Power BI与REST API集成：基于切片器调值调用预测API方案

完全可以实现这个需求，以下是具体落地方向：

一、先搞定切片器与特征调整逻辑 #

• 给每个特征创建一个百分比调整参数：比如特征1调整比例，类型选百分比，范围按需设置（比如-50%到+50%）
• 基于原始数据集，为每个特征生成调整后的值：新建计算列，公式为调整后特征1 = 原始特征1 * (1 + 特征1调整比例)，10个特征对应创建10个此类计算列
• 确保调整后的数据与原数据集的1000行一一对应，每行都保留完整的调整后特征集合

二、调用API的两种可行方式 #

方式1：Power Query自定义函数（推荐，更贴合Power BI生态） #

1. 编写Power Query函数处理API请求：

let
    调用预测API = (输入特征列表 as list) =>
        let
            构造JSON = Json.FromValue([input_features = 输入特征列表]),
            发送请求 = Web.Contents("你的Flask服务地址", [
                Headers = [
                    #"Content-Type" = "application/json"
                ],
                Content = 构造JSON,
                ManualStatusHandling = {400, 404, 500}
            ]),
            解析响应 = Json.Document(发送请求),
            提取预测结果 = 解析响应[predictions]
        in
            提取预测结果
in
    调用预测API

2. 将调整后的数据集转换为嵌套列表（每行对应一个特征数组），调用上述函数获取所有预测结果
3. 将预测结果与原数据集关联，用于后续可视化

方式2：使用Power BI内置Python脚本 #

1. 在Power BI的「转换数据」中添加Python脚本，读取调整后的数据集
2. 用Python的requests库发送POST请求：

import requests
import pandas as pd

# 读取Power BI传入的调整后数据
df = dataset

# 将每行特征转换为列表，拼成API要求的格式
input_features = df[["调整后特征1", "调整后特征2", ..., "调整后特征10"]].values.tolist()

# 调用Flask API
response = requests.post("你的Flask服务地址", json={"input_features": input_features})
predictions = response.json()["predictions"]

# 将预测结果转为DataFrame返回给Power BI
result_df = pd.DataFrame({"预测结果": predictions})

3. 将返回的结果与原数据集合并，完成可视化准备

三、配置交互与可视化 #

• 将每个百分比参数绑定到对应的切片器，用户调整切片器时，Power BI会自动更新调整后的特征值
• 开启自动刷新：在Power Query中设置「允许数据刷新时重新运行查询」，确保切片器调整后自动调用API获取新预测结果
• 用柱状图、折线图等组件展示原始预测结果与调整后结果的对比，让用户直观看到特征调整的影响

内容的提问来源于stack exchange，提问作者Bhavkeerat Singh