Funktionsbibliothek
Gilt für: ✅Microsoft Fabric✅Azure Data Explorer✅Azure Monitor✅Microsoft Sentinel
Dieser Artikel enthält eine kategorisierte Liste mit benutzerdefinierten Funktionen (User-Defined Functions, UDFs).
Der Code benutzerdefinierter Funktionen ist in den Artikeln angegeben. Er kann in einer let-Anweisung verwendet werden, die in eine Abfrage eingebettet ist, oder mithilfe von .create function dauerhaft in einer Datenbank gespeichert werden.
Allgemeine Funktionen
| Funktionsname | Beschreibung |
|---|---|
| geoip_fl() | Ruft geografische Informationen der IP-Adresse ab. |
| get_packages_version_fl() | Gibt Versionsinformationen des Python-Moduls und der angegebenen Pakete zurück. |
Funktionen für maschinelles Lernen
| Funktionsname | Beschreibung |
|---|---|
| dbscan_fl() | Clusterisieren mit dem DBSCAN-Algorithmus, Features befinden sich in separaten Spalten. |
| dbscan_dynamic_fl() | Clusterisieren mit dem DBSCAN-Algorithmus, Features befinden sich in einer einzigen dynamischen Spalte. |
| kmeans_fl() | Die Clusterisierung mithilfe des K-Means-Algorithmus erfolgt in separaten Spalten. |
| kmeans_dynamic_fl() | Clusterisieren mit dem K-Means-Algorithmus, Features befinden sich in einer einzigen dynamischen Spalte. |
| predict_fl() | Wird für Vorhersagen mit einem vorhandenen trainierten Machine Learning-Modell verwendet. |
| predict_onnx_fl() | Wird für Vorhersagen mit einem vorhandenen trainierten Machine Learning-Modell im ONNX-Format verwendet. |
Plotly-Funktionen
Der folgende Abschnitt enthält Funktionen zum Rendern interaktiver Plotly-Diagramme.
| Funktionsname | Beschreibung |
|---|---|
| plotly_anomaly_fl() | Rendern eines Anomaliediagramms mithilfe einer Plotly-Vorlage. |
| plotly_gauge_fl() | Rendern eines Messdiagramms mithilfe einer Plotly-Vorlage. |
| plotly_scatter3d_fl() | Rendern eines 3D-Punktdiagramms mithilfe einer Plotly-Vorlage. |
PromQL-Funktionen
Der folgende Abschnitt enthält allgemeine PromQL-Funktionen. Diese Funktionen können zur Analyse von Metriken verwendet werden, die vom Prometheus-Überwachungssystem in Ihre Datenbank aufgenommen werden. Alle Funktionen gehen davon aus, dass Metriken in Ihrer Datenbank mithilfe des Prometheus-Datenmodells strukturiert sind.
| Funktionsname | Beschreibung |
|---|---|
| series_metric_fl() | Ermöglicht das Auswählen und Abrufen von Zeitreihen, die mit dem Prometheus-Datenmodell gespeichert wurden. |
| series_rate_fl() | Berechnet die durchschnittliche Zählermetrikerhöhungsrate pro Sekunde. |
Funktionen für die Zeitreihenverarbeitung
| Funktionsname | Beschreibung |
|---|---|
| quantize_fl() | Dient zum Quantisieren von Metrikspalten. |
| series_clean_anomalies_fl() | Ersetzen Sie Anomalien in einer Datenreihe durch interpolierte Werte. |
| series_cosine_similarity_fl() | Berechnen Sie die Kosinusähnlichkeit zweier numerischer Vektoren. |
| series_dbl_exp_smoothing_fl() | Wenden Sie einen doppelten exponentiellen Glättungsfilter auf Datenreihen an. |
| series_dot_product_fl() | Berechnet das Skalarprodukt zweier numerischer Vektoren. |
| series_downsample_fl() | Zeitreihen nach unten um einen ganzzahligen Faktor. |
| series_exp_smoothing_fl() | Wenden Sie einen einfachen exponentiellen Glättungsfilter auf Datenreihen an. |
| series_fit_lowess_fl() | Passt ein lokales Polynom per LOWESS-Methode an eine Reihe an. |
| series_fit_poly_fl() | Passt ein lokales Polynom per Regressionsanalyse an eine Reihe an. |
| series_fbprophet_forecast_fl() | Ermöglicht das Vorhersagen von Zeitreihenwerten mithilfe des Prophet-Algorithmus. |
| series_lag_fl() | Wenden Sie einen Verzögerungsfilter auf Datenreihen an. |
| series_monthly_decompose_anomalies_fl() | Erkennen von Anomalien in einer Serie mit monatlicher Saisonalität. |
| series_moving_avg_fl() | Wenden Sie einen gleitenden Mittelwertfilter auf Datenreihen an. |
| series_moving_var_fl() | Wenden Sie einen gleitenden Varianzfilter auf Datenreihen an. |
| series_mv_ee_anomalies_fl() | Multivariate Anomaly Detection for series using elliptical envelope model. |
| series_mv_if_anomalies_fl() | Multivariate Anomaly Detection for series using isolation forest model. |
| series_mv_oc_anomalies_fl() | Multivariate Anomaly Detection for series using one class SVM model. |
| series_rolling_fl() | Anwenden einer rollierenden Aggregationsfunktion auf Datenreihen. |
| series_shapes_fl() | Erkennt positiven/negativen Trend oder Sprung in Serie. |
| series_uv_anomalies_fl() | Erkennen von Anomalien in Zeitreihen mithilfe der Univariate Anomaly Detection Cognitive Service API. |
| series_uv_change_points_fl() | Erkennen von Änderungspunkten in Zeitreihen mithilfe der Univariate Anomaly Detection Cognitive Service API. |
| time_weighted_avg_fl() | Berechnet den zeitgewichteten Mittelwert einer Metrik mithilfe der Vorwärtsinterpolation der Füllung. |
| time_weighted_avg2_fl() | Berechnet den zeitgewichteten Mittelwert einer Metrik mithilfe der linearen Interpolation. |
| time_weighted_val_fl() | Berechnet den zeitgewichteten Wert einer Metrik mithilfe der linearen Interpolation. |
| time_window_rolling_avg_fl() | Berechnet den rollierenden Mittelwert einer Metrik über ein Zeitfenster mit konstanter Dauer. |
Statistik- und Wahrscheinlichkeitsfunktionen
| Funktionsname | Beschreibung |
|---|---|
| bartlett_test_fl() | Führt den Bartlett-Test durch. |
| binomial_test_fl() | Führt den Binomialtest durch. |
| comb_fl() | Berechnet C(n, k), also die Anzahl von Kombinationen für die Auswahl von k Elementen aus n. |
| factorial_fl() | Berechnet n!, also die Fakultät von n. |
| ks_test_fl() | Führt einen Kolmogorov Smirnov-Test durch. |
| levene_test_fl()n | Führt einen Levene-Test durch. |
| normality_test_fl() | Führt den Normalitätstest durch. |
| mann_whitney_u_test_fl() | Führt einen Mann-Whitney-U-Test durch. |
| pair_probabilities_fl() | Ermöglicht das Berechnen verschiedener Wahrscheinlichkeiten und zugehöriger Metriken für ein Paar kategorischer Variablen. |
| pairwise_dist_fl() | Berechnen Sie paarweise Abstände zwischen Entitäten basierend auf mehreren nominalen und numerischen Variablen. |
| percentiles_linear_fl() | Berechnen von Quantilen mithilfe der linearen Interpolation zwischen den nächstgelegenen Rangfolgen |
| perm_fl() | Berechnet C(n, k), also die Anzahl von Permutationen für die Auswahl von k Elementen aus n. |
| two_sample_t_test_fl() | Führt den Zweistichproben-t-Test durch. |
| wilcoxon_test_fl() | Führt den Wilcoxon-Test durch. |
\Textanalyse
| Funktionsname | Beschreibung |
|---|---|
| log_reduce_fl() | Suchen Sie gängige Muster in Textprotokollen, und geben Sie eine Zusammenfassungstabelle aus. |
| log_reduce_full_fl() | Suchen Sie gängige Muster in Textprotokollen, und geben Sie eine vollständige Tabelle aus. |
| log_reduce_predict_fl() | Wenden Sie ein trainiertes Modell an, um allgemeine Muster in Textprotokollen zu finden und eine Zusammenfassungstabelle auszugeben. |
| log_reduce_predict_full_fl() | Wenden Sie ein trainiertes Modell an, um allgemeine Muster in Textprotokollen zu finden und eine vollständige Tabelle auszugeben. |
| log_reduce_train_fl() | Suchen Sie gängige Muster in Textprotokollen und geben Sie ein Modell aus. |