danych
#Przejdź do Dane → Właściwości zapytania → Odświeżaj dane przy otwieraniu pliku.
#Możesz także ustawić automatyczne odświeżanie co X minut.
#Jeśli dodasz nowy plik do folderu (np. Sales_Apr.xlsx), Power Query automatycznie pobierze dane z nowego pliku po odświeżeniu!

=== Zadanie ===
*✔ Załaduj i połącz dane z Sales_Jan.xlsx, Sales_Feb.xlsx, Sales_Mar.xlsx.
*✔ Ujednolić nazwy kolumn i przekształcić dane w jednolity format.
*✔ Usuń puste wiersze, zbędne kolumny i duplikaty.
*✔ Ustaw automatyczne odświeżanie, aby nowe pliki były automatycznie dołączane.
*✔ Skorzystaj z ChatGPT do optymalizacji kodu M w Power Query.


== Modul 7: Optymalizacja Wydajnosci Zapytan w Power Query ==

=== Cel  ===
W tym module nauczysz się:
*✔ Jak przyspieszyć działanie Power Query w przypadku dużych zbiorów danych.
*✔ Jak unikać nieefektywnych operacji, które spowalniają zapytania.
*✔ Jak korzystać z funkcji buforowania i operacji na poziomie bazy danych.
*✔ Jak minimalizować ilość przetwarzanych danych dla lepszej wydajności.

=== Wprowadzenie ===
Power Query pozwala na transformację danych, ale przy dużych zbiorach może działać wolno. W tym module nauczysz się optymalnych praktyk, które pozwolą skrócić czas przetwarzania zapytań.

=== Instrukcje ===

*Krok 1: Unikanie niepotrzebnych operacji na całym zbiorze danych
#Wczytaj duży plik CSV 📂[[Media:PQSales_Large.csv]].
#Sprawdź liczbę wierszy i kolumn – im więcej danych, tym większe znaczenie ma optymalizacja.
#Usuń zbędne kolumny na początku zapytania, zamiast na końcu.
#Użyj Filtrowania wczesnego – zastosuj filtr, aby ograniczyć liczbę przetwarzanych wierszy od razu po imporcie.

*Krok 2: Używanie funkcji buforowania (Table.Buffer)
#Sprawdź, jak działa przetwarzanie kroków – każda operacja może powodować ponowne przeliczenie całego zapytania.
#Dodaj krok Table.Buffer() po filtrze, aby zapobiec ponownemu przetwarzaniu danych:

 let
     Source = Csv.Document(File.Contents("C:\Users\gp\Desktop\PQ\Sales_Large.csv"),[Delimiter=",", Columns=6, Encoding=1252, QuoteStyle=QuoteStyle.None]),
     FilteredRows = Table.SelectRows(Source, each [Cost] > 500),
     BufferedData = Table.Buffer(FilteredRows)
 in
     BufferedData

Zastosowanie Table.Buffer() powoduje, że Power Query zapisuje wyniki kroku w pamięci, zamiast ponownie przeliczać je w kolejnych krokach.

*Krok 3: Minimalizacja liczby wczytywanych wierszy
#Jeśli pracujesz z dużą bazą danych lub plikami CSV, załaduj tylko potrzebne kolumny i wiersze.
#Zamiast pobierać wszystkie dane, użyj funkcji Keep Top Rows do pobrania np. pierwszych 1000 wierszy dla testów.
#Użyj funkcji Remove Duplicates na wczesnym etapie, aby zmniejszyć liczbę przetwarzanych danych.
*Krok 4: Optymalizacja połączeń z bazą danych
#Jeśli pracujesz z SQL Server, Power BI lub inną bazą danych, unikaj pobierania całej tabeli do Power Query.
#Zamiast tego, filtrowanie i grupowanie wykonuj na poziomie bazy danych za pomocą przekształceń natywnych SQL.

Przykład:

 let
     Source = Sql.Database("ServerName", "DatabaseName", [Query="SELECT OrderID, OrderDate, Customer, Product FROM Sales WHERE Cost > 500"])
 in
     Source

Dzięki temu Power Query pobierze już przefiltrowane dane, zamiast filtrować całą tabelę w pamięci.
*Krok 5: Unikanie operacji „drill-down” na dużych zbiorach danych
#Power Query często automatycznie sugeruje „drill-down” (np. wybór pojedynczej wartości z tabeli).
#Jeśli wykonujesz operację na dużych zbiorach, staraj się pracować na całych tabelach, zamiast przekształcać pojedyncze rekordy.
*Krok 6: Automatyczne odświeżanie zoptymalizowanych zapytań
#Po zoptymalizowaniu zapytania, ustaw odświeżanie w Excelu lub Power Query, aby aktualizowało się w odpowiednich interwałach.
#W Excelu przejdź do Dane → Właściwości zapytania → Odświeżaj dane przy otwieraniu pliku.

=== Zadanie ===

#Wczytaj duży plik CSV (PQSales_Large.csv).
#Ogranicz liczbę wczytywanych wierszy i kolumn.
#Zastosuj Table.Buffer() i sprawdź różnicę w wydajności.
#Jeśli korzystasz z bazy danych, zoptymalizuj zapytanie SQL.
#Ustaw automatyczne odświeżanie zoptymalizowanego zapytania.
#Skorzystaj z ChatGPT do analizy wydajności i dalszej optymalizacji kodu M.


== Modul 8: Tworzenie dynamicznych raportow i paneli w Excelu z Power Query ==

=== Cel ===  
W tym module nauczysz się:  
*✔ Jak wykorzystać Power Query do dynamicznego generowania raportów.  
*✔ Jak łączyć dane z różnych źródeł w jednym raporcie.  
*✔ Jak tworzyć interaktywne raporty przy użyciu tabel przestawnych.  
*✔ Jak zautomatyzować odświeżanie raportów w Excelu.

=== Dostarczone dane ===  
Do tego ćwiczenia użyjemy następujących plików:  

*📂 [[Media:PQ_Sales_Data.xlsx]] – Dane sprzedażowe.
*📂 [[Media:PQ_Regions.xlsx]] – Dane o regionach sprzedaży.
*📂 [[Media:PQ_Targets.xlsx]] – Cele sprzedażowe.

=== Instrukcje ===

*Krok 1: Importowanie danych i łączenie źródeł*

# Otwórz Power Query w Excelu.
# Zaimportuj pliki PQ_Sales_Data.xlsx, PQ_Regions.xlsx i PQ_Targets.xlsx.
# Połącz dane ze sobą, używając klucza wspólnego – np. kolumny "Region".
# Sprawdź, czy dane są poprawnie połączone i wyświetlają się we właściwym formacie.

*Krok 2: Tworzenie dynamicznego raportu*

# Kliknij Zamknij i Załaduj do... i wybierz Tabelę przestawną.
# Wstaw tabelę przestawną w nowym arkuszu i upewnij się, że źródłem danych jest Power Query.
# W polach tabeli przestawnej ustaw:
  * Wiersze → Region.
  * Kolumny → Miesiąc.
  * Wartości → Suma Sprzedaży.

 Sprawdź poprawność wyników i sformatuj tabelę.

*Krok 3: Dodanie warunkowego formatowania*

# Wybierz kolumnę "Suma Sprzedaży" w tabeli przestawnej.
# Kliknij Formatowanie warunkowe → Skalowanie kolorów.
# Ustaw gradientowe kolory dla niskiej i wysokiej sprzedaży.
# Zastosuj regułę "Większe niż" i podświetl wartości powyżej celu sprzedażowego (dane z PQ_Targets.xlsx).

 =B5> VLOOKUP($A5,Targets!$A$2:$B$8,2,0)


*Krok 4: Automatyzacja odświeżania danych*

# Przejdź do Dane → Właściwości zapytania → Odświeżaj dane przy otwieraniu pliku.
# Możesz także ustawić odświeżanie automatyczne co X minut.
# Sprawdź, czy po dodaniu nowych danych do plików źródłowych raport aktualizuje się poprawnie.

=== Zadanie ===

# Załaduj i połącz dane z PQ_Sales_Data.xlsx, PQ_Regions.xlsx i PQ_Targets.xlsx.
# Utwórz tabelę przestawną i sformatuj dane dynamicznie.
# Dodaj warunkowe formatowanie na podstawie celów sprzedażowych.
# Ustaw automatyczne odświeżanie danych.
# Skorzystaj z ChatGPT do analizy i optymalizacji zapytań Power Query.

== Podsumowanie mod1 - mod8 ==

=== Cel ćwiczenia ===
W tym zadaniu podsumujesz wszystkie dotychczas poznane zagadnienia w Power Query poprzez wykonanie serii transformacji na danych dotyczących inwentaryzacji magazynowej i dostawców. Wykorzystasz import danych, filtrowanie, scalanie, dodawanie kolumn, niestandardowe funkcje i optymalizację zapytań.

=== Dostarczone dane ===
Do wykonania ćwiczenia wykorzystasz pliki:
* '''📂 [[Media:PQ_inventory.csv]]''' – Dane o stanie magazynowym
* '''📂 [[Media:PQ_suppliers.csv]]''' – Informacje o dostawcach
* '''📂 [[Media:PQ_orders.csv]]''' – Zamówienia dostaw do magazynu

=== Instrukcje ===

'''🔹 Krok 1: Importowanie danych'''
# Otwórz Power Query w Excelu lub Power BI.
# Zaimportuj trzy pliki CSV: `PQ_inventory.csv`, `PQ_suppliers.csv`, `PQ_orders.csv`.
# Sprawdź, czy dane zostały poprawnie załadowane.

'''🔹 Krok 2: Sprawdzenie i konwersja typów danych'''
# Upewnij się, że kolumny w każdym zbiorze mają poprawne typy danych.
# Problem do rozwiązania: kolumna `StockLevel` (poziom zapasów) została błędnie zaimportowana jako tekst, ponieważ zawiera wartości z jednostkami, np. `150 kg`, `200 l`, `75 szt`.
# Przekształć kolumnę `StockLevel`, aby zawierała tylko wartości liczbowe, a jednostkę zapisz w osobnej kolumnie `Unit`.
# Sprawdź, czy kolumna `SupplierID` została poprawnie rozpoznana jako liczba całkowita.

'''🔹 Krok 3: Scalanie danych'''
# Połącz `PQ_inventory.csv` z `PQ_suppliers.csv` za pomocą klucza `SupplierID`.
# Użyj `Left Outer Join`, aby zachować wszystkie rekordy magazynowe.
# Następnie scal `PQ_orders.csv` z `PQ_inventory.csv`, używając `ProductID` jako klucza.
# Sprawdź, czy do tabeli magazynowej dodano informacje o dostawcach i zamówieniach.

'''🔹 Krok 4: Tworzenie kolumn niestandardowych'''
# Dodaj kolumnę `ReorderLevel`, która oznaczy produkty wymagające zamówienia, gdy `StockLevel` jest mniejsze niż `MinimumStock`.
# Dodaj kolumnę `DaysSinceLastOrder`, która oblicza liczbę dni od ostatniego zamówienia na dany produkt.
# Utwórz niestandardową funkcję w M, która przypisuje priorytet zamówienia:
<pre>
if [StockLevel] < [MinimumStock] and [DaysSinceLastOrder] > 30 then "High" 
else if [StockLevel] < [MinimumStock] then "Medium" 
else "Low"
</pre>
# Dodaj kolumnę `OrderPriority` i przypisz do niej wynik tej funkcji.

'''🔹 Krok 5: Filtrowanie i transformacje warunkowe'''
# Usuń produkty, które są w stanie `Discontinued`.
# Dodaj nową kolumnę `SupplierRating`, która klasyfikuje dostawców według ich niezawodności:
<pre>
if [OnTimeDeliveryRate] > 95 then "Excellent" 
else if [OnTimeDeliveryRate] >= 80 then "Good" 
else "Poor"
</pre>
# Sprawdź, czy klasyfikacja działa poprawnie.

'''🔹 Krok 6: Przekształcanie struktury danych'''
# Wykonaj unpivotowanie kolumn `Stock_Jan`, `Stock_Feb`, `Stock_Mar`, aby uzyskać strukturę z kolumnami: `Product`, `Month`, `Stock Level`.
# Rozdziel kolumnę `ProductDetails` na `ProductName` i `Category`.
# Scal kolumny `SupplierName` i `Country`, używając ` - ` jako separatora.

'''🔹 Krok 7: Optymalizacja zapytania'''
# Zastosuj `Table.Buffer()`, aby poprawić wydajność przetwarzania.
# Usuń zbędne kolumny i duplikaty na początku przekształceń, a nie na końcu.
# Jeśli dane są duże, ogranicz liczbę wczytywanych wierszy do testowych 1000.

'''🔹 Krok 8: Eksport wyników'''
# Zapisz gotowe zapytanie jako tabelę w Excelu.
# Przetestuj odświeżanie danych po zmianie wartości w plikach źródłowych.
# Ustaw automatyczne odświeżanie zapytania.

=== Zadanie ===
*✔ Wykonaj wszystkie kroki opisane powyżej.  
*✔ Eksperymentuj zarówno z interfejsem graficznym, jak i kodem M.  
*✔ Zastosuj optymalizację zapytań, aby poprawić wydajność przetwarzania.  
*✔ Upewnij się, że transformacje działają poprawnie i wyniki są zgodne z oczekiwaniami.  
*✔ Skorzystaj z ChatGPT w celu rozwiązywania problemów lub optymalizacji skryptu M.  

== Modul 10: Import i analiza plików PDF w Power Query ==

=== Cel ===
W tym module nauczysz się:

* ✔ Jak importować dane z plików PDF do Power Query.
* ✔ Jak przekształcać dane i wykonywać analizy na poszczególnych raportach biznesowych.
* ✔ Jak wizualizować wyniki i wyciągać wnioski na podstawie raportów.

=== Dostarczone dane ===
Do ćwiczenia wykorzystamy pliki PDF zawierające raporty biznesowe:

* 📂 [[Media:Monthly_Sales_Report_Jan2024.pdf]] – Raport sprzedaży
* 📂 [[Media:Employee_Attendance_Q1_2024.pdf]] – Raport frekwencji pracowników
* 📂 [[Media:Customer_Feedback_Survey_2024.pdf]] – Raport opinii klientów

=== Instrukcje ===

🔹 '''Zadanie 1: Analiza raportu sprzedaży'''

# Oblicz sumaryczną sprzedaż dla wszystkich produktów.
# Znajdź produkt o najwyższej i najniższej sprzedaży.
# Oblicz średnią wartość transakcji na podstawie liczby transakcji i wartości sprzedaży.
# Grupuj dane według regionów i oblicz łączną sprzedaż dla każdego regionu.
# Utwórz tabelę przestawną przedstawiającą sprzedaż według regionów i produktów.

🔹 '''Zadanie 2: Analiza raportu frekwencji pracowników'''

# Oblicz średni wskaźnik frekwencji dla wszystkich działów.
# Znajdź dział z najwyższą i najniższą frekwencją.
# Utwórz nową kolumnę klasyfikującą frekwencję według kategorii:
## Wysoka: powyżej 95%
## Średnia: 85% - 95%
## Niska: poniżej 85%
# Przefiltruj dane tak, aby wyświetlić tylko pracowników z niską frekwencją.
# Stwórz wizualizację (np. wykres słupkowy) przedstawiającą średnią frekwencję dla poszczególnych działów.

🔹 '''Zadanie 3: Analiza raportu opinii klientów'''

# Oblicz średnią ocenę klientów na podstawie skali 1-5.
# Znajdź liczbę klientów, którzy wystawili ocenę 1 lub 5.
# Wygeneruj raport podsumowujący najczęściej powtarzające się pozytywne i negatywne opinie.
# Posortuj dane według oceny klientów od najniższej do najwyższej.
# Stwórz wykres kołowy pokazujący rozkład ocen klientów.

=== Podsumowanie ===
*✔ Wykonaj zadania analityczne dla każdego raportu oddzielnie.  
*✔ Zastosuj filtrowanie, sortowanie i grupowanie danych.  
*✔ Wykorzystaj tabele przestawne do agregowania wyników.  
*✔ Wizualizuj wyniki za pomocą wykresów w Excelu lub Power BI.  
*✔ Skorzystaj z ChatGPT, jeśli napotkasz trudności w analizie danych.

== Modul 11: Importowanie i analiza danych z sieci Web==

=== Cel ===
W tym module nauczysz się:

* ✔ Jak importować dane z tabel statystycznych dostępnych na stronach Wikipedii do Power Query.
* ✔ Jak przekształcać i analizować dane dotyczące krajów świata.
* ✔ Jak wizualizować wyniki porównań w Excelu lub Power BI.

=== Źródło danych ===
W tym ćwiczeniu wykorzystamy rzeczywiste dane tabelaryczne dotyczące krajów świata. Importujemy je bezpośrednio z Wikipedii, gdzie dostępne są zestawienia obejmujące:

* 📊 **Powierzchnię krajów świata** 🌍
* 📊 **Liczbę ludności w poszczególnych krajach** 👥
* 📊 **Produkt Krajowy Brutto (PKB) w podziale na państwa** 💰

'''źródła:'''
* [https://pl.wikipedia.org/wiki/Lista_pa%C5%84stw_%C5%9Bwiata_wed%C5%82ug_powierzchni Lista państw świata według powierzchni]
* [https://pl.wikipedia.org/wiki/Lista_pa%C5%84stw_%C5%9Bwiata_wed%C5%82ug_liczby_ludno%C5%9Bci Lista państw według liczby ludności]
* [https://pl.wikipedia.org/wiki/Lista_pa%C5%84stw_%C5%9Bwiata_wed%C5%82ug_PKB_nominalnego Lista państw według PKB nominalnego]

=== Instrukcje ===

🔹 '''Krok 1: Importowanie danych z Wikipedii'''

# Otwórz Power Query w Excelu lub Power BI.
# Wybierz opcję **Pobierz dane** → **Z sieci Web**.
# Wpisz adres URL jednej z powyższych stron Wikipedii.
# Po załadowaniu dostępnych tabel wybierz tę, która zawiera dane statystyczne (np. powierzchnia krajów, ludność, PKB).
# Kliknij **Załaduj do Power Query**, aby rozpocząć przekształcanie danych.

🔹 '''Krok 2: Przekształcanie i czyszczenie danych'''

# **Usuń zbędne kolumny**, pozostawiając tylko te, które są kluczowe dla analizy.
# **Zmień typy danych**, aby liczby były poprawnie interpretowane (np. `Powierzchnia` jako liczba, `PKB` jako waluta).
# **Usuń puste wartości** i ewentualne błędy w danych.
# **Zamień nazwy kolumn** na bardziej zrozumiałe, np. `Kraj`, `Powierzchnia (km²)`, `Ludność`, `PKB (mld USD)`.

🔹 '''Krok 3: Analiza i porównanie krajów'''

# **Oblicz gęstość zaludnienia**, dodając nową kolumnę według wzoru:
 Gęstość zaludnienia = Ludność / Powierzchnia

# **Posortuj kraje według PKB**, aby zobaczyć najbogatsze i najbiedniejsze państwa.
# **Porównaj powierzchnię i liczbę ludności**, aby znaleźć największe i najmniejsze kraje oraz te o największej liczbie mieszkańców.
# **Zastosuj filtrowanie**, aby wyświetlić tylko wybrane kontynenty lub regiony świata.

🔹 '''Krok 4: Wizualizacja wyników'''

# Utwórz **tabelę przestawną** w Excelu, aby porównać powierzchnię, ludność i PKB krajów.
# Wstaw **wykres słupkowy**, aby pokazać największe gospodarki świata.
# Użyj **mapy cieplnej**, aby zobrazować gęstość zaludnienia w poszczególnych regionach.
# Dodaj **formatowanie warunkowe**, aby wyróżnić kraje o skrajnych wartościach statystycznych.

=== Zadanie ===
*✔ Zaimportuj dane dotyczące krajów świata z Wikipedii do Power Query.  
*✔ Przekształć i wyczyść dane, aby były gotowe do analizy.  
*✔ Oblicz gęstość zaludnienia oraz inne wskaźniki statystyczne.  
*✔ Stwórz wykresy i tabele porównawcze w Excelu lub Power BI.  
*✔ Skorzystaj z ChatGPT w razie problemów z importem lub analizą danych.


== Modul 12: Czyszczenie i przekształcanie danych tekstowych w Power Query ==

=== Cel ===
W tym module nauczysz się:

* ✔ Jak usuwać zbędne spacje i poprawiać wielkość liter.
* ✔ Jak poprawiać formatowanie adresów e-mail.
* ✔ Jak ujednolicić numery telefonów.
* ✔ Jak poprawić błędy w kodach pocztowych.
* ✔ Jak rozdzielać i scalać tekst w tabelach.

=== Dane wejściowe ===
Dostaliśmy chaotycznie wprowadzone dane klientów, które wymagają czyszczenia.

'''Plik do pobrania:'''  
📂 [[Media:baza_klientow.xlsx|Pobierz plik baza_klientow.xlsx]]

=== Instrukcje ===

🔹 '''Krok 1: Czyszczenie imion i nazwisk'''

# Usuń podwójne spacje.
# Zamień imiona i nazwiska na format "Pierwsza litera duża, reszta małe".
# Popraw literówki w nazwiskach.

🔹 '''Krok 2: Poprawienie formatowania adresów e-mail'''

# Zamień "@@" na "@".
# Zamień ".." na ".".
# Zamień ",com" na ".com".
# Usuń zbędne spacje wokół adresów e-mail.

🔹 '''Krok 3: Normalizacja numerów telefonów'''

# Usuń spacje, nawiasy, kropki i znaki "+48".
# Konwertuj numery do formatu „601-123-456”.

🔹 '''Krok 4: Poprawienie kodów pocztowych'''

# Zamień "_" na "-".
# Usuń błędne znaki w kodach pocztowych.

🔹 '''Krok 5: Rozdzielanie i scalanie tekstu'''

# Rozdziel kolumnę "Imię i Nazwisko" na dwie osobne kolumny.
# Scal kolumny "Adres" i "Miasto" w jedną kolumnę "Pełny Adres".

=== Oczekiwany efekt końcowy ===

Po wykonaniu operacji dane klientów powinny zostać poprawnie sformatowane i ujednolicone, gotowe do dalszej analizy w Excelu lub Power BI.

=== Zadanie ===
*✔ Oczyść dane klientów – popraw imiona, e-maile i telefony.  
*✔ Usuń duplikaty i błędne wpisy.  
*✔ Rozdziel nazwiska, scal adresy.  
*✔ Ujednolić format kodów pocztowych.  
*✔ Zastosuj formatowanie warunkowe w Excelu dla błędnych wartości.

<br>

*1️⃣ Czyszczenie błędów w imionach i nazwiskach
*✅ Usunięcie podwójnych spacji
*✅ Zamiana nazwisk na pierwsza litera duża, reszta małe
*✅ Poprawienie literówek (np. „kowalsky” → „Kowalski”)

*📌 Kod M do poprawy wielkości liter i usunięcia spacji:

 Table.TransformColumns(Dane, {{"Imię i Nazwisko", Text.Proper}, {"Miasto", Text.Upper}})
*📌 Zamiana podwójnych spacji na pojedyncze:

 Table.TransformColumns(Dane, {{"Imię i Nazwisko", each Text.Replace(_, "  ", " ")}})
*2️⃣ Poprawienie formatowania e-maili
*✅ Zamiana „@@” na „@”
*✅ Zamiana „..” na „.”
*✅ Poprawienie „,com” → „.com”

*📌 Kod M do poprawy e-maili:

 Table.TransformColumns(Dane, {{"Email", each Text.Replace(Text.Replace(_, "@@", "@"), "..", ".")}})
*📌 Dodatkowo: usunięcie spacji wokół adresu e-mail

 Table.TransformColumns(Dane, {{"Email", Text.Trim}})
*3️⃣ Normalizacja numerów telefonów
*✅ Usunięcie nawiasów, kropek, myślników, spacji
*✅ Konwersja do jednolitego formatu 601-123-456

*📌 Usunięcie zbędnych znaków z telefonu

 Table.TransformColumns(Dane, {{"Telefon", each Text.Remove(_, {" ", "(", ")", "+", "-", "."})}})
*📌 Dodanie standardowego formatu numeru

 Table.AddColumn(Dane, "Telefon Formatowany", each Text.Middle([Telefon], 0, 3) & "-" & Text.Middle([Telefon], 3, 3) & "-" & Text.Middle([Telefon], 6, 3))
*4️⃣ Poprawienie kodów pocztowych
*✅ Zamiana „_” na „-”
*✅ Usunięcie błędnych znaków np. „WRO-567”

*📌 Kod M do poprawienia kodów pocztowych:

 Table.TransformColumns(Dane, {{"Kod Pocztowy", each Text.Replace(_, "_", "-")}})
*5️⃣ Rozdzielanie i scalanie tekstu
*✅ Podział „Imię i Nazwisko” na Imię i Nazwisko
*✅ Scalanie Adres + Miasto → Pełny Adres

*📌 Kod M do podziału na Imię i Nazwisko:

 Table.SplitColumn(Dane, "Imię i Nazwisko", Splitter.SplitTextByEachDelimiter({" "}, QuoteStyle.None, false), {"Imię", "Nazwisko"})
*📌 Kod M do scalania adresów:

 Table.AddColumn(Dane, "Pełny Adres", each [Adres] & ", " & [Miasto])

== Modul 13: Grupowanie, agregowanie i analiza danych sprzedażowych w Power Query ==

=== Cel ===
W tym module nauczysz się:

* ✔ Jak grupować dane według kategorii, klientów i miesięcy.
* ✔ Jak agregować dane (suma, średnia, liczba transakcji).
* ✔ Jak tworzyć segmentacje klientów.
* ✔ Jak przygotować raporty do dalszej analizy w Excelu.

=== Dane wejściowe ===
Dostaliśmy dane sprzedażowe, które chcemy pogrupować według różnych kategorii i przeprowadzić analizę sprzedaży.

'''Plik do pobrania:'''  
📂 [[Media:baza_sprzedazy.xlsx|Pobierz plik baza_sprzedazy.xlsx]]

=== Instrukcje ===

*🔹 '''Krok 1: Wczytanie danych do Power Query'''

# Załaduj plik **baza_sprzedazy.xlsx** do Power Query.
# Sprawdź typy danych – upewnij się, że:
   - Kolumna **Data sprzedaży** jest w formacie daty.
   - Kolumna **Cena jednostkowa** i **Ilość** są w formacie liczbowym.

*🔹 '''Krok 2: Duplikowanie danych dla różnych grupowań'''

# Kliknij prawym przyciskiem myszy na wczytanej tabeli w Power Query i wybierz **Powiel**.
# Powtórz tę operację dla każdej nowej grupy, aby mieć oddzielne tabele dla różnych grupowań.

*🔹 '''Krok 3: Grupowanie danych według produktów'''

# Na tabeli **GrupowanieProdukt** wykonaj grupowanie.
# Przejdź do zakładki **Strona główna** → **Grupuj według**.
# Wybierz **Produkt** jako kolumnę grupującą.
# W sekcji **Nowe kolumny** dodaj:
   - **Suma sprzedanych jednostek** (`SUM(Ilość)`).
   - **Łączna wartość sprzedaży** (`SUM(Cena jednostkowa * Ilość)`).
   - **Średnia cena jednostkowa** (`AVERAGE(Cena jednostkowa)`).

*🔹 '''Krok 4: Grupowanie danych według klientów'''

# Na tabeli **GrupowanieKlient** wykonaj grupowanie.
# Powtórz proces grupowania, tym razem wybierając **ID Klienta**.
# Dodaj:
   - **Liczbę transakcji** (`COUNT`).
   - **Łączną wartość zamówień** (`SUM(Cena jednostkowa * Ilość)`).
   - **Średnią wartość zamówienia** (`AVERAGE(Cena jednostkowa * Ilość)`).

*🔹 '''Krok 5: Grupowanie miesięczne sprzedaży'''

# Na tabeli **GrupowanieMiesiąc** wykonaj grupowanie.
# Wybierz kolumnę **Data sprzedaży** i przekształć ją na **miesiąc**:
   - Kliknij **Dodaj kolumnę** → **Wyodrębnij** → **Miesiąc**.
# Pogrupuj dane według miesiąca i oblicz **łączną sprzedaż w każdym miesiącu**.

*🔹 '''Krok 6: Wykorzystanie zaawansowanych agregacji'''

# Dodaj nową kolumnę, która wyliczy średnią wartość zamówienia dla danego klienta w stosunku do całej sprzedaży:
   ```m
   [Łączna wartość zamówień] / List.Sum(#"Tabela_Sprzedaż"[Łączna wartość zamówień])
Stwórz segmentację klientów – dodaj kolumnę warunkową:
 Jeśli sprzedaż > 10 000 zł → Kluczowy klient.
 Jeśli sprzedaż 5 000 - 10 000 zł → Średni klient.
 Jeśli sprzedaż < 5 000 zł → Mały klient.
=== Zadanie === 
*✔ Zaimportuj dane sprzedażowe i sprawdź poprawność typów danych.
*✔ Powiel tabelę, aby utworzyć niezależne grupowania.
*✔ Pogrupuj dane według produktów, klientów i miesięcy na oddzielnych tabelach.
*✔ Oblicz sumy sprzedaży, średnie wartości zamówień i liczby transakcji.
*✔ Dodaj klasyfikację klientów na podstawie wartości zamówień.
*✔ Przygotuj tabelę przestawną do analizy wyników.