Gruppieren von Daten mithilfe von Aggregatfunktionen
Organisationen in allen Branchen haben es mit einem stetigen Datenstrom zu tun und müssen aus diesen Daten aussagekräftige, praxisrelevante Erkenntnisse gewinnen. In diesem Szenario für meteorologische Daten verfügen Sie über ein Dataset mit Daten zu Stürmen in den USA. Sie haben in einem vorherigen Modul erfahren, wie Sie grundlegende Abfragen erstellen, um die Daten zu untersuchen.
In dieser Einheit erfahren Sie, wie Sie Datengruppen vergleichen und die Ergebnisse visuell mithilfe der Kusto-Abfragesprache (KQL) präsentieren.
Vergleichen von Datengruppen
Die Daten im Sturmereignis-Szenario sind auf Ereignisebene dargestellt, d. h. jede Zeile stellt ein bestimmtes Sturmereignis und die zugehörigen Informationen dar. Das ist eine Menge einzelner Sturme, und es kann schwierig sein, aussagekräftige Einblicke zu gewinnen, indem Sie einzelne Ereignisse betrachten. Wenn Sie diese einzelnen Ereignisse nach gemeinsamen Feldern gruppieren (z. B. dem Ort), können Sie aussagekräftige Vergleiche über Gruppen hinweg vornehmen.
Mithilfe einer Aggregationsfunktion können Sie diese Vergleiche anstellen, indem Sie Werte mehrerer Zeilen gruppieren, um einen einzelnen Zusammenfassungswert zu bilden. Der Typ des Zusammenfassungswerts hängt von der jeweiligen Funktion ab, die Sie verwenden, und kann eine Anzahl, ein Mittelwert, ein Maximal-, ein Minimal- oder ein Medianwert sein, um nur ein paar zu nennen. Beispielsweise wird in der folgenden Abbildung die Anzahl der Sturmtypen nach Ort zusammengefasst.
Visuelle Darstellung der Ergebnisse
Nachdem Sie Ihre Daten gruppiert haben, möchten Sie Einblicke aus den Ergebnissen erhalten. Die Standardausgabe für Abfragen ist tabellarisch. In vielen Szenarien können grafische Darstellungen die Ergebnisse jedoch besser kommunizieren. Wir erkunden einige der Möglichkeiten zum Konvertieren von Kusto-Abfrageergebnissen in grafische Visualisierungen mithilfe des render-Operators.
Zu den verfügbaren Visualisierungstypen zählen linechart, columnchart, barchart, piechart, scatterchart, pivotchart und weitere. Die folgende Abbildung zeigt Beispiele für Kusto-Abfrageergebnisse, die als Liniendiagramm, Säulendiagramm und Balkendiagramm gerendert werden.
In den nächsten Einheiten lernen wir einige der am häufigsten verwendeten Aggregationsfunktionen kennen, visualisieren ihre Ergebnisse mithilfe des render-Operators und erstellen dann komplexe Abfragen. Diese KQL-Fertigkeiten helfen Ihnen, Einblicke in ein Beispieldataset zu erhalten, das US-Meteorologiedaten enthält.