作为一名数据分析师或业务 intelligence 爱好者，你是否曾面对过杂乱无章的原始数据感到无从下手？或者在 Excel 中手动复制粘贴、清洗数据直到深夜？别担心，今天我们将一起深入探索 Power BI 中最强大的幕后英雄——Power Query 编辑器。在这个教程中，我们将不仅是学习如何点击按钮，更是要掌握一套系统化的数据清洗与转换逻辑，这将彻底改变你的数据处理工作流。
什么是 Power Query 编辑器？
Power Query 编辑器是 Power BI Desktop 中用于数据获取、清洗和转换的核心引擎。你可以把它想象成一个“数据厨房”的备菜区：在这里，我们将原材料（原始数据）进行清洗、去皮、切片（转换），最终烹饪成美味的佳肴（数据模型），供前台（报表展示）使用。
它不仅仅是一个工具，更是一种语言（M 语言）的图形化界面。当我们从互联网、Excel 文件、SQL 服务器或任何其他来源上传数据时，上传的数据往往不是我们理想的格式。数据转换有助于通过删除不必要的行、拆分列和更改格式来清理和组织数据，然后才能将其加载到 Power BI 中进行分析。值得注意的是，Power Query 编辑器不仅仅是桌面工具的一部分，它在 Power BI 在线服务（Power BI Service）中同样起着关键作用，尽管主要的转换工作通常是在 Desktop 端完成的。
启动 Power Query 编辑器
让我们从最基础的开始。要打开 Power Query 编辑器，我们通常有两种方式：
- 加载数据时：当你点击“获取数据”并选择源后，通常会直接跳转到编辑器。
- 手动启动：在 Power BI Desktop 的 主页 选项卡下，点击 转换数据 按钮。
!lauch.pngLaunching Power Query Editor
点击后，一个独立的窗口将会弹出。在这里，你不会看到任何可视化图表，只有纯粹的数据逻辑。别被这枯燥的界面吓倒，这才是赋予数据灵魂的地方。
导入数据与实战准备
为了让我们接下来的探讨更具实际意义，我们需要一份“实战演练”的数据。在 Power Query 编辑器中，你可以点击 主页 选项卡下的 新建源 来从 Excel、SQL 或 Web 等不同来源添加数据。
在本次演示中，我们将使用一个名为 My movie list.xlsx 的 Excel 文件。这是一份包含电影信息的清单，格式如下：
!list.pngMy Movie List.xlsx
在查询编辑器上加载此数据后，它显示如下：
!list-2.pngExcel sheet in the power query editor
注意到了吗？原始数据往往包含标题行、空行，或者列名不够直观。现在，既然我们已经将 Excel 表格和数据导入到了 Power Query 编辑器中，让我们开始执行真正的“手术”操作。
深入常见的数据转换操作
1. 重命名：让数据说话
Power Query 编辑器为我们提供了极其灵活的重命名功能。清晰、规范的命名是数据建模的最佳实践。我们可以重命名数据源、表、列和查询。不要小看这一步，一个名为 “Column1” 的列和名为 “CustomerFullName” 的列，在后期维护时的难度是天壤之别。
#### 重命名步骤与查询
在 Power Query 的左侧面板，你可以看到所有的“查询”。每个查询代表一组数据表。在 查询设置 窗格下，有一个“属性”区域。
- 操作：在“查询设置”窗格的“名称”框中，直接输入新名称。例如，我们将默认的 “Sheet1” 重命名为 “Movie Data”。这不仅影响左侧面板的显示，也会决定在数据模型中该表的名称。
![email protected]Renamed source to "Movie Data"
#### 重命名列
列名应当具有描述性且不含特殊字符（尽管 Power Query 允许特殊字符，但在 DAX 编写时可能会带来麻烦）。
- 操作：右键单击要更改名称的列标题，然后选择 重命名。在这里，我们将列 “TITLE” 重命名为 “MOVIE NAME”。这不仅仅是个名字，它是我们在编写 DAX 公式时将要引用的字段。
!rename-b.pngRenamed column to "MOVIE NAME"
#### 深度理解：M 语言背后的变化
当你进行重命名操作时，注意观察右侧的 公式栏。你会看到类似这样的代码：
= Table.RenameColumns({"TITLE", "MOVIE NAME"})
这是 Power Query 自动生成的 M 语言代码。每一个我们在界面上的点击，都会转化为这样的一行行代码。这意味着你的数据清洗过程是可重复且可追溯的。
2. 将第一行作为标题
很多时候，我们从数据库导出的 CSV 文件，第一行其实是描述信息，真正的表头在第二行；或者数据本身没有表头，第一行就是数据。
- 操作：在功能区的 转换 选项卡下，找到 将第一行用作标题。
!40.pngSet First Row as Headers
- 技术细节：这个操作实际上做了两件事：提升第一行作为列名，并删除原来的第一行（因为它现在变成了列名，不再是数据行）。如果这一步做错了，你可以随时点击左侧“应用的步骤”中的叉号来回滚，这在 Excel 中是无法做到的。
3. 更改数据类型：避免分析错误
这是初学者最容易踩的坑。如果你的“销售额”列被识别为“文本”类型，那么你无法对其进行求和计算，只能进行计数。在 Power Query 中确定正确的数据类型是至关重要的。
常见的数据类型包括：
- Decimal Number (十进制数)：适用于货币、百分比。
- Whole Number (整数)：适用于ID、计数。
- Text (文本)：适用于名称、描述。
- Date/Time (日期/时间)：适用于时间序列分析。
- 操作：右键单击该列，选择 更改类型 并选择适当的数据类型。例如，我们将 “RANK” 列从整数 (1, 2, 3) 更改为小数 (1.2, 2.3, 3.4) 以便更精确地展示评分。
!20.pngChanged data type to "Decimal Number"
💡 实战见解： 尽量在 Power Query 编辑器中完成数据类型的更改，而不是在数据视图中。这样做可以减少模型在加载时的计算压力，并且避免了后续刷新数据时类型重置的问题。
4. 格式操作：文本的精细化处理
脏数据往往充斥着空格、大小写不一等问题。这会导致在进行关联查询或筛选时出现错误（例如 “Apple” 和 “apple ” 被视为两个不同的值）。
转换 选项卡中的 格式 功能提供了强大的文本处理能力：
- 大写/小写：统一文本格式。
- 修剪：这是最常用的功能之一，它不仅能删除前导和尾随空格，还能处理文本中间的不可打印字符。
- 清除：删除非打印字符，通常用于处理从旧系统导出的数据。
- 添加前缀/后缀：用于快速给数据打标签，比如给所有ID加上 “EMP-” 前缀。
要使用这些功能，只需选中相关列，单击对应选项即可。在此示例中，我们对电影标题应用了 大写 转换，以确保视觉上的一致性。
!30.pngFormatting the text to UPPERCASE
M 语言代码示例：
当你点击“大写”时，后台生成的逻辑如下：
= Table.TransformColumns({{"MOVIE NAME", Text.Upper, type text}})
这行代码告诉 Power BI：在当前表中，找到 “MOVIE NAME” 列，对其应用 Text.Upper 函数，并将结果类型设定为文本。理解这一点，你就能利用 M 语言做更复杂的自定义转换了。
5. 删除操作：精简数据
在数据准备阶段，我们需要遵循“垃圾进，垃圾出”的原则。及时剔除无用数据至关重要。
主页 选项卡中的 减少行 功能允许我们在 Power BI 中执行以下操作：
- 删除前几行/后几行：用于去除页眉或页脚的签名信息。
- 保留前几行：用于快速获取 Top N 数据进行测试。
- 删除重复项：基于选中的列去重。注意，这是基于当前列的值去重，保留第一个出现的行。
- 筛选行：这是最强大的删除方式。例如，我们要删除所有“排名”为空的数据，只需点击列头的下拉箭头，取消勾选 “null”。
!50.pngRemoving rows
⚠️ 性能优化建议：
如果你的数据源有数百万行，尽量在 查询设置 的“应用的步骤”中尽早执行“删除行”或“筛选行”操作。Power Query 的执行顺序是线性的，提前减少数据量可以显著加快后续转换步骤的执行速度。
实战案例：构建一个完整的数据转换流程
让我们把上述知识点串联起来。假设我们要分析这份电影列表，我们需要完成以下任务：
- 规范化命名：将查询命名为 “MoviesAnalysis”。
- 清洗标题：将首行设为标题，并将标题转为大写。
- 数据类型修正：确保 “RANK” 是数字，“RELEASE DATE” 是日期。
- 剔除无效数据：移除排名为空的行。
代码逻辑与最佳实践：
在 Power Query 编辑器左侧的 查询设置 面板中，你可以看到所有步骤的记录。这被称为“应用的步骤”。
// 这只是一个逻辑演示，实际代码由编辑器自动生成
// 源 = Excel.Workbook(File.Contents("C:\My movie list.xlsx"), null, true),
// 导入的表 = Source{[Item="Sheet1",Kind="Sheet"]}[Data],
// 提升的标题 = Table.PromoteHeaders(导入的表, [PromoteAllScalars=true]),
// 大写转换 = Table.TransformColumns(提升的标题,{{"MOVIE NAME", Text.Upper, type text}}),
// 类型更改 = Table.TransformColumnTypes(大写转换,{{"RANK", Int64.Type}, {"RELEASE DATE", type date}}),
// 筛选的行 = Table.SelectRows(类型更改, each ([RANK] null))
通过这种方式，我们建立了一个自动化的 ETL（提取、转换、加载）流程。当下个月你拿到了新的 “My movie list v2.xlsx” 时，你只需要点击“刷新”，所有的清洗步骤都会自动在新数据上执行一遍。这才是 Power BI 真正的威力所在——一次构建，永久复用。
总结与下一步
在这篇文章中，我们一起深入探讨了 Power BI 中的 Power Query 编辑器。我们从启动编辑器的基础操作讲起，逐步深入到重命名、标题提升、类型更改、格式清洗以及行删除等核心功能。正如你所见，Power Query 编辑器不仅仅是数据清洗的工具，它是构建稳健数据模型的基石。
关键要点：
- 结构优于混乱：始终先制定好清洗的步骤顺序。
- 类型即一切：在加载模型前确定正确的数据类型。
- 步骤可逆：利用“应用的步骤”面板随时回退或修改逻辑。
下一步建议：
现在你已经掌握了基础的数据清洗，我建议你尝试探索更高级的功能，例如 合并查询（类似于 SQL 的 JOIN）和 追加查询（类似于 SQL 的 UNION）。此外，试着在高级编辑器中写一点简单的 M 代码，你会发现一个全新的世界。
希望这篇指南能帮助你从繁琐的手动数据处理中解放出来。现在，打开你的 Power BI Desktop，试着去加载一份你手头一直懒得处理的“脏数据”，用今天学到的技巧去驯服它吧！