Muistikirjavisualisointi Microsoft Fabricissa

2025-05-26

Microsoft Fabric on integroitu analytiikkapalvelu, joka nopeuttaa tietovarastojen ja massadatajärjestelmien merkityksellisiä tietoja. Muistikirjojen tietojen visualisointi on tärkeä ominaisuus, jonka avulla voit saada merkityksellisiä tietoja, joiden avulla käyttäjät voivat tunnistaa malleja, trendejä ja poikkeavia arvoja helposti.

Kun työskentelet Apache Sparkin kanssa Fabricissa, sinulla on valmiita vaihtoehtoja tietojen visualisointiin, mukaan lukien Fabric-muistikirjakaavio-ominaisuudet ja pääsy suosittuihin avoimen lähdekoodin kirjastoihin.

Kangasmuistikirjojen avulla voit myös muuntaa taulukkomuotoisia tuloksia mukautetuiksi kaavioiksi kirjoittamatta koodia, mikä takaa entistä intuitiivisemman ja saumattoman tietojen tarkastelukokemuksen.

Sisäinen visualisointikomento – display()-funktio

Fabric-in-visualisointifunktion avulla voit muuntaa Apache Spark DataFrames-, Pandas DataFrames- ja SQL-kyselytulokset monipuolisiksi ja vuorovaikutteisiksi tietojen visualisoinneiksi.

Näyttöfunktiolla voit hahmontaa PySparkin ja Scala Spark DataFramesin tai sitkeät hajautetut tietojoukot dynaamisiksi taulukoiksi tai kaavioiksi.

Voit määrittää hahmonnetun tietokehyksen rivimäärän. Oletusarvo on 1 000. Muistikirjassa näytetään tulospienoissovellus tukee enintään 10 000 rivin tarkastelemista ja profiloimista.

Voit käyttää yleisen työkalurivin suodatinfunktiota mukautettujen sääntöjen käyttämiseksi tiedoissasi. Suodatinehtoa käytetään tiettyyn sarakkeeseen, ja tulokset näkyvät sekä taulukko- että kaavionäkymissä.

SQL-lausekkeen tuloste käyttää samaa tulostepienoissovellusta, jossa on oletusarvoisesti display().

Rich dataframe -taulukkonäkymä

Vapaan valinnan tuki taulukkonäkymässä

Taulukkonäkymä hahmonnetaan oletusarvoisesti, kun käytetään Display()-komentoa Fabric-muistikirjassa. Monipuolisessa tietokehyksen esikatselussa on intuitiivinen ilmainen valintatoiminto, joka on suunniteltu parantamaan tietojen analysointikokemusta ottamalla käyttöön joustavia ja vuorovaikutteisia valintavaihtoehtoja. Tämän ominaisuuden avulla käyttäjät voivat siirtyä tietokehyksiin ja tutustua niihin tehokkaasti.

sarakkeen valinnan
- Yhden sarakkeen: Valitse koko sarake napsauttamalla sarakeotsikkoa.
- Useita sarakkeita -: Kun olet valinnut yksittäisen sarakkeen, pidä vaihto-näppäintä painettuna ja valitse sitten useita sarakkeita napsauttamalla toista sarakeotsikkoa.
rivin valinnan
- Yksi rivi -: Valitse koko rivi napsauttamalla riviotsikkoa.
- Useita rivejä: Kun olet valinnut yksittäisen rivin, pidä vaihto-näppäintä painettuna ja valitse sitten useita rivejä napsauttamalla toista riviotsikkoa.
Solun sisällön esikatselu: Esikatsele yksittäisten solujen sisältöä, jotta voit tarkastella tietoja nopeasti ja yksityiskohtaisesti ilman, että sinun tarvitsee kirjoittaa lisäkoodia.
sarakeyhteenveto: Saat yhteenvedon kustakin sarakkeesta, mukaan lukien tiedonjakauman ja tärkeimmät tilastotiedot, jotta voit nopeasti ymmärtää tietojen ominaisuudet.
Vapaan alueen valinta -: Valitse mikä tahansa taulukon jatkuva segmentti, jotta saat yleiskatsauksen valittujen solujen kokonaismäärästä ja valitun alueen numeerisista arvoista.
Valitun sisällön kopioiminen: Kaikissa valintatapauksissa voit kopioida valitun sisällön nopeasti Ctrl + C -pikanäppäimen avulla. Valitut tiedot kopioidaan CSV-muodossa, mikä helpottaa käsittelemistä muissa sovelluksissa.

Tietojen profiloinnin tuki Tarkistus-ruudun kautta

Animoitu GIF monipuolisesta tietokehyksen esikatselusta.

Voit profiloida tietokehyksen napsauttamalla Tarkista-painiketta. Se tarjoaa tietojen yhteenvedon jakauman ja näyttää kunkin sarakkeen tilastotiedot.
Jokainen Tarkasta-puolen ruudun kortti yhdistää tietokehyksen sarakkeeseen. Voit tarkastella lisätietoja napsauttamalla korttia tai valitsemalla sarakkeen taulukosta.
Voit tarkastella solun tietoja napsauttamalla taulukon solua. Tästä ominaisuudesta on hyötyä, kun tietokehys sisältää pitkän merkkijonotyypin sisältöä.

Parannettu rich dataframe -kaavionäkymä

Display()-komennon parannettu kaavionäkymä tarjoaa entistä intuitiivisemman ja dynaamisemman tavan tietojen visualisointiin.

Avainparannukset:

Usean kaavion tuki: Lisää enintään viisi kaaviota yksittäiseen display() -tulostepienoissovellukseen valitsemalla Uusi kaavio, mikä helpottaa vertailua eri sarakkeissa.
Älykkään kaavion suositukset: Hanki ehdotettujen kaavioiden luettelo DataFramen perusteella. Valitse muokkaa suositeltua visualisointia tai luo mukautettu kaavio alusta alkaen.

Joustava mukauttaminen: Mukauta visualisointeja valitun kaaviotyypin mukaan mukautuvalla säädettävissä olevalla asetuksilla.

Luokka	Perusasetukset	Kuvaus
	Kaaviotyyppi	Näyttöfunktio tukee monenlaisia kaaviotyyppejä, kuten palkkikaavioita, pistekaavioita, viivakaavioita ja pivot-taulukoita.
Nimike	Nimike	Kaavion otsikko.
Nimike	Tekstitys	Lisää kuvauksia sisältävän kaavion alaotsikko.
Tiedot	X-akseli	Määritä kaavion avain.
Tiedot	Y-akseli	Määritä kaavion arvot.
Selite	Näytä selite	Ota selite käyttöön tai poista se käytöstä.
Selite	Asema	Mukauta selitteen sijaintia.
Muu	Sarjaryhmä	Tämän määrityksen avulla voit määrittää koosteen ryhmät.
Muu	Yhdistäminen	Tämän menetelmän avulla voit koostaa tietoja visualisoinnissa.
Muu	Pinottu	Määritä tuloksen näyttötyyli.
Muu	Puuttuvat ja tyhjäarvot	Määritä, miten puuttuvat tai tyhjäarvot näytetään.

Muistiinpano

Lisäksi voit määrittää näytettävien rivien määrän, ja oletusasetus on 1 000. Muistikirjan näyttötulostepienoissovellus tukee jopa 10 000 rivin DataFramen tarkastelemista ja profilointia. Valitse Koosta kaikille tuloksille ja valitse sitten Käytä , jos haluat ottaa käyttöön kaavion luonnin koko tietokehyksestä. Spark-työ käynnistyy, kun kaavion asetus muuttuu. Laskennan viimeisteleminen ja kaavion hahmontaminen voi kestää useita minuutteja.

Luokka	Lisäasetukset	Kuvaus
Väri	Teema	Määritä kaavion teemavärijoukko.
X-akseli	Otsikko	Määritä X-akselin nimi.
X-akseli	Mittakaava	Määritä X-akselin skaalausfunktio.
X-akseli	Alue	Määritä arvoalue X-akseli.
Y-akseli	Otsikko	Määritä Y-akselin nimi.
Y-akseli	Mittakaava	Määritä Y-akselin skaalausfunktio.
Y-akseli	Alue	Määritä arvoalue Y-akseli.
Näyttö	Näytä selitteet	Näytä tai piilota tulosotsikot kaaviossa.

Määritysten muutokset tulevat voimaan heti ja kaikki määritykset tallennetaan automaattisesti muistikirjan sisältöön.

Voit helposti nimetä uudelleen, monistaa, poistaa tai siirtää kaavioita kaavion välilehtivalikossa. Voit myös järjestää niitä uudelleen vetämällä ja pudottamalla välilehtiä. Ensimmäinen välilehti näkyy oletusarvona, kun muistikirja avataan.
Vuorovaikutteinen työkalurivi on käytettävissä uudessa kaaviossa, kun käyttäjä siirtää hiiren osoittimen kaavion päälle. Tukitoiminnot, kuten lähentäminen, loitontaminen, zoomaus, nollaaminen, panorointi, huomautuksen muokkaus jne.

Tässä on esimerkki kaaviomerkinnästä.

display()-yhteenvetonäkymä

Käytä display(df, summary = true) tietyn Apache Spark DataFrame -kehyksen tilastoyhteenvedon tarkistamiseen. Yhteenveto sisältää sarakkeen nimen, saraketyypin, yksilölliset arvot ja puuttuvat arvot kullekin sarakkeelle. Voit myös valita tietyn sarakkeen nähdäksesi sen vähimmäisarvon, enimmäisarvon, keskiarvon ja keskihajonnan.

Animoitu GIF yhteenvetonäkymästä.

displayHTML()-vaihtoehto

Fabric-muistikirjat tukevat HTML-grafiikkaa displayHTML-funktion avulla.

Seuraava kuva on esimerkki visualisointien luomisesta D3.js avulla.

Voit luoda tämän visualisoinnin suorittamalla seuraavan koodin.

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>

"""
)

Power BI -raportin upottaminen muistikirjaan

Tärkeä

Tämä ominaisuus on esikatselutilassa.

Powerbiclient Python -pakettia tuetaan nyt suoraan Fabric-muistikirjoissa. Sinun ei tarvitse tehdä lisäasetuksia (kuten todennusprosessia) Fabric-muistikirja spark runtime 3.4:ssä. powerbiclient Tuo se ja jatka sitten tutkimista. Lisätietoja powerbiclient-paketin käytöstä on powerbiclient-dokumentaatiossa.

Powerbiclient tukee seuraavia avainominaisuuksia.

Olemassa olevan Power BI -raportin hahmontaminen

Voit helposti upottaa ja käsitellä Power BI -raportteja muistikirjoissasi vain muutamalla koodirivillä.

Seuraava kuva on esimerkki olemassa olevan Power BI -raportin hahmontamisesta.

Hahmonna olemassa oleva Power BI -raportti suorittamalla seuraava koodi.

from powerbiclient import Report

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

report

Raportin visualisointien luominen Spark DataFramesta

Voit luoda nopeasti oivaltavia visualisointeja muistikirjasi Spark DataFramen avulla. Voit myös valita Tallenna upotetussa raportissa luodaksesi raporttikohteen kohdetyötilaan.

Seuraavassa kuvassa on esimerkki QuickVisualize() Spark DataFrame -kehyksestä.

Suorita seuraava koodi, jotta voit hahmontaa raportin Spark DataFramesta.

# 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

Raportin visualisointien luominen pandas DataFrame -kehyksestä

Voit myös luoda pandas DataFrame -kehykseen perustuvia raportteja muistikirjassa.

Seuraava kuva on esimerkki QuickVisualize() pandas DataFrame -kehyksestä.

Suorita seuraava koodi, jotta voit hahmontaa raportin Spark DataFramesta.

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

Suositut kirjastot

Tietojen visualisoinnin osalta Python tarjoaa useita kaaviokirjastoja, jotka ovat täynnä monia eri ominaisuuksia. Oletuksena jokainen Fabricin Apache Spark -allas sisältää joukon valittuja ja suosittuja avoimen lähdekoodin kirjastoja.

Matplotlib

Voit hahmontaa vakiopiirtokirjastoja, kuten Matplotlib, käyttämällä kunkin kirjaston sisäisiä hahmontamisfunktioita.

Seuraava kuva on esimerkki palkkikaavion luomisesta Matplotlib-toiminnolla.

Piirrä tämä palkkikaavio suorittamalla seuraava mallikoodi.

# 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

Voit hahmontaa HTML- tai vuorovaikutteisia kirjastoja (esimerkiksi bokeh) käyttämällä displayHTML(df) -parametria.

Seuraava kuva on esimerkki glyfien piirtämisestä kartan ylle bokeh-toiminnolla.

Jos haluat piirtää tämän kuvan, suorita seuraava mallikoodi.

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)

Kaavio

Voit hahmontaa HTML-kirjastoja tai vuorovaikutteisia kirjastoja, kuten Plotly, käyttämällä displayHTML()-tiedostoa.