如果你刚开始接触 Power BI，或者正在从 Excel 转型到商业智能领域，你可能会对数据模型中出现的两种主要语言感到困惑：M 和 DAX。为什么我们需要两种不同的语言？它们分别扮演什么角色？在 2026 年，随着 AI 原生开发的普及，这种分工又有了哪些新的意义？这篇文章将带你深入探讨这两大核心引擎的运作机制，我们将以第一视角的实战方式，通过具体的代码示例和应用场景，揭示它们在数据处理流程中的独特价值，并融入最新的工程化开发理念。
为什么我们需要区分 M 和 DAX？
在深入细节之前，让我们先建立一个宏观的认知。Power BI 不仅仅是一个报表工具，它是一个强大的数据转换和分析引擎。为了实现高效的数据处理，微软在 Power BI 中集成了两种截然不同的表达式语言，它们分别服务于数据生命周期的不同阶段：
- M 语言： 这是 Power Query 的原生语言。它负责“脏活累活”，即数据获取和转换（ETL）。M 语言在数据加载到模型之前运行，它的任务是清洗、重塑、合并数据，确保进入模型的数据是干净且结构化的。在现代数据工程中，我们将其视为 ELT 过程中的“E”和“T”。
- DAX (Data Analysis Expressions)： 这是数据模型的血液。它负责数据分析和计算。一旦数据通过 M 语言加载到模型中，DAX 就开始工作，用于创建度量值、计算列，以及处理复杂的上下文关系。
简单来说，M 语言负责准备数据，而 DAX 负责使用数据。理解这一关键区别，是掌握 Power BI 架构的第一步。
2026 视角下的开发范式：AI 驱动的“氛围编程”
在深入具体的代码语法之前，我想先聊聊我们现在的开发环境是如何变化的。作为一名在 2026 年工作的数据开发者，我们必须习惯于“Vibe Coding”（氛围编程）。这并不意味着我们不再需要理解底层逻辑，相反，这意味着我们将繁琐的语法记忆工作交给了 AI，而我们专注于业务逻辑的解构。
我们现在经常使用像 Cursor、Copilot 或 GitHub Codespaces 这样的工具来编写 M 和 DAX。
- 实战场景： 假设我们需要从一段极其混乱的 JSON 响应中提取嵌套数据。过去我们需要查阅大量的 M 语言文档（如
Json.Document），现在我们只需在编辑器中输入注释：
// 解析这个 API 返回的 JSON，并将 ‘data.items‘ 展开为表
AI 会自动补全复杂的 INLINECODE312c1576 和 INLINECODE481fc6de 逻辑。
但是，请记住：AI 并不总是完美的。它生成的 M 代码有时会因为硬编码路径而导致“查询折叠”失效。因此，我们作为人类的角色，已经从“代码编写者”转变为“代码审核者”。我们需要理解 M 和 DAX 的执行机制，以便审查 AI 生成的代码是否符合性能最佳实践。
M 语言：数据转换的幕后英雄
M 是一种函数式编程语言，也称为 Power Query (M)。它的设计灵感借鉴了 SQL 的查询能力和 Excel 的易用性。在现代化的数据项目中，M 不仅仅是清洗工具，它是我们的数据网关。
M 语言的核心特性与企业级应用
- 多范式编程与惰性计算： M 语言结合了声明式和函数式特性。每一个查询步骤实际上都是对数据流的一次不可变操作。这种“不可变性”对于数据溯源至关重要——在企业合规性要求日益严格的 2026 年，我们不仅需要结果，更需要通过 M 的
Applied Steps（应用的步骤）完整复现数据处理的每一个逻辑节点。 - 查询折叠—— 性能的关键： 这是我们在生产环境中最为关注的概念。所谓的“查询折叠”，是指 Power Query 尝试将我们在界面中点击的操作（如筛选行、排序、移除列）尽可能翻译成源数据库的原生 SQL 语句。
* 我们遇到的坑： 在一个大型项目中，我们发现某个查询极其缓慢。经过排查，发现是因为我们在 Power Query 中添加了一步“自定义列”操作，导致 Power BI 无法将后续步骤翻译成 SQL，不得不将数百万行数据先下载到本地内存再进行计算。
* 解决方案： 我们将这部分逻辑移到了数据视图中，或者使用 SQL View 在源端解决。记住：尽量保持 M 的“纯洁性”，让数据库去做它最擅长的事。
实战演练：使用 M 处理复杂的 API 响应
让我们通过一个 2026 年常见的场景：连接 REST API 并处理分页。
场景： 我们需要从公司的 SaaS 服务获取销售数据。API 每次只返回 50 条记录，并附带一个 next_page 标记。
代码解析：
“powerquery-m
// 定义递归函数来获取所有页面
// 这种递归逻辑在处理现代 Web API 时非常常见
let
// API 基础配置
BaseUrl = "https://api.company2026.com/v1/sales",
Headers = [Authorization="Bearer " & ApiKey],
// 核心递归函数：Record 代表当前状态， 包括数据和下一页链接
FetchData = (state) =>
let
CurrentUrl = if Record.Field(state, "NextUrl") = null
then BaseUrl
else Record.Field(state, "NextUrl"),
// 发起 Web 请求
Response = Json.Document(Web.Contents(CurrentUrl, [Headers=Headers])),
NewData = Response[data],
NewNextUrl = Response[next_page], // 如果为 null 表示结束
// 更新状态：将新数据累加到旧数据中
UpdatedState = [
Data = state[Data] & NewData,
NextUrl = NewNextUrl
]
in
UpdatedState,
// 初始状态
InitialState = [Data={}, NextUrl=null],
// List.Generate 实现循环直到 NextUrl 为 null
FinalRecord = List.Generate(
() => InitialState[NextUrl] = BaseUrl, // 初始条件
each _ null, // 终止条件 (这里是简化的逻辑，实际需判断 NextUrl)
each FetchData(_) // 递归调用
),
// 将列表转换为表
OutputTable = Table.FromRecords(FinalRecord[Data])
in
OutputTable
CODEBLOCK_47b31ab4dax
// 计算列示例（通常在 Dimension 表中）
// 逻辑：根据薪资区间标记员工等级，用于切片器筛选
Employee Category =
SWITCH(
TRUE(),
‘Employee‘[Salary] > 20000, "Platinum",
‘Employee‘[Salary] > 10000, "Gold",
"Standard"
)
CODEBLOCK_a6c42ee0dax
// 度量值示例：计算年初至今 (YTD) 的总薪资
// 这是典型的“时间智能”函数应用
Total Salary YTD =
CALCULATE(
SUM(‘Employee‘[Salary]),
DATESYTD(‘Date‘[Date])
)
// 更复杂的示例：计算每个部门的薪资占比
// 需要理解 ALL 函数来修改筛选上下文
Salary % of Total =
DIVIDE(
SUM(‘Employee‘[Salary]),
CALCULATE(
SUM(‘Employee‘[Salary]),
ALL(‘Department‘) // 移除部门的筛选，计算总计
)
)
CODEBLOCK_06a88ba7dax
// 高级 DAX 示例：动态阈值过滤
High Sales Days Count =
VAR CurrentEmployeeSales = SUM(‘Sales‘[Amount])
VAR EmployeeAverage =
CALCULATE(
AVERAGEX(
VALUES(‘Date‘[Date]),
SUM(‘Sales‘[Amount])
),
ALLEXCEPT(‘Sales‘, ‘Sales‘[EmployeeID]) // 保持员工上下文，清除其他筛选
)
RETURN
IF(
CurrentEmployeeSales > EmployeeAverage,
COUNTROWS(‘Date‘),
0
)
CODEBLOCK_b3cdda08powerquery-m
let
Source = Json.Document(Web.Contents("...")),
// 如果 data 字段缺失，返回空表而不是报错
SafeData = try Record.Field(Source, "data") otherwise null,
Output = if SafeData = null then #table({}, {}) else Table.FromRecords(SafeData)
in
Output
“
总结与后续步骤
我们今天一起探索了 Power BI 中 M 语言和 DAX 的核心差异。简单回顾一下：
- M 语言 是数据的建筑师。它在后台默默工作，负责清洗、重塑数据，通过声明式的步骤将杂乱的数据源转化为结构化的数据表。在 AI 辅助开发时代，它是处理非结构化数据源的利器。
- DAX 是数据的分析师。它在前台展示智慧，基于用户的交互，利用数据模型中的关系进行复杂的聚合计算和逻辑判断。掌握上下文转换是精通它的关键。
掌握了这两者的分工，你就已经具备了构建复杂商业智能模型的基础。对于你的下一步学习，我们建议你深入尝试以下操作：
- 拥抱 AI 工具： 让 AI 帮你生成基础代码，然后你逐行审查，特别是关注“查询折叠”和“上下文转换”这两个核心概念。
- 重构思维： 从“面向过程”的 Excel 思维转向“面向模型”的 BI 思维。不要总想着在 M 里算出所有东西，也不要总想着在 DAX 里做行级别的清洗。
- 探索 Fabric： 微软的 Power BI 现在已深度整合进 Microsoft Fabric。了解你的 DAX 如何在 Fabric 的 Direct Lake 模式下运行，这是未来的方向。
Power BI 的世界非常广阔，M 和 DAX 是开启这个世界的两把钥匙。保持好奇心，多动手实验，你会发现处理数据不再是枯燥的工作，而是一种创造价值的乐趣。