Tutorial: Verwenden eines Notebooks mit Kqlmagic zum Abfragen einer KQL-Datenbank

  • Artikel

Wichtig

Microsoft Fabric 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.

Notebooks sind sowohl lesbare Dokumente, die Beschreibungen und Ergebnisse der Datenanalyse enthalten, als auch ausführbare Dokumente, die für die Datenanalyse ausgeführt werden können. In diesem Artikel erfahren Sie, wie Sie mithilfe eines Jupyter-Notebooks erweiterte Abfragen und Visualisierungen aus Daten in einer KQL-Datenbank ausführen. In diesem Tutorial werden vorab erstellte Datasets und Notebooks sowohl in der Echtzeitanalyse als auch in den Datentechnik-Umgebungen in Microsoft Fabric verwendet. Weitere Informationen zu Notebooks finden Sie unter Verwenden von Microsoft Fabric-Notebooks.

Kqlmagic erweitert die Funktionen des Python-Kernels in Jupyter Notebook, sodass Sie Kusto-Abfragesprache (KQL)-Abfragen nativ ausführen können. Sie können Python und KQL kombinieren, um Daten mithilfe der umfangreichen Plot.ly Bibliothek abzufragen und zu visualisieren, die in den Renderoperator integriert ist.

Dabei wird insbesondere Folgendes vermittelt:

  • Erstellen einer KQL-Datenbank
  • Daten abrufen
  • Importieren eines Jupyter-Notebooks
  • Authentifizieren des Zugriffs auf Ihr Notebook
  • Ausführen des Notebooks

Voraussetzungen

1. Erstellen einer KQL-Datenbank

  1. Öffnen Sie den Umschalter für die Benutzeroberfläche unten im Navigationsbereich, und wählen Sie Echtzeitanalyse aus.

  2. Wählen Sie KQL-Datenbank aus.

  3. Geben Sie unter Datenbankname den NamenNYCTaxidb ein, und wählen Sie dann Erstellen aus.

  4. Kopieren Sie den Abfrage-URI aus den Datenbankdetails Karte in der Datenbank Dashboard, und fügen Sie ihn an einer beliebigen Stelle ein, z. B. in einem Editor, um ihn in einem späteren Schritt zu verwenden.

    Screenshot der Datenbankdetails Karte mit den Datenbankdetails. Die Option Abfrage-URI mit dem Titel URI kopieren ist hervorgehoben.

Die KQL-Datenbank wurde nun im Kontext des ausgewählten Arbeitsbereichs erstellt.

2. Abrufen von Daten

In diesem Schritt verwenden Sie ein Skript, um zunächst eine Tabelle mit der angegebenen Zuordnung zu erstellen und dann Daten aus einem öffentlichen Blob in diese Tabelle abzurufen.

  1. Kopieren des KQL-Skripts aus dem Fabric-Beispielrepository auf GitHub

    Screenshot des GitHub-Repositorys mit dem KQL-Skript für das NYC Taxi-Demonotebook. Das Kopiersymbol ist hervorgehoben.

  2. Navigieren Sie zu Ihrer KQL-Datenbank.

  3. Wählen Sie in der oberen rechten Ecke der Datenbankzusammenfassungsseite die Option Daten durchsuchen aus.

  4. Fügen Sie das KQL-Skript aus Schritt 1 ein.

  5. Platzieren Sie den Cursor an einer beliebigen Stelle innerhalb der Abfrage, und wählen Sie die Schaltfläche Ausführen aus.

    Die erste Abfrage wird ausgeführt und erstellt die Tabellen- und Schemazuordnung. Die Ausgabe dieser Abfrage zeigt die Informationen zur Tabellen- und Zuordnungserstellung an, einschließlich des Befehlstyps und des Ergebnisses abgeschlossen . Die zweite Abfrage lädt Ihre Daten. Es kann einige Minuten dauern, bis das Laden der Daten abgeschlossen ist.

    Screenshot des Fensters

  6. Aktualisieren Sie Ihre Datenbank. Die Tabelle wird in der Datenstruktur angezeigt.

3- Herunterladen des NYC Taxi Demo-Notebooks

Verwenden Sie ein Jupyter-Beispielnotebook, um die soeben in Ihre KQL-Datenbank geladenen Beispieldaten abzufragen und zu visualisieren.

  1. Öffnen Sie das Fabric-Beispielrepository auf GitHub, um das NYC Taxi KQL Notebook herunterzuladen.

    Screenshot des GitHub-Repositorys mit dem DEMO-Notebook

  2. Speichern Sie das Notebook lokal auf Ihrem Gerät.

    Hinweis

    Das Notebook muss im .ipynb Dateiformat gespeichert werden.

4. Importieren des Jupyter Notebooks

Der Rest dieses Workflows erfolgt im Abschnitt Datentechnik des ProduktsMicrosoft Fabric und verwendet ein Jupyter Notebook, um die Daten in Ihrer KQL-Datenbank abzufragen und zu visualisieren.

  1. Öffnen Sie den App-Switcher unten im Navigationsbereich, und wählen Sie Datentechnik aus.

  2. Wählen Sie auf der Datentechnik Startseite Notizbuch importieren aus.

    Screenshot der Elementoptionen in Datentechnik. Das Element mit dem Titel Notizbuch importieren ist hervorgehoben.

  3. Wählen Sie im Bereich Import status die Option Hochladen aus.

    Screenshot des Fensters

  4. Wählen Sie das NYC Taxi KQL Notebook aus, das Sie in Schritt 3 heruntergeladen haben.

  5. Nachdem der Import abgeschlossen ist, wählen Sie Zum Arbeitsbereich wechseln aus, und öffnen Sie dieses Notebook.

    Screenshot: Erfolgreich abgeschlossener Upload und Wechseln zum Arbeitsbereich.

5. Laden von Paketen

Wählen Sie die Wiedergabeschaltfläche aus, um jede Zelle sequenziell auszuführen, oder wählen Sie die Zelle aus, und drücken Sie UMSCHALT+EINGABETASTE. Wiederholen Sie diesen Schritt für jedes Paket.

Hinweis

Warten Sie, bis das Abschluss-Häkchen angezeigt wird, bevor Sie die nächste Zelle ausführen.

Screenshot des Zellenblocks mit dem Importbefehl. Die Schaltfläche

6. Gerätecodeauthentifizierung

  1. Fügen Sie den Zuvor kopiertenAbfrage-URI anstelle des Platzhalterclustertexts ein.

  2. Ändern Sie den Platzhalterdatenbanknamen in NYCTaxidb.

    Screenshot der Codezelle mit dem Datenbanknamen und dem Abfrage-URI. Der Abfrage-URI und der Datenbankname sind hervorgehoben.

  3. Führen Sie die Zelle aus.

  4. Unter der Zelle wird ein Authentifizierungscode angezeigt. Kopieren Sie diesen Authentifizierungscode.

    Screenshot der Codezelle mit Authentifizierungscode. Die Schaltfläche In Zwischenablage kopieren ist hervorgehoben.

  5. Fügen Sie den Code in das Popupfenster ein, und wählen Sie dann Weiter aus.

    Screenshot des Fensters

  6. Geben Sie Ihre Details im Anmeldefenster ein, und wählen Sie dann Weiter aus, um sich bei KustoClient anzumelden.

    Screenshot des Anmeldefensters. Die Schaltfläche Weiter ist hervorgehoben.

  7. Schließen Sie das Anmeldebestätigungsfenster.

    Screenshot der Bestätigungsseite für die KustoClient-Anmeldung.

  8. Führen Sie die nächste Zelle aus, um zu überprüfen, ob Die Anmeldung erfolgreich war. Bei erfolgreicher Ausführung gibt die Abfrage eine Zeilenanzahl zurück.

7. Ausführen des Notebooks

Führen Sie die verbleibenden Zellen sequenziell aus, um zu sehen, wie Renderbefehle über Kqlmagic funktionieren, und beginnen Sie mit der Erstellung eines Wärmebilds für Taxiabholungen in NYC. Weitere Informationen zu Kqlmagic finden Sie unter Verwenden einer Jupyter Notebook- und Kqlmagic-Erweiterung zum Analysieren von Daten.

  1. Die folgende Zelle aggregiert alle Pickups innerhalb der angegebenen geografischen Grenze.

    Screenshot der Codezelle mit Aggregationsabfrage

  2. Führen Sie die folgende Zelle aus, um eine Karte zu zeichnen, indem Sie ein Wärmebild über einem Punktdiagramm zeichnen.

    Screenshot: Codezelle mit Abfrage zum Erstellen eines Wärmebilds

    Das Wärmebild sollte wie die folgende Abbildung aussehen:

    Screenshot des Notizbuchs mit einem Wärmebild der Taxiabholungen in NYC.

  3. Sie können die Zuordnung auch markieren, um die Ergebnisse einer Clusteringfunktion mithilfe der folgenden Abfrage anzuzeigen.

    Screenshot: Codezelle mit Abfrage für Sterningdaten

    Das Wärmebild sieht wie in der folgenden Abbildung aus:

    Screenshot der Karte mit unterschiedlich großen Sternen, die die Ergebnisse einer Gruppierungsfunktion kennzeichnen

8. Bereinigen von Ressourcen

Bereinigen Sie die erstellten Elemente, indem Sie zu dem Arbeitsbereich navigieren, in dem sie erstellt wurden.

  1. Zeigen Sie in Ihrem Arbeitsbereich auf das Notizbuch, das Sie löschen möchten, und wählen Sie das Menü Mehr [...] >Löschen.

    Screenshot des Arbeitsbereichs mit dem Dropdownmenü des NYC Taxi-Notebooks. Die Option

  2. Klicken Sie auf Löschen. Sie können Ihr Notebook nach dem Löschen nicht mehr wiederherstellen.

Nächste Schritte