Freigeben über

Notebookvisualisierung in Microsoft Fabric

  • Artikel

Microsoft Fabric ist ein integrierter Analysedienst zur schnelleren Gewinnung von Erkenntnissen aus Data Warehouses und Big Data-Analysesystemen. Die Datenvisualisierung in Notebooks ist eine Schlüsselkomponente, um Erkenntnisse über Ihre Daten gewinnen zu können. Sie hilft, sowohl Big Data als auch kleine Datenmengen für den Menschen verständlicher zu gestalten. Sie erleichtert auch die Erkennung von Mustern, Trends und Ausreißern in Datengruppen.

Wenn Sie Apache Spark in Fabric verwenden, stehen verschiedene integrierte Optionen zur Verfügung, mit denen Sie Ihre Daten visualisieren können, einschließlich Fabric-Notebookdiagrammoptionen und Zugriff auf beliebte Open-Source-Bibliotheken.

Wenn Sie ein Fabric-Notebook verwenden, können Sie Ihre tabellarische Ergebnisansicht mithilfe von Diagrammoptionen in ein angepasstes Diagramm umwandeln. Hier können Sie Ihre Daten visualisieren, ohne Code schreiben zu müssen.

Integrierter Visualisierungsbefehl: display()-Funktion

Mit der in Fabric integrierten Visualisierungsfunktion display können Sie und Apache Spark DataFrame, Pandas DataFrames und SQL-Abfrageergebnisse in umfangreiche Datenvisualisierungen verwandeln.

Sie können die Funktion display in Datenrahmen verwenden, die in PySpark und Scala für Spark DataFrames oder RDD-Funktionen (Resilient Distributed Datasets) erstellt wurden, um die umfassende DataFrame-Tabellenansicht und -Diagrammansicht zu erzeugen.

Die Ausgabe von SQL-Anweisungen wird standardmäßig in der gerenderten Tabellenansicht angezeigt.

Umfangreiche Dataframe-Tabellenansicht

Animierte GIF-Datei der Rich Dataframe-Vorschau.

  1. Die Tabellenansicht wird bei Verwendung des Befehls display() standardmäßig gerendert.
  2. Sie können Ihren DataFrame profilieren, indem Sie auf die SchaltflächeInspizieren klicken. Sie stellt die zusammengefasste Datenverteilung bereit und zeigt Statistiken zu jeder Spalte an.
  3. Jede Karte im Seitenbereich „Inspizieren“ ist einer Spalte des DataFrame zugeordnet. Sie können weitere Details anzeigen, indem Sie auf die Karte klicken oder eine Spalte in der Tabelle auswählen.
  4. Sie können die Zelldetails anzeigen, indem Sie auf die Zelle der Tabelle klicken. Dies ist nützlich, wenn der DataFrame einen langen Inhaltstyp enthält.
  5. Sie können die Zeilenanzahl der Tabellenansicht angeben. Der Standardwert beträgt 1000, die Notebook-Unterstützung zum Anzeigen und zur Profilerstellung von höchstens 10000 Zeilen eines DataFrame.

Umfangreiche Dataframe-Diagrammansicht

Animiertes GIF der Diagrammansicht.

  1. Sobald Sie über eine gerenderte Tabellenansicht verfügen, wechseln Sie zur Diagrammansicht.

  2. Das Fabric-Notebook empfiehlt automatisch ein Schlüssel–Wert-Paar basierend auf dem Zieldataframe, um das Standarddiagramm mit Datenerkenntnissen signifiativ zu machen.

  3. Sie können Ihre Visualisierung jetzt anpassen, indem Sie die folgenden Werte angeben:

    Configuration Beschreibung
    Diagrammtyp Die Ansichtsfunktion (display) unterstützt eine breite Palette von Diagrammtypen, einschließlich Balkendiagrammen, Punktdiagrammen, Liniendiagrammen und weiteren.
    Schlüssel Geben Sie den Wertebereich für die X-Achse an.
    Wert Geben Sie den Wertebereich für die Y-Achse an.
    Reihengruppe Verwenden Sie diese Konfiguration, um die Gruppen für die Aggregation zu bestimmen.
    Aggregation Verwenden Sie diese Methode zum Aggregieren von Daten in der Visualisierung.

    Die Konfigurationen werden automatisch im Ausgabeinhalt des Notebooks gespeichert.

    Hinweis

    Die display(df)-Funktion verwendet standardmäßig nur die ersten 1000 Zeilen der Daten zum Rendern der Diagramme. Wählen Sie Gesamtergebnisse der Aggregation und dann Anwenden aus, um die Diagrammgenerierung auf das gesamte Semantikmodell anzuwenden. Ein Spark-Auftrag wird ausgelöst, wenn die Diagrammeinstellung geändert wird. Beachten Sie, dass es einige Minuten dauern kann, die Berechnung abzuschließen und das Diagramm zu rendern.

  4. Nach Abschluss des Auftrags können Sie Ihre endgültige Visualisierung anzeigen und mit ihr interagieren.

Display(df)-Zusammenfassungsansicht

Verwenden Sie display(df, summary = true), um die Statistikzusammenfassung eines bestimmten Apache Spark-Datenrahmens zu überprüfen. Die Zusammenfassung enthält den Spaltennamen, den Spaltentyp, eindeutige Werte und fehlende Werte für jede Spalte. Ferner können Sie eine bestimmte Spalte auswählen, um ihren Mindestwert, Höchstwert, Durchschnittswert und die Standardabweichung anzuzeigen.

Animiertes GIF der Zusammenfassungsansicht.

displayHTML(): Option

Fabric-Notebooks unterstützen HTML-Grafiken über die Funktion displayHTML.

Die folgende Abbildung ist ein Beispiel für das Erstellen von Visualisierungen mithilfe von D3.js.

Screenshot: Beispiel für ein mithilfe von D3.js erstelltes Diagramm.

Führen Sie den folgenden Code aus, um diese Visualisierung zu erstellen.

displayHTML("""<!DOCTYPE html>
<meta charset="utf-8">

<!-- Load d3.js -->
<script src="https://d3js.org/d3.v4.js"></script>

<!-- Create a div where the graph will take place -->
<div id="my_dataviz"></div>
<script>

// set the dimensions and margins of the graph
var margin = {top: 10, right: 30, bottom: 30, left: 40},
  width = 400 - margin.left - margin.right,
  height = 400 - margin.top - margin.bottom;

// append the svg object to the body of the page
var svg = d3.select("#my_dataviz")
.append("svg")
  .attr("width", width + margin.left + margin.right)
  .attr("height", height + margin.top + margin.bottom)
.append("g")
  .attr("transform",
        "translate(" + margin.left + "," + margin.top + ")");

// Create Data
var data = [12,19,11,13,12,22,13,4,15,16,18,19,20,12,11,9]

// Compute summary statistics used for the box:
var data_sorted = data.sort(d3.ascending)
var q1 = d3.quantile(data_sorted, .25)
var median = d3.quantile(data_sorted, .5)
var q3 = d3.quantile(data_sorted, .75)
var interQuantileRange = q3 - q1
var min = q1 - 1.5 * interQuantileRange
var max = q1 + 1.5 * interQuantileRange

// Show the Y scale
var y = d3.scaleLinear()
  .domain([0,24])
  .range([height, 0]);
svg.call(d3.axisLeft(y))

// a few features for the box
var center = 200
var width = 100

// Show the main vertical line
svg
.append("line")
  .attr("x1", center)
  .attr("x2", center)
  .attr("y1", y(min) )
  .attr("y2", y(max) )
  .attr("stroke", "black")

// Show the box
svg
.append("rect")
  .attr("x", center - width/2)
  .attr("y", y(q3) )
  .attr("height", (y(q1)-y(q3)) )
  .attr("width", width )
  .attr("stroke", "black")
  .style("fill", "#69b3a2")

// show median, min and max horizontal lines
svg
.selectAll("toto")
.data([min, median, max])
.enter()
.append("line")
  .attr("x1", center-width/2)
  .attr("x2", center+width/2)
  .attr("y1", function(d){ return(y(d))} )
  .attr("y2", function(d){ return(y(d))} )
  .attr("stroke", "black")
</script>

"""
)

Einbetten eines Power BI-Berichts in ein Notebook

Wichtig

Dieses Feature befindet sich derzeit in der VORSCHAU. Diese Informationen beziehen sich auf eine Vorabversion des Produkts, an der vor der Veröffentlichung noch wesentliche Änderungen vorgenommen werden können. Microsoft übernimmt keine Garantie, weder ausdrücklich noch stillschweigend, für die hier bereitgestellten Informationen.

Das Python-Paket powerbiclient wird jetzt nativ in Fabric-Notebooks unterstützt. Es ist kein zusätzliches Setup (z. B. eines Authentifizierungsprozesses) für die Spark-Runtime 3.4 für Fabric-Notebooks erforderlich. Importieren Sie einfach powerbiclient, und fahren Sie dann mit Ihrer Erkundung fort. Weitere Informationen zur Verwendung des Pakets „powerbiclient“ finden Sie in der Dokumentation zu „powerbiclient“.

„powerbiclient“ unterstützt folgende wichtige Features:

Rendern eines vorhandenen Power BI-Berichts

Sie können Power BI-Berichte ganz einfach und mit nur wenigen Codezeilen in Ihre Notebooks einbetten und mit ihnen interagieren.

Die folgende Abbildung zeigt ein Beispiel für das Rendern eines vorhandenen Power BI-Berichts:

Screenshot eines Quick Visuals „Spark“.

Führen Sie den folgenden Code aus, um einen vorhandenen Power BI-Bericht zu rendern:

from powerbiclient import Report

report_id="Your report id"
report = Report(group_id=None, report_id=report_id)

report

Erstellen von Berichtsvisualisierungen auf der Grundlage eines Spark-Datenrahmens

Sie können einen Spark-Datenrahmen in Ihrem Notebook verwenden, um schnell aussagekräftige Visualisierungen zu generieren. Sie können in dem eingebetteten Bericht auch Speichern auswählen, um ein Berichtselement in einem Zielarbeitsbereich zu erstellen.

Das folgende Bild ist ein QuickVisualize()-Beispiel auf der Grundlage eines Spark-Datenrahmens:

Screenshot eines Power BI-Berichts

Führen Sie den folgenden Code aus, um einen Bericht auf der Grundlage eines Spark-Datenrahmens zu rendern:

# Create a spark dataframe from a Lakehouse parquet table
sdf = spark.sql("SELECT * FROM testlakehouse.table LIMIT 1000")

# Create a Power BI report object from spark data frame
from powerbiclient import QuickVisualize, get_dataset_config
PBI_visualize = QuickVisualize(get_dataset_config(sdf))

# Render new report
PBI_visualize

Erstellen von Berichtsvisualisierungen auf der Grundlage eines Pandas-Datenrahmens

Sie können im Notebook auch Berichte basierend auf einem Pandas-Datenrahmen erstellen.

Das folgende Bild ist ein QuickVisualize()-Beispiel auf der Grundlage eines Pandas-Datenrahmens:

Screenshot eines Quick Visuals „Pandas“.

Führen Sie den folgenden Code aus, um einen Bericht auf der Grundlage eines Spark-Datenrahmens zu rendern:

import pandas as pd

# Create a pandas dataframe from a URL
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/fips-unemp-16.csv")

# Create a pandas dataframe from a Lakehouse csv file
from powerbiclient import QuickVisualize, get_dataset_config

# Create a Power BI report object from your data
PBI_visualize = QuickVisualize(get_dataset_config(df))

# Render new report
PBI_visualize

Wenn es um Datenvisualisierung geht, bietet Python mehrere Grafikbibliotheken, die über viele verschiedene Features verfügen. Standardmäßig enthält jeder Apache Spark-Pool in Fabric mehrere kuratierte und beliebte Open-Source-Bibliotheken.

Matplotlib

Sie können standardmäßige Zeichnungsbibliotheken wie Matplotlib mithilfe der integrierten Renderingfunktionen für die einzelnen Bibliotheken rendern.

Die folgende Abbildung ist ein Beispiel für die Erstellung eines Balkendiagramms mithilfe von Matplotlib.

Screenshot: Mit Matplotlib erstelltes Liniendiagramm.

Screenshot: Mit Matplotlib erstelltes Balkendiagramm.

Führen Sie den folgenden Beispielcode aus, um dieses Balkendiagramm zu zeichnen.

# Bar chart

import matplotlib.pyplot as plt

x1 = [1, 3, 4, 5, 6, 7, 9]
y1 = [4, 7, 2, 4, 7, 8, 3]

x2 = [2, 4, 6, 8, 10]
y2 = [5, 6, 2, 6, 2]

plt.bar(x1, y1, label="Blue Bar", color='b')
plt.bar(x2, y2, label="Green Bar", color='g')
plt.plot()

plt.xlabel("bar number")
plt.ylabel("bar height")
plt.title("Bar Chart Example")
plt.legend()
plt.show()

Bokeh

Sie können HTML- oder interaktive Bibliotheken wie bokeh mithilfe von displayHTML(df) rendern.

Das folgende Bild ist ein Beispiel für das Zeichnen von Glyphen auf einer Karte mithilfe von bokeh.

Screenshot: Beispiel für das Zeichnen von Glyphen über einer Karte.

Führen Sie den folgenden Beispielcode aus, um dieses Bild zu zeichnen:

from bokeh.plotting import figure, output_file
from bokeh.tile_providers import get_provider, Vendors
from bokeh.embed import file_html
from bokeh.resources import CDN
from bokeh.models import ColumnDataSource

tile_provider = get_provider(Vendors.CARTODBPOSITRON)

# range bounds supplied in web mercator coordinates
p = figure(x_range=(-9000000,-8000000), y_range=(4000000,5000000),
           x_axis_type="mercator", y_axis_type="mercator")
p.add_tile(tile_provider)

# plot datapoints on the map
source = ColumnDataSource(
    data=dict(x=[ -8800000, -8500000 , -8800000],
              y=[4200000, 4500000, 4900000])
)

p.circle(x="x", y="y", size=15, fill_color="blue", fill_alpha=0.8, source=source)

# create an html document that embeds the Bokeh plot
html = file_html(p, CDN, "my plot1")

# display this html
displayHTML(html)

Plotly

Sie können HTML-oder interaktive Bibliotheken wie Plotly mithilfe von displayHTML() rendern.

Führen Sie den folgenden Beispielcode aus, um dieses Bild zu zeichnen:

Screenshot einer mit plotly erstellten Karte der USA. 

from urllib.request import urlopen
import json
with urlopen('https://raw.githubusercontent.com/plotly/datasets/master/geojson-counties-fips.json') as response:
    counties = json.load(response)

import pandas as pd
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/fips-unemp-16.csv",
                   dtype={"fips": str})

import plotly
import plotly.express as px

fig = px.choropleth(df, geojson=counties, locations='fips', color='unemp',
                           color_continuous_scale="Viridis",
                           range_color=(0, 12),
                           scope="usa",
                           labels={'unemp':'unemployment rate'}
                          )
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})

# create an html document that embeds the Plotly plot
h = plotly.offline.plot(fig, output_type='div')

# display this html
displayHTML(h)

Pandas

Sie können die HTML-Ausgabe von Pandas-Datenrahmen als Standardausgabe anzeigen. Fabric-Notebooks zeigen automatisch den formatierten HTML-Inhalt an.

Screenshot: Mit pandas erstellte Tabelle. 

import pandas as pd 
import numpy as np 

df = pd.DataFrame([[38.0, 2.0, 18.0, 22.0, 21, np.nan],[19, 439, 6, 452, 226,232]], 

                  index=pd.Index(['Tumour (Positive)', 'Non-Tumour (Negative)'], name='Actual Label:'), 

                  columns=pd.MultiIndex.from_product([['Decision Tree', 'Regression', 'Random'],['Tumour', 'Non-Tumour']], names=['Model:', 'Predicted:'])) 

df

Zugehöriger Inhalt