Maintenant que vous savez vérifier la qualité des données Power BI. Passons aux choses sérieuses !

Dans ce troisième module, nous allons voir comment nettoyer les données Power BI avec Power Query. Nous supprimerons les données inutiles, corrigerons les types et traiterons les erreurs. Nous verrons aussi comment gérer les valeurs manquantes.

Notre formation est actuellement en cours de production. Le quatrième module sera publié le 13 octobre 2026.

Évidemment, avant de nettoyer vos données, vérifions d’abord la structure de votre tableau. Des lignes vides ? De mauvais en-têtes ? Des colonnes qui ne servent à rien ?

• Vous n’avez rien de tout ça ? Vous pouvez souffler ! Passer directement à la suite
• Vous en avez ? Regardons cela ensemble.

Un titre sur la première ligne, une date d’export ou même plusieurs lignes vides. Complètement inutile de les conserver si elles ne servent pas à votre analyse.

Deuxième cas : Utiliser la première ligne comme en-têtes

Autre cas : vos noms de colonnes sont considérés comme une simple ligne de données. Power Query affiche alors des noms comme Column1, Column2 ou Column3.

Troisième cas : Supprimer les colonnes inutiles

Dernier point à vérifier : avez-vous vraiment besoin de toutes vos colonnes ?

Une colonne de dates considérée comme du texte ? Un prix reconnu comme du texte au lieu d’un nombre décimal ? Le mauvais type peut poser problème dans vos analyses. Power Query détecte automatiquement ces types, mais vérifiez quand même.

Vous retrouverez :

Type de données	Exemples de colonnes
Texte	Nom, email, code produit, catégorie
Nombre entier	Quantité, âge, nombre de commandes
Nombre décimal	Prix, tarif payé, montant
Date	Date d’inscription, date de commande
Date/heure	Date et heure d’une transaction

Vous venez de modifier le type d’une colonne et des erreurs apparaissent ? Ne surtout pas les supprimez immédiatement. Erreur de débutant, si ça se trouve, l’erreur vient du format ou d’une donnée.

Commencez par comprendre son origine.

Étape 1 : faire remonter les erreurs

Après avoir modifié le type d’une colonne, vous constatez des erreurs ? Commencez par les faire remonter pour les analyser plus facilement.

Pour cela, il suffit de conserver les erreurs. Comment faire ?

Étape 2 : comprendre le message d’erreur

Cliquez ensuite sur une cellule en erreur. Power Query affiche un message en bas de l’écran pour vous aider à identifier l’origine du problème.

Dans notre exemple, le message indique une erreur DataFormat. La valeur concernée est écrite avec un point : 25.99

Problème ? Power Query attend ici une virgule : 25,99. Et voilà la réponse. Il ne reste plus qu’à la corriger.

Gérer les valeurs manquantes dans Power Query

Dernier problème fréquent. Les valeurs manquantes. Dans Power Query, une donnée absente peut apparaître sous la forme null. Alors faut-il la remplacer, la calculer ou supprimer la ligne ? Tout dépend de la donnée et de votre analyse.

Étape 1 : repérer les valeurs manquantes

Commencez par identifier les colonnes qui contiennent des valeurs null. Prenons l’exemple de la colonne Email. Dans notre fichier, 46 % des valeurs sont vides, soit 463 lignes. Nous savons donc précisément où se trouvent les données manquantes.

Étape 2 : choisir comment les traiter

Vous avez plusieurs possibilités selon la situation :

Méthode	Exemple
Remplacer la valeur	Remplacer null par Inconnu ou Pas de données
Imputer une valeur	Utiliser une moyenne ou une médiane pour une donnée numérique
Supprimer la ligne	Retirer les lignes dont la donnée manquante empêche l’analyse

Dans notre exemple, impossible d’inventer l’adresse email d’un client. Nous allons donc remplacer null par « Inconnu ».

Ainsi, dans le rapport final, l’utilisateur verra immédiatement que l’information n’est pas disponible. Plus compréhensible qu’une valeur technique null.

Attention ! Il n’existe pas une méthode valable pour toutes les valeurs manquantes. Avant de les remplacer ou de les supprimer, demandez-vous toujours ce qu’elles représentent dans vos données.

Aller à la prochaine leçon

On continue la formation avec la quatrième leçon : Transformer les données dans Power Query

---

• Envie d’aller encore plus loin ? Inscrivez-vous à notre formation Power BI CPF pour apprendre à automatiser vos tableaux et à utiliser les formules les plus puissantes.

---