Knihovna funkcí
Následující článek obsahuje seznam definovaných uživatelem definovaných uživatelem (uživatelem definovaných funkcí).
Kód uživatelem definovaných funkcí je uveden v článcích. Lze jej použít v příkazu let vloženém do dotazu nebo lze zachovat v databázi pomocí .create function
.
Obecné funkce
Název funkce | Popis |
---|---|
geoip_fl() | Načte geografické informace o IP adrese. |
get_packages_version_fl() | Vrátí informace o verzi modulu Python a zadaných balíčků. |
Funkce strojového učení
Název funkce | Popis |
---|---|
dbscan_fl() | Clusterizace pomocí algoritmu DBSCAN, funkce jsou v samostatných sloupcích. |
dbscan_dynamic_fl() | Clusterizace pomocí algoritmu DBSCAN, funkce jsou v jednom dynamickém sloupci. |
kmeans_fl() | Clusterizace pomocí algoritmu K-Means, funkce jsou v samostatných sloupcích. |
kmeans_dynamic_fl() | Funkce clusterizace pomocí algoritmu K-Means jsou v jednom dynamickém sloupci. |
predict_fl() | Predikce pomocí existujícího natrénovaného modelu strojového učení |
predict_onnx_fl() | Predikce pomocí existujícího natrénovaného modelu strojového učení ve formátu ONNX |
Plotly – funkce
Následující část obsahuje funkce pro vykreslování interaktivních grafů Plotly.
Název funkce | Popis |
---|---|
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 se dají použít k analýze metrik přijatých do clusteru monitorovacím systémem Prometheus . Všechny funkce předpokládají, že metriky ve vašem clusteru jsou strukturované pomocí datového modelu Prometheus.
Název funkce | Popis |
---|---|
series_metric_fl() | Vyberte a načtěte časovou řadu uloženou s datovým modelem Prometheus. |
series_rate_fl() | Vypočítá průměrnou míru zvýšení metriky čítače za sekundu. |
Funkce zpracování řad
Název funkce | Popis |
---|---|
quantize_fl() | Kvantifikujte sloupce metrik. |
series_clean_anomalies_fl() | Nahraďte anomálie v řadě interpolovanou hodnotou. |
series_cosine_similarity_fl() | Vypočítá kosinus podobnost dvou číselných vektorů. |
series_dbl_exp_smoothing_fl() | Použití dvojitého exponenciálního vyhlazování filtru u řad. |
series_dot_product_fl() | Vypočítá tečkovaný součin dvou číselných vektorů. |
series_downsample_fl() | Časové řady downsample podle celočíselného faktoru |
series_exp_smoothing_fl() | Použití základního exponenciálního vyhlazování filtru u řad. |
series_fit_lowess_fl() | Přizpůsobte lokální polynom na řadu pomocí metody LOWESS. |
series_fit_poly_fl() | Přizpůsobte polynom pro řadu pomocí regresní analýzy. |
series_fbprophet_forecast_fl() | Prognózovat hodnoty časových řad pomocí algoritmu Prorok. |
series_lag_fl() | Použití filtru prodlevy u řad |
series_monthly_decompose_anomalies_fl() | Detekce anomálií v řadě s měsíční sezónností |
series_moving_avg_fl() | Použití klouzavého průměru filtru u řad |
series_moving_var_fl() | Použití filtru pohyblivé odchylky u řad |
series_mv_ee_anomalies_fl() | Detekce vícevariát anomálií pro řady pomocí eliptického modelu obálky. |
series_mv_if_anomalies_fl() | Vícevariát detekce anomálií pro řadu pomocí modelu doménové struktury izolace. |
series_mv_oc_anomalies_fl() | Detekce anomálií pro řadu s použitím jednoho modelu SVM třídy |
series_rolling_fl() | Použití kumulativní agregační funkce na řadě |
series_shapes_fl() | Rozpozná pozitivní/negativní trend nebo přeskočí v řadě. |
series_uv_anomalies_fl() | Detekce anomálií 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 časový vážený průměr metriky. |
time_window_rolling_avg_fl() | Vypočítá průběžný průměr metriky v časovém intervalu konstantní doby trvání. |
Statistické funkce a funkce pravděpodobnosti
Název funkce | Popis |
---|---|
bartlett_test_fl() | Proveďte test Bartlett. |
binomial_test_fl() | Proveďte binomický test. |
comb_fl() | Vypočítat C(n, k), počet kombinací pro výběr k položek mimo n. |
factorial_fl() | Vypočítat n!, faktoriál n. |
ks_test_fl() | Proveďte test Kolmogorova Smirnova. |
levene_test_fl()n | Proveďte levene test. |
normality_test_fl() | Provede test normality. |
mann_whitney_u_test_fl() | Proveďte test Mann-Whitney 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() | Vypočítat P(n, k), počet permutací pro výběr k položek mimo n. |
two_sample_t_test_fl() | Proveďte dva ukázkové t-test. |
wilcoxon_test_fl() | Proveďte test Wilcoxon. |
Analýza textu
Název funkce | Popis |
---|---|
log_reduce_fl() | V textových protokolech najdete běžné vzory a vypíšete souhrnnou tabulku. |
log_reduce_full_fl() | V textových protokolech najdete běžné vzory a vypíšete úplnou tabulku. |
log_reduce_predict_fl() | Natrénovaný model použijte k vyhledání běžných vzorů v textových protokolech a výstupu souhrnné tabulky. |
log_reduce_predict_full_fl() | Natrénovaný model použijte k vyhledání běžných vzorů v textových protokolech a výstupu úplné tabulky. |
log_reduce_train_fl() | Vyhledání běžných vzorů v textových protokolech a výstupu modelu |
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