Python を使用してセマンティックモデルから読み取り、Power BI で使用できるデータを書き込む

[アーティクル]
05/27/2024

この記事では、Microsoft Fabric の SemPy Python ライブラリを使用して、セマンティックモデルでデータとメタデータを読み取り、メジャーを評価する方法について説明します。また、セマンティックモデルで使用できるデータを書き込む方法についても説明します。

前提条件

Microsoft Fabric サブスクリプションを取得します。または、無料の Microsoft Fabric 試用版にサインアップします。
Microsoft Fabric にサインインします。
ホームページの左側にある環境スイッチャーを使って、Synapse Data Science 環境に切り替えます。

Microsoft Fabric の Data Science エクスペリエンスに移動します。
新しいノートブックを作成して、コードをコピーしてセルに貼り付けます。
Spark 3.4 以降では、Fabric を使用する場合、セマンティックリンクは既定のランタイムで使用でき、インストールする必要はありません。 Spark 3.3 以前を使用している場合、またはセマンティックリンクの最新バージョンに更新する場合は、次のコマンドを実行できます。 python %pip install -U semantic-link
レイクハウスをノートブックに追加します。
ファブリックサンプルリポジトリのデータセットフォルダーから Customer Profitability Sample.pbix セマンティックモデルをダウンロードし、セマンティックモデルをローカルに保存します。

ワークスペースにセマンティックモデルをアップロードする

この記事では、Customer Profitability Sample.pbix セマンティックモデルを使用します。このセマンティックモデルは、企業の製造マーケティング資料を参照し、さまざまな事業単位の製品、顧客、および対応する収益に関するデータが含まれています。

Fabric Data Science でワークスペースを開きます。
[Upload > Browse](アップロードと参照) を選択し、Customer Profitability Sample.pbix セマンティックモデルを選択します。

アップロードが完了すると、ワークスペースには、Power BI レポート、ダッシュボード、Customer Profitability Sample という名前のセマンティックモデルという 3 つの新しい成果物があります。この記事の手順では、このセマンティックモデルを使用します。

Python を使用してセマンティックモデルからデータを読み取る

SemPy Python API は、Microsoft Fabric ワークスペースにあるセマンティックモデルからデータとメタデータを取得し、それらに対してクエリを実行できます。

ノートブック、Power BI データセットセマンティックモデル、レイクハウスは、同じワークスペースに配置することも、異なるワークスペースに配置することもできます。既定では、SemPy は次の場所からセマンティックモデルへのアクセスを試みます。

ノートブックにレイクハウスをアタッチした場合は、レイクハウスのワークスペース。
レイクハウスがアタッチされていない場合は、ノートブックのワークスペース。

セマンティックモデルがこれらのワークスペースのいずれにも配置されていない場合は、SemPy メソッドを呼び出すときにセマンティックモデルのワークスペースを指定する必要があります。

セマンティックモデルからデータを読み取るには、次のようにします。

ワークスペース内で使用可能なセマンティックモデルを一覧表示します。
```
import sempy.fabric as fabric

df_datasets = fabric.list_datasets()
df_datasets
```
Customer Profitability Sample セマンティックモデルで使用できるテーブルを一覧表示します。
```
df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
df_tables
```
Customer Profitability Sample セマンティックモデルで定義されているメジャーを一覧表示します。

ヒント

次のコードでは、SemPy がセマンティックモデルにアクセスするために使用するワークスペースが指定されています。 Your Workspace は、([ワークスペースにセマンティックモデルをアップロードする] セクションで) セマンティックモデルをアップロードしたワークスペースの名前に置き換えることができます。
```
df_measures = fabric.list_measures("Customer Profitability Sample", workspace="Your Workspace")
df_measures
```
これで、Customer テーブルが関心のあるテーブルであると判断しました。
Customer Profitability Sample セマンティックモデルから Customer テーブルを読み取ります。
```
df_table = fabric.read_table("Customer Profitability Sample", "Customer")
df_table
```
Note
- データは XMLA を使用して取得されるため、少なくとも XMLA 読み取り専用を有効にする必要があります。
- 取得可能なデータの量は、セマンティックモデルをホストする容量 SKU のクエリあたりの最大メモリ、ノートブックを実行している Spark ドライバーノード (ノードサイズを参照) によって制限されます。
- すべての要求では、低優先度を使用して Microsoft Azure Analysis Services のパフォーマンスへの影響を最小限に抑え、対話型要求として課金されます。
顧客の状態と日付ごとに Total Revenue メジャーを評価します。
```
df_measure = fabric.evaluate_measure(
    "Customer Profitability Sample",
    "Total Revenue",
    ["'Customer'[State]", "Calendar[Date]"])
df_measure
```
Note
- 既定では、データ XMLA を使用して取得されないため、XMLA の読み取り専用を有効にする必要はありません。
- さらに、データは Power BI バックエンドの制限に従うことはありません。
- 取得可能なデータの量は、セマンティックモデルをホストする容量 SKU のクエリあたりの最大メモリ、ノートブックを実行している Spark ドライバーノード (ノードサイズを参照) によって制限されます。
- すべての要求は、対話型要求として課金されます。

特定の列に含めることができる値のリストを指定することで、メジャー計算にフィルターを追加できます。

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

DAX クエリを使用して、顧客の状態と日付ごとに Total Revenue メジャーを評価することもできます。
```
df_dax = fabric.evaluate_dax(
    "Customer Profitability Sample",
    """
    EVALUATE SUMMARIZECOLUMNS(
        'State'[Region],
        'Calendar'[Date].[Year],
        'Calendar'[Date].[Month],
        "Total Revenue",
        CALCULATE([Total Revenue]))
    """)
```
Note
- データは XMLA を使用して取得されるため、少なくとも XMLA 読み取り専用を有効にする必要があります。
- 取得可能なデータの量は、Microsoft Azure Analysis Services と Spark ドライバーノードで使用可能なメモリによって制限されます (ノードサイズを参照)。
- すべての要求は低優先度を使用して Analysis Services のパフォーマンスへの影響を最小限に抑え、対話型の要求として課金されます。
%%dax セルマジックを使用すると、ライブラリをインポートする必要なく、同じ DAX クエリを評価できます。次のセルを実行して、%%dax セルマジックを読み込みましょう。
```
%load_ext sempy
```
ワークスペースパラメータは省略可能であり、evaluate_dax 関数のワークスペースパラメータと同じルールに従います。セルマジックでは、{variable_name} 構文を使用した Python 変数へのアクセスもサポートされています。 DAX クエリで中かっこを使用するには、もう 1 つの中かっこでエスケープします (EVALUATE {{1}} など)。
```
%%dax "Customer Profitability Sample" -w "Your Workspace"
EVALUATE SUMMARIZECOLUMNS(
    'State'[Region],
    'Calendar'[Date].[Year],
    'Calendar'[Date].[Month],
    "Total Revenue",
    CALCULATE([Total Revenue]))
```
結果の FabricDataFrame は、最後に実行されたセルの出力をキャプチャする _ 変数を使用して確認できます。
```
df_dax = _

df_dax.head()
```
または、外部ソースから取得したデータにメジャーを追加することもできます。このアプローチは、列名を Power BI ディメンジョンに解決する、列ごとにグループ化を定義する、メジャーをフィルター処理するという 3 つのタスクの組み合わせです。特定のセマンティックモデル内で分割できない列名はすべて無視されます (サポートされている DAX 構文を参照してください)。
```
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
```

特殊なパラメーター

SemPy の read_table および evaluate_measure メソッドには、他にも出力の操作に役立つパラメータがあります。これらのパラメーターには、以下のものがあります。

fully_qualified_columns: 値が "True" の場合、メソッドは TableName[ColumnName] 形式で列名を返します。
num_rows: 結果で出力される行の数。
pandas_convert_dtypes: 値が "True" の場合、結果の DataFrame の列は、pandas convert_dtypes を使用して、可能な限り最適な dtype にキャストされます。このパラメータをオフにすると、DAX の暗黙的な型変換のために Power BI モデルでは検出されなかった可能性のある型の非互換性の問題が、関連テーブルの列間で発生する場合があります。

SemPy read_table では、Power BI によって提供されるモデル情報も使用されます。

multiindex_hierarchies: True の場合、Power BI 階層を pandas MultiIndex 構造体に変換します。

セマンティックモデルで使用できるデータを書き込む

レイクハウスに追加された Spark テーブルは、対応する既定のセマンティックモデルに自動的に追加されます。この例では、アタッチされているレイクハウスにデータを書き込む方法を示します。 FabricDataFrame は pandas DataFrames と同じ入力データを受け入れます。

from sempy.fabric import FabricDataFrame

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

df_forecast.to_lakehouse_table("ForecastTable")

Power BI を使用すると、レイクハウスセマンティックモデルを使用して ForecastTable テーブルを複合セマンティックモデルに追加できます。

次の方法で共有

Python を使用してセマンティックモデルから読み取り、Power BI で使用できるデータを書き込む

前提条件

ワークスペースにセマンティックモデルをアップロードする

Python を使用してセマンティックモデルからデータを読み取る

特殊なパラメーター

セマンティックモデルで使用できるデータを書き込む

フィードバック

その他のリソース

次の方法で共有

Python を使用してセマンティック モデルから読み取り、Power BI で使用できるデータを書き込む

前提条件

ワークスペースにセマンティック モデルをアップロードする

Python を使用してセマンティック モデルからデータを読み取る

特殊なパラメーター

セマンティック モデルで使用できるデータを書き込む

関連するコンテンツ

フィードバック

その他のリソース

Python を使用してセマンティックモデルから読み取り、Power BI で使用できるデータを書き込む

ワークスペースにセマンティックモデルをアップロードする

Python を使用してセマンティックモデルからデータを読み取る

セマンティックモデルで使用できるデータを書き込む