tutorial Real-Time Analytics bagian 5: Menggunakan kueri KQL tingkat lanjut

  • Artikel

Penting

Microsoft Fabric sedang dalam pratinjau.

Catatan

Tutorial ini adalah bagian dari seri. Untuk bagian sebelumnya, lihat: Tutorial bagian 4: Menjelajahi data Anda dengan KQL dan SQL.

Membuat set kueri KQL

Dalam langkah berikut, Anda menggunakan kemampuan analisis data tingkat lanjut Bahasa Kueri Kusto untuk mengkueri dua tabel yang telah Anda serap ke dalam database.

  1. Telusuri ke database KQL Anda bernama NycTaxiDB.

  2. Pilih Item> terkait baruSet Kueri KQL

    Cuplikan layar dropdown Item terkait baru memperlihatkan opsi untuk membuat set kueri KQL terkait baru.

  3. Masukkan nyctaxiqs sebagai nama set kueri KQL.

  4. Pilih Buat. Set kueri KQL terbuka dengan beberapa kueri sampel yang diisi otomatis.

Mengkueri data

Bagian ini memancang Anda melalui beberapa kemampuan kueri dan visualisasi set kueri KQL. Salin dan tempel kueri di editor kueri Anda sendiri untuk menjalankan dan memvisualisasikan hasilnya.

  1. Kueri berikut mengembalikan 10 lokasi penjemputan teratas di Kota New York untuk Taksi Kuning.

    nyctaxitrips
| summarize Count=count() by PULocationID
| top 10 by Count

    Cuplikan layar hasil kueri di Real-Time Analytics di Microsoft Fabric.

  2. Kueri ini menambahkan langkah ke kueri sebelumnya dengan mencari zona terkait dari 10 lokasi pengambilan teratas menggunakan tabel Lokasi . Operator pencarian memperluas kolom tabel fakta dengan nilai yang dicari dalam tabel dimensi.

    nyctaxitrips
| lookup (Locations) on $left.PULocationID == $right.LocationID
| summarize Count=count() by Zone
| top 10 by Count
| render columnchart

    Cuplikan layar 10 lokasi teratas menghasilkan Real-Time Analytics di Microsoft Fabric.

  3. KQL juga menyediakan fungsi pembelajaran mesin untuk mendeteksi anomali. Mari kita periksa anomali dalam tips yang diberikan oleh pelanggan di wilayah Manhattan. Kueri ini menggunakan fungsi series_decompose_anomalies.

    nyctaxitrips
| lookup (Locations) on $left.PULocationID==$right.LocationID
| where Borough == "Manhattan"
| make-series s1 = avg(tip_amount) on tpep_pickup_datetime from datetime(2022-06-01) to datetime(2022-06-04) step 1h
| extend anomalies = series_decompose_anomalies(s1)
| render anomalychart with (anomalycolumns=anomalies)

    Cuplikan layar bagan anomali menghasilkan Real-Time Analytics di Microsoft Fabric.

    Arahkan mouse ke atas titik merah untuk melihat nilai anomali.

  4. Anda juga dapat menggunakan kekuatan prediktif fungsi series_decompose_forecast untuk memastikan bahwa taksi yang memadai bekerja di wilayah Manhattan dan memperkirakan jumlah taksi yang diperlukan per jam.

    nyctaxitrips
| lookup (Locations) on $left.PULocationID==$right.LocationID
| where Borough == "Manhattan"
| make-series s1 = count() on tpep_pickup_datetime from datetime(2022-06-01) to datetime(2022-06-08)+3d step 1h by PULocationID
| extend forecast = series_decompose_forecast(s1, 24*3)
| render timechart

    Cuplikan layar hasil prakiraan di Real-Time Analytics di Microsoft Fabric.

Lihat juga

Untuk informasi selengkapnya tentang tugas yang dilakukan dalam tutorial ini, lihat:

Langkah berikutnya

Tutorial bagian 6: Membuat laporan Power BI