Real-Time Analytics-Tutorial, Teil 5: Verwenden erweiterter KQL-Abfragen

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.

Hinweis

Dieses Tutorial ist Teil einer Reihe. Den vorherigen Abschnitt finden Sie unter Tutorial, Teil 4: Untersuchen Ihrer Daten mit KQL und SQL.

Erstellen eines KQL-Abfragesets

Im folgenden Schritt verwenden Sie die erweiterten Datenanalysefunktionen von Kusto-Abfragesprache, um die beiden Tabellen abzufragen, die Sie in der Datenbank erfasst haben.

1. Navigieren Sie zu Ihrer KQL-Datenbank namens NycTaxiDB.

2. Wählen Sie Neues verknüpftes Element>KQL Queryset aus.

   

3. Geben Sie nyctaxiqs als KQL-Abfragesetnamen ein.

4. Klicken Sie auf Erstellen. Das KQL-Abfrageset wird mit mehreren automatisch aufgefüllten Beispielabfragen geöffnet.

Daten abfragen

In diesem Abschnitt werden einige der Abfrage- und Visualisierungsfunktionen des KQL-Abfragesets erläutert. Kopieren Sie die Abfragen, und fügen Sie sie in Ihren eigenen Abfrage-Editor ein, um die Ergebnisse auszuführen und zu visualisieren.

1. Die folgende Abfrage gibt die 10 besten Abholorte in New York City für Yellow Taxis zurück.

   nyctaxitrips
   | summarize Count=count() by PULocationID
   | top 10 by Count
   

   

2. Diese Abfrage fügt der vorherigen Abfrage einen Schritt hinzu, indem die entsprechenden Zonen der top 10 Abholorte mithilfe der Tabelle Standorte nachschlagen. Der Nachschlageoperator erweitert die Spalten einer Faktentabelle um werte, die in einer Dimensionstabelle gesucht werden.

   nyctaxitrips
   | lookup (Locations) on $left.PULocationID == $right.LocationID
   | summarize Count=count() by Zone
   | top 10 by Count
   | render columnchart
   

   

3. KQL bietet auch Machine Learning-Funktionen zum Erkennen von Anomalien. Lassen Sie uns Anomalien in den Tipps überprüfen, die von den Kunden im Bezirk Manhattan gegeben wurden. Diese Abfrage verwendet die funktion series_decompose_anomalies.

   nyctaxitrips
   | lookup (Locations) on $left.PULocationID==$right.LocationID
   | where Borough == "Manhattan"
   | make-series s1 = avg(tip_amount) on tpep_pickup_datetime from datetime(2022-06-01) to datetime(2022-06-04) step 1h
   | extend anomalies = series_decompose_anomalies(s1)
   | render anomalychart with (anomalycolumns=anomalies)
   

   

   Zeigen Sie auf die roten Punkte, um die Werte der Anomalien anzuzeigen.

4. Sie können auch die Vorhersagekraft der series_decompose_forecast-Funktion verwenden, um sicherzustellen, dass die ausreichenden Taxis im Stadtteil Manhattan arbeiten und die Anzahl der benötigten Taxis pro Stunde vorhersagen.

   nyctaxitrips
   | lookup (Locations) on $left.PULocationID==$right.LocationID
   | where Borough == "Manhattan"
   | make-series s1 = count() on tpep_pickup_datetime from datetime(2022-06-01) to datetime(2022-06-08)+3d step 1h by PULocationID
   | extend forecast = series_decompose_forecast(s1, 24*3)
   | render timechart
   

   

Weitere Informationen

Weitere Informationen zu aufgaben, die in diesem Tutorial ausgeführt werden, finden Sie unter:

• Erstellen eines KQL-Abfragesets
• Schreiben Sie eine Abfrage.
• render-Operator

Nächste Schritte

Tutorial, Teil 6: Erstellen eines Power BI-Berichts