Módulo 2: El Puente Mental: De R / Python a Power BI

🧠 1. La Arquitectura Comparada

Si tienes experiencia programando en R (con el ecosistema tidyverse) o en Python (con pandas y numpy), tu mente analítica ya domina la lógica de transformación y agregación de datos.

Power BI no reemplaza esta lógica; simplemente la divide en dos motores especializados de alto rendimiento:

R / PythonETL y limpiezadplyr / pandas

Power BIPower Query (M)Extracción y depuración

R / PythonCálculos y agregaciónmutate, groupby, summarise

Power BIMotor DAXColumnas y medidas dinámicas

R / PythonGráficos estáticosggplot2 / seaborn

Power BILienzo interactivoCross-filtering en milisegundos

🔄 2. Tabla de Equivalencias Directas (Rosetta Stone)

Tarea Analítica	R (`tidyverse`)	Python (`pandas`)	Power BI
Cargar datos	`read_excel("archivo.xlsx")`	`pd.read_excel("archivo.xlsx")`	`Inicio > Obtener datos > Excel`
Filtrar Nulos	`df %>% drop_na(IngAnual)`	`df.dropna(subset=['IngAnual'])`	Power Query: Clic en columna → Quitar vacíos
Limpiar Moneda (`$`)	`readr::parse_number(IngAnual)`	`df['IngAnual'].str.replace(r'[\$,]', '')`	Power Query: Reemplazar valores o Cambiar tipo con configuración regional
Columna Calculada	`mutate(Edad = 2023 - Año)`	`df['Edad'] = 2023 - df['Año']`	Modelado: Nueva Columna Calculada (DAX)
Métrica Agregada Dinámica	`summarise(Prom = mean(Ing))`	`df['Ing'].mean(52,000 USD)`	Modelado: Nueva Medida (DAX)
Filtro con Condición	`filter(df, Pais == 'ES')`	`df[df['Pais'] == 'ES']`	DAX: `CALCULATE(..., Pais == "ES")`
Visualización	`ggplot(aes(x, y)) + geom_col(52,000 USD)`	`sns.barplot(data=df, x=..., y=...)`	Lienzo Visual: Arrastrar campos a objeto visual

⚡ 3. El Secreto Crítico de DAX: Medida vs. Columna Calculada

Este es el concepto donde más tropiezan los programadores cuando llegan a Power BI:

Columna Calculada (Contexto de Fila)
Medida (Contexto de Filtro Dinámico)

Equivalente en Python: df['Col'] = df['A'] + df['B']
Cómo funciona: Se evalúa fila por fila al cargar los datos y se almacena físicamente en la memoria RAM.
Cuándo usarla: Solo cuando necesitas un nuevo atributo para segmentar o usar en el eje de un gráfico (por ejemplo, agrupar edades en rangos: “Menor de 30”, “30 a 50”, “Mayor de 50”).
Peligro: Si abusas de ellas, saturas la memoria del modelo y aumentas el peso del archivo innecesariamente.

Equivalente en Python: Una función lambda o agregación que se recalcula cada vez que el usuario hace un clic en la interfaz.
Cómo funciona: No ocupa espacio en memoria. No existe como columna en la tabla. Es una fórmula matemática que se ejecuta en milisegundos según los filtros visuales activos en la pantalla.

Ejemplo DAX:

Ventas_Totales = SUM(PremiumMart[ValTotVinos])

Por qué es poderosa: Si no hay filtros, calcula el total mundial ($680k). Si el usuario hace clic en España, calcula automáticamente el total de España. Si luego hace clic en “Casados”, calcula el total para personas casadas en España.

🐍 4. Ejecución de Scripts Nativos de R y Python en Power BI

¿Sabías que puedes programar scripts de Python y R directamente dentro de Power BI Desktop?

A. Para Limpieza Avanzada (En Power Query)

Si una transformación de datos resulta engorrosa en la interfaz visual, puedes ir a la pestaña Transformar en Power Query y hacer clic en Ejecutar script de Python o Ejecutar script de R:

# 'dataset' contiene el DataFrame actual de Power Query
import pandas as pd
dataset['IngAnual'] = pd.to_numeric(
    dataset['IngAnual'].astype(str).str.replace(r'[\$,\s]', '', regex=True),
    errors='coerce'
)

B. Para Gráficos Estadísticos Avanzados (En el Lienzo)

En el panel de visualizaciones, Power BI incluye dos iconos nativos: Objeto visual de R y Objeto visual de Python.

Al insertarlos, puedes escribir código directo de matplotlib, seaborn o ggplot2 para generar diagramas de violín, mapas de calor de correlación o curvas ROC que se actualizarán dinámicamente con los filtros del reporte.