使用 Python 從語意模型讀取和寫入 Power BI 消耗性資料

發行項
11/24/2024

在本文中，您將瞭解如何使用 Microsoft Fabric 中的 SemPy Python 連結庫，讀取數據和元數據，並在語意模型中評估量值。您也會瞭解如何撰寫語意模型可取用的數據。

必要條件

取得 Microsoft Fabric 訂用帳戶。或註冊免費的 Microsoft Fabric 試用版。
登入 Microsoft Fabric。
使用首頁左側的體驗切換器，切換至 Synapse 資料科學體驗。

請流覽 Microsoft Fabric 中的資料科學體驗。
建立新的筆記本，以將程式代碼複製/貼到儲存格中
若是 Spark 3.4 和更高版本，使用 Fabric 時，預設執行階段可使用語意連結，而且不需要安裝。如果使用的是 Spark 3.3 或以下版本，或者想要更新為最新版本的語意連結，可以執行命令： python %pip install -U semantic-link
將 Lakehouse 新增至您的筆記本
從 fabric-samples 存放庫的數據集資料夾下載客戶獲利率 Sample.pbix 語意模型，並將語意模型儲存在本機

將語意模型上傳至您的工作區

本文使用 客戶獲利率範例.pbix 語意模型。此語意模型參考公司製造營銷數據。其中包含各種業務單位的產品、客戶和對應的營收數據。

在 Fabric 資料科學中開啟工作區
選取 [上傳流覽>]，然後選取 [客戶獲利率範例.pbix 語意模型]。

上傳完成時，您的工作區有三個新的成品：Power BI 報表、儀錶板，以及名為 「客戶獲利率範例」的語意模型。本文中的步驟依賴該語意模型。

使用 Python 從語意模型讀取資料

SemPy Python API 可以從位於 Microsoft Fabric 工作區的語意模型擷取數據和元數據。 API 也可以對其執行查詢。

您的筆記本、Power BI 資料集語意模型和 Lakehouse 可位於相同的工作區或不同的工作區。根據預設，SemPy 會嘗試從以下存取語意模型：

如果您將 Lakehouse 連結至筆記本，則為 Lakehouse 的工作區。
如果沒有連結 Lakehouse，則為筆記本的工作區。

如果您的語意模型不在上述任一工作區，則必須在呼叫 SemPy 方法時，指定語意模型的工作區。

要從語意模型讀取資料：

列出工作區中可用的語意模型。

import sempy.fabric as fabric

df_datasets = fabric.list_datasets()
df_datasets

列出 Customer Profitability Sample 語意模型中可用的資料表。

df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
df_tables

列出 Customer Profitability Sample 語意模型中定義的資料表。

提示

在下列程式代碼範例中，我們指定了 SemPy 用於存取語意模型的工作區。您可以將 Your Workspace 取代為您上傳語意模型的工作區名稱 (來自將語意模型上傳至您的工作區區段)。
```
df_measures = fabric.list_measures("Customer Profitability Sample", workspace="Your Workspace")
df_measures
```
在這裡，我們判斷 Customer 數據表是感興趣的數據表。
從 Customer Profitability Sample 語意模型讀取客戶資料表。
```
df_table = fabric.read_table("Customer Profitability Sample", "Customer")
df_table
```
注意
- 使用 XMLA 擷取數據。這至少需要啟用 XMLA 只讀。
- 可擷取的數據量受限於 - 裝載語意模型之容量 SKU 的每個查詢的最大記憶體 - Spark 驅動程式節點（如需詳細資訊，請造訪節點大小）
- 所有要求都會使用低優先順序來最小化對 Azure Analysis Services 效能Microsoft的影響，並以互動式要求計費。
評估每個客戶狀態和日期的總營收量值。
```
df_measure = fabric.evaluate_measure(
    "Customer Profitability Sample",
    "Total Revenue",
    ["'Customer'[State]", "Calendar[Date]"])
df_measure
```
注意
- 根據預設，不會使用 XMLA 擷取資料，因此不需要啟用 XMLA 唯讀。
- 數據不受 Power BI 後端限制。
- 可擷取的數據量受限於 - 裝載語意模型的容量 SKU 每個查詢的最大記憶體 - Spark 驅動程式節點（如需詳細資訊，請造訪節點大小）
- 所有要求都會以互動式要求計費

若要將篩選新增至量值計算，請指定特定數據行的允許值清單。

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

您也可以使用 DAX 查詢來評估每個客戶狀態和日期的總營收量值。
```
df_dax = fabric.evaluate_dax(
    "Customer Profitability Sample",
    """
    EVALUATE SUMMARIZECOLUMNS(
        'State'[Region],
        'Calendar'[Date].[Year],
        'Calendar'[Date].[Month],
        "Total Revenue",
        CALCULATE([Total Revenue]))
    """)
```
注意
- 使用 XMLA 擷取數據，因此至少需要啟用 XMLA 只讀
- 可擷取的數據量受限於 Microsoft azure Analysis Services 和 Spark 驅動程式節點中的可用記憶體數量（如需詳細資訊，請造訪節點大小）
- 所有要求都會使用低優先順序將 Analysis Services 效能的影響降到最低，並以互動式要求的形式計費
%%dax使用數據格 magic 來評估相同的 DAX 查詢，而不需要匯入連結庫。執行此儲存格以載入 %%dax 資料格 magic：
```
%load_ext sempy
```
工作區參數是選擇性的。它會遵循與函式工作區參數 evaluate_dax 相同的規則。

數據格 magic 也支援使用 {variable_name} 語法存取 Python 變數。若要在 DAX 查詢中使用大括弧，請使用另一個大括弧來逸出它（例如： EVALUATE {{1}}）。
```
%%dax "Customer Profitability Sample" -w "Your Workspace"
EVALUATE SUMMARIZECOLUMNS(
    'State'[Region],
    'Calendar'[Date].[Year],
    'Calendar'[Date].[Month],
    "Total Revenue",
    CALCULATE([Total Revenue]))
```
產生的 FabricDataFrame 可透過 _ 變數取得。該變數會擷取最後一個執行之單元格的輸出。
```
df_dax = _

df_dax.head()
```

您可以將量值新增至從外部來源擷取的數據。此方法結合了三項工作：

它會將數據行名稱解析為Power BI維度
它會依數據行定義群組
它會篩選在指定語意模型中無法解析的任何數據行名稱的量值（如需詳細資訊，請造訪支援的 DAX語法資源）。

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

特殊參數

SemPy read_table 和 evaluate_measure 方法有可用來操作輸出的更多參數。這些參數包括：

fully_qualified_columns：對於 “True” 值，方法會傳回窗體中的數據行名稱 TableName[ColumnName]
num_rows：結果中要輸出的數據列數目
pandas_convert_dtypes：對於 “True” 值，pandas 會將產生的DataFrame資料行轉換成最可能的 dtypeconvert_dtypes。如果關閉此參數，則相關數據表數據行之間的類型不相容問題可能會導致;Power BI 模型可能無法偵測這些問題，因為 DAX 隱含類型轉換

SemPy read_table 也會使用 Power BI 提供的模型資訊。

multiindex_hierarchies：如果為 “True”，它會將 Power BI 階層轉換成 pandas MultiIndex 結構

寫入語意模型可取用的資料

新增至 Lakehouse 的 Spark 資料表會自動新增至對應的預設語意模型。此範例示範了如何將資料寫入連結的 Lakehouse。 FabricDataFrame 接受與 Pandas DataFrame 相同的輸入資料。

from sempy.fabric import FabricDataFrame

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

df_forecast.to_lakehouse_table("ForecastTable")

透過 Power BI，ForecastTable 數據表可以新增至具有 Lakehouse 語意模型的複合語意模型。

共用方式為

使用 Python 從語意模型讀取和寫入 Power BI 消耗性資料

必要條件

將語意模型上傳至您的工作區

使用 Python 從語意模型讀取資料

特殊參數

寫入語意模型可取用的資料

意見反應

其他資源

共用方式為

使用 Python 從語意模型讀取和寫入 Power BI 消耗性資料

必要條件

將語意模型上傳至您的工作區

使用 Python 從語意模型讀取資料

特殊參數

寫入語意模型可取用的資料

相關內容

意見反應

其他資源