Una vez que ya sabemos como importar nuestros datos, PowerPivot nos ofrece la posibilidad de añadir columnas calculadas para mejorar la calidad de nuestro dato. Crear una columna calculada es muy sencillo y vamos a ilustrar este proceso.

En primer lugar he importado una vista de AdventureWorks (vSalesPerson) y me he quedado solo con un conjunto de columnas concreto. El nombre de mi tabla es vSalesPerson:

Como crear columnas calculadas en PowerPivot

 

Me encuentro que el nombre de este personal de venta esta dividido en varias columnas:

– Title

– First Name,

– MiddleName

– Last Name

Nuestro objetivo es que una vez queramos hacer un análisis con estos datos, se nos muestre el nombre completo. Para eso podemos hacer una columna calculada que nos muestre el nombre concreto. Para eso, en la ultima columna de nuestra tabla de PowerPivot, tenemos la columna AddColumn. Esta columna esta esperando una expresión DAX para que la columna tome un valor. En este caso la logica será muy sencilla: Concatenar los nombres. Para eso nos situamos sobre la columna “AddColumn” y vamos al campo de formula:

Como crear columnas calculadas en PowerPivot

Una primera aproximación sería la siguiente formula

=vSalesPerson[Title]&” “&vSalesPerson[FirstName]&” “&vSalesPerson[MiddleName]&” “&vSalesPerson[LastName]

Siendo:

El “=” nos marca el inicio de una expresión. Es necesario el “=” para escribir una expresión. Con tabla[campo] estamos haciendo referencia a una tabla en concreta y a un campo de esta. Así vSalesPerson[Title] se refiere a nuestra primera columna. El “&” nos sirve para concatenar cadenas de Texto. El resultado es el siguiente:

Como crear columnas calculadas en PowerPivot

 

Como vemos hay espacios al principio del nombre. Podemos seguir refinando. DAX nos brinda multitud de funciones para realizar. Como podemos observar la columna a cambiado su nombre a CalculatedColumn1 y aparece una nueva columna “AddColumn”. Refinando de forma que no haya espacios innecesarios y con un formato correcto, la expresión nos queda:

=IF(ISBLANK(vSalesPerson[Title]),
IF(ISBLANK(vSalesPerson[MiddleName]),
vSalesPerson[FirstName]&” “&vSalesPerson[LastName],
IF(LEN(vSalesPerson[MiddleName])=1,vSalesPerson[FirstName]&” “&vSalesPerson[MiddleName]&”. “&vSalesPerson[LastName],vSalesPerson[FirstName]&” “&vSalesPerson[MiddleName]&” “&vSalesPerson[LastName])),
IF(ISBLANK(vSalesPerson[MiddleName]),
vSalesPerson[Title]&” “&vSalesPerson[FirstName]&” “&vSalesPerson[LastName],
IF(LEN(vSalesPerson[MiddleName])=1,vSalesPerson[Title]&” “&vSalesPerson[FirstName]&” “&vSalesPerson[MiddleName]&”. “&vSalesPerson[LastName],vSalesPerson[Title]&” “&vSalesPerson[FirstName]&” “&vSalesPerson[MiddleName]&” “&vSalesPerson[LastName])))

Este ejemplo nos da la idea de la potencia que podemos obtener con las columnas calculadas en PowerPivot. Renombramos nuestra columna calculada a CompleteName, para darle un nombre más amigable. Si montamos una PivotTable, el campo se nos añade a los valores disponibles

 

Nos vemos en proximos posts..

Como crear columnas calculadas en PowerPivot Como crear columnas calculadas en PowerPivot

Referencias:

Building Formulas for Calculated Columns and Measures

 

0 Shares:
Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

You May Also Like
Leer más

Extraer datos de Twitter desde un servicio creado con Python en Visual Studio 2017

En el post que os traemos hoy vamos a ver como crear (con Visual studio 2017) mediante un script en python un programa que podremos ejecutar como un servicio de windows y que extraiga en tiempo real los twitts relacionados con determinadas palabras o hashtags, los almacene en una base de datos sql server, para luego explotarlos con powerbi. El objetivo de este script es el de conectar al api de streaming de twitter al que le pasaremos una lista de hashtags o terminos y nos devolverá de forma indefinida en tiempo real los twitts que se van publicando que contienen estos terminos.
Leer más

El tiempo es oro: Cómo predecir series temporales con datos de muchas dimensiones con R – SolidQ Summit 2017

Saber cuánto vamos a vender mañana o el año que viene es el sueño dorado de muchos analistas de negocio. Sin embargo, no nos conformamos con un número, sino que necesitamos predicciones ajustadas a todos los niveles, detalles y segmentaciones posibles, y aquí es donde la predicción puede volverse realmente difícil. Descubre las implementaciones reales afrontando estas predicciones sin importar el nivel de detalle que necesites y sube un peldaño en tus sistemas inteligentes.