Power Query数据清洗实战：从Excel到Power BI的避坑指南（附完整M代码）

Power Query数据清洗实战：从Excel到Power BI的避坑指南（附完整M代码）

当企业数据分析师从Excel转向Power BI时，数据清洗环节往往成为第一个"拦路虎"。我曾为某零售集团实施财务系统迁移时，发现90%的初期报错都源于未正确处理空值和类型转换。本文将分享一套经过实战检验的Power Query清洗方法论，包含可直接复用的M代码模板。

1. 数据质量诊断四步法

在开始清洗前，需要系统性地评估数据健康状况。打开Power Query Editor后，建议按以下顺序进行检查：

1. 列质量分析
   通过视图 > 数据预览 > 列质量调出诊断面板，重点关注三个指标：

   • 有效性百分比（Valid）
   • 错误百分比（Error）
   • 空值百分比（Empty）

   // 快速查看各列质量分布
   Table.Profile(your_table)
   

2. 值分布扫描
   使用列分发功能检查数据离散程度。某次分析销售数据时，曾发现"省份"列有82%的值集中在"广东"，这提示我们需要检查数据采集流程。

3. 统计特征验证
   对于数值列，通过列分析查看：

   • 最小值/最大值是否合理
   • 平均值与业务常识是否匹配
   • 标准差是否异常

4. 类型一致性检测
   右键点击列头选择更改类型 > 使用区域设置检测，可自动识别混合类型列。常见问题包括：

   • 文本型数字（如"001"）
   • 日期存储为文本
   • 布尔值显示为"是/否"

提示：在诊断阶段发现的每个问题都应记录在数据质量日志中，形成可追溯的清洗文档。

2. 空值处理的五种策略

空值处理不当会导致后续DAX计算错误。根据业务场景不同，我们有以下处理方案：