一句话：一个管"洗"，一个管"算"
它们都是 Excel（Microsoft 365）内置的"Power"高级组件，诞生于微软的自助式 BI 战略。 但它们解决的是分析链路里前后相邻的两个问题：Power Query 负责把散乱的原始数据收拾干净， Power Pivot 负责把干净的表关联成模型并算出高级指标。理解"谁在前谁在后"，就理解了它们的关系。
Power Query
- 定位：数据获取与清洗工具，干的是 ETL（Extract 抽取 → Transform 转换 → Load 加载）的活
- 语言：底层是 M 语言（Power Query Formula Language），但日常全程图形化，点鼠标即生成步骤
- 产出：一张"查询表"，可一键刷新，源数据变了点一下就重跑整套清洗
- 擅长：合并多个文件、拆分/合并列、改类型、去重、逆透视、填补缺失
- 学习曲线：平缓，基本是"看见什么点什么"，零编程也能上手
Power Pivot
- 定位：内存中的数据建模引擎，把多张表连成关系模型
- 语言：用 DAX（数据分析表达式，见本系列另一篇）写度量值；用"关系视图"拖拽建关联
- 产出：一个数据模型（含关系 + 度量值），供透视表、透视图、切片器消费
- 擅长：多表关联、比率类指标、同比环比、百万行级聚合
- 学习曲线：较陡，要理解"筛选上下文""关系模型"等新概念（通常 4–6 个月熟练）
七个维度看清差异
把两者放在一起对照，差异一目了然。记住最本质的一条：Power Query 处理"原始数据"，Power Pivot 处理"关联后的模型"。
| 对比维度 | Power Query | Power Pivot |
|---|---|---|
| 角色定位 | 数据的搬运工 + 清洁工（ETL） | 数据的建模师 + 分析大脑 |
| 处理对象 | 分散、脏乱、多来源的原始数据（Excel/CSV/数据库/网页） | 已经清洗好的多张表，重点是"它们之间怎么关联" |
| 使用语言 | M 语言（绝大多数情况图形化操作，无需手写） | DAX 公式语言 + 可视化关系视图 |
| 典型产出 | 一张可刷新的"查询"结果表 | 一个数据模型：关系 + 度量值，喂给透视表/图 |
| 解决痛点 | "数据脏、散、每月重复手工整理" | "多表关联算不清、比率乱加总、数据量大卡顿" |
| 学习难度 | ★☆☆☆☆ 平缓，拖拽为主 | ★★★★☆ 较陡，需懂建模与上下文 |
| 数据量级 | 受内存与 M 引擎约束，但远超手工复制粘贴 | 内存列式引擎（VertiPaq），百万行级秒级响应 |
📌 易混点：两者都在"数据"菜单里入口很近，但先后顺序不能反—— 先 Power Query 把数据洗干净，再加载进 Power Pivot 建模。把脏数据直接拖进模型，后面所有指标都会错。
标准分析流水线：PQ 在前，PP 在后
一个真实的电商月报，从"12 个平台的原始 Excel"到"老板能看的看板"，正是这两条流水线接力完成的。
① Power Query 取数
从各平台/各月 Excel、CSV 批量接入原始数据
② Power Query 清洗
合并文件、拆分列、改类型、去重、统一日期格式
③ 加载到 PP 模型
干净数据进入 Power Pivot 数据模型（可多表）
④ 建关系 + 写 DAX
订单×商品×日期建关系，写转化率、客单价等度量值
⑤ 透视表/图展现
拖字段 + 切片器出看板，下月点"刷新"自动更新
在商业分析与日常工作中，到底什么时候用？
结论先行：凡是"数据还没干净"的问题 → Power Query；凡是"多表要算指标"的问题 → Power Pivot。 下面分两个世界给具体场景。
淘宝、京东、抖音后台各导出一份 Excel，结构还不完全一样 → 用 Power Query「从文件夹」一次性合并，每月新增文件自动纳入。
各系统日期格式乱（"2026/1/1""1月1日""01-01"）、金额带"¥"符号 → Power Query 批量改类型、拆分、清洗。
算各商品的转化率、客单价、复购率，需要三张表关联 → Power Pivot 建关系 + DAX 度量值，口径永远正确。
老板要"本月 vs 去年本月""今年累计" → DAX 时间智能函数（SAMEPERIODLASTYEAR、TOTALYTD）一行搞定。
同样的整理动作每月重复 → Power Query 步骤固化，下月点"刷新"全链路重跑，人只负责看结果。
人事、财务、运营各给一份名单/明细，要汇总 → Power Query 合并查询，避免 VLOOKUP 套娃和错行。
"北京市朝阳区XX路"要拆成省/市/区三列做统计 → Power Query 按分隔符或按示例拆分，比手工快百倍。
导入的名单有重复、有空缺 → Power Query 删除重复项、填充向下、替换错误值，步骤可审计可回退。
同一商品在不同表叫"iPhone15""苹果15""IP15" → Power Query 建映射表统一命名，下游分析才不分裂。
一份全公司数据，老板想按部门看、按月份看、按地区看 → Power Pivot + 切片器，一个模型喂所有视角。
📌 一句话记忆法："洗"用 Query，"算"用 Pivot；先洗后算，不可颠倒。这和您课上讲的"先有干净数据，才有可靠指标"完全一致。
遇到这个问题，该请谁出马？
点开下面的业务问题，看看答案——这是区分 Power Query 与 Power Pivot 最直观的方式。 反复练几次，"先洗后算"的直觉就建立了。
互动演示 · 场景判断器点问题展开答案
下面 6 个都是电商/办公中的真实困境。点击任意一条，揭晓该用 Power Query 还是 Power Pivot，以及为什么。
互动演示 · Power Query 清洗前后一张表看价值
下面是一份"原始导出"和"清洗后"的对比（教学演示数据）。Power Query 把混乱变成规整，下游才能放心分析。
| 记录 | 内容 |
|---|---|
| 1 | "连衣裙;￥299;2026/1/1" |
| 2 | "休闲裤 ￥199 1月2日" |
| 3 | "凉鞋 ￥129 02-01" |
| 4 | "连衣裙;￥299;2026/1/1"（重复） |
| 商品 | 价格 | 日期 |
|---|---|---|
| 连衣裙 | 299 | 2026-01-01 |
| 休闲裤 | 199 | 2026-01-02 |
| 凉鞋 | 129 | 2026-02-01 |
⚙️ Power Query 自动记录的 M 步骤（图形化生成，可回退）
- 从文本/CSV 接入原始数据
拆分列：按分隔符";"和空格，拆出 商品 / 价格 / 日期替换值：去掉价格里的"￥"符号更改类型：价格→整数，日期→标准日期删除重复项：去掉第 4 行重复记录- 加载 —— 下次源文件更新，点"刷新"重跑以上全部
为什么招聘 JD 里的"高级 Excel"指的就是它们
在十亿级 Excel 用户中，Power Query 与 Power Pivot 都属于小众高级功能—— 但凡是"数据分析 / 商业分析 / 财务"岗位的 JD，提到 Excel 高阶能力，背后基本就是这三件套：Power Query + Power Pivot + DAX。
最大受益群体。总账、预算、实际多表关联，月度合并报表几十万行；Power Query 取数、Power Pivot 建模，是他们的"贴身数据仓库"。
"Power Query 清洗 → Power Pivot 建模 → 透视表出数"是简历上"高级 Excel"的标准注脚，也是面试高频考点。
订单×商品×用户×流量多表关联，正是本课程反复出现的场景。学完即可迁移上岗，告别 VLOOKUP 地狱。
把 Power Pivot 当作 Power BI 的"训练场"：数据模型、DAX、星型结构完全一致，迁移近乎零成本。
🎓 技能迁移地图：一套投入，多份回报
建议的学习顺序：先 Query，后 Pivot
Power Query 入门约 1–2 周
从「数据 → 获取数据 → 从文件/文件夹」开始，练习合并查询、拆分列、更改类型、删除重复项。
记住：每一步都变成"应用的步骤"，可以随时回退或修改——这就是它比手工强的地方。
Power Query 进阶约 2–3 周
掌握逆透视（二维表转一维）、条件列、分组依据，以及"从文件夹"批量合并——这是月报自动化的核心套路。
Power Pivot 关系建模约 3–4 周
理解"事实表 + 维度表"的星型结构，在关系视图拖出关联，明白一对一 / 一对多方向为什么重要。
DAX 度量值约 1–3 月 · 最大的一坎
写SUM、DIVIDE、CALCULATE，吃透"筛选上下文"。建议对照本课程 2.2.5 节的指标口径（转化率、客单价）逐个用度量值验证——
这正是本系列《DAX 语言解读》的主场。
从 Excel 的 Power 组件到 Power BI，再到 Azure 分析服务，微软整个自助式 BI 体系共享同一套 ETL 与建模思想。 今天在 Excel 里搭的每一个查询与模型，都是明天简历上的硬技能。
📚 延伸阅读：本系列另一篇 《DAX 语言解读》 专门讲 Power Pivot 背后的公式语言，与本篇搭配食用效果最佳。