Parte 6 – Combinar múltiples fuentes y extraer datos útiles

🧩 Parte 6 – Combinar múltiples fuentes y extraer datos útiles

En esta etapa del proyecto aprenderás a complementar tus datos de ventas con información adicional desde otro archivo y a extraer partes relevantes de columnas complejas o mal estructuradas.

📁 Carga de nuevo conjunto de datos:

  1. Desde Power BI Desktop, abre el Power Query Editor con el botón Transformar datos.
  2. Haz clic en Inicio > Nueva fuente > Texto/CSV.
  3. Selecciona el archivo stores_settings.csv o el que contenga información de las tiendas.
  4. Renombra la tabla importada con un nombre representativo, como Tiendas.

🧠 Ejemplo de columnas con datos combinados:

  • State - State Name - City: Tres datos en una sola columna (ej. TX - Texas - Houston).
  • Store Size: Datos como 101 m² o 60 km2.

🔍 Extracción de información:

#### 🟦 Extraer datos antes de un delimitador: - Selecciona la columna. - Ve a Transformar > Extraer > Antes del delimitador. - Usar delimitador: espacio (" ") para casos como 101 m² → resultado: 101. #### 🟨 Extraer datos entre dos delimitadores: - Selecciona la columna. - Ve a Transformar > Extraer > Entre delimitadores. - Usa delimitador inicial y final: " - " para obtener por ejemplo el nombre del Estado. #### 🟥 Consejos: - Puedes duplicar columnas si deseas mantener los datos originales y aplicar diferentes extracciones en cada copia. - El formato extraído sigue siendo texto, puedes convertirlo a número o fecha según convenga.

💬 Reflexión:

La forma en que los datos vienen estructurados no siempre es ideal. Power BI permite transformarlos de forma modular hasta obtener el formato perfecto para análisis o visualización.

🎯 Reto práctico:

  1. Importa el dataset Tiendas.
  2. Extrae:
    • La abreviatura del estado (primeros 2 caracteres).
    • El nombre del estado (entre los guiones).
    • La ciudad (después del segundo guion).
    • El tamaño de la tienda (valor numérico antes del espacio).
  3. Cambia los tipos de datos según corresponda.

Comentarios

Publicar un comentario

Entradas más populares de este blog

Taller: Storytelling con el Mercado de Analistas de Datos Taller en Google Colab: Storytelling con el Mercado de Analistas de Datos Objetivo: Analizar el dataset de Kaggle sobre ofertas laborales para analistas de datos y construir una historia visual con hallazgos clave. 🔗 Paso 1: Accede a Google Colab Conoce a Alex, un joven apasionado por los datos. Ha decidido convertirse en analista de datos y quiere explorar el mercado laboral para entender dónde postularse y qué habilidades necesita. 1. Ingresa a https://colab.research.google.com . 2. Crea un nuevo notebook. 3. Cambia el nombre a: Storytelling_AnalystJobs . 📥 Paso 2: Cargar el dataset Alex encontró un interesante dataset de Kaggle con miles de ofertas laborales para analistas de datos. Ahora quiere cargarlo en su notebook para comenzar su análisis. 1. Descarga el archivo CSV desde Kaggle . 2. Sube el archivo a tu notebook usando: from google.colab ...
Leer más

Taller - Dashboard en Python

Taller - Dashboard en Python (Google Colab) 📈 Taller: Creación de Dashboard Interactivo en Python con Datos de Recursos Humanos 🌟 Objetivo: Aprenderás a construir un dashboard de análisis de Recursos Humanos usando Google Colab y librerías de visualización interactivas como Plotly . Al finalizar, generarás un archivo HTML con todas tus gráficas. 🔹 Instrucciones paso a paso: Sube el archivo RRHH.xlsx a tu entorno de Google Colab. Ejecuta el siguiente bloque para instalar las librerías necesarias: !pip install pandas plotly openpyxl seaborn matplotlib Carga el archivo Excel: import pandas as pd df = pd.read_excel("RRHH.xlsx") df.head() Limpieza de datos y corrección de tipos: Convertir fechas: df["Fecha_Contratacion"] = pd.to_datetime(df["Fecha_Contratacion"], errors='coerce') Reemplazar valores nulos o erróneos: # Reemp...
Leer más