Python-käyttökokemuksen käyttäminen muistikirjassa

Python-muistikirja on uusi kokemus, joka on rakennettu Fabric-muistikirjan päälle. Se on monipuolinen ja interaktiivinen työkalu, joka on suunniteltu datan analysointiin, visualisointiin ja koneoppimiseen. Se tarjoaa saumattoman kehityskokemuksen Python-koodin kirjoittamiseen ja suorittamiseen. Tämän ominaisuuden ansiosta se on tärkeä työkalu datatutkijoille, analyytikoille ja BI-kehittäjille erityisesti sellaisten tehtävien tarkastelussa, jotka eivät edellytä massadataa ja hajautettua tietojenkäsittelyä.

Käyttämällä Python-muistikirjaa saat:

• Useita sisäänrakennettuja Python-ytimiä: Python-muistikirjat tarjoavat puhtaan Python-koodausympäristön ilman Sparkia, ja siinä on kolme sisäänrakennettua Python-ydinversiota: Python 3.10, Python 3.11 ja Python 3.12. Ympäristö tukee natiivisti IPython-ominaisuuksia, kuten iPyWidgetiä ja taikakomentoja.

• Kustannustehokas: Uusi Python-muistikirja tarjoaa kustannussäästöetuja toimimalla oletuksena yhden solmun klusterissa, jossa on oletuksena 2 vydintä/16 Gt muistia. Tämä määritys varmistaa resurssien tehokkaan käytön tietojenetsintäprojekteissa, joissa on pienempi tietojen koko.

• Lakehouse ja Resources ovat natiivisti saatavilla: Fabric Lakehouse sekä Notebookin sisäänrakennetut resurssit ovat saatavilla Python-muistikirjassa. Tämän ominaisuuden avulla käyttäjät voivat helposti tuoda tiedot Python-muistikirjaan, kokeile vain raahaamalla ja pudota saadaksesi koodin pätkän.

• Yhdistä ohjelmointi T-SQL:ään: Python-muistikirja tarjoaa helpon tavan olla vuorovaikutuksessa tietovarasto- ja SQL-analytiikan päätepisteiden kanssa Explorerissa. Käyttämällä notebookutils data connectoria voit helposti suorittaa T-SQL-skriptit Python-kontekstissa.

• Tuki suosituille data-analytiikkakirjastoille: Python-muistikirjoissa on esiasennettuja kirjastoja, kuten DuckDB, Polars ja Scikit-learn, jotka tarjoavat kattavan työkalupakin datan käsittelyyn, analysointiin ja koneoppimiseen.

• Edistynyt IntelliSense: Python-notebook ottaa käyttöön Pylancen IntelliSense-moottorina yhdessä muiden Fabric-räätälöityjen kielipalveluiden kanssa, pyrkien tarjoamaan huipputason koodauskokemusta muistikirjakehittäjille.

• NotebookUtils ja semanttinen linkki: Tehokkaat API-työkalupaketit mahdollistavat Fabric- ja Power BI:n käytön helposti koodilähtöisellä kokemuksella.

• Monipuoliset visualisointiominaisuudet: Suosittujen rich dataframe -esikatselutoimintojen 'Table'- ja 'Chart'-toimintojen lisäksi se tukee myös suosittuja visualisointikirjastoja kuten Matplotlib, Seaborn ja Plotly. PowerBIClient tukee myös näitä kirjastoja, joiden avulla käyttäjät voivat paremmin ymmärtää tietomalleja ja merkityksellisiä tietoja.

• Yleiset ominaisuudet Fabric Notebookille: Kaikki Notebook-tason ominaisuudet soveltuvat luonnollisesti Python-muistikirjaan, kuten muokkausominaisuudet, automaattitallennus, yhteistyö, jakaminen ja käyttöoikeuksien hallinta, Git-integraatio, tuonti/vienti ja paljon muuta.

• Full stack Data Science Capabilities -: Kehittynyt vähän koodausta hyödyntävä työkalupaketti Data Wrangler, koneoppimiskehyksen MLFlow ja tehokas Copilot ovat kaikki saatavilla Python-muistikirjassa.

Python Notebookin käyttäminen

Kun avaat Fabric Notebookin, voit vaihtaa Python-tiedostoon Home-välilehden pudotusvalikosta ja muuntaa koko muistikirjan asetelman Python-muotoon.

Suurin osa yleisistä ominaisuuksista on tuettu kannettavan tasolla. Lisätietoja saat kohdasta Kuinka käyttää Microsoft Fabric -muistikirjoja ja Kehitä, suorittaa ja hallinnoida Microsoft Fabric -muistikirjoja. Tässä artikkelissa luetellaan joitakin keskeisiä ominaisuuksia, jotka ovat erityisiä Python-skenaarioihin.

Python-muistikirjojen suorittaminen

Python-muistikirjat tukevat useita työn suoritusmenetelmiä:

• Vuorovaikutteinen suoritus: Voit suorittaa Python-muistikirjan vuorovaikutteisesti, kuten alkuperäisen Jupyter-muistikirjan.
• Ajoitus: Voit käyttää kevyttä ajoituskokemusta muistikirjan asetuksista ja ajaa Python-muistikirjan eräajona.
• Putken suoritus: Voit orkestroida Python-muistikirjoja muistikirjan aktiviteetteina putkessa. Prosessi tuottaa snapshotin työn suorituksen jälkeen.
• Viitesuoritus: Voit käyttää notebookutils.notebook.run() tai notebookutils.notebook.runMultiple() viitata Python-muistikirjojen suorittamiseen toisessa Python-muistikirjassa erätyönä. Prosessi tuottaa snapshotin viiteajojen päätyttyä.
• %run: Voit käyttää %run muiden muistikirjojen viitamiseen ja suorittamiseen samassa suorituskontekstissa, jolloin voit kutsua funktioita suoraan ja käyttää uudelleen näissä muistikirjoissa määriteltyjä muuttujia. Lisätietoja löytyy dokumentaatiosta siitä, miten viitata muistikirjan ajamiseen.
• Julkinen API:n suoritus: Voit ajoittaa Python-muistikirjasi suorituksen notebook run public API:lla. Job Scheduler API tukee parametrisoituja suorituksia ja exit-arvojen palauttamista muistikirjan suorituksista. Exit-arvoja voidaan käyttää ehdolliseen orkestrointiin ja tulosten signalointiin, kun orkestroidaan Python-muistikirjoja automaatio- ja CI/CD-tilanteissa. Varmista, että julkisen API-kuorman notebook-metadatan kieli- ja ytimen ominaisuudet on asetettu oikein. Julkisen API:n kautta välitettävät parametriarvot ovat käytettävissä Python-muistikirjassa ajonaikaisesti käyttäen Fabric-muistikirjojen standardiparametrien käyttömallia. Lisätietoja parametrien pyyntömuodosta ja poistumisarvon hausta löytyy kohdasta Hallitse ja suorita muistikirjoja Fabricissa API:illa. Voit seurata suoritustilaa ja peruuttaa työtehtäviä Job Scheduler API:n kautta, täydentäen in-UI View all runs -kokemusta.

Note

Palvelupään tunnistautumista tuetaan Items REST API:lle (CRUD muistikirjoille) ja Job Scheduler API:lle (suoritus), mikä mahdollistaa turvallisen valvomattoman automaation ja CI/CD:n Python-muistikirjoille. Lisää palvelupäähenkilö työtilaan, jolla on sopiva rooli näiden API:ien käyttöön.

Voit valvoa Python-muistikirjan työn suorituksen tietoja valintanauhan välilehdessä Suorita -Näytä>kaikki suoritukset.

Note

Tällä hetkellä se %run tukee vain muistikirjan kohteiden viittaamista Python muistikirjoissa, ei koodimoduuleihin (kuten .py-tiedostoihin) muistikirjan resurssikansiosta.

Tietojen vuorovaikutus

Voit olla vuorovaikutuksessa Lakehousen, Warehousesin, SQL-analytiikan päätepisteiden ja sisäänrakennettujen resurssikansioiden kanssa Python-muistikirjassa.

Note

Python Notebook -ajonaikaan on asennettu valmiiksi delta-rs- ja duckdb-kirjastot, jotka tukevat sekä Delta Lake -datan lukemista että kirjoittamista. Kuitenkin jotkut Delta Laken ominaisuudet eivät välttämättä ole täysin tuettuja. Lisätietoja ja viimeisimmät päivitykset löydät delta-rs - ja DuckDB-dokumentaatiosta .

Lakehousen vuorovaikutus

Voit asettaa oletuksena Lakehouse, tai voit myös lisätä useita Lakehouse-taloja tutkiaksesi ja käyttääksesi niitä muistikirjoissa.

Jos et ole perehtynyt lukemaan dataobjekteja, kuten delta-taulukkoa, kokeile raahata ja pudottaa tiedosto ja delta-taulukko muistikirjan kankaalle tai käytä Lataa data -vaihtoehtoa objektin pudotusvalikosta. Muistikirja lisää automaattisesti koodipalan koodisoluun ja tuottaa koodin kohdedataobjektin lukemista varten.

Note

Jos kohtaat OOM:n suuren datamäärän lataamisen aikana, kokeile käyttää DuckDB:tä, Polarsia tai PyArrow-dataframea pandasin sijaan.

Löydät Lakehouse-toiminnon kirjoitustoiminnon kohdasta Selaa koodikatkelmaa –>Kirjoita tietoja delta-taulukkoon -.

Varastojen vuorovaikutus ja sekoitusohjelmointi T-SQL:n avulla

Voit lisätä varastoja tai SQL-analytiikan päätelaitteita Notebookin Warehouse Explorerista. Voit myös vetää ja pudottaa taulukot muistikirjapohjaan tai käyttää pikakuvaketoimintoja avattavassa taulukon valikossa. Muistikirja luo automaattisesti sinulle koodipätkän. Voit käyttää notebookutils.data utilities muodostaaksesi yhteyden Warehousesiin ja kysyä tietoja T-SQL-lauseilla Python-kontekstissa.

Note

SQL-analytiikan päätelaitteet ovat vain luku -lukua.

Muistikirjan resurssit -kansio

Muistikirjan resurssien sisäinen resurssikansio on natiivisti käytettävissä Python Notebookissa. Voit helposti käsitellä tiedostoja sisäänrakennetussa resurssikansiossa käyttämällä Python-koodia ikään kuin käyttäisit paikallista tiedostojärjestelmääsi. Tällä hetkellä Environment-resurssikansiota ei tueta.

Ytimen toiminnot

Python-muistikirjat tukevat kolmea sisäänrakennettua ydintä: Python 3.10, Python 3.11 ja Python 3.12. Valittu oletusydin on Python 3.12. Voit helposti vaihtaa niiden välillä.

Voit keskeyttää, käynnistää uudelleen tai vaihtaa ydintä nauhan Home-välilehdellä. Ytimen keskeyttäminen Python-muistikirjoissa on sama kuin solun peruuttaminen Spark-muistikirjassa.

Epänormaali ytimen poistuminen aiheuttaa koodin suorituksen keskeytyksen ja muuttujien menetyksen, mutta se ei pysäytä muistikirjan istuntoa.

Jotkut käskyt voivat johtaa ytimen kuolemaan. Esimerkiksi quit() ja exit().

Jokaisen Python-ytimen version tukielinkaaren osalta, mukaan lukien tuen päättymispäivät ja migraatiovaiheet, katso Python-muistikirjan ajonaikajakso ja ytimen elinkaari Fabric-tiedostossa.

Kirjaston hallinta

Käytä %pip - ja %conda-komentoja inline-asennuksiin. Nämä komennot tukevat sekä julkisia kirjastoja että räätälöityjä kirjastoja.

Mukautetuissa kirjastoissa lataa kirjastotiedostot Built-in resources -kansioon. Alusta tukee useita kirjastotyyppejä, mukaan lukien formaatit kuten Wheel (.whl), JAR (.jar), DLL (.dll) ja Python (.py). Vedä ja pudota tiedosto, niin koodipätkä generoidaan automaattisesti.

Saatat joutua käynnistämään ytimen uudelleen käyttääksesi päivitettyjä paketteja.

Ymmärtääksesi ja käyttääksesi samankaltaisia komentoja paremmin, katso seuraava taulukko.

Command/Syntax	Päätarkoitus	Miten se toimii Jupyter Notebookissa	Tyypillinen käyttötapaus	Notes
%pip install package	Python-pakettien asentaminen	Ajaa pip:n muistikirjan Python-ytimessä	Suositeltu tapa asentaa paketteja	Python Notebookissa, kuten !pip; ei käynnistä ytimen uudelleen automaattisesti
!pip install package	Python-pakettien asentaminen shellin kautta	Suorittaa pip-komennon komentona	Vaihtoehtoinen tapa asentaa paketteja	Python Notebookissa, kuten %pip; ei käynnistä ytimen uudelleen automaattisesti
import sys; sys.exit(0)	Käynnistä muistikirja ytimesi uudelleen	Käynnistää ytimen välittömästi uudelleen	Käynnistä ydin ohjelmallisesti uudelleen	Tyhjentää kaikki muuttujat ja tilat; ei suositella käytettäväksi suoraan
notebookutils.session.restartPython()	Käynnistä muistikirja ytimesi uudelleen	Kutsut sys.exit(0) sisäisesti	Suositeltu tapa käynnistää ydin uudelleen	Virallinen ohjelmointirajapinta, turvallisempi ja yhteensopivampi kuin suoraan käyttäminen sys.exit(0)

Note

• Python Notebookissa%pip, ja !pip niillä on sama käyttäytyminen: molemmat asentavat paketteja nykyisen ytimen ympäristöön, eikä kumpikaan käynnistä ydintä automaattisesti uudelleen asennuksen jälkeen.
• Jos sinun täytyy käynnistää ydin uudelleen (esimerkiksi tiettyjen pakettien asennuksen jälkeen), käytä notebookutils.session.restartPython() sen sijaan import sys; sys.exit(0).
  • notebookutils.session.restartPython() on virallinen API, joka käärii sys.exit(0) , ja se on turvallisempi ja yhteensopivampi kannettavan ympäristössä.
• Älä käytä sys.exit(0) suoraan, ellei ole pakko.

Python-muistikirjan reaaliaikainen resurssien käytön seuranta

Tärkeää

Tämä ominaisuus on esikatselutilassa.

Resurssien valvontapaneelin avulla voit seurata kriittistä ajonaikaista tietoa, kuten istunnon kestoa, laskentatyyppiä ja reaaliaikaisia resurssimittareita, mukaan lukien suorittimen ja muistin kulutus, suoraan kannettavassasi. Tämä ominaisuus tarjoaa välittömän yleiskatsauksen aktiivisesta istunnosta ja käytetyistä resursseista.

Resurssivalvonta parantaa näkyvyyttä siihen, miten Python-työkuormat hyödyntävät järjestelmäresursseja. Sen avulla voit optimoida suorituskyvyn, hallita kustannuksia ja vähentää muistin loppumisen (OOM) virheiden riskiä. Seuraamalla mittareita reaaliajassa voit tunnistaa resurssiintensiivisiä toimintoja, analysoida käyttötapoja ja tehdä tietoon perustuvia päätöksiä koodin skaalaamisesta tai muokkaamisesta.

Aloita sen käyttö asettamalla muistikirjan kieleksi Python ja aloittamalla istunto. Voit sitten avata näytön joko napsauttamalla laskentaresursseja muistikirjan tilarivillä tai valitsemalla työkaluriviltä Näytä resurssien käyttö . Resurssien valvontapaneeli ilmestyy automaattisesti, tarjoten integroidun valvontakokemuksen Python-koodille Fabric-muistikirjoissa.

Istunnon määrityksen taikakomento

Samoin kuin Spark-istuntokonfiguraation personointi muistikirjassa, voit käyttää%%configure myös Python-muistikirjassa. Python-muistikirja tukee laskentasolmun koon, kiinnityspisteiden ja muistikirjan istunnon oletusjärvitalon mukauttamista. Voit käyttää näitä asetuksia sekä interaktiivisissa muistikirjoissa että putkimuistikirjan aktiviteeteissa. Käytä muistikirjan alussa olevaa %%configure-komentoa, muuten sinun täytyy käynnistää muistikirjan istunto uudelleen, jotta asetukset astuvat voimaan.

Tässä ovat Python-muistikirjan tuetut ominaisuudet%%configure:

%%configure -f
{
    "vCores": 4, // Recommended values: [4, 8, 16, 32, 64], Fabric will allocate matched memory according to the specified vCores.
    "defaultLakehouse": {  
        // Will overwrites the default lakehouse for current session
        "name": "<lakehouse-name>",
        "id": "<(optional) lakehouse-id>",
        "workspaceId": "<(optional) workspace-id-that-contains-the-lakehouse>" // Add workspace ID if it's from another workspace
    },
    "mountPoints": [
        {
            "mountPoint": "/myMountPoint",
            "source": "abfs[s]://<file_system>@<account_name>.dfs.core.windows.net/<path>"
        },
        {
            "mountPoint": "/myMountPoint1",
            "source": "abfs[s]://<file_system>@<account_name>.dfs.core.windows.net/<path1>"
        },
    ],
}

Voit tarkastella laskentaresurssien päivitystä kannettavan tilapalkilla ja seurata laskentasolmun suorittimen ja muistin käyttöä reaaliajassa.

Note

API-laukaistu suorittaa kunnia-istunnon konfiguraatioita, kuten laskenta-vCoret, ja defaultLakehouse määritellään notebookin metatietojen tai %%configure. Job Scheduler API tukee myös kohdejärvirakennuksen ja ympäristön valintaa ajonaikana. Lisätietoja payload-kentistä löytyy kohdasta Manage and execute notebooks in Fabric with APIs.

NotebookUtils

Notebook Utilities (NotebookUtils) on sisäänrakennettu paketti, joka auttaa sinua suorittamaan yleisiä tehtäviä helposti Fabric Notebookissa. Se on valmiiksi asennettu Python-ajonaikaan. Käytä NotebookUtilsia tiedostojärjestelmien käsittelyyn, ympäristömuuttujien keräämiseen, muistikirjojen ketjuttamiseen, ulkoisen tallennustilan avaamiseen ja salaisuuksien käsittelyyn.

notebookutils.help() Voit listata saatavilla olevat rajapinnat ja pyytää apua menetelmiin. Lisätietoja löytyy NotebookUtils-dokumentaatiosta.

Tietojen apuohjelmat

Note

Tällä hetkellä ominaisuus on esikatseluvaiheessa.

Käytä apuohjelmia notebookutils.data yhdistääksesi tietolähteeseen. Sen jälkeen voit lukea ja kysyä dataa käyttämällä T-SQL-lausetta.

Saat yleiskatsauksen käytettävissä olevista menetelmistä suorittamalla seuraavan komennon:

notebookutils.data.help()

Output:

Help on module notebookutils.data in notebookutils:

NAME
    notebookutils.data - Utility for read/query data from connected data sources in Fabric

FUNCTIONS
    connect_to_artifact(artifact: str, workspace: str = '', artifact_type: str = '', **kwargs)
        Establishes and returns an ODBC connection to a specified artifact within a workspace 
        for subsequent data queries using T-SQL.
        
        :param artifact: The name or ID of the artifact to connect to.
        :param workspace:  Optional; The workspace in which the provided artifact is located, if not provided,
                             use the workspace where the current notebook is located.
        :param artifactType: Optional; The type of the artifact, Currently supported type are Lakehouse, Warehouse and MirroredDatabase. 
                                If not provided, the method will try to determine the type automatically.
        :param **kwargs Optional: Additional optional configuration. Supported keys include:
            - tds_endpoint : Allow user to specify a custom TDS endpoint to use for connection.
        :return: A connection object to the specified artifact.
        
        :raises UnsupportedArtifactException: If the specified artifact type is not supported to connect.
        :raises ArtifactNotFoundException: If the specified artifact is not found within the workspace.
        
        Examples:
            sql_query = "SELECT DB_NAME()"
            with notebookutils.data.connect_to_artifact("ARTIFACT_NAME_OR_ID", "WORKSPACE_ID", "ARTIFACT_TYPE") as conn:
                df = conn.query(sql_query)
                display(df)
    
    help(method_name: str = '') -> None
        Provides help for the notebookutils.data module or the specified method.
        
        Examples:
        notebookutils.data.help()
        notebookutils.data.help("connect_to_artifact")
        :param method_name: The name of the method to get help with.

DATA
    __all__ = ['help', 'connect_to_artifact']

FILE
    /home/trusted-service-user/jupyter-env/python3.10/lib/python3.10/site-packages/notebookutils/data.py

Tietojen kyseleminen Lakehousesta

conn = notebookutils.data.connect_to_artifact("lakehouse_name_or_id", "optional_workspace_id", "optional_lakehouse_type")
df = conn.query("SELECT * FROM sys.schemas;")

Tietojen kyseleminen varastosta

conn = notebookutils.data.connect_to_artifact("warehouse_name_or_id", "optional_workspace_id", "optional_warehouse_type")
df = conn.query("SELECT * FROM sys.schemas;")

Kyselydata SQL-tietokannasta

conn = notebookutils.data.connect_to_artifact("sqldb_name_or_id", "optional_workspace_id", "optional_sqldatabase_type") 
df = conn.query("SELECT * FROM sys.schemas;")

Note

NotebookUtils-apuohjelmat ovat toistaiseksi käytettävissä vain Python-muistikirjassa.

Koodikatkelmien selaaminen

Löydät hyödyllisiä Python-koodin pätkiä Muokkaus-välilehdeltä valitsemalla Selaa koodipätkä. Uusia Python-näytteitä on nyt saatavilla. Aloittaaksesi muistikirjan tutkimisen, opi Python-koodin pätkistä.

Semanttinen linkki

Semanttinen linkki on ominaisuus, jonka avulla voit yhdistää semanttiset mallit ja Synapse Data Science -menetelmän Microsoft Fabric -ohjelmassa. Python-notebook tukee tätä ominaisuutta natiivisti. BI-insinöörit ja Power BI:n kehittäjät voivat käyttää Semantic Linkiä yhdistääkseen ja hallitakseen semanttisia malleja helposti. Lisätietoja saat julkisesta asiakirjasta.

Visualization

Kirjastojen avulla piirtävien kaavioiden lisäksi sisäänrakennetun visualisointitoiminnon avulla voit muuttaa tietokehykset monimuotoisiksi tietojen visualisoinneiksi. Käytä display() -funktiota datakehyksissä tuottaaksesi rikkaan datakehyksen taulukkonäkymän ja kaavion näkymän.

Note

Python-muistikirja säilyttää kaaviokonfiguraatiot. Koodisolun uudelleenajon jälkeen, jos kohdedataframe-skeema ei muutu, tallennetut kaaviot säilyvät.

Code IntelliSense

Python-muistikirja käyttää myös Pylancea kielipalvelimena. Lisätietoja on artikkelissa Python-kehityksen parantaminen Pylance-.

Datatieteen ominaisuudet

Lisätietoja data-analytiikasta ja tekoälykokemuksista Microsoft Fabric:ssa löydät Data Science -dokumentaatiosta Microsoft Fabric. Tässä artikkelissa luetellaan muutamia keskeisiä datatieteen ominaisuuksia, joita Python-muistikirjat tukevat natiivisti.

• Data Wrangler: Data Wrangler on muistikirjapohjainen työkalu, joka tarjoaa immersiivisen käyttöliittymän tutkivalle data-analyysille. Tämä ominaisuus yhdistää ruudukon kaltaisen tietojen näytön dynaamisiin yhteenvetotilastoihin, sisäisiin visualisointeihin ja kirjastoon yleisiä tietojen puhdistustoimintoja. Se tarjoaa datan puhdistuksen, muunnoksen ja integraation, mikä nopeuttaa datan valmistelua käyttämällä Data Wrangleria.

• MLflow: Koneoppimiskoe on kaikkien asiaan liittyvien koneoppimissuoritusten ensisijainen organisointi- ja ohjausyksikkö. Suoritus vastaa mallikoodin yksittäistä suoritusta.

• Fabric Auto Logging: Synapse Data Science in Microsoft Fabric sisältää automaattisen lokikorjauksen, joka vähentää merkittävästi koodia, jota tarvitaan koneoppimismallin parametrien, mittarien ja kohteiden automaattiseen kirjaamiseen harjoittamisen aikana.

  Automaattinen lokkeaminen laajentaa MLflow Tracking -ominaisuuksia. Automaattinen kirjaus voi tallentaa eri mittareita, kuten tarkkuuden, tappion, F1-pisteet ja määrittämäsi mukautetut mittarit. Automaattisen lokittelun avulla kehittäjät ja datatieteilijät voivat helposti seurata ja vertailla eri mallien suorituskykyä ja kokeilla ilman manuaalista seurantaa.

• Copilot: Copilot for Data Engineering and Data Science notebooks on tekoälyavustaja, joka auttaa analysoimaan ja visualisoimaan dataa. Copilot on välittömästi kontekstitietoinen ilman, että sinun tarvitsee aloittaa istuntoa. Se ymmärtää työtilan, liitetyt Lakehouse-skeemat, taulukot ja tiedostot, muistikirjan rakenteen ja ajonaikaisen tilan, ja voi toimia koko muistikirjan työnkulun läpi.

  Copilot tukee koko muistikirjan laajuisia, monivaiheisia ominaisuuksia: se voi tuottaa, refaktoroida, tiivistää ja validoida koodia useiden solujen ja vaiheiden välillä Python-muistikirjoissa. Voit käyttää Copilotin chat-paneelia ja chat-komentoja, kuten /fix muistikirjassa.

  Kun solu vikaantuu, Fix with Copilot näyttää virheyhteenvedon, juurisyyanalyysin ja suositellut korjaukset, ja lisäksi voi automaattisesti lisätä koodin muutokset hyväksyntäeron jälkeen. Voit myös käyttää /fix komentoa Copilot-chatissa kohdennettuihin diagnostiikkaan tietylle solulle tai koko muistikirjalle.

Tunnetut rajoitukset

• Live-allaskokemus ei ole taattu jokaisessa Python-kannettavan suorituksessa. Istunnon aloitusaika voi kestää jopa kolme minuuttia, jos muistikirjan suoritus ei pääse live-pooliin. Kun Python-muistikirjojen käyttö kasvaa, älykkäät poolausmenetelmät lisäävät vähitellen live-poolin allokaatiota vastatakseen kysyntään.

• Ympäristöintegraatiota ei ole saatavilla Python-muistikirjassa.

• Asetettu sessioaikalisä ei ole käytettävissä.

• Copilot on parantanut kontekstitietoisuutta ja apua Python-muistikirjoille, mutta se saattaa toisinaan ehdottaa Spark-koodia, jota ei voi suoraan suorittaa Python-muistikirjassa. Korjaus Copilot-kokemuksella koskee epäonnistuneita Python-soluja; Spark-työdiagnostiikka ei sovi puhtaille Python-suorituksille.

• Tällä hetkellä Copilot on Python -muistikirja ei ole täysin tuettu monilla alueilla. Käyttöönottoprosessi on edelleen käynnissä. Pysy kuulolla, kun tuki tulee uusiin alueisiin.

Liittyvä sisältö

• Microsoft Fabric -muistikirjojen käyttäminen
• Kehitä, suorita ja hallitse Microsoft Fabric -muistikirjoja
• Fabric NotebookUtils - esittely