Funktionsbibliothek

Gilt für: ✅Microsoft Fabric

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.

Cybersicherheitsfunktionen

Funktionsname	Beschreibung
detect_anomalous_access_cf_fl()	Erkennen Sie anomalen Zugriff mithilfe der kollaborativen Filterung über zeitstempelte Daten.
detect_anomalous_new_entity_fl()	Erkennen der Darstellung von anomalielen neuen Entitäten in zeitstempelten Daten.
detect_anomalous_spike_fl()	Erkennen sie das Erscheinungsbild von anomaliealen Spitzen in numerischen Variablen in Zeitstempeldaten.
graph_blast_radius_fl()	Berechnen Sie den Blast Radius (Liste und Bewertung) von Quellknoten über Pfad- oder Edgedaten.
graph_exposure_perimeter_fl()	Berechnen Des Belichtungsperimeters (Liste und Bewertung) von Zielknoten über Pfad- oder Edgedaten.
graph_node_centrality_fl()	Berechnen sie verschiedene Metriken der Knotenzentralisierung (z. B. Grad und Zwischenwert) über Diagrammdaten (Rand und Knoten).
graph_path_discovery_fl()	Ermitteln Sie gültige Pfade zwischen relevanten Endpunkten (Quellen und Zielen) über Diagrammdaten (Rand und Knoten).

Allgemeine Funktionen

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

Funktionen für maschinelles Lernen

Funktionsname	Beschreibung
dbscan_fl()	Clusterisieren mit dem DBSCAN-Algorithmus, Features befinden sich in separaten Spalten.
dbscan_dynamic_fl()	Clusterisieren mit dem DBSCAN-Algorithmus, Features befinden sich in einer einzigen dynamischen Spalte.
kmeans_fl()	Die Clusterisierung mithilfe des K-Means-Algorithmus erfolgt in separaten Spalten.
kmeans_dynamic_fl()	Clusterisieren mit dem K-Means-Algorithmus, Features befinden sich in einer einzigen dynamischen Spalte.
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_gauge_fl()	Rendern eines Messdiagramms 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 zur Analyse von Metriken verwendet werden, die vom Prometheus-Überwachungssystem in Ihre Datenbank aufgenommen werden. Alle Funktionen gehen davon aus, dass Metriken in Ihrer Datenbank 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 Datenreihe durch interpolierte Werte.
series_cosine_similarity_fl()	Berechnen Sie die Kosinusähnlichkeit zweier numerischer Vektoren.
series_dbl_exp_smoothing_fl()	Wenden Sie einen doppelten exponentiellen Glättungsfilter auf Datenreihen an.
series_dot_product_fl()	Berechnet das Skalarprodukt zweier numerischer Vektoren.
series_downsample_fl()	Zeitreihen nach unten um einen ganzzahligen Faktor.
series_exp_smoothing_fl()	Wenden Sie einen einfachen exponentiellen Glättungsfilter auf Datenreihen 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 Datenreihen an.
series_monthly_decompose_anomalies_fl()	Erkennen von Anomalien in einer Serie mit monatlicher Saisonalität.
series_moving_avg_fl()	Wenden Sie einen gleitenden Mittelwertfilter auf Datenreihen an.
series_moving_var_fl()	Wenden Sie einen gleitenden Varianzfilter auf Datenreihen an.
series_mv_ee_anomalies_fl()	Multivariate Anomaly Detection for series using elliptical envelope model.
series_mv_if_anomalies_fl()	Multivariate Anomaly Detection for series using isolation forest model.
series_mv_oc_anomalies_fl()	Multivariate Anomaly Detection for series using one class SVM model.
series_rolling_fl()	Anwenden einer rollierenden Aggregationsfunktion auf Datenreihen.
series_shapes_fl()	Erkennt positiven/negativen Trend oder Sprung in Serie.
series_uv_anomalies_fl()	Erkennen von Anomalien in Zeitreihen mithilfe der Univariate Anomaly Detection Cognitive Service API.
series_uv_change_points_fl()	Erkennen von Änderungspunkten in Zeitreihen mithilfe der Univariate Anomaly Detection Cognitive Service API.
time_weighted_avg_fl()	Berechnet den zeitgewichteten Mittelwert einer Metrik mithilfe der Vorwärtsinterpolation der Füllung.
time_weighted_avg2_fl()	Berechnet den zeitgewichteten Mittelwert einer Metrik mithilfe der linearen Interpolation.
time_weighted_val_fl()	Berechnet den zeitgewichteten Wert einer Metrik mithilfe der linearen Interpolation.
time_window_rolling_avg_fl()	Berechnet den rollierenden Mittelwert 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()	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 Quantilen mithilfe der 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 gängige 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.