Comment utiliser Python dans Power BI en 2026 ?

Python permet de nettoyer vos données, créer des variables personnalisées et concevoir des graphiques plus avancés. Vous pouvez notamment exploiter Pandas, Matplotlib ou Seaborn directement avec Power BI.

Dans cet article, vous allez apprendre à connecter Python à Power BI et à l’utiliser dans Power Query. Vous découvrirez aussi comment créer vos propres visuels et quelles limites connaître avant de vous lancer.

Dans cette vidéo, Benjamin, formateur Power BI chez Morpheus Formation, vous montre comment utiliser Python dans Power BI.

Vous découvrirez comment exploiter Python pour créer des graphiques avancés, transformer vos données et aller jusqu’au machine learning directement dans Power BI.

Avant d’utiliser Python dans Power BI, voyons déjà si votre logiciel détecte correctement votre installation Python.

Pour ce faire, dans Power BI Desktop :

1. Cliquez sur Fichier
2. ouvrez Options et paramètres
3. Sélectionnez Options
4. Rendez-vous dans Création de scripts Python.

Power BI affiche alors le répertoire Python détecté sur votre ordinateur. Deux cas sont possibles :

1. Python est déjà installé : sélectionnez simplement l’installation correspondante.
2. Python n’est pas installé : cliquez sur Comment installer Python pour lancer l’installation.

Une fois Python détecté, cliquez sur OK. Et voilà, vous pouvez maintenant exécuter des scripts Python dans Power BI. Regardons maintenant, comment on importe nos données.

L’étape suivante ? Utiliser Python comme source de données dans Power BI.

Pour cela, commencez par ouvrir Power Query dans Power BI, cliquez sur Nouvelle source. Recherchez ensuite Script Python. Une fenêtre s’ouvre pour saisir votre code.

Vous pouvez utiliser le même fichier que dans notre exemple :

Dans cet exemple, nous utilisons Pandas pour importer un fichier CSV.

import pandas as pd

df = pd.read_csv("chemin-vers-votre-fichier.csv")

La bibliothèque Pandas lit ici le fichier CSV et le stocke dans une DataFrame appelée df.

Cliquez ensuite sur OK. Power BI exécute le script et affiche les DataFrames disponibles. Sélectionnez df, puis cliquez sur Transformer les données.

Et voila, votre fichier est dans Power Query. Maintenant, vous avez le choix. Utiliser les transformations classiques de Power BI ou continuer avec Python pour nettoyer et enrichir vos données. Vous avez le pouvoir !

Vous avez choisi de continuer avec Python ? Très bon choix ! Maintenant que vos données sont importées, vous pouvez les nettoyer et les enrichir directement dans Power Query avec Python.

Dans Power Query :

1. Ouvrez l’onglet Transformer
2. Cliquez sur Exécuter le script Python
3. Une fenêtre s’ouvre avec la variable dataset

Vous verrez alors ce message :

'dataset' contient les données d'entrée pour ce script

Concrètement, cela signifie que les 150 lignes de notre table sont désormais disponibles dans une DataFrame Python appelée dataset.s sont une Dataframe python

Vous pouvez ensuite appliquer plusieurs transformations comme :

import pandas as pd

df = dataset.copy()

df = df.drop_duplicates()

Créer une nouvelle colonne

Maintenant que les données sont propres, ajoutons un peu d’information. On peut calculer un ratio entre la longueur et l’épaisseur du pétale. Comment faire ?

Pour cela :

df["Ratio"] = df["petal_length"] / df["petal_width"]

Python crée automatiquement une nouvelle colonne Ratio.

On peut ensuite s’en servir pour classer les pétales :

df["Forme pétale"] = df["Ratio"].apply(
    lambda x: "Allongé" if x > 3 else "Compact" )

Ici, Python applique une règle simple :

• si le ratio est supérieur à 3, le pétale est classée comme Allongée
• sinon, elle est classée comme Compact.

Et pour garder un résultat plus propre, on arrondit le ratio :

df["Ratio"] = df["Ratio"].round(1)

Pourquoi Power Query affiche deux tables ?

Après l’exécution du script, Power Query peut afficher deux tables : dataset et df.

C’est normal :

• dataset contient les données d’origine envoyées par Power BI
• df contient les données que vous avez transformées avec Python.

Dans notre cas, on garde simplement la table transformée. Développez df dans Power Query, puis décochez Utiliser le nom de la colonne d’origine comme préfixe.

Et voilà : vous retrouvez vos données avec les nouvelles colonnes Ratio et Forme pétale.

En quelques lignes, Python vous a permis de nettoyer et enrichir vos données directement dans Power Query.

Vous voulez maintenant mieux lire vos données ? Pourquoi ne pas les visualiser avec un graphique ?

Comment créer un visuel Python dans Power BI ?

Vous trouvez les graphiques classiques de Power BI un peu limités ? Bonne nouvelle : avec Python, vous pouvez aller encore plus loin. La solution Matplotlib et Seaborn. Les deux permettent de créer des visuels plus poussés et adaptés à vos besoins.

1. Créer votre premier graphique Python

Dans le volet Visualisations, cliquez sur Visuel Python.

Power BI vous demande ensuite d’ajouter les champs à utiliser dans le graphique. Sélectionnons :

• La longueur du pétale
• L’épaisseur du pétale
• L’espèce de la fleur

Power BI regroupe automatiquement ces données dans une variable appelée dataset.

Vous pouvez ensuite écrire votre script :

import matplotlib.pyplot as plt
import seaborn as sns

sns.scatterplot(
    data=dataset,
    x="petal_length",
    y="petal_width",
    hue="species"
)

plt.show()

Vous obtenez un nuage de points qui compare la longueur et l’épaisseur des pétales selon chaque espèce. Magique, non ?

Pour des exercices pratiques, visitez nos exercices gratuits. Fixez-vous des objectifs réalistes : une fonction par jour, un calcul par semaine. C’est en corrigeant vos erreurs qu’on progresse !

2. Analyser les corrélations entre plusieurs variables

Avec ce même nuage de points, vous pouvez aussi comparer plusieurs deux variables.

Par exemple :

import seaborn as sns
import matplotlib.pyplot as plt

sns.pairplot(
    dataset,
    hue="species"
)

plt.show()

Chaque graphique permet d’observer la relation entre deux variables. Les espèces sont distinguées grâce à la variable species.

Vous pouvez ainsi repérer plus facilement :

• les corrélations entre certaines variables
• les groupes qui se distinguent
• les variables les plus utiles pour différencier plusieurs catégories
• la dispersion des données

Le graphique n’est pas la seule solution pour mettre vos chiffres clés en valeur ! Vous pouvez aussi utiliser un KPI. Découvrez comment créer un visuel KPI interactif dans Power BI.

Comment filtrer un visuel Python dans Power BI ?

Votre graphique est prêt. Maintenant, comment le rendre un peu plus dynamique ?

Attention ! Un visuel Python n’est pas interactif comme un graphique Power BI classique. Vous ne pouvez pas cliquer directement sur un point pour filtrer les autres visuels du rapport.

Utiliser un segment pour filtrer votre graphique Python

La solution ? Ajouter un segment Power BI. Ici, nous utilisons l’espèce de la fleur comme filtre. Dès que vous sélectionnez une catégorie, Power BI relance automatiquement le script avec les données correspondantes.

Prenons Setosa : le graphique affiche uniquement les observations liées à Setosa. Plus simple pour analyser.

Peut-on faire du machine learning avec Python dans Power BI ?

Oui. C’est même l’un des usages les plus intéressants de Python dans Power BI.

Grâce à des bibliothèques comme scikit-learn, vous pouvez aller au-delà de la simple visualisation. Python peut servir à créer des modèles de prédiction ou de classification.

Nos données concernent plusieurs espèces de fleurs. Certaines variables permettent déjà de distinguer les catégories.

On peut alors imaginer utiliser Python pour :

• prédire une catégorie à partir de plusieurs variables
• identifier les données les plus importantes dans une classification
• détecter des tendances difficiles à repérer visuellement
• préparer un modèle directement à partir des données utilisées dans Power BI.

À retenir : dans cette vidéo, nous ne créons pas directement un modèle de machine learning. L’objectif est surtout de montrer les possibilités offertes par Python dans Power BI.

Python Power BI : ce qu’il faut retenir

Trop d’un coup ? On reprend les points essentiels à retenir pour Python dans Power BI.

Voici les points essentiels :

• Python enrichit Power BI : vous pouvez nettoyer, transformer et analyser vos données plus librement.
• Pandas simplifie la préparation des données : idéal pour manipuler des DataFrames.
• Matplotlib et Seaborn offrent plus de liberté pour créer des graphiques avancés.
• Les segments restent indispensables pour filtrer les visuels Python.
• Les visuels Python ne sont pas totalement interactifs : vous ne pouvez pas cliquer dessus pour filtrer le reste du rapport.
• Le machine learning devient accessible grâce à des bibliothèques comme scikit-learn.

Python ne remplace donc pas Power Query, le DAX dans Power BI ou les visuels natifs. Il les complète lorsque vos besoins deviennent plus spécifiques. Si vous maîtrisez déjà Power BI, apprendre Python est la prochaine étape !

Vous avez les bases pour utiliser Python dans Power BI. Pour en apprendre davantage, nous avons créé une formation Power BI spécialement pour vous.

Morpheus Formation est l’organisme de référence pour apprendre Power BI, avec des formations sur mesure et certifiantes, et une satisfaction à 97 %. Le programme est finançable par le CPF ou les OPCO.

Durant la formation, vous êtes accompagné par un expert, qui vous aide à améliorer vos propres fichiers et vous accompagne dans vos projets BI. Les formations sont disponibles en présentiel dans toute la France, ou à distance selon votre préférence.

Pas de blabla inutile : du concret, de la pratique et des usages directement applicables à votre métier.

Commencez dès maintenant 👇