🔖 キーワード索引

このページで扱う主要キーワード（クリックで該当セクションへ）：

🎨 直感で掴む

Power BI は Microsoft の BI 製品群（Desktop／Service／Mobile／Report Server）の総称です。 Tableau とよく比較されますが、 Excel と地続きであることが最大の特徴で、 Power Query と DAX という 2 つの言語を持ちます。

• Power Query（M 言語） — データ取り込み・整形のための ETL レイヤー。 「クエリ」をステップで記述し、 再現可能なパイプラインを残す。
• データモデル — 複数テーブルをリレーションで結ぶ（スター／スノーフレーク）。
• DAX (Data Analysis Expressions) — メジャー・計算列のための関数言語。 Excel 関数を拡張した感覚に近い。
• ビジュアル — 棒・線・散布・地図・カスタムビジュアル。 ドラッグ＆ドロップで配置。
• Power BI Service — 配信・共有・スケジュール更新を担うクラウド面。

SSDSE のような長い表データは、 Power Query で「年度」「地域」を整形 → モデルで「都道府県マスタ」と紐付け → DAX で「高齢化率」「人口増減率」をメジャー化 → ビジュアルで配置、 という典型ルートで扱います。

📐 数式・定義

Power BI の中心言語は DAX。 DAX は「フィルタコンテキスト」と「行コンテキスト」という 2 種のスコープを持ちます。

これを数学的に書けば、 フィルタ集合 $F$ に対して

であり、 CALCULATE はこの $F$ を 動的に書き換える演算子と解釈できます。

🔬 数式・概念を言葉で読み解く

🧮 実値で計算してみる（SSDSE-B-2026）

🐍 Python 実装

例 1：pandas で前処理 → Power BI 取り込み用 Parquet 書き出し

import pandas as pd

df = pd.read_csv('data/raw/SSDSE-B-2026.csv', encoding='shift_jis')
df.columns = df.iloc[0]
df = df.iloc[1:].reset_index(drop=True)
for c in ['総人口', '15歳未満人口', '15〜64歳人口', '65歳以上人口']:
    df[c] = df[c].astype(int)
df['年度'] = df['年度'].astype(int)
df['高齢化率'] = df['65歳以上人口'] / df['総人口']
df.to_parquet('processed/ssdse-b-2026.parquet', index=False)
print('rows:', len(df))

例 2：Power BI で読みやすい「縦持ち」変換

long = df.melt(id_vars=['年度','地域コード','都道府県'],
               value_vars=['総人口','15歳未満人口','15〜64歳人口','65歳以上人口'],
               var_name='指標', value_name='人数')
long.to_csv('processed/ssdse-b-long.csv', index=False, encoding='utf-8-sig')
print(long.head(8))

例 3：Power BI から呼ぶ Python ビジュアル

# Power BI Desktop の「Python ビジュアル」セルに貼る
import pandas as pd
import matplotlib.pyplot as plt
# dataset は Power BI が自動注入する DataFrame
df = dataset.copy()
df = df.sort_values('総人口', ascending=False).head(10)
plt.figure(figsize=(8,4))
plt.bar(df['都道府県'], df['総人口'])
plt.xticks(rotation=30)
plt.title('人口上位 10 都道府県')
plt.tight_layout()
plt.show()

例 4：DAX で書く高齢化率ランキング（参考）

高齢化率ランク :=
RANKX(
    ALL('SSDSE'[都道府県]),
    [高齢化率],
    , DESC, Dense
)

📂 ケーススタディ・追加実装例

ケース 1：Power Query で SSDSE-B-2026 を整形

// Power Query M 言語
let
    Source = Csv.Document(File.Contents("C:\data\SSDSE-B-2026.csv"),
        [Delimiter=",", Encoding=932]),    // Shift_JIS
    PromotedHeaders = Table.PromoteHeaders(Source, [PromoteAllScalars=true]),
    RemovedTopRow = Table.Skip(PromotedHeaders, 1),
    TypedTable = Table.TransformColumnTypes(RemovedTopRow, {
        {"年度", Int64.Type},
        {"総人口", Int64.Type},
        {"65歳以上人口", Int64.Type},
        {"県内総生産", Int64.Type}
    })
in TypedTable

ケース 2：DAX で高齢化率と前年差を計算

高齢化率 := DIVIDE(SUM('SSDSE'[65歳以上人口]), SUM('SSDSE'[総人口]))

前年高齢化率 :=
CALCULATE([高齢化率], DATEADD('SSDSE'[年度], -1, YEAR))

高齢化率の前年差 := [高齢化率] - [前年高齢化率]

ケース 3：マップビジュアルで都道府県分布

1. 「マップ」ビジュアルを追加
2. 「場所」に 都道府県 列
3. 「サイズ」に SUM(総人口)
4. 「色」に [高齢化率] メジャー
5. 地理データの認識精度を上げるため、 列のデータカテゴリを「都道府県」に設定

ケース 4：Python ビジュアルで matplotlib 図を埋め込み

import matplotlib.pyplot as plt
df = dataset
top = df.sort_values('総人口', ascending=False).head(10)
plt.figure(figsize=(8, 4))
plt.barh(top['都道府県'][::-1], top['総人口'][::-1])
plt.title('総人口 上位10県（2023年）')
plt.tight_layout()
plt.show()

ケース 5：行レベルセキュリティ (RLS) の設定

1. 「モデリング」 → 「セキュリティ管理」
2. 「ロールの作成」 → 例：『東京担当』
3. DAX フィルタ：[都道府県] = "東京都"
4. テスト：「テストとして表示」で動作確認

ケース 6：パフォーマンスチューニング

• 不要列は Power Query で削除（VertiPaq の圧縮効率が上がる）
• 高カーディナリティ列（連続値）は分割、 整数化
• Star Schema で「ファクトテーブル＋ディメンション」を分離
• 計算列より メジャーを優先（評価が遅延、 軽量）
• DAX Studio でクエリ計画を確認

🪜 ステップバイステップ チュートリアル

チュートリアル：Power BI で SSDSE-B-2026 ダッシュボードを作る

ステップ 1：データ取り込み

Power BI Desktop 起動 → ホーム → データを取得 → テキスト/CSV → SSDSE-B-2026.csv、 文字コードに「日本語 (Shift-JIS) - 932」を指定。

ステップ 2：Power Query で整形

// 最初の行（英文ヘッダ）を削除
= Table.Skip(Source, 1)
// ヘッダ昇格
= Table.PromoteHeaders(#"Removed Top Rows")
// 型変換
= Table.TransformColumnTypes(#"Promoted Headers", {
    {"年度", Int64.Type},
    {"総人口", Int64.Type},
    {"65歳以上人口", Int64.Type}
})

ステップ 3：データ列カテゴリ設定

モデリング → データカテゴリ → 「都道府県」 を選ぶ。 マップビジュアルが正しく地点を認識する。

ステップ 4：DAX メジャーを作成

高齢化率 = DIVIDE(SUM('SSDSE'[65歳以上人口]), SUM('SSDSE'[総人口]))
人口 YoY = [総人口] - CALCULATE([総人口], DATEADD('SSDSE'[年度], -1, YEAR))

ステップ 5：ビジュアル配置

1. マップ：場所＝都道府県、 サイズ＝[総人口]、 色＝[高齢化率]
2. カード：[総人口] の全国合計、 [高齢化率] の全国平均
3. 折れ線：X 軸＝年度、 Y 軸＝[総人口]、 凡例＝都道府県（上位 5 県）
4. テーブル：都道府県、 総人口、 高齢化率、 YoY

ステップ 6：レポート共有

Power BI Service へ発行（Pro ライセンス必要）、 ワークスペース内で共有、 自動更新設定。

🚀 現場での応用シナリオ（8 例）

応用 1：経営ダッシュボード

売上・利益・在庫・予算の月次／週次／日次更新。 Power BI Service の自動更新と Teams 配信。

応用 2：自治体オープンデータ

SSDSE-B-2026 を読み込み、 都道府県別人口・経済・社会指標をマップ化。 Power BI Embedded で市民向けに公開も可。

応用 3：学校データ分析

科目別成績、 不登校推移、 進路追跡。 文部科学省統計と SSDSE を結合してベンチマーク。

応用 4：医療・福祉

病床稼働率、 救急搬送、 在宅医療件数。 RLS で病院ごとアクセス分離。

応用 5：マニュファクチャリング

製造ラインの稼働率、 不良率、 OEE。 IoT センサーから Synapse 経由で取り込み。

応用 6：人事分析

採用ファネル、 給与分布、 離職予測（Azure ML 連携）。

応用 7：マーケティング

キャンペーン ROI、 チャネル別売上、 顧客 LTV。 Google Analytics、 CRM、 ERP を統合。

応用 8：研究・大学

研究費獲得状況、 論文出版、 学生統計。 経年比較ダッシュボード化。

🏋️ 演習問題（8 題）

1. Power BI Desktop で SSDSE-B-2026 を読み込み、 Power Query で整形せよ。
2. DAX メジャーで「高齢化率」「人口 YoY」「全国比シェア」を計算せよ。
3. マップビジュアルで「都道府県」を地理ロールに設定、 ヒートマップを作れ。
4. Time Intelligence で「過去 5 年平均人口」のメジャーを作れ。
5. RLS で「東京担当」「大阪担当」のロールを作り、 アクセス制限をテストせよ。
6. Python ビジュアルで matplotlib の棒グラフを埋め込め。
7. Power BI Service へ発行し、 自動更新スケジュールを設定せよ。
8. DAX Studio でクエリを実行し、 性能を分析せよ。

🗺 学習ロードマップ

1. レベル 1 — Power BI Desktop の UI、 ビジュアルのドラッグ操作、 簡単なフィルタ。
2. レベル 2 — Power Query で取り込みと整形（型変換、 列削除、 行フィルタ）。
3. レベル 3 — DAX の基本（SUM, AVERAGE, CALCULATE, FILTER）、 計算列とメジャー。
4. レベル 4 — リレーションシップ、 スタースキーマ、 Time Intelligence。
5. レベル 5 — Power BI Service、 自動更新、 RLS、 Apps の作成。
6. レベル 6 — Premium / Fabric、 DAX 最適化、 大規模モデル、 Embedded 配信。

📊 比較表（兄弟手法・選択肢）

Power BI ライセンス比較

📖 用語ミニ辞典

🍳 コードレシピ（コピペ用 15 連発）

= Table.TransformColumnTypes(Source, {{"年度", Int64.Type}})

= Table.SelectRows(Source, each [年度] = 2023)

= Table.AddColumn(Source, "高齢化率", each [65歳以上人口]/[総人口])

総人口 := SUM('SSDSE'[総人口])

平均人口 := AVERAGE('SSDSE'[総人口])

高齢化率 := DIVIDE(SUM('SSDSE'[65歳以上人口]), SUM('SSDSE'[総人口]))

東京シェア := CALCULATE([総人口], 'SSDSE'[都道府県]="東京都") / [総人口]

全国平均 := CALCULATE(AVERAGE('SSDSE'[総人口]), ALL('SSDSE'[都道府県]))

前年人口 := CALCULATE([総人口], DATEADD('SSDSE'[年度], -1, YEAR))

人口ランク := RANKX(ALL('SSDSE'[都道府県]), [総人口],, DESC)

ビジュアル「カード」を追加 → メジャーをドラッグ

YTD人口 := TOTALYTD([総人口], 'SSDSE'[年度])

[都道府県] = USERNAME()

dataset = pd.DataFrame(...) を受け取って matplotlib

ggplot2 で同様の処理が可

⚠️ よくある落とし穴

❓ よくある質問（FAQ）

📜 歴史と背景

歴史と位置づけ：Power BI は Microsoft が 2015 年に正式リリースした BI 製品。 ルーツは Excel の「PowerPivot」（2010）と「Power View」（2013）にあります。 これらを単独の製品として独立させ、 Power Query／Power Pivot／Power View／Power Map／Power Q&A を統合したものが Power BI。

製品ファミリー：

• Power BI Desktop — 無償の Windows アプリ。 開発の中心
• Power BI Service (Pro / Premium) — クラウド配信
• Power BI Report Server — オンプレ配信
• Power BI Mobile
• Microsoft Fabric (2023) — Power BI／Synapse／Data Factory 統合の次世代基盤

言語：

• DAX — 2009 年、 PowerPivot の登場と共に。 関数型・式言語、 Excel に近いが集計・時間軸・フィルタコンテキストが強化
• M (Power Query Formula Language) — Excel 2010 以降、 ETL 専用

🌐 関連手法・派生・対概念

🔗 関連用語（前提・並列・発展）

📘 前提となる用語

🤝 並列・関連する用語

🚀 発展・応用

📚 関連グループ教材

このページの内容を、より広い文脈で学びたいときは：

• 📚 可視化と探索的分析 — BI の文脈で見せ方を体系的に学ぶ
• 📚 データエンジニアリング — Power Query を含む ETL の全体像
• 📚 コンペ攻略：可視化編 — ダッシュボード提出の作法

🗺 概念マップ

Power BI のレイヤー構造：

   ［表示］      ビジュアル（棒/線/散布/マップ／Python ビジュアル）
                       ↑
   ［計算］      DAX メジャー / 計算列 / 時間インテリジェンス
                       ↑
   ［モデル］    テーブル + リレーションシップ + 階層 + RLS
                       ↑
   ［取込］      Power Query（M 言語：取り込み・整形）
                       ↑
   ［データ］    CSV / Excel / SQL / Web API / SSDSE-B-2026.csv

📚 参考文献・出典

• Microsoft (2024). Power BI ドキュメント.
• Russo, M., Ferrari, A. (2019). The Definitive Guide to DAX. Microsoft Press.
• Microsoft (2023). Fabric 統合アーキテクチャ.