Jaa

Lue semanttisista malleista ja kirjoita tietoja, joita Power BI voi käyttää Pythonilla

  • Artikkeli

Tässä artikkelissa kerrotaan, miten voit lukea tietoja ja metatietoja ja arvioida semanttisten mallien mittareita Microsoft Fabricin SemPy python -kirjaston avulla. Opit myös kirjoittamaan tietoja, joita semanttiset mallit voivat käyttää.

Edellytykset

  • Tutustu Microsoft Fabricin datatieteen kokemukseen.
  • Uuden muistikirjan luominen koodin kopioimiseksi ja liittämiseksi soluihin
  • Spark 3.4:ssä ja tätä uudemmat versioissa semanttinen linkki on käytettävissä oletusarvoisessa suorituspalvelussa Fabricia käytettäessä, eikä sitä tarvitse asentaa. Jos käytät Spark 3.3:a tai uudempaa versiota tai haluat päivittää semanttisen linkin uusimpaan versioon, voit suorittaa komennon: python %pip install -U semantic-link  
  • Lisää Lakehouse muistikirjaasi
  • Lataa semanttinen Customer Profitability Sample.pbix -malli kangasmallisäilön tietojoukkokansiosta ja tallenna semanttinen malli paikallisesti.

Semanttisen mallin lataaminen työtilaan

Tässä artikkelissa käytetään asiakkaan tuottavuuden malli.pbix-semanttista mallia. Tämä semanttinen malli viittaa yritykseen, joka valmistaa markkinointimateriaaleja. Se sisältää eri liiketoimintayksiköiden tuote-, asiakas- ja vastaavat tuottotiedot.

  1. Työtilan avaaminen Fabric Data Science -toiminnossa
  2. Valitse Lataa > selaus ja valitse asiakkaan tuottavuuden malli.pbix semanttinen malli.

Näyttökuva, jossa näkyy semanttisen mallin työtilaan lataamisen käyttöliittymä.

Kun lataus on valmis, työtilassasi on kolme uutta artefaktia: Power BI -raportti, koontinäyttö ja semanttinen malli, jonka nimi on Asiakkaan tuottavuuden malli. Tämän artikkelin vaiheet perustuvat tähän semanttiseen malliin.

Näyttökuva, jossa näkyvät työtilaan ladatun Power BI -tiedoston kohteet.

Semanttisten mallien tietojen lukeminen Pythonilla

SemPy Python -ohjelmointirajapinta voi noutaa tietoja ja metatietoja Microsoft Fabric -työtilassa sijaitsevista semanttisista malleista. Ohjelmointirajapinta voi myös suorittaa kyselyitä niille.

Muistikirja, Power BI -tietojoukon semanttinen malli ja Lakehouse voivat sijaita samassa työtilassa tai eri työtiloissa. SemPy yrittää oletusarvoisesti käyttää semanttista malliasi seuraavasti:

  • Lakehousen työtila, jos kiinnitit muistikirjaasi lakehousen.
  • Muistikirjasi työtila, jos siihen ei ole kiinnitetty mitään.

Jos semanttinen mallisi ei sijaitse kummassakaan näistä työtiloista, sinun on määritettävä semanttisen mallin työtila, kun kutsut SemPy-menetelmää.

Tietojen lukeminen semanttisista malleista:

  1. Luettele työtilassa käytettävissä olevat semanttiset mallit.

    import sempy.fabric as fabric

df_datasets = fabric.list_datasets()
df_datasets

  2. Luettele asiakkaan tuottavuuden mallin semanttisessa mallissa käytettävissä olevat taulukot.

    df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
df_tables

  3. Luettele asiakkaan tuottavuuden mallissa määritetyt mittarit semanttisessa mallissa.

    Vihje

    Seuraavassa koodiesimerkissä määritimme SemPy:lle työtilan, jota käytetään semanttisen mallin käyttämiseen. Voit korvata sen Your Workspace työtilan nimellä, johon latasit semanttisen mallin (kohdasta Semanttisen mallin lataaminen työtilaan ).

    df_measures = fabric.list_measures("Customer Profitability Sample", workspace="Your Workspace")
df_measures

    Tässä määritettiin, että Customer-taulukko on kiinnostava taulukko.

  4. Lue Asiakas-taulukko Asiakkaan tuottavuuden mallin semanttisesta mallista.

    df_table = fabric.read_table("Customer Profitability Sample", "Customer")
df_table

    Muistiinpano

    • Tiedot noudetaan XMLA:n avulla. Tämä edellyttää, että käytössä on vähintään XMLA:n vain luku -tila.
    • Noudettavien tietojen määrää rajoittaa - enimmäismuisti per kysely kapasiteetti-SKU: lle, joka isännöi semanttista mallia - Spark-ohjainsolmu (katso lisätietoja solmun koosta ), joka suorittaa muistikirjan
    • Kaikissa pyynnöissä pienen prioriteetin avulla voidaan minimoida vaikutus Microsoft Azure Analysis Services suorituskykyyn, ja niitä laskutetaan vuorovaikutteisena pyyntönä.

  5. Arvioi jokaisen asiakkaan tilan ja päivämäärän Kokonaistuotto-mittari.

    df_measure = fabric.evaluate_measure(
    "Customer Profitability Sample",
    "Total Revenue",
    ["'Customer'[State]", "Calendar[Date]"])
df_measure

    Muistiinpano

    • Oletusarvoisesti tietoja ei noudeta XMLA:n avulla, joten ne eivät vaadi XMLA:n vain luku -käyttöä.
    • Power BI -taustarajoitukset eivät koske tietoja.
    • Noudettavien tietojen määrää rajoittaa - enimmäismuisti kapasiteetti-SKU:n kyselyä kohden, joka isännöi semanttista mallia - Spark-ohjainsolmu (katso lisätietoja solmuko'ista ), joka suorittaa muistikirjan
    • Kaikkia pyyntöjä laskutetaan vuorovaikutteisena pyyntönä

  6. Jos haluat lisätä suodattimia mittayksikön laskentaan, määritä tietyn sarakkeen sallittujen arvojen luettelo.

    filters = {
    "State[Region]": ["East", "Central"],
    "State[State]": ["FLORIDA", "NEW YORK"]
}
df_measure = fabric.evaluate_measure(
    "Customer Profitability Sample",
    "Total Revenue",
    ["Customer[State]", "Calendar[Date]"],
    filters=filters)
df_measure

  7. Voit myös arvioida Total Revenue -mittarin asiakkaan tilaa ja päivämäärää kohden DAX-kyselyllä.

    df_dax = fabric.evaluate_dax(
    "Customer Profitability Sample",
    """
    EVALUATE SUMMARIZECOLUMNS(
        'State'[Region],
        'Calendar'[Date].[Year],
        'Calendar'[Date].[Month],
        "Total Revenue",
        CALCULATE([Total Revenue]))
    """)

    Muistiinpano

    • Tiedot noudetaan XMLA:n avulla, joten niiden käyttöön lisääminen edellyttää vähintään XMLA:n vain luku -käyttöä.
    • Microsoft Azure Analysis Services- ja Spark-ohjainsolmujen käytettävissä oleva muisti rajoittaa noudettavien tietojen määrää (lisätietoja on solmukokojen luona)
    • Kaikissa pyynnöissä käytetään matalaa prioriteettia sen minimoimiseksi, mikä vaikuttaa Analysis Services -suorituskykyyn, ja niitä laskutetaan vuorovaikutteisena pyyntönä

  8. Käytä solun %%dax taikaa saman DAX-kyselyn arvioimiseen ilman tarvetta tuoda kirjastoa. Lataa solun taika suorittamalla %%dax tämä solu:

    %load_ext sempy

    Työtilaparametri on valinnainen. Se noudattaa samoja sääntöjä kuin funktion evaluate_dax työtilaparametri.

    Solun taika tukee myös Python-muuttujien käyttöä syntaksin {variable_name} avulla. Jos haluat käyttää aaltosulkeita DAX-kyselyssä, voit välttää sen toisella aaltosulkeella (esimerkki: EVALUATE {{1}}).

    %%dax "Customer Profitability Sample" -w "Your Workspace"
EVALUATE SUMMARIZECOLUMNS(
    'State'[Region],
    'Calendar'[Date].[Year],
    'Calendar'[Date].[Month],
    "Total Revenue",
    CALCULATE([Total Revenue]))

    Tulokseksi saatava FabricDataFrame on saatavilla -muuttujan _ kautta. Tämä muuttuja tallentaa viimeisen suoritetun solun tuloksen.

    df_dax = _

df_dax.head()

  9. Voit lisätä mittareita ulkoisista lähteistä noudettuihin tietoihin. Tämä lähestymistapa yhdistää kolme tehtävää:

    • Se ratkaisee sarakkeiden nimet Power BI -dimensioihin
    • Se määrittää ryhmittelyn sarakkeiden mukaan
    • Se suodattaa mittarin Kaikki sarakkeiden nimet, joita ei voi ratkaista tietyssä semanttisessa mallissa, ohitetaan (lisätietoja on tuetussa DAX-syntaksiresurssissa ).
    from sempy.fabric import FabricDataFrame

df = FabricDataFrame({
        "Sales Agent": ["Agent 1", "Agent 1", "Agent 2"],
        "Customer[Country/Region]": ["US", "GB", "US"],
        "Industry[Industry]": ["Services", "CPG", "Manufacturing"],
    }
)

joined_df = df.add_measure("Total Revenue", dataset="Customer Profitability Sample")
joined_df

Erityiset parametrit

SemPy-parametrilla read_table ja evaluate_measure -menetelmillä on enemmän parametreja, joista on hyötyä tuloksen muokkaamisessa. Näitä parametreja ovat esimerkiksi seuraavat:

  • fully_qualified_columns: "Tosi"-arvolle menetelmät palauttavat sarakkeiden nimet lomakkeessa TableName[ColumnName]
  • num_rows: Tuloksessa tulostettavien rivien määrä
  • pandas_convert_dtypes: Pandas-arvoksi pandas heittää tulokseksi saatavat DataFrame-sarakkeet parhaan mahdollisen dtype-convert_dtypes. Jos tämä parametri on poistettu käytöstä, tyypin yhteensopivuusongelmat liittyvien taulukoiden sarakkeiden välillä voivat aiheuttaa ongelmia. Power BI -malli ei välttämättä tunnista näitä ongelmia IMPlisiittisen DAX-tyypin muunnoksen vuoksi

SemPy read_table käyttää myös Power BI:n tarjoamia mallitietoja.

  • multiindex_hierarchies: Jos "tosi", Power BI -hierarkiat muunnetaan pandas MultiIndex -rakenteeksi

Semanttisten mallien kuluttamien tietojen kirjoittaminen

Lakehouse-järjestelmään lisätyt Spark-taulukot lisätään automaattisesti vastaavaan semanttiseen oletusmalliin. Tässä esimerkissä näytetään, miten voit kirjoittaa tietoja liitettyyn Lakehouse-järjestelmään. FabricDataFrame hyväksyy samat syötetiedot kuin Pandas-tietokehykset.

from sempy.fabric import FabricDataFrame

df_forecast = FabricDataFrame({'ForecastedRevenue': [1, 2, 3]})

df_forecast.to_lakehouse_table("ForecastTable")

Power BI:llä ForecastTable-taulukko voidaan lisätä yhdistelmäsemanttiseen malliin Lakehousen semanttisella mallilla.

Liittyvä sisältö