Knihovna funkcí
Následující článek obsahuje seznam funkcí definovaných uživatelem (UDF) zařazený do kategorií.
Kód funkcí definovaných uživatelem je uveden v článcích. Dá se použít v rámci příkazu let vloženého do dotazu nebo se dá zachovat v databázi pomocí .create function
příkazu .
Obecné funkce
Název funkce | Description |
---|---|
geoip_fl() | Načte geografické informace IP adresy. |
get_packages_version_fl() | Vrátí informace o verzi modulu Pythonu a zadaných balíčků. |
Funkce strojového učení
Název funkce | Description |
---|---|
kmeans_fl() | Clusterizujte pomocí algoritmu k-means. |
predict_fl() | Predikce pomocí existujícího vytrénovaného modelu strojového učení |
predict_onnx_fl() | Predikce pomocí existujícího vytrénovaného modelu strojového učení ve formátu ONNX |
Vykreslované funkce
Následující část obsahuje funkce pro vykreslování interaktivních grafů.
Název funkce | Description |
---|---|
plotly_anomaly_fl() | Vykreslení grafu anomálií pomocí šablony Plotly |
plotly_scatter3d_fl() | Vykreslení 3D bodového grafu pomocí šablony Plotly |
Funkce PromQL
Následující část obsahuje běžné funkce PromQL . Tyto funkce můžete použít k analýze metrik přijatých do clusteru monitorovacím systémem Prometheus . Všechny funkce předpokládají, že metriky v clusteru jsou strukturované pomocí datového modelu Prometheus.
Název funkce | Description |
---|---|
series_metric_fl() | Vyberte a načtěte časové řady uložené s datovým modelem Prometheus. |
series_rate_fl() | Vypočítejte průměrnou míru zvýšení metriky čítače za sekundu. |
Funkce zpracování řad
Název funkce | Description |
---|---|
quantize_fl() | Kvantifikujte sloupce metrik. |
series_clean_anomalies_fl() | Anomálie v řadě nahraďte interpolovanou hodnotou. |
series_cosine_similarity_fl() | Vypočítejte kosinus podobnosti dvou číselných vektorů. |
series_dbl_exp_smoothing_fl() | U řad použijte dvojitý exponenciální vyhlazovací filtr. |
series_dot_product_fl() | Vypočítejte tečkovaný součin dvou číselných vektorů. |
series_downsample_fl() | Převzorkujte časovou řadu podle celočíselného faktoru. |
series_exp_smoothing_fl() | Použijte u řad základní filtr exponenciálního vyhlazování. |
series_fit_lowess_fl() | Přizpůsobte místní polynom do řad pomocí metody LOWESS. |
series_fit_poly_fl() | Přizpůsobení polynomu k řadě pomocí regresní analýzy |
series_fbprophet_forecast_fl() | Předpověď hodnot časových řad pomocí prorokova algoritmu. |
series_lag_fl() | Použijte filtr prodlevy u řad. |
series_monthly_decompose_anomalies_fl() | Detekce anomálií v řadě s měsíční sezónností |
series_moving_avg_fl() | Použití filtru klouzavého průměru u řad |
series_moving_var_fl() | Použijte filtr pohyblivé odchylky u řad. |
series_mv_ee_anomalies_fl() | Multivariátní detekce anomálií pro řady s využitím modelu eliptických obálek. |
series_mv_if_anomalies_fl() | Multivariátní detekce anomálií pro řady s využitím modelu izolované doménové struktury. |
series_mv_oc_anomalies_fl() | Detekce vícerozměrných anomálií pro řady s využitím modelu SVM jedné třídy. |
series_rolling_fl() | Použití funkce valivé agregace u řad. |
series_shapes_fl() | Detekuje pozitivní/negativní trend nebo skok v řadě. |
series_uv_anomalies_fl() | Detekujte anomálie v časových řadách pomocí rozhraní API služby Cognitive Service Pro detekci anomálií Univariate. |
series_uv_change_points_fl() | Pomocí rozhraní API služby Cognitive Service Pro detekci anomálií Univariate detekujte body změn v časových řadách. |
time_weighted_avg_fl() | Vypočítá časově vážený průměr metriky. |
time_window_rolling_avg_fl() | Vypočítá klouzavý průměr metriky za časové období konstantní doby trvání. |
Statistické a pravděpodobnostní funkce
Název funkce | Description |
---|---|
bartlett_test_fl() | Proveďte Bartlettův test. |
binomial_test_fl() | Proveďte binomický test. |
comb_fl() | Vypočítejte C(n, k), počet kombinací pro výběr položek k z n. |
factorial_fl() | Vypočítejte n!, faktoriál n. |
ks_test_fl() | Proveďte Kolmogorovův Smirnovův test. |
levene_test_fl()n | Proveďte Leveneho test. |
normality_test_fl() | Provede test normality. |
mann_whitney_u_test_fl() | Proveďte Mann-Whitney test U. |
pair_probabilities_fl() | Vypočítejte různé pravděpodobnosti a související metriky pro dvojici kategorických proměnných. |
pairwise_dist_fl() | Výpočet párových vzdáleností mezi entitami na základě více nominálních a číselných proměnných |
percentiles_linear_fl() | Výpočet percentilů pomocí lineární interpolace mezi nejbližšími pořadími |
perm_fl() | Vypočítejte P(n, k), počet permutací pro výběr položek k z n. |
two_sample_t_test_fl() | Proveďte dva ukázkové t-test. |
wilcoxon_test_fl() | Proveďte Wilcoxon test. |
Analýza textu
Název funkce | Description |
---|---|
log_reduce_fl() | Vyhledejte běžné vzory v textových protokolech a vytvořte souhrnnou tabulku. |
log_reduce_full_fl() | Vyhledejte běžné vzory v textových protokolech a vypište celou tabulku. |
log_reduce_predict_fl() | Použití vytrénovaného modelu k vyhledání běžných vzorů v textových protokolech a výstupu souhrnné tabulky. |
log_reduce_predict_full_fl() | Použijte vytrénovaný model k vyhledání běžných vzorů v textových protokolech a výstupu celé tabulky. |
log_reduce_train_fl() | Vyhledejte běžné vzory v textových protokolech a vypište model. |
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro