Python tapasztalat használata jegyzetfüzetekben

A Python notebook egy új élmény, amely a Fabric jegyzetfüzetek füzeteire épül. Ez egy sokoldalú és interaktív eszköz, amely adatelemzésre, vizualizációra és gépi tanulásra készült. Zökkenőmentes fejlesztési élményt nyújt a Python-kód írásához és végrehajtásához. Ez a képesség nélkülözhetetlen eszköz az adattudósok, elemzők és BI-fejlesztők számára, különösen olyan feltárási feladatokhoz, amelyekhez nincs szükség big data-ra és elosztott számítástechnikára.

Egy Python jegyzetfüzet használatával a következőket kapod:

• Több beépített Python kernel: A Python jegyzetfüzetek tiszta Python kódolási környezetet kínálnak Spark nélkül, három beépített Python kernel verzióval: Python 3.10, Python 3.11 és Python 3.12. A környezet támogatja a natív IPython funkciókat, mint az iPyWidget és a varázsparancsok.

• Költséghatékony: Az új Python-jegyzetfüzet költségmegtakarítási előnyöket kínál, ha alapértelmezés szerint egyetlen csomópontfürtön fut 2vCores/16 GB memóriával. Ez a beállítás hatékony erőforrás-kihasználtságot biztosít a kisebb adatméretű adatfeltárási projektekhez.

• A Lakehouse és az erőforrások natívan elérhetők: A Fabric Lakehouse és a jegyzetfüzethez beépített erőforrások teljes funkcionalitása elérhető a Python notebookban. Ez a funkció lehetővé teszi a felhasználók számára, hogy könnyedén átvigyék az adatokat egy Python notebookba; a kódrészlet lekéréséhez egyszerűen csak húzd át őket.

• A programozás ötvözése a T-SQL-lel: A Python notebook egyszerű módot kínál a Data Warehouse-zal és az SQL analitikai végpontokkal való interakcióra az explorerben. A notebookutils adatcsatlakozó használatával könnyedén futtathatod a T-SQL szkripteket a Python kontextusában.

• Népszerű adatanalitikus könyvtárak támogatása: A Python jegyzetfüzetek előre telepített könyvtárakkal érkeznek, mint például a DuckDB, a Polars és a Scikit-learn, amelyek átfogó eszköztárat biztosítanak adatkezeléshez, elemzéshez és gépi tanuláshoz.

• Fejlett IntelliSense: A Python notebook a Pylance-t használja IntelliSense motorként, más Fabric testreszabott nyelvi szolgáltatásokkal együtt, célja, hogy csúcstechnológiás kódolási élményt nyújtson a notebookfejlesztőknek.

• NotebookUtils és Semantic link: Az erőteljes API-eszközkészletek lehetővé teszik a Fabric és a Power BI funkcióinak egyszerű használatát kódelső megközelítéssel.

• Gazdag vizualizációs képességek: A népszerű gazdag dataframe előnézetes 'Táblázat' és 'Diagram' funkció mellett támogatja a népszerű vizualizációs könyvtárakat is, mint a Matplotlib, a Seaborn és a Plotly. A PowerBIClient ezeket a kódtárakat is támogatja, hogy a felhasználók jobban megértsék az adatmintákat és az elemzéseket.

• A Fabric Notebook közös képességei: Minden Notebook-szintű funkció természetesen alkalmazható a Python notebookra, mint például szerkesztési funkciók, automatikus mentés, együttműködés, megosztás és jogosultságkezelés, Git integráció, import/export és még sok más.

• Adatelemzés teljes spektruma: A Data Wrangler fejlett, kevesebb kódot igénylő eszközkészlete, az MLFlow gépi tanulási keretrendszer és a hatékony Copilot mind elérhető a Python notebookon.

Hogyan lehet hozzáférni egy Python jegyzetfüzethez

Miután megnyitottad a jegyzetfüzetet, Fabric-ben a Home fül legördülő menüjében átválthatsz Python-re, és az egész jegyzetfüzetrendszert Python-re konvertálhatod.

A legtöbb közös funkció támogatott a jegyzetfüzet szintjén. További információért lásd el a Hogyan használjuk a Fabric jegyzetfüzeteket, valamint a Fabric notebookok fejlesztése, végrehajtása és kezelése című részeket. Ez a cikk néhány kulcsfontosságú képességet sorol fel Python helyzetekhez specifikusan.

Python-jegyzetfüzetek futtatása

A Python jegyzetfüzetek több munkavégzési módszert támogatnak:

• Interaktív futtatás: Egy Python-jegyzetfüzetet interaktívan futtathat, mint egy natív Jupyter-jegyzetfüzetet.
• Ütemezés: A notebook beállításai oldalán található könnyű, egyszerűsített ütemező élményt használhatod, hogy Python jegyzetfüzetetet futtatj batch feladatként.
• Pipeline futtatása: Python-jegyzetfüzeteket jegyzetfüzet-tevékenységként állíthat össze a Pipeline-ban. A folyamat a feladat végrehajtása után pillanatképet generál.
• Referenciafuttatás: Használhatja a vagy a notebookutils.notebook.run() jelölőt arra, hogy egy másik Python-jegyzetfüzetben Python-jegyzetfüzeteket hivatkozzon kötegelt feladatként. A folyamat a referencia futtatás befejezése után pillanatképet generál.
• %run: Használhatod %run más jegyzetfüzetek hivatkozására és futtatására ugyanabban a végrehajtási kontextusban, így közvetlenül hívhatod a függvényeket és újrahasználhatod az ezekben a jegyzetfüzetekben definiált változókat. További részletekért tekintse meg a jegyzetfüzetek futtatására vonatkozó referenciadokumentációt.
• Nyilvános API-futtatás: Ütemezheti a Python-jegyzetfüzet futtatását a nyilvános API-t futtató jegyzetfüzettel. A Feladatütemező API támogatja a paraméteres futtatásokat, és a jegyzetfüzet-végrehajtásokból származó kilépési értékeket adja vissza. A kilépési értékek feltételes folyamatvezérléshez és az eredmények jelzéséhez használhatók, amikor Python-jegyzetfüzeteket automatizálási és CI/CD-forgatókönyvekben vezérelünk. Győződjön meg arról, hogy a nyilvános API terhelésének jegyzetfüzet-metaadataiban a nyelv és a kernel tulajdonságai megfelelően vannak beállítva. A Nyilvános API-n keresztül átadott paraméterértékek futásidőben érhetők el a Python-jegyzetfüzet számára a Fabric-jegyzetfüzetekben használt szabványos paraméterhozzáférési minta használatával. A paraméterekre vonatkozó kérések formájáról és a kilépési érték lekéréséről szóló részletekért lásd: Jegyzetfüzetek kezelése és végrehajtása a Fabricben API-kkal. A Job Scheduler API-val figyelemmel kísérheti a futtatási állapotokat, és törölheti a feladatpéldányokat, így kiegészítve az in-UI Az összes futtatás megtekintése élményt.

Note

A Service Principal hitelesítése támogatott az Items REST API-hoz (CRUD műveletek jegyzetfüzetekhez) és a Feladatütemező API-hoz (végrehajtás), amely biztonságos, felügyelet nélküli automatizálást és CI/CD-t tesz lehetővé a Python-jegyzetfüzetekhez. Adja hozzá a szolgáltatásnevet a munkaterülethez megfelelő szerepkörrel ezeknek az API-knak a használatához.

A Python-jegyzetfüzet-feladat futtatási adatait a Menüszalag Futtatás –>Az összes futtatás megtekintése lapján figyelheti.

Note

Jelenleg %run csak a jegyzetfüzetek elemeinek hivatkozását támogatja Python jegyzetfüzeteken, nem pedig a notebook erőforrásainak mappájából származó kódmodulokat (például .py fájlokat).

Adat-interakció

Kapcsolatba léphetsz a lakehouse-val, raktárokkal, SQL analitikai végpontokkal és beépített erőforrás-mappákkal a Python jegyzetfüzetekben.

Note

A Python notebook runtime előre telepítve van delta-rs és duckdb könyvtárakkal, amelyek támogatják a Delta Lake adatok olvasását és írását is. Azonban néhány Delta Lake funkció nem feltétlenül teljes mértékben támogatott. További részletekért és a legfrissebb frissítésekért lásd a delta-rs és a DuckDB dokumentációt.

Lakehouse-interakció

Beállíthatsz egy tóházat alapértelmezettnek, vagy több tóházat is hozzáadhatsz, hogy felfedezd és használd őket jegyzetfüzetekben.

Ha nem vagy jártas az adatobjektumok, például a Delta tábla olvasásában, próbáld meg húzni és ledobni a fájlt és a Delta táblát a jegyzetfüzet vászonjára, vagy használd az objektum legördős menüjében a Adat betöltése opciót. A jegyzetfüzet automatikusan beilleszt egy kódrészletet egy kódcellába, és generál kódot a cél adatobjektum olvasásához.

Note

Ha nagy adatmennyiség betöltése közben OOM-ot tapasztalsz, próbáld meg a DuckDB-t, Polars-t vagy PyArrow adatkeretet használni a pandas helyett.

A Write lakehouse műveletet megtalálod a Browse kód snippet ->Write data to Delta table menüben.

Raktári interakció és programozás keverése a T-SQL-vel

Raktárokat vagy SQL analitikai végpontokat adhatsz hozzá a notebook Warehouse explorer-jéből. Hasonlóképpen húzhatja a táblázatokat a jegyzetfüzet vásznára, vagy használhatja a táblázat legördülő menüjének parancsikonműveletét. A jegyzetfüzet automatikusan generál egy kódrészletet neked. A notebookutils.data segédprogramok segítségével kapcsolatot létesíthet a Warehouses szolgáltatással, és T-SQL-utasításokkal kérdezheti le az adatokat a Python kontextusában.

Note

Az SQL-elemzési végpontok csak olvashatók.

Jegyzetfüzet erőforrásmappa

A Notebook erőforrások beépített mappa natívan elérhető Python jegyzetfüzeteken. Könnyen interakcióba léphetsz a beépített erőforrások mappában lévő fájlokkal Python kóddal úgy, mintha a helyi fájlrendszereddel dolgoznál. Jelenleg a Environment resource folder nem támogatott.

Kernelműveletek

A Python jegyzetfüzetek három beépített magot támogatnak: Python 3.10, Python 3.11 és Python 3.12. Az alapértelmezett kiválasztott kernel a Python 3.12. Könnyedén válthatsz közöttük.

Megszakíthatod, újraindíthatod vagy válthatod a kernelt a szalag Home fülén. A mag megszakítása Python jegyzetfüzetekben ugyanaz, mint egy cella törlése a Spark notebookban.

A rendellenes kernel-leállás megszakítja a kód futását, és a változók elvesznek, de nem állítja le a notebook-munkamenetet.

Néhány parancs a mag meghalásához vezethet. Például quit() és exit().

Az egyes Python kernel verziók támogatási életciklusához, beleértve a támogatás végi dátumait és migrációs lépéseit olvashatja: a Python notebook futási ideje és kernel életciklusa a Fabric-ben.

Könyvtárkezelés

Használd az %pip és %conda parancsokat az inline telepítésekhez. Ezek a parancsok mind a nyilvános könyvtárakat, mind a testreszabott könyvtárakat támogatják.

Testreszabott könyvtárakhoz töltsd fel a könyvtárfájlokat a Beépített erőforrások mappába. A platform többféle könyvtárat támogat, beleértve olyan formátumokat, mint a Wheel (.whl), JAR (.jar), DLL (.dll) és Python (.py). Csak húzd és dobd le a fájlt, és a kód snippet automatikusan generálódik.

Lehet, hogy újra kell indítanod a kernelt, hogy a frissített csomagokat használd.

Ha jobban szeretnénk megérteni és használni hasonló parancsokat, lásd az alábbi táblázatot.

Command/Syntax	Fő cél	Hogyan működik a Jupyter Notebookban?	Tipikus használati eset	Notes
%pip install package	Python-csomagok telepítése	pip futtatása a jegyzetfüzet Python-kernelében	A csomagok telepítésének ajánlott módja	Python jegyzetfüzetekben ugyanúgy, mint !pip; nem indítja el automatikusan a magot
!pip install package	Python-csomagok telepítése a rendszerhéjon keresztül	A "pip" futtatása shell-parancsként	A csomagok telepítésének alternatív módja	Python jegyzetfüzetekben ugyanúgy, mint %pip; nem indítja el automatikusan a magot
import sys; sys.exit(0)	Indítsa újra a notebook kernelét	A kernel azonnali újraindítása	Programozott módon indítsa újra a kernelt	Törli az összes változót és állapotot; nem ajánlott közvetlenül használni
notebookutils.session.restartPython()	Indítsa újra a notebook kernelét	Belső hívások sys.exit(0)	A kernel újraindításának ajánlott módja	Hivatalos API, biztonságosabb és kompatibilisebb, mint a közvetlen használat sys.exit(0)

Note

• A Python jegyzetfüzetekben %pip ugyanaz !pipa viselkedés: mindkettő telepíti a csomagokat a jelenlegi kernel környezetébe, és egyik sem indítja újra automatikusan a kernelt telepítés után.
• Ha újraindítanod kell a kernelt (például bizonyos csomagok telepítése után), használd notebookutils.session.restartPython() helyette import sys; sys.exit(0)a .
  • notebookutils.session.restartPython() egy hivatalos API, amely becsomagol sys.exit(0) , és biztonságosabb, kompatibilisebb notebook környezetben.
• Ne használd sys.exit(0) közvetlenül, hacsak nem szükséges.

Python-jegyzetfüzet valós idejű erőforrás-használat monitorozása

Fontos

Ez a funkció előzetes verzióban érhető el.

Az erőforrás-monitor panel használatával közvetlenül a notebookon belül nyomon követheted a kritikus futási adatokat, mint a munkamenet időtartama, a számítási típus és a valós idejű erőforrás-mutatók, beleértve a CPU és a memória fogyasztását. Ez a funkció azonnali áttekintést nyújt az aktív munkamenetről és a használt erőforrásokról.

Az erőforrásmonitor javítja a Python-számítási feladatok rendszererőforrás-használatának láthatóságát. Segít optimalizálni a teljesítményt, kezelni a költségeket, és csökkenteni a memóriahiányos (OOM) hibák kockázatát. A metrikák valós idejű monitorozásával azonosíthatja az erőforrás-igényes műveleteket, elemezheti a használati mintákat, és megalapozott döntéseket hozhat a kód skálázásával vagy módosításával kapcsolatban.

A használat megkezdéséhez állítsa be a jegyzetfüzet nyelvét Pythonra , és indítsa el a munkamenetet. Ezt követően megnyithatja a figyelőt a jegyzetfüzet állapotsorában található számítási erőforrásokra kattintva, vagy az eszköztáron az erőforrás-használat megtekintése gombra kattintva. Az erőforrás-monitor panel automatikusan megjelenik, integrált monitorozási élményt nyújtva a Python kód számára a Fabric jegyzetfüzetekben.

Munkamenet-konfigurációs varázsparancs

Hasonlóan ahhoz, ahogy egy Spark session konfigurációt személyre szabsz egy jegyzetfüzetben, %%configure is használhatod Python jegyzetfüzetben. A Python jegyzetfüzetek támogatják a számítási csomópont méretének, a rögzítési pontoknak és a notebook szekció alapértelmezett lakehouse-jának testreszabását. Ezeket a beállításokat mind interaktív jegyzetfüzetekben, mind pipeline jegyzetfüzetes tevékenységekben használhatod. Használd a %%configure jegyzetfüzeted elején lévő parancsot, különben újra kell indítanod a jegyzetfüzet ülést, hogy a beállítások érvényesüljenek.

A Python-jegyzetfüzet támogatott tulajdonságai %%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>"
        },
    ],
}

A számítási erőforrások frissítését a notebook állapotsávján megtekintheted, és valós időben figyelheted a számítási csomópont CPU- és memóriahasználatát.

Note

Az API által indított futtatások tiszteletben tartják a munkamenet-konfigurációkat, mint például a számítási vCores, amelyeket a jegyzetfüzet metaadataiban vagy defaultLakehouse adtak meg. A Job Scheduler API támogatja a cél tóház és környezet kiválasztásat is futásidőben. A hasznos adatmezőkkel kapcsolatos részletekért lásd Jegyzetfüzetek kezelése és végrehajtása a Fabric rendszerben API-kkal.

NotebookUtils

A Notebook Utilities (NotebookUtils) egy beépített csomag, amely segít könnyedén elvégezni a Fabric notebookban gyakori feladatokat. Előre telepítve van a Python futtatóprogramra. Használd a NotebookUtils-t fájlrendszerekkel való munkához, környezeti változók gyűjtéséhez, jegyzetfüzetek láncolásához, külső tárolóhoz való hozzáféréshez, és titkokkal való dolgozáshoz.

Használd a(z) notebookutils.help() elemet az elérhető API-k listázásához és a metódusokhoz kapcsolódó segítség megjelenítéséhez. További információért lásd a NotebookUtils dokumentációját.

Adat-segédprogramok

Note

A funkció jelenleg előzetes verzióban érhető el.

Használd a notebookutils.data segédeszközöket, hogy csatlakozz egy adatforráshoz. Ezután adatokat olvashatsz és lekérdezhetsz egy T-SQL utasítással.

Futtassa a következő parancsot az elérhető módszerek áttekintéséhez:

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

Adatok lekérdezése a Lakehouse-ból

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

Adatok lekérdezése a Warehouse-ból

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

Adatok lekérdezése SQL-adatbázisból

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

Note

A NotebookUtils adat segédeszközei egyelőre csak Python notebookokon elérhetők.

Kódrészletek böngészése

Hasznos Python kódrészleteket találsz a Szerkesztés fülön, ha kiválasztod a Böngés-kód snippetet. Új Python minták már elérhetők. A jegyzetfüzet felfedezéséhez tanulj a Python kódrészletekből.

Szemantikai hivatkozás

A szemantikus link egy olyan funkció, amellyel összekapcsolhatod a szemantikai modelleket és a Synapse Data Science-t. A Python jegyzetfüzetek natívan támogatják ezt a funkciót. BI mérnökök és Power BI fejlesztők a szemantikus kapcsolatot használhatják a szemantikus modellek könnyen összekapcsolására és kezelésére. További információért lásd a nyilvános dokumentumot.

Visualization

A kódtárakat tartalmazó diagramok rajzolása mellett a beépített vizualizációs függvény lehetővé teszi, hogy a DataFrame-eket gazdag formátumú adatvizualizációkká alakítsa. Használd a display() funkciót adatkereteken, hogy létrehozd a gazdag adatkeret-táblázat és diagram nézetet.

Note

A Python jegyzetfüzet megőrzi a diagram konfigurációkat. A kódcella újrafuttatása után, ha a cél adatkeret séma nem változik, a mentett diagramok megmaradnak.

Kód IntelliSense

A Python jegyzetfüzetek is a Pylance-t használják nyelvi szerverként. További információért lásd: Enhance Python development with Pylance.

Adatelemzési képességek

Ha többet szeretne megtudni az adattudományról és az MI élményeiről a Fabric-ben, lásd a Data Science dokumentációt a Fabric-ben. Ez a cikk néhány kulcsfontosságú adattudományi funkciót sorol fel, amelyeket a Python jegyzetfüzetek natívan támogatnak.

• Data Wrangler: A Data Wrangler egy jegyzetfüzet-alapú eszköz, amely magával ragadó felületet biztosít az exploratív adatelemzéshez. Ez a funkció kombinálja a rácsszerű adatmegjelenítést dinamikus összefoglaló statisztikákkal, beépített vizualizációkkal és gyakori adattisztítási műveletek tárával. Adattisztítást, adatátalakítást és integrációt biztosít, ami felgyorsítja az adat előkészítését a Data Wrangler használatával.

• MLflow: A gépi tanulási kísérlet az összes kapcsolódó gépi tanulási futtatás szervezetének és vezérlésének elsődleges egysége. A futtatás a modellkód egyetlen végrehajtásának felel meg.

• Fabric Auto Logging: A Synapse Data Science tartalmazza az autologolást, amely jelentősen csökkenti a gépi tanulási modell paramétereinek, metrikákjának és elemeit automatikus rögzítéséhez szükséges kód mennyiségét a képzés során.

  Az automatikus naplózás kibővíti az MLflow-nyomkövetési képességeket. Az automatikus naplózás különböző metrikákat rögzíthet, beleértve a pontosságot, a hibát, az F1 pontszámot és az Ön által definiált egyéni metrikákat. Az autologging használatával a fejlesztők és az adattudósok könnyedén nyomon követhetik és összehasonlíthatják a különböző modellek és kísérletek teljesítményét manuális nyomon követés nélkül.

• Copilot: A Copilot for Data Engineering and Data Science notebooks egy AI-asszisztens, amely segít az adatok elemzésében és megjelenítésében. A Copilot azonnal környezettudatos, anélkül, hogy munkamenetet kellene indítania. Ismeri a munkaterületet, a csatolt Lakehouse-sémákat, táblákat és fájlokat, a jegyzetfüzet struktúráját és a futtatókörnyezet állapotát, és képes a teljes jegyzetfüzet-munkafolyamatban működni.

  A Copilot támogatja a notebook szintű többlépéses képességeket: képes kódot generálni, újragondolni, összefoglalni és validálni több cellán és lépésen keresztül a Python jegyzetfüzetekben. Használhatja a Copilot csevegőpanelt és a csevegési parancsokat, például /fix a jegyzetfüzetben.

  Ha egy cella meghibásodik, a Copilottal végzett javítás hibaösszesítést, kiváltó okok elemzését és javasolt javításokat jelenít meg, és a jóváhagyási diff megjelenítése után automatikusan alkalmazhat kódmódosításokat. A Copilot-csevegésben célzott diagnosztikához is használhatja a /fix parancsot egy adott cellára vagy a teljes jegyzetfüzetre vonatkozóan.

Ismert korlátozások

• Az élő pool élmény nem garantált minden Python notebook futtatásnál. A munkamenet indítása akár három percig is eltarthat, ha a notebook futtatása nem éri el a live poolt. Ahogy a Python-jegyzetfüzetek használata növekszik, az intelligens készletkezelési módszerek fokozatosan növelik a rendelkezésre álló aktív készlet méretét az igények kielégítése érdekében.

• Környezeti integráció nem érhető el Python jegyzetfüzeteken.

• A munkamenet időtúllépésének beállítása nem érhető el.

• A Copilot jobb környezettudatosságot és segítséget nyújt a Python-jegyzetfüzetekhez, de időnként olyan Spark-kódot javasolhat, amely nem futtatható közvetlenül Python-jegyzetfüzetekben. A Fix with Copilot funkció a sikertelen Python-cellákra vonatkozik; a Spark feladatok diagnosztikája kívül esik a tiszta Python futások hatókörén.

• Jelenleg a Copilot a Python notebookokon nem támogatott teljes mértékben több régióban. A telepítési folyamat még mindig folyamatban van. Maradj velünk, ahogy a támogatás egyre több régióban is megjelenik.

Kapcsolódó tartalom

• Hogyan használják a Fabric jegyzetfüzetek
• Fejlesztés, végrehajtás és Fabric jegyzetfüzetek kezelése
• Fabric NotebookUtils bemutatása