Functions-Bibliothek

Dieser Artikel enthält eine kategorisierte Liste mit benutzerdefinierten Funktionen (User-Defined Functions, UDFs).

Der Code benutzerdefinierter Funktionen ist in den Artikeln angegeben. Er kann in einer let-Anweisung verwendet werden, die in eine Abfrage eingebettet ist, oder mithilfe von .create function dauerhaft in einer Datenbank gespeichert werden.

Allgemeine Funktionen

Funktionsname	BESCHREIBUNG
geoip_fl()	Ruft geografische Informationen der IP-Adresse ab.
get_packages_version_fl()	Gibt Versionsinformationen der Python-Engine und der angegebenen Pakete zurück.

Funktionen für maschinelles Lernen

Funktionsname	BESCHREIBUNG
kmeans_fl()	Dient zum Gruppieren mithilfe des k-Means-Algorithmus.
predict_fl()	Wird für Vorhersagen mit einem vorhandenen trainierten Machine Learning-Modell verwendet.
predict_onnx_fl()	Wird für Vorhersagen mit einem vorhandenen trainierten Machine Learning-Modell im ONNX-Format verwendet.

Plotly-Funktionen

Der folgende Abschnitt enthält Funktionen zum Rendern interaktiver Plotly-Diagramme.

Funktionsname	BESCHREIBUNG
plotly_anomaly_fl()	Rendern eines Anomaliediagramms mithilfe einer Plotly-Vorlage
plotly_scatter3d_fl()	Rendern eines 3D-Punktdiagramms mithilfe einer Plotly-Vorlage

PromQL-Funktionen

Der folgende Abschnitt enthält allgemeine PromQL-Funktionen. Diese Funktionen können für die Analyse von Metriken verwendet werden, die vom Prometheus-Überwachungssystem in Ihrem Cluster erfasst werden. Alle Funktionen gehen davon aus, dass Metriken in Ihrem Cluster mithilfe des Prometheus-Datenmodells strukturiert sind.

Funktionsname	BESCHREIBUNG
series_metric_fl()	Ermöglicht das Auswählen und Abrufen von Zeitreihen, die mit dem Prometheus-Datenmodell gespeichert wurden.
series_rate_fl()	Berechnet die durchschnittliche Zählermetrikerhöhungsrate pro Sekunde.

Funktionen für die Zeitreihenverarbeitung

Funktionsname	Beschreibung
quantize_fl()	Dient zum Quantisieren von Metrikspalten.
series_clean_anomalies_fl()	Ersetzen Sie Anomalien in einer Reihe durch interpolierten Wert.
series_cosine_similarity_fl()	Berechnen Sie die Ähnlichkeit zweier numerischer Vektoren.
series_dbl_exp_smoothing_fl()	Wenden Sie einen doppelt exponentiellen Glättungsfilter auf Eine Reihe an.
series_dot_product_fl()	Berechnet das Skalarprodukt zweier numerischer Vektoren.
series_downsample_fl()	Herunterstempeln von Zeitreihen um einen ganzzahligen Faktor.
series_exp_smoothing_fl()	Wenden Sie einen grundlegenden, exponentiellen Glättungsfilter auf Eine Reihe an.
series_fit_lowess_fl()	Passt ein lokales Polynom per LOWESS-Methode an eine Reihe an.
series_fit_poly_fl()	Passt ein lokales Polynom per Regressionsanalyse an eine Reihe an.
series_fbprophet_forecast_fl()	Ermöglicht das Vorhersagen von Zeitreihenwerten mithilfe des Prophet-Algorithmus.
series_lag_fl()	Wenden Sie einen Verzögerungsfilter auf Eine Reihe an.
series_monthly_decompose_anomalies_fl()	Erkennen sie Anomalien in einer Serie mit monatlicher Saisonalität.
series_moving_avg_fl()	Wenden Sie einen gleitenden Durchschnittsfilter auf Eine Reihe an.
series_moving_var_fl()	Wenden Sie einen sich bewegenden Varianzfilter auf Eine Reihe an.
series_mv_ee_anomalies_fl()	Multivariate Anomalieerkennung für Serien mit elliptischem Umschlagmodell.
series_mv_if_anomalies_fl()	Multivariate Anomalieerkennung für Reihen mit Dem Isolationsgesamtmodell.
series_mv_oc_anomalies_fl()	Multivariate Anomalieerkennung für Serien mit einem SVM-Modell der Klasse.
series_rolling_fl()	Wenden Sie eine rollierende Aggregationsfunktion auf Eine Reihe an.
series_shapes_fl()	Erkennt einen positiven/negativen Trend oder einen Sprung in Reihe.
series_uv_anomalies_fl()	Erkennen von Anomalien in Zeitreihen mithilfe der Cognitive Service-API zur Erkennung von Univariate-Anomalien.
series_uv_change_points_fl()	Erkennen von Änderungspunkten in Zeitreihen mithilfe der Cognitive Service-API zur Erkennung von Univariate-Anomalien.
time_weighted_avg_fl()	Berechnet den zeitlich gewichteten Durchschnitt einer Metrik.
time_window_rolling_avg_fl()	Berechnet den gleitenden Durchschnitt einer Metrik über ein Zeitfenster mit konstanter Dauer.

Statistik- und Wahrscheinlichkeitsfunktionen

Funktionsname	Beschreibung
bartlett_test_fl()	Führt den Bartlett-Test durch.
binomial_test_fl()	Führt den Binomialtest durch.
comb_fl()	Berechnet C(n, k) , also die Anzahl von Kombinationen für die Auswahl von k Elementen aus n.
factorial_fl()	Berechnet n! , also die Fakultät von n.
ks_test_fl()	Führt einen Kolmogorov Smirnov-Test durch.
levene_test_fl()n	Führt einen Levene-Test durch.
normality_test_fl()	Führt den Normalitätstest durch.
mann_whitney_u_test_fl()	Führt einen Mann-Whitney-U-Test durch.
pair_probabilities_fl()	Ermöglicht das Berechnen verschiedener Wahrscheinlichkeiten und zugehöriger Metriken für ein Paar kategorischer Variablen.
pairwise_dist_fl()	Berechnen Sie paarweise Abstände zwischen Entitäten basierend auf mehreren nominalen und numerischen Variablen.
percentiles_linear_fl()	Berechnen von Perzentilen mithilfe einer linearen Interpolation zwischen den nächstgelegenen Rangfolgen
perm_fl()	Berechnet C(n, k) , also die Anzahl von Permutationen für die Auswahl von k Elementen aus n.
two_sample_t_test_fl()	Führt den Zweistichproben-t-Test durch.
wilcoxon_test_fl()	Führt den Wilcoxon-Test durch.

Textanalyse

Funktionsname	BESCHREIBUNG
log_reduce_fl()	Suchen Sie allgemeine Muster in Textprotokollen, und geben Sie eine Zusammenfassungstabelle aus.
log_reduce_full_fl()	Suchen Sie gängige Muster in Textprotokollen, und geben Sie eine vollständige Tabelle aus.
log_reduce_predict_fl()	Wenden Sie ein trainiertes Modell an, um allgemeine Muster in Textprotokollen zu finden und eine Zusammenfassungstabelle auszugeben.
log_reduce_predict_full_fl()	Wenden Sie ein trainiertes Modell an, um allgemeine Muster in Textprotokollen zu finden und eine vollständige Tabelle auszugeben.
log_reduce_train_fl()	Suchen Sie gängige Muster in Textprotokollen, und geben Sie ein Modell aus.