Kurz analýzy v reálném čase – část 5: Použití pokročilých dotazů KQL

Poznámka:

Tento kurz je součástí série. Předchozí část najdete v části Kurz 4: Prozkoumání dat pomocí KQL a SQL.

Vytvoření sady dotazů KQL

V následujícím kroku použijete pokročilé možnosti analýzy dat dotazovací jazyk Kusto k dotazování dvou tabulek, které jste do databáze ingestují.

1. Přejděte do databáze KQL s názvem NycTaxiDB.

2. Výběr nové související položky>KQL Queryset

   

3. Jako název sady dotazů KQL zadejte nyctaxiqs .

4. Vyberte Vytvořit. Otevře se sada dotazů KQL s několika automaticky vyplněnými ukázkovými dotazy.

Zadávání dotazů na data

Tato část vás provede některými možnostmi dotazu a vizualizace sady dotazů KQL. Zkopírujte a vložte dotazy do vlastního editoru dotazů, abyste mohli výsledky spustit a vizualizovat.

1. Spuštěním následujícího dotazu vrátíte prvních 10 míst vyzvednutí v New Yorku pro žluté taxi.

   nyctaxitrips
   | summarize Count=count() by PULocationID
   | top 10 by Count
   

   

2. Tento dotaz přidá krok do předchozího dotazu. Spuštěním dotazu vyhledejte odpovídající zóny 10 nejlepších umístění vyzvednutí pomocí tabulky Umístění . Operátor vyhledávání rozšiřuje sloupce tabulky faktů o hodnoty v tabulce dimenzí.

   nyctaxitrips
   | lookup (Locations) on $left.PULocationID == $right.LocationID
   | summarize Count=count() by Zone
   | top 10 by Count
   | render columnchart
   

   

3. KQL také poskytuje funkce strojového učení pro detekci anomálií. Spuštěním následujícího dotazu zkontrolujte anomálie v tipech od zákazníků v manhattanském obvodu. Tento dotaz používá funkci series_decompose_anomalies.

   nyctaxitrips
   | lookup (Locations) on $left.PULocationID==$right.LocationID
   | where Borough == "Manhattan"
   | make-series s1 = avg(tip_amount) on tpep_pickup_datetime from datetime(2022-06-01) to datetime(2022-06-04) step 1h
   | extend anomalies = series_decompose_anomalies(s1)
   | render anomalychart with (anomalycolumns=anomalies)
   

   

   Najeďte myší na červené tečky a zobrazte hodnoty anomálií.

4. Můžete také použít prediktivní výkon series_decompose_forecast funkce. Spuštěním následujícího dotazu se ujistěte, že dostatek taxíků pracuje v manhattanském obvodu a předpovídá počet taxíků potřebných za hodinu.

   nyctaxitrips
   | lookup (Locations) on $left.PULocationID==$right.LocationID
   | where Borough == "Manhattan"
   | make-series s1 = count() on tpep_pickup_datetime from datetime(2022-06-01) to datetime(2022-06-08)+3d step 1h by PULocationID
   | extend forecast = series_decompose_forecast(s1, 24*3)
   | render timechart
   

   

Související obsah

Další informace o úlohách provedených v tomto kurzu najdete v těchto tématech:

• Vytvoření sady dotazů KQL
• Napsání dotazu
• render – operátor

Další krok

Kurz – část 6: Sestavení sestavy Power BI