Megosztás a következőn keresztül:

Oktatóanyag: Power BI-mértékek kinyerása és kiszámítása Jupyter-jegyzetfüzetből

  • Cikk

Ez az oktatóanyag bemutatja, hogyan használható a SemPy (előzetes verzió) a szemantikai modellekben (Power BI-adathalmazokban) lévő mértékek kiszámítására.

Ebben az oktatóanyagban az alábbiakkal fog megismerkedni:

  • A Power BI-mértékek programozott kiértékelése a szemantikai hivatkozás Python-kódtárának (SemPy) Python-felületén keresztül.
  • Ismerkedjen meg a SemPy azon összetevőivel, amelyek segítenek áthidalni az AI és a BI közötti szakadékot. Ezek az összetevők a következők:
    • FabricDataFrame – egy pandas-szerű struktúra, amely további szemantikai információkkal bővül.
    • Hasznos függvények, amelyek lehetővé teszik szemantikai modellek, például nyers adatok, konfigurációk és mértékek lekérését.

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.

    Képernyőkép a felületváltó menüjéről, amelyen látható, hogy hol válassza ki a Adattudomány.

  • A munkaterület megkereséséhez és kijelöléséhez válassza a bal oldali navigációs panel munkaterületeit. Ez a munkaterület lesz az aktuális munkaterület.

  • Töltse le a kiskereskedelmi elemzési minta PBIX.pbix szemantikai modelljét, és töltse fel a munkaterületre.

Követés a jegyzetfüzetben

Az oktatóanyaghoz a powerbi_measures_tutorial.ipynb jegyzetfüzet is hozzá van kísérve.

Az oktatóanyaghoz mellékelt jegyzetfüzet megnyitásához kövesse a Rendszer előkészítése adatelemzési oktatóanyagokhoz című témakör utasításait, és importálja a jegyzetfüzetet a munkaterületre.

Ha inkább erről a lapról másolja és illessze be a kódot, létrehozhat egy új jegyzetfüzetet.

A kód futtatása előtt mindenképpen csatoljon egy lakehouse-t a jegyzetfüzethez .

A jegyzetfüzet beállítása

Ebben a szakaszban egy jegyzetfüzet-környezetet állít be a szükséges modulokkal és adatokkal.

  1. Telepítés SemPy a PyPI-ból a %pip jegyzetfüzeten belüli helyszíni telepítési funkcióval:

    %pip install semantic-link

  2. Végezze el a szükséges modulok importálását, amelyekre később szüksége lesz:

    import sempy.fabric as fabric

  3. Csatlakozhat a Power BI-munkaterülethez. Sorolja fel a szemantikai modelleket a munkaterületen:

    fabric.list_datasets()

  4. Töltse be a szemantikai modellt. Ebben az oktatóanyagban a kiskereskedelmi elemzési minta PBIX szemantikai modelljét használja:

    dataset = "Retail Analysis Sample PBIX"

Munkaterületi mértékek listázása

Listázzon mértékeket a szemantikai modellben a SemPy függvényének list_measures használatával az alábbiak szerint:

fabric.list_measures(dataset)

Mértékek kiértékelése

Ebben a szakaszban különböző módokon értékeli ki a mértékeket a SemPy függvényével evaluate_measure .

Nyers mérték kiértékelése

Az alábbi kódban a SemPy függvényével evaluate_measure kiszámíthat egy előre konfigurált mértéket, amelynek neve "Átlagos értékesítési területméret". A mérték alapjául szolgáló képlet az előző cella kimenetében látható.

fabric.evaluate_measure(dataset, measure="Average Selling Area Size")

Mérték kiértékelése groupby_columns

A mérték kimenetét egyes oszlopok szerint csoportosíthatja a további paraméter groupby_columnsmegadásával:

fabric.evaluate_measure(dataset, measure="Average Selling Area Size", groupby_columns=["Store[Chain]", "Store[DistrictName]"])

Az előző kódban a szemantikai modell oszlopai Chain és DistrictName táblázatai Store szerint csoportosítottuk.

Mérték kiértékelése szűrőkkel

A paraméter használatával filters meghatározott értékeket is megadhat, amelyeket az eredmény adott oszlopokhoz tartalmazhat:

fabric.evaluate_measure(dataset, \
                        measure="Total Units Last Year", \
                        groupby_columns=["Store[Territory]"], \
                        filters={"Store[Territory]": ["PA", "TN", "VA"], "Store[Chain]": ["Lindseys"]})

Az előző kódban Store a tábla neve, Territory az oszlop neve, és PA a szűrő által megadott értékek egyike.

Mérték kiértékelése több táblában

A mértéket a szemantikai modellben több táblára kiterjedő oszlopok szerint csoportosíthatja.

fabric.evaluate_measure(dataset, measure="Total Units Last Year", groupby_columns=["Store[Territory]", "Sales[ItemID]"])

Több mérték kiértékelése

A függvény evaluate_measure lehetővé teszi több mérték azonosítóinak megadását és a számított értékek kimenetét ugyanabban a DataFrame-ben:

fabric.evaluate_measure(dataset, measure=["Average Selling Area Size", "Total Stores"], groupby_columns=["Store[Chain]", "Store[DistrictName]"])

A Power BI XMLA-összekötő használata

Az alapértelmezett szemantikai modellügyfélt a Power BI REST API-k végzik. Ha probléma merül fel a lekérdezések ezen ügyféllel való futtatásával kapcsolatban, a háttérrendszert a Power BI XMLA-felületére válthatja a használatával use_xmla=True. A SemPy-paraméterek változatlanok maradnak az XMLA-val való mértékszámításhoz.

fabric.evaluate_measure(dataset, \
                        measure=["Average Selling Area Size", "Total Stores"], \
                        groupby_columns=["Store[Chain]", "Store[DistrictName]"], \
                        filters={"Store[Territory]": ["PA", "TN", "VA"], "Store[Chain]": ["Lindseys"]}, \
                        use_xmla=True)

Kapcsolódó tartalom

Tekintse meg a szemantikai hivatkozás / SemPy egyéb oktatóanyagait: