Videokurser för dataflödesmappning
GÄLLER FÖR: 
Azure Data Factory Azure Synapse Analytics
Dricks
Prova Data Factory i Microsoft Fabric, en allt-i-ett-analyslösning för företag. Microsoft Fabric omfattar allt från dataflytt till datavetenskap, realtidsanalys, business intelligence och rapportering. Lär dig hur du startar en ny utvärderingsversion kostnadsfritt!
Nedan visas en lista över självstudievideor för mappning av dataflöden som skapats av Azure Data Factory-teamet.
Eftersom uppdateringar ständigt görs i produkten har vissa funktioner lagt till eller olika funktioner i den aktuella Azure Data Factory-användarupplevelsen.
Komma igång
Komma igång med att mappa dataflöden i Azure Data Factory
Felsöka och utveckla dataflöden för mappning
Felsöka och testa mappning av dataflöden.
Snabbåtgärder för dataförhandsgranskning
Övervaka och hantera dataflödesprestanda för mappning
Felsöka arbetsflöden för dataflöden
Transformeringsöversikter
Transformering av härledd kolumn
Uppdateringar och tips för uppslagstransformering
Pivottransformering: mappa utgående kolumner
Välj transformering: Regelbaserad mappning
Välj transformering: Stora datauppsättningar
Transformering av surrogatnyckel
Transformering av villkorsstyrd delning
Dynamiska kopplingar och dynamiska sökningar
Radkontext via fönsteromvandling
Källa och mottagare
Parquet- och avgränsade textfiler
Härled datatyper i avgränsade textfiler
Läsa och skriva partitionerade filer
Transformera och skapa flera SQL-tabeller
Partitionera dina filer i datasjön
Inläsningsmönster för informationslager
Utdataalternativ för Data Lake-filer
Optimera mappning av dataflöden
Optimera dataflödesklusterstorleken dynamiskt vid körning
Optimera starttider för dataflöde
Azure Integration Runtimes för Dataflöde
Starttid för snabbkluster med Azure IR
Mappa dataflödesscenarier
Långsamt föränderlig dimensionstyp 1: skriv över
Långsamt föränderlig dimensionstyp 2: historik
Transformera SQL Server lokalt med mönster för deltadatainläsning
Antal distinkta rader och rader
Datamaskning för känsliga data
Logiska modeller jämfört med fysiska modeller
Identifiera ändringar i källdata
Allmän typ 2, långsamt föränderlig dimension
Ta bort rader i målet när de inte finns i källan
Inkrementell datainläsning med Azure Data Factory och Azure SQL DB
Transformera Avro-data från Event Hubs med parsa och platta ut
Dataflödesuttryck
Dela upp matriser och skiftlägesinstruktor
Kul med stränginterpolation och parametrar
Dataflöde Script Intro: Kopiera, Klistra in, Kodfragment
Dynamiska uttryck som parametrar
Användardefinierade funktioner