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]
12/03/2024

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アクセスします。
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
fabric-samples リポジトリの datasets 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ます。これには、さまざまな事業単位の製品、顧客、および対応する収益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
[アップロード] > [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 つの新しいアーティファクトが表示されます。この記事の手順は、そのセマンティックモデルに依存しています。

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できます。この API はそれらに対してクエリを実行することもできます。

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

次のサンプルコードでは、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
```
ここでは、Customer テーブルが目的の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ます。そのためには、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 (詳細については、「ノードサイズ」を参照してください) 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。
各顧客の状態と日付に対する 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。
- データは Power BI バックエンドの制限の対象ではありません。
- 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 (詳細については、「ノードサイズ」を参照してください) 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

メジャー計算にフィルターを追加するには、特定の列に指定できる値のリストを指定します。

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 (詳細については、「ノードサイズ」を参照してください)。
- 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して、同じ DAX クエリを評価します。ライブラリをインポートする必要はありません。このセルを実行して、%%dax セルマジックを読み込みます。
```
%load_ext sempy
```
ワークスペースパラメーターは省略可能です。 evaluate_dax 関数のワークスペースパラメーター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 (例: EVALUATE {{1}})。
```
%%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、_ 変数を介して使用できます。この変数は、最後に実行されたセルの出力をキャプチャします。
```
df_dax = _

df_dax.head()
```
外部ソースから取得したデータにメジャーを追加できます。この方法では、次の 3 つのタスクを組み合わせます。
- 列名を Power BI ディメンションに解決する
- 列ごとにグループを定義する
- メジャーをフィルター処理する。特定のセマンティックモデル内で解決できない列名はすべて無視されます (詳細については、サポートされている DAX 構文のリソース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、pandas は結果の DataFrame 列を最適な dtypeconvert_dtypes にキャストします。このパラメーターをオフにすると、関連テーブルの列間で型の非互換性の問題が発生する可能性があります。Power BI モデルでは、DAX の暗黙的な型変換により、これらの問題が検出されない可能性があります。

SemPy read_table では、Power BI が提供す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