Power Query – jak automatyzować przygotowanie i porządkowanie danych

Dlaczego Power Query: automatyzacja przygotowania i czyszczenia danych

Jeśli przed każdą analizą trzeba ponownie kopiować dane, poprawiać ich układ i usuwać te same nieprawidłowości, problemem nie jest samo raportowanie. Najwięcej czasu pochłania przygotowanie materiału, na którym raport ma się opierać. Power Query pozwala zamienić serię ręcznych czynności w zapisany, powtarzalny proces, który można uruchomić ponownie po aktualizacji źródła.

To narzędzie dostępne między innymi w Excelu i Power BI służy do pobierania oraz przekształcania danych przed ich dalszym wykorzystaniem. Pomaga oddzielić etap przygotowania danych od obliczeń, wizualizacji i interpretacji wyników. Dzięki temu arkusz lub model analityczny może otrzymywać dane w uporządkowanej postaci, zamiast przejmować cały ciężar ich naprawiania.

Raz zdefiniowane kroki zamiast powtarzania tej samej pracy

Podczas pracy w edytorze Power Query kolejne operacje są zapisywane jako kroki zapytania. Przy odświeżeniu narzędzie ponownie pobiera dane i wykonuje na nich zdefiniowane przekształcenia. Nie trzeba odtwarzać całej procedury ręcznie — pod warunkiem że źródło pozostaje dostępne, a jego struktura jest zgodna z założeniami zapytania.

Automatyzacja oznacza tu przede wszystkim powtarzalność reguł, a nie samodzielne rozpoznawanie wszystkich problemów. Power Query nie ustali bez wskazówek, czy brakująca wartość oznacza zero, ani który z rozbieżnych zapisów jest poprawny biznesowo. Takie decyzje należą do osoby przygotowującej proces. Również odświeżanie bez udziału użytkownika wymaga odpowiedniej konfiguracji i zależy od środowiska, w którym działa rozwiązanie.

Czym Power Query różni się od formuł i makr?

Formuły Excela sprawdzają się w obliczeniach wykonywanych w arkuszu i reagujących na zmiany wartości komórek. Power Query pracuje na zbiorach danych: przygotowuje je według określonej procedury, a wynik aktualizuje podczas odświeżania. Nie zastępuje więc wszystkich formuł — często dostarcza im uporządkowane dane wejściowe.

Makra VBA mogą automatyzować znacznie szerszy zakres działań w skoroszycie i aplikacji. Power Query jest narzędziem wyspecjalizowanym w pobieraniu oraz przekształcaniu danych. Wiele typowych operacji można w nim zbudować za pomocą interfejsu, bez samodzielnego pisania kodu. Zapisane kroki ułatwiają też sprawdzenie, jak powstał wynik, oraz zmianę wybranego fragmentu procesu.

Kiedy wdrożenie daje największą korzyść?

Power Query szczególnie dobrze sprawdza się przy cyklicznych raportach, regularnych eksportach z systemów i zestawieniach wymagających konsekwentnego stosowania tych samych reguł. Korzyścią jest nie tylko krótszy czas pracy, lecz także mniejsze ryzyko pominięcia czynności lub zastosowania innej zasady przy kolejnym zestawieniu. Przekształcenia nie zmieniają przy tym danych w źródle — tworzą przygotowany wynik do dalszego wykorzystania.

Przy jednorazowej, drobnej korekcie ręczna edycja może być szybsza. Jeśli jednak zadanie wraca, warto potraktować przygotowanie danych jako proces, który można odświeżać i kontrolować, zamiast za każdym razem wykonywać go od początku.

Scenariusz praktyczny: comiesięczne pliki z różnymi formatami — założenia i cel

Przyjmijmy, że co miesiąc przygotowujesz zestawienie sprzedaży na podstawie plików otrzymywanych z kilku źródeł. Część danych trafia do Ciebie w skoroszytach Excel, a część w plikach CSV. Każdy plik opisuje sprzedaż za określony miesiąc, lecz nie wszystkie mają taki sam układ. Twoim zadaniem jest uzyskanie jednego, spójnego zbioru danych do raportowania, który można aktualizować po dostarczeniu kolejnej partii plików.

Piszemy o tym, bo uczestnicy szkoleń Cognity często sygnalizują, że łączenie i porządkowanie takich plików jest dla nich realnym wyzwaniem w pracy. W tym przykładzie określimy, jakie różnice powinien uwzględniać proces przygotowania danych w Power Query i po czym poznać, że działa poprawnie.

Z jakimi różnicami trzeba się liczyć?

Skoroszyt Excel może zawierać kilka arkuszy, dodatkowy tytuł nad zestawieniem oraz wiersz z sumą na końcu. CSV przechowuje dane tekstowo, bez podziału na arkusze, a sposób odczytania jego zawartości zależy między innymi od separatora i kodowania. Samo rozszerzenie pliku nie przesądza więc o tym, czy dane są gotowe do wspólnej analizy.

Różnice mogą dotyczyć również tych samych informacji zapisanych w odmienny sposób. W jednym źródle kolumna z datą ma nazwę „Data sprzedaży”, w innym „Data transakcji”. Kwota bywa zapisana jako liczba albo tekst, daty występują w różnych zapisach, a identyfikatory produktów mogą zawierać zera na początku. W tym scenariuszu zakładamy, że odpowiadające sobie pola mają to samo znaczenie biznesowe — inna nazwa nie oznacza innej definicji wartości.

Założenia dotyczące danych wejściowych

Aby ocenić, czy przygotowany proces działa poprawnie, ustalmy warunki przykładu:

• Jeden wiersz odpowiada jednej pozycji dokumentu sprzedaży. Numer dokumentu i numer pozycji pozwalają ją jednoznacznie rozpoznać.
• Podstawowy zakres informacji jest wspólny: data sprzedaży, numer dokumentu, numer pozycji, identyfikator produktu, liczba sztuk i wartość netto.
• Wartości są porównywalne: wszystkie kwoty netto podano w tej samej walucie, a liczba sztuk ma jednakowe znaczenie w każdym źródle.
• Każdy plik obejmuje wskazany miesiąc i źródło. Zakresy danych nie nakładają się, a wcześniejsze pliki nie są korygowane w ramach tego przykładu.
• Nowe pliki zachowują jeden z rozpoznanych układów. Nie zakładamy, że proces samodzielnie zinterpretuje dowolną zmianę struktury.

Jak ma wyglądać rezultat?

Efektem ma być zestaw danych o stałych nazwach kolumn i jednolitym sposobie zapisu wartości, obejmujący wszystkie dostarczone miesiące. Powinien umożliwiać analizę sprzedaży według okresu i produktu oraz identyfikację pliku, z którego pochodzi dany rekord.

Miarą powodzenia jest powtarzalność wyniku: po dodaniu poprawnego pliku za następny miesiąc i odświeżeniu zapytań raport uwzględnia nowe dane bez ręcznego przebudowywania zestawienia. Liczba pozycji i łączna wartość netto powinny zgadzać się z danymi źródłowymi, a nieoczekiwane odstępstwa wymagające sprawdzenia nie mogą pozostawać niezauważone.

Import danych i konfiguracja źródeł (folder, Excel/CSV) oraz wstępne kroki w edytorze

W Power Query sposób podłączenia źródła decyduje o tym, co zostanie pobrane przy kolejnym odświeżeniu: zawartość konkretnego pliku czy zestaw plików znajdujących się w folderze. Wybierz pojedynczy plik, jeśli jego zawartość jest aktualizowana w tym samym miejscu. Wybierz folder, jeśli kolejne okresy oznaczają dopisywanie nowych plików. Sam import warto zakończyć otwarciem edytora, aby sprawdzić zakres danych przed załadowaniem ich do arkusza.

Wybór źródła: skoroszyt, CSV czy folder?

W Excelu dla Windows polecenia importu znajdziesz zwykle na karcie Dane → Pobierz dane → Z pliku. Nazwy opcji i ich dostępność mogą się różnić zależnie od wersji programu oraz platformy.

Import ze skoroszytu Excel

Wybierz Z pliku → Ze skoroszytu programu Excel i wskaż plik. W oknie Nawigator zobaczysz dostępne obiekty wraz z podglądem ich zawartości. Jeśli te same dane są widoczne zarówno jako arkusz, jak i tabela programu Excel, zwykle lepiej wskazać tabelę: ma określone granice, nagłówki i rozszerza się wraz z prawidłowo dopisywanymi rekordami.

Przed zatwierdzeniem sprawdź, czy podgląd obejmuje właściwy zestaw danych, a nie np. arkusz raportowy z tytułem, komentarzami i kilkoma osobnymi zestawieniami. Następnie kliknij Przekształć dane. Zamiast od razu ładować wynik, otworzysz Edytor Power Query i uzyskasz możliwość kontroli zapytania.

Import pliku CSV: separator i kodowanie

Po wybraniu Z pliku → Z tekstu/CSV sprawdź przede wszystkim, czy podgląd poprawnie rozdziela pola na kolumny. Rozszerzenie CSV nie gwarantuje, że separatorem będzie przecinek — w eksportach często występuje średnik lub tabulator. Jeśli cały rekord trafia do jednej kolumny albo kolumn jest zbyt wiele, zweryfikuj ustawienie separatora.

Drugim ważnym ustawieniem jest kodowanie znaków. Nieprawidłowo wybrane może powodować błędne wyświetlanie polskich liter. Dopasuj je do sposobu zapisania pliku; UTF-8 jest częste, ale nie uniwersalne. Na tym etapie chodzi o poprawne odczytanie zawartości, a nie o ustalanie docelowych typów i formatów danych. Gdy podgląd wygląda prawidłowo, wybierz Przekształć dane.

Import z folderu: najpierw kontrola listy plików

Opcja Z pliku → Z folderu zwraca najpierw listę plików i ich właściwości, a nie gotową tabelę z ich zawartością. Kliknij Przekształć dane, aby sprawdzić m.in. nazwę, rozszerzenie i ścieżkę folderu. Kolumna Content zawiera odwołania do binarnej zawartości poszczególnych plików.

Import folderu może obejmować również podfoldery. Ogranicz więc listę do właściwych materiałów: wyklucz kopie archiwalne, pliki wynikowe oraz pliki tymczasowe Excela, których nazwy zaczynają się od ~$. Dzięki temu odświeżenie nie pobierze przypadkowych danych.

Nie uruchamiaj automatycznego łączenia całej zawartości katalogu, jeśli znajdują się w nim jednocześnie pliki Excel i CSV albo pliki o różnych układach. Wspólna lokalizacja nie oznacza wspólnego sposobu odczytu. Takie grupy wymagają osobnej konfiguracji importu przed ich późniejszym połączeniem.

Pierwsza kontrola zapytania i ustawień źródła

W edytorze nadaj zapytaniu nazwę wskazującą jego zawartość, np. Sprzedaz_zrodlo. Następnie zajrzyj do panelu Ustawienia zapytania → Zastosowane kroki. Krok Źródło opisuje połączenie, a przy imporcie z Excela krok Nawigacja wskazuje wybrany obiekt. Zależnie od źródła i ustawień mogą pojawić się także kroki automatyczne, np. promowanie nagłówków lub zmiana typu. Sprawdź je, zamiast zakładać, że program prawidłowo rozpoznał strukturę.

Na koniec upewnij się, że lokalizacja źródła będzie dostępna przy kolejnych odświeżeniach. Plik w prywatnym katalogu użytkownika może nie być osiągalny na innym komputerze. Zmianę ścieżki lub uprawnień obsłużysz w Ustawieniach źródeł danych, a w razie potrzeby również w ustawieniach kroku Źródło. Poprawne połączenie powinno prowadzić do stabilnej lokalizacji i pobierać wyłącznie dane przeznaczone do dalszego przetwarzania.

Ustalanie typów danych i podstawowe transformacje: kolumny, formaty i ustawienia regionalne

Kolumna zawierająca cyfry nie zawsze powinna być liczbą, a zapis przypominający datę nie musi zostać poprawnie rozpoznany. W Power Query typ danych określa sposób interpretowania wartości: wpływa na obliczenia, sortowanie i dostępne operacje. Dlatego przed dalszym przekształcaniem tabeli warto ustalić, co oznacza każda kolumna, zamiast polegać wyłącznie na jej wyglądzie. W Cognity omawiamy dobór typów danych zarówno od strony technicznej, jak i praktycznej – zgodnie z realiami pracy uczestników szkoleń.

Dobieraj typ do znaczenia danych

Power Query może automatycznie rozpoznać typy i dodać krok ich zmiany. To przydatne ułatwienie, ale nie gwarancja poprawności. Rozpoznawanie na podstawie początkowych wierszy może nie uwzględnić wartości pojawiających się dalej w pliku. Typ sprawdzisz za pomocą ikony po lewej stronie nagłówka kolumny; z tego miejsca możesz go również zmienić.

Zera wiodące najlepiej chronić od początku. Jeśli kod 00125 zostanie przekształcony w liczbę 125, późniejsza zmiana typu na tekst nie odtworzy pierwotnego zapisu. W takiej sytuacji trzeba poprawić wcześniejszy krok konwersji, o ile źródło rzeczywiście zawierało zera.

Ustawienia regionalne decydują o interpretacji zapisu

Ten sam tekst może oznaczać różne wartości zależnie od przyjętej lokalizacji. Zapis 04/05/2025 w ustawieniach angielskich dla Stanów Zjednoczonych oznacza 5 kwietnia, a dla Wielkiej Brytanii — 4 maja. Podobnie liczba 1,234.56 wymaga innej interpretacji separatorów niż 1 234,56.

Jeżeli konwertujesz tekst pochodzący z innego regionu, zaznacz kolumnę i wybierz zmianę typu z użyciem ustawień regionalnych. Następnie wskaż docelowy typ oraz lokalizację odpowiadającą zapisowi w źródle, nie językowi własnego Excela. Tak zapisany krok pozwala jawnie określić regułę konwersji zamiast pozostawiać ją ustawieniom domyślnym.

Typ danych nie jest tym samym co format wyświetlania. Przekształcenie tekstu w datę nadaje mu znaczenie daty, ale nie ustala docelowego wyglądu komórki w arkuszu. Sposób prezentacji dat, symbol waluty czy liczbę widocznych miejsc po przecinku ustawisz po załadowaniu danych w Excelu albo w modelu Power BI. Sama zmiana wyglądu komórki nie zastępuje prawidłowej konwersji w zapytaniu.

Uporządkuj kolumny bez zmieniania struktury tabeli

Na tym etapie warto nadać kolumnom jednoznaczne nazwy, pozostawić potrzebne pola i ustawić czytelną kolejność. Nagłówek Data sprzedaży mówi więcej niż Data, szczególnie gdy tabela zawiera również termin płatności. Usunięcie zbędnych kolumn upraszcza zapytanie i może ograniczyć ilość danych przetwarzanych w dalszych krokach, natomiast przestawienie kolumn służy przede wszystkim wygodzie pracy.

Każda taka operacja staje się osobnym krokiem zapytania. Warto więc ustalić nazwy i potrzebny zestaw pól, zanim oprzesz na nich kolejne przekształcenia. Przy późniejszej edycji wcześniejszych kroków sprawdzaj ich zależności: usunięcie lub przemianowanie kolumny może wpłynąć na operacje, które odwołują się do niej dalej.

Czyszczenie danych: błędy, duplikaty, puste wiersze i wartości, standaryzacja

Czyszczenie danych w Power Query polega na zapisaniu reguł, które będą stosowane ponownie przy odświeżaniu zapytania. Najważniejsze jest jednak rozróżnienie problemów: błąd przetwarzania nie oznacza braku wartości, a dwa podobne wiersze nie muszą być duplikatami. Każda operacja powinna wynikać ze znaczenia danych — inaczej można uzyskać uporządkowaną tabelę kosztem utraty poprawnych informacji.

Najpierw sprawdź jakość danych

Na karcie Widok w edytorze Power Query włącz narzędzia jakości, rozkładu i profilu kolumn. Pozwalają one szybko zauważyć błędy, braki oraz nietypowe wartości. Zwróć uwagę na zakres analizy: domyślnie profilowanie obejmuje pierwsze 1000 wierszy. Przed oceną całego zbioru przełącz je na pełny zestaw danych, pamiętając, że przy dużych tabelach może to wydłużyć analizę.

Błędy: diagnozuj, zanim usuniesz

Wartość Error oznacza, że Power Query nie zdołał wykonać operacji dla danej komórki. Sprawdź szczegóły błędu, aby ustalić jego przyczynę. Jeśli problem wynika z niepoprawnej reguły przetwarzania, popraw tę regułę zamiast usuwać jej skutki.

Podstawowe sposoby postępowania mają różne zastosowania:

• Zachowaj błędy — pozostawia wiersze z błędami w wybranych kolumnach, co ułatwia diagnostykę i przygotowanie zestawienia wyjątków.
• Zamień błędy — zastępuje błędne wartości wskazaną wartością, np. null, jeżeli takie postępowanie jest uzasadnione.
• Usuń błędy — usuwa całe wiersze zawierające błędy w sprawdzanych kolumnach, a nie tylko problematyczne komórki.

Nie zastępuj automatycznie błędów zerem. Zero oznacza konkretną wartość liczbową, natomiast brak poprawnego odczytu oznacza niepewność. Takie zastąpienie może zniekształcić średnie i ukryć problem ze źródłem.

Duplikaty: najpierw określ, co identyfikuje rekord

Funkcja Usuń duplikaty porównuje zaznaczone kolumny. Wybór wszystkich kolumn pozwala usuwać identyczne wiersze; wybór jednej lub kilku służy wykrywaniu powtórzeń według określonego klucza. Sam numer faktury może nie wystarczyć, jeśli tabela zawiera osobne pozycje tej faktury. Usuwanie powtórzeń wyłącznie po numerze dokumentu skasowałoby wtedy prawidłowe dane.

Przed deduplikacją ujednolić należy zapis wartości tekstowych. Power Query rozróżnia wielkie i małe litery, a dodatkowe spacje również mogą utrudniać wykrywanie powtórzeń. Jeśli rekordy mają ten sam klucz, ale różnią się pozostałymi danymi, potrzebna jest reguła wyboru właściwej wersji. Nie zakładaj, że usuwanie duplikatów zawsze zachowa pierwszy widoczny wiersz — sam porządek wyświetlania nie daje takiej gwarancji.

Puste wiersze i brakujące wartości to różne przypadki

Całkowicie pusty wiersz zwykle nie wnosi informacji i można go usunąć. Brak w pojedynczej kolumnie wymaga już osobnej decyzji. Rekord bez opcjonalnego komentarza może być poprawny, ale brak obowiązkowego identyfikatora powinien skierować go do kontroli.

Rozróżniaj null, pusty tekst "" oraz tekst złożony ze spacji. Choć w podglądzie mogą wyglądać podobnie, nie są tym samym. Najpierw usuń zbędne znaki, a następnie ujednolić sposób zapisywania braków, jeśli mają być traktowane jednakowo.

Operacja Wypełnij w dół uzupełnia wartości null poprzednią niepustą wartością. Stosuj ją tylko wtedy, gdy układ źródła rzeczywiście oznacza kontynuację tej samej grupy. W przeciwnym razie możesz przypisać rekordowi kategorię należącą do poprzedniego wiersza.

Standaryzacja: jeden zapis dla tego samego znaczenia

Przycinanie tekstu usuwa białe znaki z jego początku i końca, a oczyszczanie — znaki niedrukowalne. Nie zastępuje to jednak wszystkich reguł porządkowania tekstu: wielokrotne spacje wewnątrz nazw czy spacje nierozdzielające mogą wymagać osobnej obsługi.

Ujednolicaj wielkość liter i warianty nazw tylko tam, gdzie nie zmienia to ich znaczenia. Przy zamianie oznaczeń kategorii lepiej dopasowywać pełne wartości niż przypadkowe fragmenty tekstu. Po wykonaniu reguł sprawdź liczbę usuniętych wierszy, pozostałych błędów i braków w wymaganych polach. Dzięki temu odświeżanie zapytania pozostanie kontrolowanym procesem, a nie automatycznym ukrywaniem problemów.

Transformacje struktury: rozdzielanie/scalanie kolumn oraz pivot/unpivot

Poprawne wartości nie wystarczą, jeśli układ tabeli utrudnia ich analizę. Kod produktu zapisany razem z wariantem ogranicza możliwości filtrowania, a miesiące umieszczone w osobnych kolumnach komplikują zestawienia obejmujące kolejne okresy. Transformacje struktury w Power Query pozwalają dostosować sposób organizacji danych do tego, jak mają być później wykorzystywane. Rozdzielanie i scalanie zmieniają zawartość oraz liczbę kolumn, natomiast pivot i unpivot przenoszą wartości między wierszami a kolumnami.

Rozdzielanie kolumn: jedna wartość, kilka informacji

Rozdzielenie kolumny przydaje się wtedy, gdy jedno pole zawiera kilka odrębnych informacji. Zapis PRD-125|XL można podzielić na kod produktu PRD-125 i rozmiar XL. Dzięki temu każda z tych cech staje się niezależnym polem, które można wykorzystać w filtrze lub zestawieniu.

Po zaznaczeniu kolumny wybierz polecenie Podziel kolumnę. Najczęściej stosowany jest podział według ogranicznika, np. średnika, spacji lub pionowej kreski. Jeśli dane mają stały układ, można rozdzielić je według liczby znaków albo określonych pozycji.

Kluczowy jest wybór reguły odpowiadającej rzeczywistej budowie wartości. W przykładzie PRD-125|XL separatorem jest pionowa kreska, a nie myślnik należący do kodu. Gdy separator występuje wielokrotnie, trzeba zdecydować, czy podział ma nastąpić przy pierwszym, ostatnim czy każdym wystąpieniu. Power Query pozwala również rozdzielać wartości na wiersze — to przydatne, gdy w jednej komórce zapisano listę elementów, które mają być analizowane osobno.

Scalanie kolumn: wspólna etykieta z kilku pól

Scalanie działa w przeciwnym kierunku: łączy zawartość kilku kolumn w jedną. Może służyć do utworzenia czytelnej etykiety z kodu produktu i wariantu, np. PRD-125 | XL. Zaznacz kolumny w docelowej kolejności, wybierz Scal kolumny, a następnie wskaż separator i nazwę nowego pola.

Warto rozróżnić dwa sposoby wykonania tej operacji. Scalenie na karcie Przekształć zastępuje wskazane kolumny kolumną wynikową, natomiast użycie odpowiedniej opcji na karcie Dodaj kolumnę pozwala zachować pola źródłowe. Ten drugi wariant jest lepszy, jeśli poszczególne informacje nadal będą potrzebne do analizy. Scalanie zawartości kolumn nie jest przy tym łączeniem tabel — dotyczy wartości znajdujących się w tym samym wierszu.

Unpivot: miesiące z nagłówków trafiają do wierszy

W raportach przygotowywanych ręcznie często spotyka się układ szeroki: jedna kolumna identyfikuje produkt, a kolejne zawierają sprzedaż za poszczególne miesiące. Unpivot, czyli anulowanie przestawienia kolumn, zamienia taki układ na długi: nazwy wybranych kolumn stają się wartościami jednego pola, a liczby trafiają do drugiego.

Przykładowo wiersz z produktem A, wartością 120 w kolumnie 2025-01 i 150 w kolumnie 2025-02 po transformacji przyjmuje postać:

Taki układ ułatwia filtrowanie okresów oraz budowanie wykresów i miar. Power Query tworzy domyślnie kolumny atrybutu i wartości, którym warto nadać nazwy opisujące ich znaczenie.

Możesz wskazać kolumny miesięcy i anulować ich przestawienie albo zaznaczyć pola identyfikacyjne i wybrać Anuluj przestawienie innych kolumn. Druga metoda ułatwia obsługę nowych kolumn miesięcznych przy odświeżaniu, pod warunkiem że wcześniejsze kroki zapytania ich nie usuwają. Wymaga jednak przewidywalnej struktury: dodatkowa kolumna komentarza lub sumy również zostałaby objęta transformacją.

Pivot: wartości stają się nagłówkami kolumn

Pivot, czyli przestawienie kolumny, wykonuje zmianę w przeciwnym kierunku. Wartości wybranego pola, np. miesiące, stają się nagłówkami nowych kolumn. Następnie wskazuje się kolumnę zawierającą dane do umieszczenia pod tymi nagłówkami, np. sprzedaż. To rozwiązanie przydatne przy przygotowywaniu tabel porównawczych lub eksportu wymagającego układu szerokiego.

Przed przestawieniem sprawdź, czy dla każdej kombinacji pozostałych pól i nowego nagłówka istnieje jedna wartość. Jeśli dla tego samego produktu i miesiąca występuje kilka rekordów, potrzebna jest świadomie wybrana agregacja, np. suma. Opcja bez agregacji wymaga jednoznacznego przypisania wartości do komórki. Pivot z agregacją nie jest prostym, odwracalnym przełożeniem danych — po zsumowaniu kilku rekordów późniejszy unpivot nie odtworzy ich pierwotnej szczegółowości.

Łączenie i wzbogacanie danych: Append i Merge, praca na wielu zapytaniach

Gdy dane są już uporządkowane, można połączyć je w zbiór gotowy do analizy. Power Query udostępnia dwa mechanizmy: Append, czyli dołączanie zapytań, dodaje wiersze, natomiast Merge, czyli scalanie zapytań, dopasowuje rekordy na podstawie wspólnych kluczy i pozwala pobrać kolumny z drugiej tabeli. Wybór zależy od celu: zebrania podobnych danych w całość albo uzupełnienia ich o dodatkowe informacje.

Append — zebranie danych z kolejnych okresów

Dołączanie sprawdza się wtedy, gdy kilka tabel opisuje ten sam rodzaj zdarzeń. Przykładem są zestawienia sprzedaży z kolejnych miesięcy: zamiast analizować każde osobno, można zgromadzić ich wiersze w jednym zapytaniu. Tak samo da się połączyć dane z różnych oddziałów lub archiwa z bieżącymi zapisami.

Power Query dopasowuje kolumny według nazw, a nie ich kolejności. Jeśli jedna tabela zawiera kolumnę, której nie ma w drugiej, wynik uwzględni tę kolumnę, a w brakujących miejscach pojawią się wartości null. Dlatego przed dołączeniem warto sprawdzić, czy kolumny o tym samym znaczeniu mają jednakowe nazwy. Samo Append nie usuwa też duplikatów — nakładające się zakresy danych mogą spowodować wielokrotne uwzględnienie tych samych transakcji.

Merge — uzupełnienie danych na podstawie klucza

Scalanie służy do zestawiania informacji, które się uzupełniają. Tabelę sprzedaży można połączyć ze słownikiem produktów po kodzie produktu, aby dodać kategorię lub jednostkę miary. Kluczem dopasowania może być jedna kolumna albo zestaw kolumn, na przykład numer dokumentu i numer pozycji.

Rodzaj złączenia określa, które rekordy trafią do wyniku. Złączenie lewe zewnętrzne zachowuje wszystkie wiersze pierwszej tabeli i dopasowuje informacje z drugiej. Jest przydatne przy wzbogacaniu danych, gdy brak wpisu w słowniku nie powinien usuwać transakcji. Złączenie wewnętrzne pozostawia tylko rekordy mające dopasowanie, a złączenie anty może pomóc wyłapać pozycje bez odpowiednika.

Po scaleniu należy rozwinąć kolumnę zawierającą dopasowane tabele i wybrać potrzebne pola. Wcześniej warto skontrolować klucze: powinny mieć zgodne typy danych i ten sam sposób zapisu. Jeśli słownik ma dostarczać jedną informację dla każdego kodu, kod musi być w nim unikatowy. Kilka dopasowań może po rozwinięciu zwiększyć liczbę wierszy, a w rezultacie zawyżyć sumy w raporcie.

Wiele zapytań — czytelny podział odpowiedzialności

Warto oddzielić zapytania przygotowujące poszczególne źródła od zapytań, które je łączą i tworzą wynik. Opcje dołączania lub scalania jako nowego zapytania pozwalają zachować ten podział bez dopisywania operacji do jednego z zapytań wejściowych.

Przy budowaniu kolejnych wariantów danych pomocne jest odwołanie: nowe zapytanie korzysta z wyniku istniejącego, więc zmiany w jego przygotowaniu przechodzą do dalszego przetwarzania. Duplikowanie tworzy natomiast osobną kopię kroków, którą można rozwijać niezależnie. Zapytania pomocnicze zwykle nie muszą być ładowane do arkusza — mogą służyć wyłącznie jako połączenia.

Po połączeniu danych sprawdź liczbę wierszy, brakujące dopasowania i sumy kontrolne. Zapisane operacje zostaną ponownie wykonane podczas odświeżania, o ile źródła pozostaną dostępne, a ich struktura będzie zgodna z założeniami zapytań.

8. Odświeżanie, publikacja i utrzymanie: najlepsze praktyki oraz najczęstsze pułapki

Przygotowane zapytanie oszczędza czas dopiero wtedy, gdy można je bezpiecznie uruchamiać na kolejnych zestawach danych. Odświeżenie ponownie wykonuje zapisane kroki na aktualnej zawartości źródeł — nie dostosowuje jednak automatycznie logiki do każdej zmiany w plikach. Dlatego utrzymanie rozwiązania wymaga nie tylko ustawienia częstotliwości aktualizacji, lecz także kontroli dostępu, stabilności źródeł i poprawności wyników.

Odświeżanie w Excelu a odświeżanie w Power BI

W Excelu zapytania można uruchamiać ręcznie, na przykład poleceniem „Odśwież wszystko”. Zależnie od rodzaju połączenia i środowiska dostępne są również opcje odświeżania przy otwieraniu skoroszytu lub w określonych odstępach. Nie należy jednak traktować tych ustawień jako harmonogramu działającego niezależnie od otwartego pliku i uruchomionego Excela. Automatyzacja bez udziału użytkownika wymaga osobnego sprawdzenia możliwości wybranego środowiska i obsługiwanych źródeł.

W Power BI Desktop aktualizacja odbywa się lokalnie. Po opublikowaniu rozwiązania w usłudze Power BI można skonfigurować harmonogram odświeżania modelu semantycznego, jeśli pozwalają na to źródła, tryb połączenia i dostępne uprawnienia. Power Query odpowiada tu za przygotowanie danych; samo w sobie nie jest usługą harmonogramowania. W modelach importujących dane otwarcie raportu nie oznacza ponownego pobrania informacji ze źródła.

Publikacja: sprawdź dostęp poza własnym komputerem

Zapytanie działające u autora nie musi zadziałać u odbiorcy ani w usłudze chmurowej. Lokalna ścieżka do folderu, prywatny dysk czy poświadczenia zapisane na komputerze bywają niewidocznymi zależnościami. Przed udostępnieniem skoroszytu lub publikacją raportu warto ustalić, skąd będą pobierane dane i kto będzie miał do nich dostęp.

Jeżeli usługa Power BI ma korzystać ze źródeł w sieci lokalnej, zwykle potrzebna jest lokalna brama danych. Musi ona działać na dostępnym komputerze lub serwerze, a skonfigurowane połączenie musi mieć odpowiednie uprawnienia. Dla obsługiwanych źródeł chmurowych brama często nie jest konieczna, ale nadal trzeba prawidłowo ustawić uwierzytelnianie. Zmiana hasła, wygaśnięcie poświadczeń lub odebranie dostępu mogą zatrzymać aktualizacje mimo niezmienionych zapytań.

Najlepsze praktyki utrzymania

• Ustal stałe zasady dostarczania plików. Określ lokalizację, oczekiwany układ danych i moment, w którym plik jest gotowy do odczytu. Harmonogram powinien uwzględniać zakończenie dostarczania danych, a nie tylko dogodną godzinę uruchomienia raportu.
• Kontroluj wynik, nie tylko status wykonania. Sprawdzaj liczbę rekordów, najnowszą datę danych i podstawowe sumy kontrolne. Technicznie udane odświeżenie może zwrócić niepełny zbiór.
• Rozróżniaj czas odświeżenia od aktualności źródła. Raport odświeżony dziś może nadal zawierać dane sprzed tygodnia, jeśli źródło nie zostało uzupełnione.
• Testuj zmiany przed wdrożeniem. Zachowuj działającą wersję pliku i sprawdzaj poprawki na reprezentatywnych danych. Dokumentuj zależności, właściciela rozwiązania oraz sposób reagowania na awarie.
• Monitoruj historię i czas odświeżeń. W usłudze Power BI skonfiguruj dostępne powiadomienia o błędach. Stopniowo wydłużający się czas wykonania może sygnalizować problem, zanim aktualizacje zaczną się nie udawać.

Podczas szkoleń Cognity pogłębiamy zagadnienia utrzymania zapytań i kontroli poprawności danych na konkretnych przykładach z pracy uczestników.

Pułapki, które łatwo przeoczyć

Usunięcie kolumny, zmiana nazwy arkusza czy przeniesienie folderu mogą przerwać zapytanie zależne od tych elementów. Równie istotne są zmiany, które nie wywołują błędu: brak najnowszego pliku albo przypadkowe objęcie źródłem kopii archiwalnych. Oczekiwaną zawartość źródeł warto więc traktować jako część specyfikacji rozwiązania.

Nie należy też zakładać, że odświeżenie podglądu w edytorze oznacza aktualizację danych załadowanych do arkusza lub modelu. Po nieudanej aktualizacji raport może nadal prezentować wcześniejsze wyniki. Widoczna data danych i kontrola ostatniego udanego odświeżenia pomagają uniknąć decyzji opartych na nieaktualnych informacjach.

Jeśli łączenie źródeł powoduje komunikaty dotyczące prywatności, nie wyłączaj zabezpieczeń wyłącznie po to, by usunąć błąd. Poziomy prywatności pomagają ograniczać niepożądany przepływ danych między źródłami. Konfiguracja powinna odpowiadać rzeczywistej poufności informacji i zasadom obowiązującym w organizacji.

Power BI zaawansowany – DAX w praktyce: miary, kalkulacje i analiza danych 01 października 2026

Claude AI w praktyce – 10 zastosowań do analizy dokumentów, danych i automatyzacji pracy 27 września 2026