Tietojen tutkiminen peilatussa tietokannassa Microsoft Fabricin avulla
Lue lisää kaikista menetelmistä, joilla voit tehdä kyselyjä peilatun tietokannan tiedoille Microsoft Fabricissa.
SQL-analytiikan päätepisteen käyttäminen
Microsoft Fabric tarjoaa vain luku -muotoisen T-SQL-tarjoilukerroksen replikoiduille delta-taulukoille. Tätä SQL-pohjaista käyttökokemusta kutsutaan SQL-analytiikan päätepisteiksi. Voit analysoida delta-taulukoiden tietoja käyttämällä koodia sisältävää kyselyeditoria tai T-SQL:ää näkymien, funktioiden, tallennettujen toimintosarjojen luomiseen ja SQL:n suojauksen käyttöönottoon.
Jos haluat käyttää SQL-analytiikan päätepistettä, valitse vastaava kohde työtila-näkymässä tai vaihda SQL-analytiikan päätepistetilaan peilatun tietokannan hallinnassa. Lisätietoja on ohjeaiheessa Mikä on Lakehousen SQL-analytiikan päätepiste?
Tietojen esikatselu tietonäkymän avulla
Tietojen esikatselu on yksi kolmesta valitsintilasta yhdessä SQL-analytiikan päätepisteen kyselyeditorin ja mallinäkymän kanssa. Se tarjoaa helpon käyttöliittymän taulukoiden tai näkymien tietojen tarkasteluun mallitietojen esikatselua varten (ylintä 1 000 riviä).
Lisätietoja on artikkelissa Tietojen esikatselu tietojen esikatselussa Microsoft Fabricissa.
Tietojen analysointi visuaalisilla kyselyillä
Visual Query -editori on Microsoft Fabric -ominaisuus, joka tarjoaa koodittomuuskokemuksen T-SQL-kyselyiden luomiseksi peilatun tietokantakohteen tietoihin. Voit vetää ja pudottaa taulukoita pohjaan, suunnitella kyselyitä visuaalisesti ja käyttää Power Query -kaavionäkymää.
Lisätietoja on artikkelissa Kysely visuaalisen kyselyeditorin avulla.
Tietojen analysointi SQL-kyselyiden avulla
SQL-kyselyeditori on Microsoft Fabric -ominaisuus, joka tarjoaa kyselyeditorin, jonka avulla voit luoda T-SQL-kyselyjä peilatun tietokantakohteesi tietoihin. SQL-kyselyeditori tukee IntelliSenseä, koodin valmistumista, syntaksin korostusta, asiakaspuolen jäsentämistä ja vahvistusta.
Lisätietoja on artikkelissa Kysely SQL-kyselyeditorin avulla.
Tietojen tutkiminen muistikirjojen avulla Lakehouse-pikakuvakkeella
Muistikirjat ovat tehokas koodikohde, jonka avulla voit kehittää tietoihisi liittyviä Apache Spark -töitä ja koneoppimiskokeiluja. Voit käyttää Fabric Lakehouse -muistikirjoja peilitaulukoiden tutkimiseen. Voit käyttää peilattua tietokantaa Lakehousesta spark-kyselyillä muistikirjoissa. Ensin on luotava pikakuvake peilatuista taulukoista Lakehouseen ja sitten rakennettava muistikirjoja Spark-kyselyillä Lakehouse-taloosi.
Saat vaiheittaiset ohjeet kohdasta Tietojen tutkiminen peilatussa tietokannassa muistikirjojen avulla.
Lisätietoja on kohdassa Pikakuvakkeiden luominen Lakehousessa ja kohdassa Lakehouse-tallennustilan tietojen tutkiminen muistikirjan kanssa.
Käytä delta-tiedostoja suoraan
Voit käyttää peilatun tietokannan taulukkotietoja Delta-muototiedostoissa. Yhdistä OneLakeen suoraan OneLake-resurssienhallinnan tai Azure-tallennus Explorerin kautta.
Saat vaiheittaiset ohjeet artikkelista Peilatun tietokannan tietojen tutkiminen suoraan OneLakessa.
Tietojen mallintaminen ja liiketoiminnan semantiikan lisääminen
Microsoft Fabricissa Power BI -tietojoukot ovat semanttinen mittarimalli . Ne ovat looginen kuvaus analyysitoimialueesta, joka sisältää liiketoimintaan sopivaa terminologiaa ja edustusta syvällisemmän analysoinnin mahdollistamiseksi. Tämä semanttinen malli on yleensä tähtirakenne, joka sisältää toimialuetta edustavia faktoja. Dimensioiden avulla voit analysoida toimialuetta ja porautua alaspäin, suodattaa ja laskea erilaisia analyysejä. Semanttisen mallin avulla tietojoukko luodaan automaattisesti puolestasi, ja se peritään päätietokannasta perityllä liiketoimintalogiikalla. Liiketoimintatietojen ja analyysin jatkoanalytiikkakokemus alkaa Microsoft Fabricissa kohteesta, jota hallitaan, optimoidaan ja pidetään synkronoituna ilman käyttäjän toimia.
Oletusarvoinen Power BI -tietojoukko perii kaikki suhteet mallinäkymässä määritettyjen entiteettien välillä ja päätellään ne Power BI -tietojoukon suhteiksi, kun objektit ovat käytössä BI:ssä (Power BI -raportit). Peilatun tietokannan liiketoimintalogiikan periminen sallii varastokehittäjän tai BI-analyytikon lyhentää aikaa hyödyllisen semanttisen mallin ja arvotason luomiseen analyyttisia liiketoimintatietojen (BI) raportteja varten Power BI:ssä, Excelissä tai ulkoisissa työkaluissa, kuten Tableau, jotka lukevat XMLA-muodon. Lisätietoja on artikkelissa Tietojen mallinnus Power BI:n oletustietojoukossa.
Hyvin määritelty tietomalli on ratkaiseva tekijä analytiikka- ja raportointikuormitusten määrittämisessä. Microsoft Fabricin SQL-analytiikan päätepisteessä voit helposti luoda ja muuttaa tietomalliasi käyttämällä muutamia yksinkertaisia vaiheita visualisointieditorissa. Peilatun tietokantakohteen mallintaminen on mahdollista asettamalla ensisijaiset ja viiteavainrajoitukset ja määrittämällä käyttäjätietojen sarakkeet mallinäkymässä Fabric-portaalin SQL-analytiikan päätepistesivulla. Mallinäkymässä siirtymisen jälkeen voit tehdä tämän visuaalisen entiteetin suhdekaaviossa. Kaavion avulla voit vetää ja pudottaa taulukoita ja päätellä, miten objektit liittyvät toisiinsa. Entiteettejä visuaalisesti yhdistävät viivat päätellään olemassa olevien fyysisten suhteiden tyypin.
Raportin luominen
Luo raportti suoraan semanttisesta mallista (oletus) kolmella eri tavalla:
- SQL Analytics -päätepisteeditori valintanauhassa
- Siirtymispalkin tietoruutu
- Semanttinen malli (oletus) työtilassa
Lisätietoja on artikkelissa Raporttien luominen Microsoft Fabricissa ja Power BI Desktopissa Power BI -palvelussa.