Visualisation du Notebook dans Microsoft Fabric

2025-05-26

Microsoft Fabric est un service d’analytique intégré qui accélère le temps d'analyses sur les entrepôts de données et les systèmes de données massives. La visualisation des données dans les notebooks est une fonctionnalité clé qui vous permet d’obtenir des informations sur vos données, ce qui permet aux utilisateurs d’identifier facilement les modèles, les tendances et les valeurs hors norme.

Lorsque vous utilisez Apache Spark dans Fabric, vous disposez d’options intégrées pour visualiser les données, notamment les fonctionnalités de graphique de notebook Fabric et l’accès aux bibliothèques open source populaires.

Les notebooks Fabric vous permettent également de convertir des résultats tabulaires en graphiques personnalisés sans écrire de code, ce qui permet une expérience d’exploration de données plus intuitive et transparente.

Commande de visualisation intégrée — fonction display()

La fonction de visualisation intégrée Fabric vous permet de transformer des DataFrames Apache Spark, des DataFrames Pandas et des résultats de requête SQL en visualisations de données enrichies et interactives.

À l’aide de la fonction d’affichage , vous pouvez afficher des DataFrames PySpark et Scala Spark ou des jeux de données distribués résilients (RDD) en tant que tableaux ou graphiques dynamiques.

Vous pouvez spécifier le nombre de lignes du dataframe en cours de rendu. La valeur par défaut est 1 000. Le widget de sortie Affichage du notebook prend en charge l’affichage et le profil 1 000 lignes d’un DataFrame au maximum.

Vous pouvez utiliser la fonction de filtre dans la barre d’outils globale pour appliquer des règles personnalisées à vos données. La condition de filtre est appliquée à une colonne spécifiée et les résultats sont reflétés dans les vues de tableau et de graphique.

La sortie de l’instruction SQL adopte le même widget de sortie avec display() par défaut.

Visualisation d'un tableau d'une trame données riches

Prise en charge gratuite de la sélection sur l’affichage de la table

Par défaut, l’affichage table est affiché lors de l’utilisation de la commande display() dans un bloc-notes Fabric. L'aperçu riche du dataframe offre une fonction de sélection libre et intuitive, conçue pour améliorer l’expérience d’analyse des données en offrant des options de sélection flexibles et interactives. Cette fonctionnalité permet aux utilisateurs de naviguer efficacement et d’explorer facilement les trames de données.

Sélection de colonnes
- colonne unique: cliquez sur l’en-tête de colonne pour sélectionner l’intégralité de la colonne.
- Plusieurs colonnes: Après avoir sélectionné une seule colonne, maintenez la touche 'Maj' enfoncée, puis cliquez sur un autre en-tête de colonne pour sélectionner plusieurs colonnes.
Sélection de lignes
- ligne unique: cliquez sur un en-tête de ligne pour sélectionner la ligne entière.
- Plusieurs lignes: Après avoir sélectionné une seule ligne, maintenez la touche « Majuscule » enfoncée, puis cliquez sur un autre en-tête de ligne pour sélectionner plusieurs lignes.
aperçu du contenu de cellule: affichez un aperçu du contenu des cellules individuelles pour obtenir un aperçu rapide et détaillé des données sans avoir à écrire de code supplémentaire.
résumé de colonne: obtenez un résumé de chaque colonne, y compris la distribution des données et les statistiques clés, pour comprendre rapidement les caractéristiques des données.
sélection de zone libre: sélectionnez n’importe quel segment continu du tableau pour obtenir une vue d’ensemble du total des cellules sélectionnées et des valeurs numériques dans la zone sélectionnée.
Copie du contenu sélectionné: dans tous les cas de sélection, vous pouvez rapidement copier le contenu sélectionné à l’aide du raccourci « Ctrl + C ». Les données sélectionnées sont copiées au format CSV, ce qui facilite le traitement dans d’autres applications.

Prise en charge du profilage des données via le volet Inspecter

Image GIF animée d’un aperçu d’un dataframe riche.

Vous pouvez profiler votre dataframe en cliquant sur le bouton Inspecter. Cette option fournit la distribution des données synthétisées et présente les statistiques de chaque colonne.
Chaque carte du volet latéral « Inspecter » correspond à une colonne de la trame de données. Vous pouvez obtenir plus de détails en cliquant sur la carte ou en sélectionnant une colonne dans le tableau.
Vous pouvez afficher les détails de la cellule en cliquant sur la cellule du tableau. Cette fonctionnalité est utile lorsque le dataframe contient un type de chaîne long de contenu.

Vue graphique améliorée du DataFrame enrichi

L’affichage graphique amélioré dans la commande display() offre un moyen plus intuitif et dynamique de visualiser vos données.

Améliorations clés :

Prise en charge de plusieurs graphiques : ajoutez jusqu’à cinq graphiques au sein d’un widget de sortie d’affichage() unique en sélectionnant Nouveau graphique, ce qui facilite les comparaisons entre différentes colonnes.
Recommandations de graphiques intelligents : obtenez une liste de graphiques suggérés en fonction de votre DataFrame. Choisissez de modifier une visualisation recommandée ou de créer un graphique personnalisé à partir de zéro.

Personnalisation flexible : personnalisez vos visualisations avec des paramètres réglables qui s’adaptent en fonction du type de graphique sélectionné.

Catégorie	Paramètres de base	Description
	Type de graphique	La fonction d'affichage prend en charge un large éventail de types de graphiques, y compris les graphiques à barres, les nuages de points, les graphiques linéaires, les tableaux croisés dynamiques, etc.
Titre	Titre	Titre du graphique.
Titre	Sous-titre	Sous-titre du graphique avec plus de descriptions.
Données	Axe X	Spécifier la clé du graphique.
Données	Axe Y	Spécifier les valeurs du graphique.
Légende	Afficher la légende	Activer/désactiver la légende.
Légende	Poste	Personnaliser la position de la légende.
Autre	Groupe de séries	Utilisez cette configuration afin de déterminer les groupes pour l’agrégation.
Autre	Agrégation	Utilisez cette méthode pour agréger les données dans votre visualisation.
Autre	Empilé	Configurer le style d’affichage du résultat.
Autre	Valeurs manquantes et NULL	Configurez l’affichage des valeurs de graphique NULL ou manquantes.

Remarque

En outre, vous pouvez spécifier le nombre de lignes affichées, avec un paramètre par défaut de 1 000. Le widget d'affichage du bloc-notes permet de visualiser et de profiler jusqu'à 10 000 lignes d’un DataFrame. Sélectionnez Agrégation sur tous les résultats, puis sélectionnez Appliquer pour appliquer la génération de graphique à partir du DataFrame entier. Un travail Spark est déclenché lorsque le paramètre de graphique change. La fin du calcul et le rendu du graphique peuvent prendre plusieurs minutes.

Catégorie	Paramètres avancés	Description
Couleur	Thème	Définir l’ensemble de couleurs de thème du graphique.
Axe X	Étiquette	Spécifiez une étiquette sur l’axe X.
Axe X	Mise à l'échelle	Spécifier la fonction d’échelle de l’axe X.
Axe X	Plage	Spécifier la plage de valeurs de l’axe X.
Axe Y	Étiquette	Spécifiez une étiquette sur l’axe Y.
Axe Y	Mise à l'échelle	Spécifier la fonction d’échelle de l’axe Y.
Axe Y	Plage	Spécifier la plage de valeurs de l’axe Y.
Affichage	Afficher les étiquettes	Afficher/masquer les étiquettes de résultats sur le graphique.

Les modifications des configurations prennent effet immédiatement et toutes les configurations sont enregistrées automatiquement dans le contenu du notebook.

Vous pouvez facilement renommer,dupliquer, supprimer ou déplacer des graphiques dans le menu de l’onglet graphique. Vous pouvez également faire glisser-déplacer des onglets pour les réorganiser. Le premier onglet s’affiche en tant que valeur par défaut lorsque le bloc-notes est ouvert.
Une barre d’outils interactive est disponible dans la nouvelle expérience de graphique lorsque l’utilisateur pointe sur un graphique. Prise en charge des opérations telles que le zoom avant, le zoom arrière, la sélection pour zoomer, la réinitialisation, le panoramique, l'édition d'annotations, etc.

Voici un exemple d’annotation de graphique.

Vue de synthèse display()

Utilisez display(df, summary = true) pour consulter la synthèse des statistiques d’un DataFrame Apache Spark donné. La synthèse comprend le nom de colonne, le type de colonne, les valeurs uniques et les valeurs manquantes pour chaque colonne. Vous pouvez également sélectionner une colonne spécifique pour voir sa valeur minimale, sa valeur maximale, sa valeur moyenne et son écart type.

GIF animé de la vue récapitulative.

option displayHTML()

Les notebooks Fabric prennent en charge les graphiques HTML à l’aide de la fonction displayHTML.

L’image suivante est un exemple de création de visualisations à l’aide de D3.js.

Pour créer cette visualisation, exécutez le code suivant.

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>

"""
)

Incorporer un rapport Power BI dans un notebook

Important

Cette fonctionnalité est en version préliminaire.

Le package Powerbiclient Python est maintenant pris en charge en mode natif dans les notebooks Fabric. Vous n’avez pas besoin d’effectuer de configuration supplémentaire (comme le processus d’authentification) sur les notebooks Fabric du runtime Spark 3.4. Importez simplement powerbiclient, puis poursuivez votre exploration. Pour en savoir plus sur l’utilisation du package powerbiclient, consultez la documentation powerbiclient.

Powerbiclient prend en charge les fonctionnalités clés suivantes.

Rendre un rapport Power BI existant

Vous pouvez facilement incorporer et interagir avec des rapports Power BI dans vos notebooks avec seulement quelques lignes de code.

L’image suivante est un exemple de rendu d’un rapport Power BI existant.

Exécutez le code suivant pour rendre un rapport Power BI existant.

from powerbiclient import Report

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

report

Créer des visuels de rapport à partir d’un DataFrame Spark

Vous pouvez utiliser un DataFrame Spark dans votre notebook pour générer rapidement des visualisations perspicaces. Vous pouvez également sélectionner Enregistrer dans le rapport incorporé pour créer un élément de rapport dans un espace de travail cible.

L’image suivante est un exemple de QuickVisualize() d’un DataFrame Spark.

Exécutez le code suivant pour rendre un rapport à partir d’un DataFrame Spark.

# 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

Créer des visuels de rapport à partir d’un DataFrame pandas

Vous pouvez également créer des rapports basés sur un DataFrame pandas dans un notebook.

L’image suivante est un exemple de QuickVisualize() tiré d’un DataFrame pandas.

Exécutez le code suivant pour rendre un rapport à partir d’un DataFrame Spark.

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

Bibliothèques populaires

Lorsqu’il s’agit de la visualisation des données, Python propose plusieurs bibliothèques de graphisme qui sont dotées de nombreuses fonctionnalités différentes. Par défaut, chaque pool Apache Spark dans Fabric contient un ensemble de bibliothèques open source organisées et connues.

Matplotlib

Vous pouvez restituer des bibliothèques de traçage standard, comme Matplotlib, en utilisant les fonctions de rendu intégrées pour chaque bibliothèque.

L’image suivante est un exemple de création d’un graphique à barres à l’aide de Matplotlib.

Exécutez l'exemple de code suivant pour dessiner ce graphique à barres.

# 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

Vous pouvez afficher des bibliothèques HTML ou interactives, comme bokeh, en utilisant le displayHTML(df).

L’image suivante est un exemple de traçage de glyphes sur une carte en utilisant bokeh.

Pour dessiner cette image, exécutez l’exemple de code suivant.

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)

Plotly

Vous pouvez afficher des bibliothèques HTML ou interactives, comme Plotly, en utilisant la commande displayHTML() .