Εξαγωγή και υπολογισμός μετρήσεων Power BI από ένα σημειωματάριο Jupyter

Αυτή η εκμάθηση δείχνει πώς μπορείτε να χρησιμοποιήσετε το SemPy (προεπισκόπηση) για τον υπολογισμό μετρήσεων σε μοντέλα σημασιολογίας Power BI.

Σε αυτό το εκπαιδευτικό βοήθημα, θα μάθετε πώς μπορείτε να κάνετε τα εξής:

Αξιολόγηση μετρήσεων Power BI μέσω προγραμματισμού χρησιμοποιώντας το περιβάλλον εργασίας Python της βιβλιοθήκης σημασιολογικών συνδέσεων (SemPy)
Μάθετε σχετικά με τα στοιχεία SemPy που βοηθούν στη γεφύρωση AI και BI:
- FabricDataFrame—δομή τύπου πάντα ενισχυμένη με σημασιολογικές πληροφορίες
- Συναρτήσεις που λαμβάνουν σημασιολογικά μοντέλα, συμπεριλαμβανομένων ανεπεξέργαστων δεδομένων, διαμορφώσεων και μετρήσεων

Προαπαιτούμενα στοιχεία

Λάβετε μια συνδρομή Microsoft Fabric. Εναλλακτικά, εγγραφείτε για μια δωρεάν δοκιμαστική έκδοση του Microsoft Fabric.
Εισέλθετε στο Microsoft Fabric.
Μεταβείτε στο Fabric χρησιμοποιώντας την εναλλαγή εμπειριών στην κάτω αριστερή πλευρά της αρχικής σελίδας σας.

Στο παράθυρο περιήγησης, επιλέξτε Χώροι εργασίας και, στη συνέχεια, επιλέξτε τον χώρο εργασίας σας για να τον ορίσετε ως τον τρέχοντα χώρο εργασίας.
Κάντε λήψη του σημασιολογικού μοντέλου δείγματος ανάλυσης λιανικής PBIX.pbix και ανεβάστε το στον χώρο εργασίας σας.

Ακολουθήστε τις οδηγίες στο σημειωματάριο

Το σημειωματάριο powerbi_measures_tutorial.ipynb συνοδεύει αυτή την εκμάθηση.

Για να ανοίξετε το σημειωματάριο που συνοδεύει αυτό το εκπαιδευτικό βοήθημα, ακολουθήστε τις οδηγίες στο Προετοιμασία του συστήματός σας για εκπαιδευτικά βοηθήματα επιστήμης δεδομένων, να εισαγάγετε το σημειωματάριο στον χώρο εργασίας σας.
Εάν προτιμάτε να αντιγράψετε και να επικολλήσετε τον κώδικα από αυτή τη σελίδα, μπορείτε να δημιουργήσετε ένα νέο σημειωματάριο.
Φροντίστε να επισυνάψετε ένα lakehouse στο σημειωματάριο προτού ξεκινήσετε την εκτέλεση κώδικα.

Ρύθμιση του σημειωματάριου

Σε αυτήν την ενότητα, μπορείτε να ρυθμίσετε ένα περιβάλλον σημειωματαρίου.

Εγκατάσταση SemPy από το PyPI χρησιμοποιώντας %pip ενσωματωμένο στο σημειωματάριο.
```
%pip install semantic-link-sempy
```
Εισαγάγετε τις λειτουργικές μονάδες που θα χρησιμοποιήσετε αργότερα.
```
import sempy.fabric as fabric
```
Συνδεθείτε στον χώρο εργασίας Power BI και παραθέστε τα σημασιολογικά μοντέλα στον χώρο εργασίας.
```
fabric.list_datasets()
```
Φόρτωση του σημασιολογικού μοντέλου. Σε αυτό το πρόγραμμα εκμάθησης, μπορείτε να χρησιμοποιήσετε το σημασιολογικό μοντέλο δείγματος ανάλυσης λιανικής.
```
dataset = "Retail Analysis Sample"
```
```
dataset = "Retail Analysis Sample PBIX"
```

Λίστα μετρήσεων χώρου εργασίας

Χρησιμοποιήστε το list_measures SemPy για να παραθέσετε μετρήσεις σε ένα σημασιολογικό μοντέλο:

fabric.list_measures(dataset)

Αξιολόγηση μετρήσεων

Χρησιμοποιήστε τη λειτουργία του evaluate_measure SemPy για να αξιολογήσετε τις μετρήσεις με διαφορετικούς τρόπους.

Αξιολόγηση μιας ανεπεξέργαστας μέτρησης

Χρησιμοποιήστε τη συνάρτηση SemPy evaluate_measure για να υπολογίσετε την προκαθορισμένη μέτρηση που ονομάζεται "Μέσο μέγεθος περιοχής πώλησης".

fabric.evaluate_measure(dataset, measure="Average Selling Area Size")

Αξιολογήστε μια μέτρηση με `groupby_columns`

Ομαδοποιήστε το αποτέλεσμα κατά στήλες χρησιμοποιώντας την groupby_columns παράμετρο:

fabric.evaluate_measure(dataset, measure="Average Selling Area Size", groupby_columns=["Store[Chain]", "Store[DistrictName]"])

Αυτός ο κώδικας ομαδοποιείται κατά Store[Chain] και Store[DistrictName].

Αξιολόγηση μέτρησης με φίλτρα

Χρησιμοποιήστε την filters παράμετρο για να περιορίσετε τα αποτελέσματα σε συγκεκριμένες τιμές στηλών:

fabric.evaluate_measure(dataset, \
                        measure="Total Units Last Year", \
                        groupby_columns=["Store[Territory]"], \
                        filters={"Store[Territory]": ["PA", "TN", "VA"], "Store[Chain]": ["Lindseys"]})

Σε αυτό το παράδειγμα, Store είναι ο πίνακας, Territory είναι η στήλη και PA είναι μια επιτρεπόμενη τιμή.

Αξιολόγηση μιας μέτρησης σε πολλούς πίνακες

Ομαδοποίηση κατά στήλες σε πολλούς πίνακες στο σημασιολογικό μοντέλο.

fabric.evaluate_measure(dataset, measure="Total Units Last Year", groupby_columns=["Store[Territory]", "Sales[ItemID]"])

Αξιολόγηση πολλών μετρήσεων

Η evaluate_measure συνάρτηση σάς επιτρέπει να παρέχετε πολλαπλά αναγνωριστικά μέτρησης και επιστρέφει τις υπολογισμένες τιμές σε ένα μόνο DataFrame:

fabric.evaluate_measure(dataset, measure=["Average Selling Area Size", "Total Stores"], groupby_columns=["Store[Chain]", "Store[DistrictName]"])

Χρήση της σύνδεσης XMLA του Power BI

Το προεπιλεγμένο πρόγραμμα-πελάτης μοντέλου σημασιολογίας χρησιμοποιεί τα Power BI REST API. Εάν τα ερωτήματα αποτύχουν με αυτό το πρόγραμμα-πελάτη, μεταβείτε στο τελικό σημείο Power BI XMLA ορίζοντας .use_xmla=True Οι παράμετροι SemPy είναι οι ίδιες για υπολογισμούς μέτρησης με XMLA.

fabric.evaluate_measure(dataset, \
                        measure=["Average Selling Area Size", "Total Stores"], \
                        groupby_columns=["Store[Chain]", "Store[DistrictName]"], \
                        filters={"Store[Territory]": ["PA", "TN", "VA"], "Store[Chain]": ["Lindseys"]}, \
                        use_xmla=True)

Δείτε άλλους σημασιολογικούς συνδέσμους και σεμινάρια SemPy:

Ανάδραση

Ήταν χρήσιμη αυτή η σελίδα;

Last updated on 2025-08-28