Biblioteca de funções

Aplica-se a: ✅Microsoft Fabric✅Azure Data Explorer✅Azure Monitor✅Microsoft Sentinel

O artigo a seguir contém uma lista categorizada de UDF (funções definidas pelo usuário).

O código de funções definidas pelo usuário é dado nos artigos. Ele pode ser usado dentro de uma instrução let incorporada em uma consulta ou pode ser persistido em um banco de dados usando .create function.

Funções de cibersegurança

Nome da função	Descrição
detect_anomalous_new_entity_fl()	Detete o aparecimento de novas entidades anômalas em dados com carimbo de data/hora.
detect_anomalous_spike_fl()	Detete o aparecimento de picos anômalos em variáveis numéricas em dados com carimbo de data/hora.
graph_path_discovery_fl()	Descubra caminhos válidos entre pontos de extremidade relevantes (fontes e destinos) sobre dados gráficos (borda e nós).

Funções gerais

Nome da função	Descrição
geoip_fl()	Recupera informações geográficas do endereço IP.
get_packages_version_fl()	Retorna informações de versão do mecanismo Python e os pacotes especificados.

Funções de aprendizagem automática

Nome da função	Descrição
dbscan_fl()	Clusterize usando o algoritmo DBSCAN, os recursos estão em colunas separadas.
dbscan_dynamic_fl()	Clusterize usando o algoritmo DBSCAN, os recursos estão em uma única coluna dinâmica.
kmeans_fl()	Clusterize usando o algoritmo K-Means, os recursos estão em colunas separadas.
kmeans_dynamic_fl()	Clusterize usando o algoritmo K-Means, os recursos estão em uma única coluna dinâmica.
predict_fl()	Preveja usando um modelo de aprendizado de máquina treinado existente.
predict_onnx_fl()	Preveja usando um modelo de aprendizado de máquina treinado existente no formato ONNX.

Funções de plotagem

A seção a seguir contém funções para renderizar gráficos interativos Plotly.

Nome da função	Descrição
plotly_anomaly_fl()	Renderize o gráfico de anomalias usando um modelo Plotly.
plotly_gauge_fl()	Renderize o gráfico de medidor usando um modelo Plotly.
plotly_scatter3d_fl()	Renderize o gráfico de dispersão 3D usando um modelo Plotly.

Funções PromQL

A seção a seguir contém funções comuns PromQL. Estas funções podem ser utilizadas para análise de métricas ingeridas na sua base de dados pelo sistema de monitorização Prometheus. Todas as funções pressupõem que as métricas em seu banco de dados são estruturadas usando o modelo de dados Prometheus.

Nome da função	Descrição
series_metric_fl()	Selecione e recupere séries temporais armazenadas com o modelo de dados Prometheus.
series_rate_fl()	Calcule a taxa média de aumento da contramétrica por segundo.

Funções de processamento em série

Nome da função	Descrição
quantize_fl()	Quantize colunas métricas.
series_clean_anomalies_fl()	Substitua anomalias em uma série por valor interpolado.
series_cosine_similarity_fl()	Calcular a semelhança cosseno de dois vetores numéricos.
series_dbl_exp_smoothing_fl()	Aplique um filtro de suavização exponencial duplo em série.
series_dot_product_fl()	Calcular o produto do ponto de dois vetores numéricos.
series_downsample_fl()	Reduzir a amostra de séries cronológicas por um fator inteiro.
series_exp_smoothing_fl()	Aplique um filtro de suavização exponencial básico em séries.
series_fit_lowess_fl()	Ajuste um polinômio local à série usando o método LOWESS.
series_fit_poly_fl()	Ajuste um polinômio a séries usando análise de regressão.
series_fbprophet_forecast_fl()	Preveja valores de séries temporais usando o algoritmo Prophet.
series_lag_fl()	Aplique um filtro de atraso em séries.
series_monthly_decompose_anomalies_fl()	Detetar anomalias numa série com sazonalidade mensal.
series_moving_avg_fl()	Aplique um filtro de média móvel em séries.
series_moving_var_fl()	Aplique um filtro de variância móvel em séries.
series_mv_ee_anomalies_fl()	Deteção de anomalias multivariadas para séries usando modelo de envelope elíptico.
series_mv_if_anomalies_fl()	Deteção de anomalias multivariadas para séries usando modelo de floresta de isolamento.
series_mv_oc_anomalies_fl()	Deteção de anomalias multivariada para séries usando um modelo SVM de classe.
series_rolling_fl()	Aplique uma função de agregação contínua em séries.
series_shapes_fl()	Deteta tendência positiva/negativa ou salto em série.
series_uv_anomalies_fl()	Detete anomalias em séries temporais usando a API do Serviço Cognitivo de Deteção de Anomalias Univariada.
series_uv_change_points_fl()	Detete pontos de alteração em séries temporais usando a API do Serviço Cognitivo de Deteção de Anomalias Univariada.
time_weighted_avg_fl()	Calcula a média ponderada pelo tempo de uma métrica usando a interpolação de preenchimento para frente.
time_weighted_avg2_fl()	Calcula a média ponderada no tempo de uma métrica usando interpolação linear.
time_weighted_val_fl()	Calcula o valor ponderado no tempo de uma métrica usando interpolação linear.
time_window_rolling_avg_fl()	Calcula a média móvel de uma métrica ao longo de uma janela de tempo de duração constante.

Funções estatísticas e de probabilidade

Nome da função	Descrição
bartlett_test_fl()	Execute o teste de Bartlett.
binomial_test_fl()	Realizar o teste binomial.
comb_fl()	Calcule C(n, k), o número de combinações para a seleção de k itens de n.
fatorial_fl()	Calcule n!, o fatorial de n.
ks_test_fl()	Execute um teste de Kolmogorov Smirnov.
levene_test_fl()n	Execute um teste de Levene.
normality_test_fl()	Realiza o teste de normalidade.
mann_whitney_u_test_fl()	Execute um teste Mann-Whitney U.
pair_probabilities_fl()	Calcule várias probabilidades e métricas relacionadas para um par de variáveis categóricas.
pairwise_dist_fl()	Calcular distâncias pareadas entre entidades com base em múltiplas variáveis nominais e numéricas.
percentiles_linear_fl()	Calcular percentis usando interpolação linear entre fileiras mais próximas
perm_fl()	Calcule P(n, k), o número de permutações para a seleção de itens k de n.
two_sample_t_test_fl()	Execute o teste t de duas amostras.
wilcoxon_test_fl()	Realizar o teste de Wilcoxon.

Análise de texto

Nome da função	Descrição
log_reduce_fl()	Encontre padrões comuns em logs textuais e produza uma tabela de resumo.
log_reduce_full_fl()	Encontre padrões comuns em logs textuais e produza uma tabela completa.
log_reduce_predict_fl()	Aplique um modelo treinado para encontrar padrões comuns em logs textuais e gerar uma tabela de resumo.
log_reduce_predict_full_fl()	Aplique um modelo treinado para encontrar padrões comuns em logs textuais e gerar uma tabela completa.
log_reduce_train_fl()	Encontre padrões comuns em logs textuais e produza um modelo.