Microsoft Power BI - Python

Requisiti — windows 11

Python: 3.7 – 3.11 (64-bit)
Power BI Desktop: Versione recente (aggiornata)
Librerie obbligatorie: pandas · matplotlib
Timeout script: Max 30 minuti

Pulizia e trasformazione con pandas e Power Query

import pandas as pd

df = dataset.copy()

# --- 1. PULIZIA ---
df = df.drop_duplicates()
df = df.dropna(subset=['vendite', 'regione', 'prodotto'])
df = df[df['vendite'] > 0]

# --- 2. NORMALIZZAZIONE TESTO ---
cols_testo = ['regione', 'categoria', 'prodotto', 'venditore']
for col in cols_testo:
   df[col] = df[col].str.strip().str.title()

# --- 3. COLONNE CALCOLATE ---
df['vendite_iva']  = (df['vendite'] * 1.22).round(2)
df['costo_totale'] = df['costo'] * df['quantita']
df['margine']      = (df['vendite'] - df['costo_totale']).round(2)
df['margine_pct']  = ((df['margine'] / df['vendite']) * 100).round(1)

# --- 4. TIPO CORRETTO PER LE DATE ---
df['mese_num'] = df['mese_num'].astype(int)

print(f"Dataset pronto: {len(df)} righe, {len(df.columns)} colonne")
print(df.dtypes)

dataset = df

Grafico personalizzato con matplotlib

Inserito tramite "Oggetto visivo Python" nel pannello visualizzazioni. Matplotlib produce il grafico direttamente nel canvas.

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker

# dataset è già disponibile come DataFrame
df = dataset.groupby('mese')['vendite'].sum().reset_index()
df = df.sort_values('mese')

fig, ax = plt.subplots(figsize=(8, 4))

bars = ax.bar(df['mese'], df['vendite'],
             color='#378ADD', edgecolor='none', width=0.6)

ax.set_xlabel('Mese', fontsize=10)
ax.set_ylabel('Vendite (€)', fontsize=10)
ax.set_title('Vendite mensili', fontsize=12, fontweight='bold')
ax.yaxis.set_major_formatter(
   mticker.FuncFormatter(lambda x, _: f'{x:,.0f}€'))
ax.spines[['top', 'right']].set_visible(False)
ax.grid(axis='y', alpha=0.3)

plt.tight_layout()
plt.show()
 

Previsione con scikit-learn

import pandas as pd
from sklearn.linear_model import LinearRegression
import numpy as np

df = dataset.copy()
df = df.dropna(subset=['mese_num', 'vendite'])

# Feature e target
X = df[['mese_num']].values
y = df['vendite'].values

# Addestramento modello
model = LinearRegression()
model.fit(X, y)

# Previsioni sui dati esistenti
df['vendite_previste'] = model.predict(X).round(2)

# Previsione per i prossimi 3 mesi
mesi_futuri = np.array([[df['mese_num'].max() + i]
                        for i in range(1, 4)])
previsioni = model.predict(mesi_futuri).round(2)
df_futuro = pd.DataFrame({
   'mese_num': mesi_futuri.flatten(),
   'vendite': [None]*3,
   'vendite_previste': previsioni
})

dataset = pd.concat([df, df_futuro], ignore_index=True)

• Power Query — per trasformare e pulire dati prima del modello (il DataFrame dataset entra ed esce)
• Oggetto visivo Python — per creare grafici custom con matplotlib/seaborn direttamente nel report
• Script Python — per operazioni avanzate come ML, clustering, o previsioni

Limitazioni importanti da comunicare in aula:

• Gli script vengono rieseguiti a ogni aggiornamento dei dati
• Nessun accesso a internet durante l'esecuzione
• Le visualizzazioni Python non sono interattive come quelle native di Power BI
• Il timeout massimo è 30 minuti per script

Librerie consigliate da far installare preventivamente:

pip install pandas matplotlib scikit-learn seaborn numpy