Olvasás szemantikai modellekből, és a Power BI által a Python használatával fogyasztható adatok írása

Ebben a cikkben megtudhatja, hogyan olvashatja el az adatokat és metaadatokat, és hogyan értékelheti ki a mértékeket szemantikai modellekben a SemPy Python-kódtár használatával a Microsoft Fabricben. Azt is megtudhatja, hogyan írhat olyan adatokat, amelyeket a szemantikai modellek felhasználhatnak.

Előfeltételek

• Microsoft Fabric-előfizetés lekérése. Vagy regisztráljon egy ingyenes Microsoft Fabric-próbaverzióra.

• Jelentkezzen be a Microsoft Fabricbe.

• A kezdőlap bal oldalán található élménykapcsolóval válthat a Synapse Adattudomány felületre.

  

• Lépjen a Microsoft Fabric Adattudomány felületére.
• Hozzon létre egy új jegyzetfüzetet a kód cellákba másolásához/beillesztéséhez.
• A Spark 3.4-hez és újabb verziókhoz a Szemantikus hivatkozás az alapértelmezett futtatókörnyezetben érhető el a Fabric használatakor, és nincs szükség a telepítésre. Ha a Spark 3.3-at vagy az alábbi verziót használja, vagy a Szemantic Link legújabb verziójára szeretne frissíteni, futtassa a parancsot: python %pip install -U semantic-link  
• Vegyen fel egy Lakehouse-t a jegyzetfüzetbe.
• Töltse le a Customer Profitability Sample.pbix szemantikai modellt a hálóminták adattárának adatkészletek mappájából , és mentse a szemantikai modellt helyileg.

A szemantikai modell feltöltése a munkaterületre

Ebben a cikkben a Customer Profitability Sample.pbix szemantikai modellt használjuk. Ez a szemantikai modell egy marketinganyagokat gyártó vállalatra hivatkozik, és adatokat tartalmaz a termékekről, az ügyfelekről és a különböző üzleti egységek megfelelő bevételéről.

1. Nyissa meg a munkaterületet a Fabric Adattudomány.
2. Válassza a Tallózás feltöltése > lehetőséget, és válassza ki a Customer Profitability Sample.pbix szemantikai modellt.

A feltöltés befejezése után a munkaterület három új összetevővel fog rendelkezni: egy Power BI-jelentéssel, egy irányítópulttal és egy ügyfél-jövedelmezőségi minta nevű szemantikai modellel. Ezt a szemantikai modellt fogja használni a cikk lépéseihez.

Adatok beolvasása szemantikai modellekből a Python használatával

A SemPy Python API adatokat és metaadatokat tud lekérni a Microsoft Fabric-munkaterületen található szemantikai modellekből, és lekérdezéseket hajthat végre rajtuk.

A jegyzetfüzet, a Power BI adathalmaz szemantikai modellje és a Lakehouse ugyanabban a munkaterületen vagy különböző munkaterületeken is elhelyezhető. A SemPy alapértelmezés szerint a következő forrásból próbálja elérni a szemantikai modellt:

• A tóház munkaterülete, ha egy tóházat csatolt a jegyzetfüzethez.
• A jegyzetfüzet munkaterülete, ha nincs csatlakoztatva a lakehouse.

Ha a szemantikai modell egyik munkaterületen sem található, a Szemantikai modell munkaterületét meg kell adnia, amikor Egy SemPy metódust hív meg.

Adatok beolvasása szemantikai modellekből:

1. Listázhatja a munkaterületen elérhető szemantikai modelleket.

   import sempy.fabric as fabric
   
   df_datasets = fabric.list_datasets()
   df_datasets
   

2. Sorolja fel az Ügyfél-jövedelmezőségi minta szemantikai modelljében elérhető táblákat.

   df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
   df_tables
   

3. Az ügyfél-jövedelmezőségi minta szemantikai modelljében meghatározott mértékek felsorolása.

   Tipp.

   Az alábbi kódban a Szemantikai modell eléréséhez használt SemPy-munkaterületet határoztuk meg. Lecserélheti Your Workspace annak a munkaterületnek a nevét, ahová feltöltötte a szemantikai modellt (a szemantikai modell feltöltése a munkaterület szakaszába).

   df_measures = fabric.list_measures("Customer Profitability Sample", workspace="Your Workspace")
   df_measures
   

   Most megállapítottuk, hogy az Ügyfél tábla a fontos tábla.

4. Olvassa el az Ügyfél táblát az Ügyfél-jövedelmezőségi minta szemantikai modelljéből.

   df_table = fabric.read_table("Customer Profitability Sample", "Customer")
   df_table
   

   Feljegyzés

   • Az adatok lekérése XMLA használatával történik, ezért legalább az XMLA írásvédett engedélyezését igényli.
   • A lekért adatok mennyiségét a szemantikai modellt futtató kapacitás-termékváltozat lekérdezésenkénti maximális memóriája és a jegyzetfüzetet futtató Spark-illesztőprogram-csomópont (lásd a csomópontméreteket) korlátozza.
   • Minden kérés alacsony prioritást használ a Microsoft Azure Analysis Services teljesítményére gyakorolt hatás minimalizálása érdekében, és interaktív kérésként kerül számlázásra.

5. Értékelje ki a Teljes bevétel mértéket az ügyfél állapota és dátuma szerint.

   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["'Customer'[State]", "Calendar[Date]"])
   df_measure
   

   Feljegyzés

   • Alapértelmezés szerint az adatok beolvasása nem XMLA használatával történik, ezért nem követeli meg a csak olvasható XMLA engedélyezését.
   • Ezenkívül az adatokra nem vonatkoznak a Power BI háttérrendszerre vonatkozó korlátozások.
   • A lekért adatok mennyiségét a szemantikai modellt futtató kapacitás-termékváltozat lekérdezésenkénti maximális memóriája és a jegyzetfüzetet futtató Spark-illesztőprogram-csomópont (lásd a csomópontméreteket) korlátozza.
   • Minden kérést interaktív kérésként számlázunk ki.

6. Szűrőket adhat hozzá a mértékszámításhoz egy adott oszlopban található értékek listájának megadásával.

   filters = {
       "State[Region]": ["East", "Central"],
       "State[State]": ["FLORIDA", "NEW YORK"]
   }
   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["Customer[State]", "Calendar[Date]"],
       filters=filters)
   df_measure
   

7. DaX-lekérdezéssel az ügyfél állapotára és dátumára vonatkozó összes bevétel mértéket is kiértékelheti.

   df_dax = fabric.evaluate_dax(
       "Customer Profitability Sample",
       """
       EVALUATE SUMMARIZECOLUMNS(
           'State'[Region],
           'Calendar'[Date].[Year],
           'Calendar'[Date].[Month],
           "Total Revenue",
           CALCULATE([Total Revenue]))
       """)
   

   Feljegyzés

   • Az adatok lekérése XMLA használatával történik, ezért legalább az XMLA írásvédett engedélyezését igényli.
   • A lekért adatok mennyiségét a Microsoft Azure Analysis Servicesben és a Spark-illesztőcsomópontban rendelkezésre álló memória korlátozza (lásd a csomópontméreteket).
   • Minden kérés alacsony prioritást használ az Analysis Services teljesítményére gyakorolt hatás minimalizálása érdekében, és interaktív kérésként van számlázva.

8. Ugyanezt a DAX-lekérdezést anélkül értékelheti ki, hogy importálnia kellene a kódtárat a %%dax cellavarázslással. Futtassuk az alábbi cellát a cellavarázslás betöltéséhez %%dax .

   %load_ext sempy
   

   A munkaterület paramétere nem kötelező, és ugyanazokat a szabályokat követi, mint a evaluate_dax függvény munkaterületi paramétere. A cellavarázs a Python-változók szintaxissal {variable_name} való elérését is támogatja. Ha egy kapcsos zárójelet szeretne használni a DAX-lekérdezésben, egy másik kapcsos kapcsos zárójeltel (pl. EVALUATE {{1}}).

   %%dax "Customer Profitability Sample" -w "Your Workspace"
   EVALUATE SUMMARIZECOLUMNS(
       'State'[Region],
       'Calendar'[Date].[Year],
       'Calendar'[Date].[Month],
       "Total Revenue",
       CALCULATE([Total Revenue]))
   

   Az eredményként kapott FabricDataFrame a _ változón keresztül érhető el, amely az utolsó végrehajtott cella kimenetét rögzíti.

   df_dax = _
   
   df_dax.head()
   

9. Másik lehetőségként mértékeket is hozzáadhat a külső forrásokból lekért adatokhoz. Ez a megközelítés három feladatot egyesít: az oszlopneveket Power BI-dimenziókra oldja fel, oszloponként definiálja a csoportokat, és szűri a mértéket. Az adott szemantikai modellben nem feloldható oszlopnevek figyelmen kívül lesznek hagyva (lásd a támogatott DAX-szintaxist).

   from sempy.fabric import FabricDataFrame
   
   df = FabricDataFrame({
           "Sales Agent": ["Agent 1", "Agent 1", "Agent 2"],
           "Customer[Country/Region]": ["US", "GB", "US"],
           "Industry[Industry]": ["Services", "CPG", "Manufacturing"],
       }
   )
   
   joined_df = df.add_measure("Total Revenue", dataset="Customer Profitability Sample")
   joined_df
   

Speciális paraméterek

A SemPy read_table és evaluate_measure a metódusok további paraméterekkel rendelkeznek, amelyek hasznosak a kimenet manipulálására. Ezek a paraméterek a következők:

• fully_qualified_columns: Ha az érték "Igaz", a metódusok oszlopneveket ad vissza az űrlapon TableName[ColumnName].
• num_rows: Az eredményben kimenetelendő sorok száma.
• pandas_convert_dtypes: Ha az érték "Igaz", az eredményként kapott DataFrame-oszlopok a lehető legjobb dtype-ra kerülnek a pandas convert_dtypes használatával. Ha ez a paraméter ki van kapcsolva, a típuskompatibilitási problémák olyan kapcsolódó táblák oszlopai között következhetnek be, amelyeket a DAX implicit típuskonvertálás miatt nem észleltek a Power BI-modellben.

A SemPy read_table a Power BI által biztosított modellinformációkat is használja.

• multiindex_hierarchies: Ha igaz, a Power BI-hierarchiákat pandas MultiIndex-struktúrává alakítja.

Szemantikai modellek által fogyasztható adatok írása

A Lakehouse-hoz hozzáadott Spark-táblák automatikusan hozzáadódnak a megfelelő alapértelmezett szemantikai modellhez. Ez a példa bemutatja, hogyan írhat adatokat a csatolt Lakehouse-ba. A FabricDataFrame ugyanazokat a bemeneti adatokat fogadja el, mint a Pandas-adatkeretek.

from sempy.fabric import FabricDataFrame

df_forecast = FabricDataFrame({'ForecastedRevenue': [1, 2, 3]})

df_forecast.to_lakehouse_table("ForecastTable")

A Power BI használatával az ForecastTable tábla hozzáadható egy összetett szemantikai modellhez a Lakehouse szemantikai modell használatával.

Kapcsolódó tartalom

• További sempy.functions információ a szemantikai függvények használatáról
• Oktatóanyag: Power BI-mértékek kinyerása és kiszámítása Jupyter-jegyzetfüzetből
• Kapcsolatok vizsgálata és érvényesítése szemantikai modellekben
• Adatok érvényesítése szemantikai hivatkozással