Partager via


Tutoriels vidéo sur le flux de données de mappage

S’APPLIQUE À : Azure Data Factory Azure Synapse Analytics

Conseil

Essayez Data Factory dans Microsoft Fabric, une solution d’analyse tout-en-un pour les entreprises. Microsoft Fabric couvre tous les aspects, du déplacement des données à la science des données, en passant par l’analyse en temps réel, l’aide à la décision et la création de rapports. Découvrez comment démarrer un nouvel essai gratuitement !

Vous trouverez ci-dessous une liste de tutoriels vidéo sur le flux de données de mappage créés par l’équipe Azure Data Factory.

Des mises à jour étant apportées en permanence au produit, certaines fonctionnalités ont été ajoutées ou sont différentes de l’expérience utilisateur Azure Data Factory actuelle.

Mise en route

Bien démarrer avec les flux de données de mappage dans Azure Data Factory

Débogage et développement de flux de données de mappage

Débogage et test de flux de données de mappage.

Exploration des données

Actions rapides d’aperçu des données

Superviser et gérer les performances du flux de données de mappage

Minutages des tests d’évaluation

Débogage de flux de travail pour les flux de données

Vue de supervision mise à jour

Vues d’ensemble de la transformation

Transformation d’agrégation

Transformation de modification de ligne

Transformation de colonne dérivée

Transformation de jointure (Join)

Modèle de jointure réflexive

Transformation de recherche

Mises à jour et conseils relatifs à la transformation de recherche

Transformation de tableau croisé dynamique

Transformation de tableau croisé dynamique : mappage de colonnes dérivées

Transformation de sélection

Transformation de sélection : mappage basé sur les règles

Transformation de sélection : Jeux de données volumineux

Transformation de clé de substitution

Transformation d’union

Transformation de suppression de tableau croisé dynamique

Transformation de fenêtre

Transformation de filtre

Transformation de fractionnement conditionnel

Transformation d’existence

Jointures dynamiques et recherches dynamiques

Transformation d’aplatissement

Flowlets

Transformation stringifier

Transformation d’appel externe

Transformer des données hiérarchiques

Transformation du classement

Recherche mise en cache

Contexte de ligne via la transformation de fenêtre

Transformation d’analyse

Transformer des types de données complexes

Sortie vers l’activité suivante

Transformation stringifier

Transformation d’appel externe

Transformation d'assertion

Lignes d’erreur d’assertion de journal

Jointure approximative

Source et récepteur

Lecture et écriture de JSON

Fichiers texte aux formats Parquet et texte délimité

Connecteur CosmosDB

Déduire les types de données dans des fichiers texte délimités

Lecture et écriture de fichiers partitionnés

Transformer et créer plusieurs tables SQL

Partitionner vos fichiers dans le lac de données

Modèle de chargement de l’entrepôt de données

Options de sortie du fichier Data Lake

Optimisation des flux de données de mappage

Lignage des données

Itérer des fichiers avec des paramètres

Réduire les temps de démarrage

Performances des base de données SQL

Journalisation et audit

Optimiser dynamiquement la taille du cluster de flux de données au moment de l’exécution

Optimiser les temps de démarrage de flux de données

Runtimes d’intégration Azure pour les flux de données

Temps de démarrage rapide du cluster avec Azure IR

Scénarios de flux de données de mappage

Recherches floues

Modèle de données intermédiaires

Modèle d’adresses propres

Déduplication

Fusionner des fichiers

Dimensions à variation lente de type 1 : remplacer

Dimensions à variation lente de type 2 : historique

Chargement de table de faits

Transformer des données SQL Server localement avec le modèle de chargement de données Delta

Paramétrage

Nombre de lignes & lignes distinctes

Gestion des erreurs de troncation

Routage intelligent des données

Masquage de données pour les données sensibles

Modèles logiques et modèles physiques

Détecter les modifications des données sources

Dimension à variation lente de type générique 2

Supprimer les lignes dans la cible lorsqu’elles ne sont pas présentes dans la source

Chargement incrémentiel des données avec Azure Data Factory et Azure SQL DB

Transformer des données Avro à partir d’Event Hubs avec Parse et Flatten

Expressions de flux de données

Expressions de date et d’heure

Fractionner des tableaux et une instruction case

Interpolation de chaîne et paramètres

Introduction aux scripts de flux de données : copier, coller, extraits de code

Expressions de qualité des données

Collect aggregate function

Expressions dynamiques en tant que paramètres

Fonctions définies par l’utilisateur

Métadonnées

Règles de validation des métadonnées