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. |
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für