Oktatóanyag: Kapcsolatok felderítése a Synthea-adatkészletben szemantikai hivatkozás használatával

Cikk
04/29/2024

Ez az oktatóanyag bemutatja, hogyan észlelhet kapcsolatokat a nyilvános Synthea-adatkészletben szemantikai hivatkozás használatával.

Ha új adatokkal dolgozik, vagy meglévő adatmodell nélkül dolgozik, hasznos lehet a kapcsolatok automatikus felderítése. Ez a kapcsolatészlelés a következő segítségére lehet:

a modell magas szintű megértése,
további elemzéseket kaphat a feltáró adatelemzés során,
frissített adatok vagy új, bejövő adatok ellenőrzése és
adatok törlése.

Még akkor is, ha a kapcsolatok előre ismertek, a kapcsolatok keresése segíthet az adatmodell jobb megértésében vagy az adatminőségi problémák azonosításában.

Ebben az oktatóanyagban egy egyszerű alapkonfigurációs példával kezd, amelyben csak három táblával kísérletezik, így könnyen követhetők a köztük lévő kapcsolatok. Ezután egy összetettebb példát jelenít meg egy nagyobb táblázatkészlettel.

Ebben az oktatóanyagban az alábbiakkal fog megismerkedni:

Használja a Szemantic Link Python-kódtárának (SemPy) összetevőit, amelyek támogatják a Power BI-val való integrációt, és segítenek automatizálni az adatelemzést. Ezek az összetevők a következők:
- FabricDataFrame – egy pandas-szerű struktúra, amely további szemantikai információkkal bővül.
- Függvények szemantikai modellek fabric-munkaterületről a jegyzetfüzetbe való lekéréséhez.
- Olyan függvények, amelyek automatizálják a szemantikai modellekben lévő kapcsolatok felderítését és vizualizációját.
A több táblával és egymás közötti kapcsolattal rendelkező szemantikai modellek kapcsolatfelderítési folyamatának hibaelhárítása.

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.

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

Követés a jegyzetfüzetben

A relationships_detection_tutorial.ipynb jegyzetfüzet kíséri ezt az oktatóanyagot.

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.

Telepítés SemPy a PyPI-ból a %pip jegyzetfüzeten belüli helyszíni telepítési funkcióval:
```
%pip install semantic-link
```

Végezze el a Szükséges SemPy-modulok importálását, amelyekre később szüksége lesz:

import pandas as pd

from sempy.samples import download_synthea
from sempy.relationships import (
    find_relationships,
    list_relationship_violations,
    plot_relationship_metadata
)

Importálja a pandast egy olyan konfigurációs beállítás kényszerítése érdekében, amely segít a kimeneti formázásban:
```
import pandas as pd
pd.set_option('display.max_colwidth', None)
```
Kérje le a mintaadatokat. Ebben az oktatóanyagban a szintetikus orvosi rekordok Synthea-adatkészletét használja (az egyszerűség kedvéért kis verzió):
```
download_synthea(which='small')
```

Kapcsolatok észlelése a Synthea-táblák egy kis részhalmazán

Jelöljön ki három táblát egy nagyobb készletből:
- patients megadja a beteg adatait
- encounters meghatározza azokat a betegeket, akiknél orvosi találkozások voltak (például orvosi találkozó, eljárás)
- providers meghatározza, hogy mely egészségügyi szolgáltatók vettek részt a betegeknél
A encounters tábla felold egy több-a-többhöz kapcsolatotpatients, és providers asszociatív entitásként írható le:
```
patients = pd.read_csv('synthea/csv/patients.csv')
providers = pd.read_csv('synthea/csv/providers.csv')
encounters = pd.read_csv('synthea/csv/encounters.csv')
```

Kapcsolatok keresése a táblák között a SemPy függvényével find_relationships :

suggested_relationships = find_relationships([patients, providers, encounters])
suggested_relationships

Vizualizálja a DataFrame-kapcsolatokat gráfként a SemPy függvényével plot_relationship_metadata .
```
plot_relationship_metadata(suggested_relationships)
```
A függvény a bal oldalról a jobb oldalra helyezi a kapcsolati hierarchiát, amely a kimenet "from" és "to" tábláinak felel meg. Más szóval a bal oldalon lévő független "from" táblák idegen kulcsokkal mutatnak a jobb oldalon lévő "to" függőségi tábláikra. Minden entitásmező egy kapcsolat "from" vagy "to" oldalán részt vevő oszlopokat jelenít meg.

Alapértelmezés szerint a kapcsolatok "m:1" (nem "1:m") vagy "1:1" néven jönnek létre. Az "1:1" kapcsolatok egy vagy mindkét módon hozhatók létre, attól függően, hogy a megfeleltetett értékek és az összes érték coverage_threshold aránya meghaladja-e az egy vagy mindkét irányt. Az oktatóanyag későbbi részében az "m:m" kapcsolatok ritkábban fordulnak elő.

Kapcsolatészlelési problémák elhárítása

Az alapkonfigurációs példa a tiszta Synthea-adatok sikeres kapcsolatészlelését mutatja be. A gyakorlatban az adatok ritkán tiszták, ami megakadályozza a sikeres észlelést. Számos olyan technika létezik, amely akkor lehet hasznos, ha az adatok nem tiszták.

Az oktatóanyag ezen szakasza a kapcsolatészlelést ismerteti, ha a szemantikai modell piszkos adatokat tartalmaz.

Először az eredeti DataFrame-ek módosításával szerezze be a "piszkos" adatokat, és nyomtassa ki a piszkos adatok méretét.

# create a dirty 'patients' dataframe by dropping some rows using head() and duplicating some rows using concat()
patients_dirty = pd.concat([patients.head(1000), patients.head(50)], axis=0)

# create a dirty 'providers' dataframe by dropping some rows using head()
providers_dirty = providers.head(5000)

# the dirty dataframes have fewer records than the clean ones
print(len(patients_dirty))
print(len(providers_dirty))

Összehasonlításként az eredeti táblák nyomtatási méretei:
```
print(len(patients))
print(len(providers))
```
Kapcsolatok keresése a táblák között a SemPy függvényével find_relationships :
```
find_relationships([patients_dirty, providers_dirty, encounters])
```
A kód kimenete azt mutatja, hogy a korábban bevezetett hibák miatt nem észlelhető kapcsolat a "piszkos" szemantikai modell létrehozásához.

Érvényesítés használata

Az ellenőrzés a legjobb eszköz a kapcsolatészlelési hibák elhárításához, mert:

Egyértelműen jelzi, hogy egy adott kapcsolat miért nem követi az idegenkulcs-szabályokat, ezért nem észlelhető.
Nagy szemantikai modellekkel gyorsan fut, mert csak a deklarált kapcsolatokra összpontosít, és nem végez keresést.

Az érvényesítés bármilyen DataFrame-et használhat a létrehozotthoz find_relationshipshasonló oszlopokkal. A következő kódban a suggested_relationships DataFrame ahelyettpatients_dirty, hogy a dataframe-et patients említi, de a DataFrame-eket szótárral is elnevezheti:

dirty_tables = {
    "patients": patients_dirty,
    "providers" : providers_dirty,
    "encounters": encounters
}

errors = list_relationship_violations(dirty_tables, suggested_relationships)
errors

A keresési feltételek lazításán

A homályosabb helyzetekben megpróbálhatja lazítani a keresési feltételeket. Ez a módszer növeli a hamis pozitív értékek lehetőségét.

Állítsa be include_many_to_many=True és értékelje ki, hogy segít-e:
```
find_relationships(dirty_tables, include_many_to_many=True, coverage_threshold=1)
```
Az eredmények azt mutatják, hogy a kapcsolat encounterspatients között észlelték, de két probléma van:
- A kapcsolat egy irányt patientsencountersjelöl, amely a várt kapcsolat inverze. Ennek az az oka, hogy a patients (1,0) minden esetet lefedCoverage Fromencounters , míg encounters a (Coverage To = 0,85) csak részben fedi le patients , mivel a betegsorok hiányoznak.
- Véletlen egyezés van egy alacsony számosságú GENDER oszlopban, amely név és érték szerint egyezik mindkét táblában, de ez nem egy "m:1" kapcsolat. Az alacsony számosságot az Unique Count To oszlopok jelölikUnique Count From.
Futtassa újra find_relationships , hogy csak az "m:1" kapcsolatokat keresse, de alacsonyabb coverage_threshold=0.5:
```
find_relationships(dirty_tables, include_many_to_many=False, coverage_threshold=0.5)
```
Az eredmény a kapcsolatok encountersprovidershelyes irányát mutatja. A kapcsolat encounterspatients azonban nem észlelhető, mert patients nem egyedi, ezért nem lehet az "m:1" kapcsolat "Egy" oldalán.
Lazítsa meg a két include_many_to_many=True és coverage_threshold=0.5a :
```
find_relationships(dirty_tables, include_many_to_many=True, coverage_threshold=0.5)
```
Most mindkét érdekes kapcsolat látható, de sokkal több zaj van:
- Az alacsony számosságú egyezés GENDER jelen van.
- Ekkor megjelenik egy magasabb számosságú "m:m" egyezés ORGANIZATION , ami nyilvánvalóvá teszi, hogy ORGANIZATION valószínűleg mindkét táblában az oszlop normalizálódott.

Oszlopnevek egyeztetése

A SemPy alapértelmezés szerint csak a név-hasonlóságot mutató attribútumokat tekinti egyezésnek, kihasználva azt a tényt, hogy az adatbázis-tervezők általában ugyanúgy nevezik el a kapcsolódó oszlopokat. Ez a viselkedés segít elkerülni a hamis kapcsolatokat, amelyek leggyakrabban alacsony számosságú egész számbillentyűkkel fordulnak elő. Ha például vannak 1,2,3,...,10 termékkategóriák és 1,2,3,...,10 rendelésállapotkódok, akkor a rendszer összekeveri őket egymással, ha csak az értékleképezéseket tekinti át, és nem veszi figyelembe az oszlopneveket. A hamis kapcsolatok nem jelenthetnek problémát a GUID-szerű kulcsokkal kapcsolatban.

A SemPy az oszlopnevek és a táblanevek közötti hasonlóságot vizsgálja. Az egyezés hozzávetőleges és a kis- és nagybetűk érzéketlenek. Figyelmen kívül hagyja a leggyakrabban előforduló "dekoratőr" alsztringeket, mint például az "id", a "code", a "name", a "key", a "pk", az "fk". Ennek eredményeképpen a leggyakoribb egyezéses esetek a következők:

a "foo" entitás "oszlop" nevű attribútuma megegyezik egy "oszlop" nevű attribútummal (oszlop vagy oszlop) az entitás "sávjában".
a "foo" entitás "oszlop" nevű attribútuma megegyezik egy "column_id" nevű attribútummal a sávban.
a "foo" entitás "bar" nevű attribútuma megegyezik a "bar" "code" nevű attribútumával.

Az oszlopnevek első egyeztetésével az észlelés gyorsabban fut.

Egyezzen az oszlopnevekkel:
- Annak megértéséhez, hogy mely oszlopok legyenek kiválasztva a további kiértékeléshez, használja a verbose=2 lehetőséget (verbose=1 csak a feldolgozandó entitásokat sorolja fel).
- A name_similarity_threshold paraméter határozza meg az oszlopok összehasonlítását. Az 1 küszöbérték azt jelzi, hogy csak 100%-os egyezést szeretne.
```
find_relationships(dirty_tables, verbose=2, name_similarity_threshold=1.0);
```
A 100%-os hasonlóságú futtatás nem veszi figyelembe a nevek közötti kis különbségeket. A példában a táblák többes számú, "s" utótaggal rendelkező űrlapot használnak, amely nem eredményez pontos egyezést. Ezt az alapértelmezett name_similarity_threshold=0.8beállítással jól kezeli a rendszer.
Futtassa újra az alapértelmezettet name_similarity_threshold=0.8:
```
find_relationships(dirty_tables, verbose=2, name_similarity_threshold=0.8);
```
Figyelje meg, hogy a többes számú űrlap patients azonosítóját most összehasonlítjuk az egyesével patient anélkül, hogy túl sok más hamis összehasonlítást ad a végrehajtási időhöz.
Futtassa újra az alapértelmezettet name_similarity_threshold=0:
```
find_relationships(dirty_tables, verbose=2, name_similarity_threshold=0);
```
A másik véglet a 0 értékre váltás name_similarity_threshold , amely azt jelzi, hogy az összes oszlopot össze szeretné hasonlítani. Ez ritkán szükséges, és nagyobb végrehajtási időt és hamis találatokat eredményez, amelyeket felül kell vizsgálni. Figyelje meg az összehasonlítások számát a részletes kimenetben.

Hibaelhárítási tippek összefoglalása

Kezdje az "m:1" kapcsolatok pontos egyezésével (vagyis az alapértelmezett include_many_to_many=False és coverage_threshold=1.0a ). Általában ezt szeretné.
Használjon szűk fókuszt a táblák kisebb részhalmazaira.
Az ellenőrzéssel észlelhet adatminőségi problémákat.
Használja verbose=2 , ha szeretné megtudni, hogy mely oszlopok tekinthetők kapcsolatnak. Ez nagy mennyiségű kimenetet eredményezhet.
Vegye figyelembe a keresési argumentumok kompromisszumait. include_many_to_many=True és coverage_threshold<1.0 olyan hamis kapcsolatokat hozhat létre, amelyeket nehezebb elemezni, és szűrni kell.

Kapcsolatok észlelése a teljes Synthea-adatkészleten

Az egyszerű alapkonfigurációs példa egy kényelmes tanulási és hibaelhárítási eszköz volt. A gyakorlatban egy szemantikai modellből, például a teljes Synthea-adatkészletből indulhat ki, amely sokkal több táblával rendelkezik. A teljes synthea-adatkészletet az alábbiak szerint ismerheti meg.

Olvassa el az összes fájlt a synthea/csv könyvtárból:

all_tables = {
    "allergies": pd.read_csv('synthea/csv/allergies.csv'),
    "careplans": pd.read_csv('synthea/csv/careplans.csv'),
    "conditions": pd.read_csv('synthea/csv/conditions.csv'),
    "devices": pd.read_csv('synthea/csv/devices.csv'),
    "encounters": pd.read_csv('synthea/csv/encounters.csv'),
    "imaging_studies": pd.read_csv('synthea/csv/imaging_studies.csv'),
    "immunizations": pd.read_csv('synthea/csv/immunizations.csv'),
    "medications": pd.read_csv('synthea/csv/medications.csv'),
    "observations": pd.read_csv('synthea/csv/observations.csv'),
    "organizations": pd.read_csv('synthea/csv/organizations.csv'),
    "patients": pd.read_csv('synthea/csv/patients.csv'),
    "payer_transitions": pd.read_csv('synthea/csv/payer_transitions.csv'),
    "payers": pd.read_csv('synthea/csv/payers.csv'),
    "procedures": pd.read_csv('synthea/csv/procedures.csv'),
    "providers": pd.read_csv('synthea/csv/providers.csv'),
    "supplies": pd.read_csv('synthea/csv/supplies.csv'),
}

Kapcsolatok keresése a táblák között a SemPy függvényével find_relationships :
```
suggested_relationships = find_relationships(all_tables)
suggested_relationships
```

Kapcsolatok vizualizációja:

plot_relationship_metadata(suggested_relationships)

Megszámolja, hogy hány új "m:m" kapcsolatot fog felderíteni a include_many_to_many=Truerendszer. Ezek a kapcsolatok a korábban bemutatott "m:1" kapcsolatokon kívül vannak; ezért a következőre multiplicitykell szűrnie:
```
suggested_relationships = find_relationships(all_tables, coverage_threshold=1.0, include_many_to_many=True) 
suggested_relationships[suggested_relationships['Multiplicity']=='m:m']
```
A kapcsolati adatokat különböző oszlopok szerint rendezheti, hogy jobban megismerje azok természetét. Dönthet például úgy, hogy a kimenetet a legnagyobb táblák azonosítására szolgáló és Row Count Toa következő szerint Row Count From rendezi.
```
suggested_relationships.sort_values(['Row Count From', 'Row Count To'], ascending=False)
```
Egy másik szemantikai modellben talán fontos lenne a null értékek vagy a Null Count FromCoverage To.

Ez az elemzés segíthet megérteni, hogy a kapcsolatok bármelyike érvénytelen lehet-e, és hogy el kell-e távolítania őket a jelöltek listájáról.

Tekintse meg a szemantikai hivatkozás / SemPy egyéb oktatóanyagait:

Megosztás a következőn keresztül:

Oktatóanyag: Kapcsolatok felderítése a Synthea-adatkészletben szemantikai hivatkozás használatával

Előfeltételek

Követés a jegyzetfüzetben

A jegyzetfüzet beállítása

Kapcsolatok észlelése a Synthea-táblák egy kis részhalmazán

Kapcsolatészlelési problémák elhárítása

Érvényesítés használata

A keresési feltételek lazításán

Oszlopnevek egyeztetése

Hibaelhárítási tippek összefoglalása

Kapcsolatok észlelése a teljes Synthea-adatkészleten

Visszajelzés

Visszajelzés

További források

Megosztás a következőn keresztül:

Oktatóanyag: Kapcsolatok felderítése a Synthea-adatkészletben szemantikai hivatkozás használatával

Előfeltételek

Követés a jegyzetfüzetben

A jegyzetfüzet beállítása

Kapcsolatok észlelése a Synthea-táblák egy kis részhalmazán

Kapcsolatészlelési problémák elhárítása

Érvényesítés használata

A keresési feltételek lazításán

Oszlopnevek egyeztetése

Hibaelhárítási tippek összefoglalása

Kapcsolatok észlelése a teljes Synthea-adatkészleten

Kapcsolódó tartalom

Visszajelzés

Visszajelzés

További források