Visualizzazione dei notebook in Microsoft Fabric

2025-05-26

Microsoft Fabric è un servizio di analisi integrato che accelera il tempo per ottenere informazioni dettagliate tra data warehouse e sistemi Big Data. La visualizzazione dei dati nei notebook è una funzionalità chiave che consente di ottenere informazioni dettagliate sui dati, consentendo agli utenti di identificare modelli, tendenze e outlier con facilità.

Quando si usa Apache Spark in Fabric, sono disponibili opzioni predefinite per la visualizzazione dei dati, incluse le funzionalità del grafico dei notebook di Fabric e l'accesso alle librerie open source più diffuse.

I notebook di Fabric consentono anche di convertire i risultati tabulari in grafici personalizzati senza scrivere codice, consentendo un'esperienza di esplorazione dei dati più intuitiva e trasparente.

Comando di visualizzazione predefinito - funzione display()

La funzione di visualizzazione predefinita fabric consente di trasformare i dataframe Apache Spark, i dataframe Pandas e i risultati delle query SQL in visualizzazioni di dati avanzate e interattive.

Usando la funzione di visualizzazione , è possibile eseguire il rendering di DataFrame PySpark e Scala Spark o set di dati distribuiti resilienti (RDD) come tabelle o grafici dinamici.

È possibile specificare il numero di righe del dataframe di cui viene eseguito il rendering. Il valore predefinito è 1000. Il widget di output del notebook supporta la visualizzazione e la profilazione di un massimo di 10000 righe di un dataframe.

È possibile usare la funzione di filtro sulla barra degli strumenti globale per applicare regole personalizzate ai dati. La condizione di filtro viene applicata a una colonna specificata e i risultati vengono riflessi sia nella tabella che nelle visualizzazioni grafico.

L'output dell'istruzione SQL utilizza di default lo stesso widget di output con display().

Visualizzazione tabella DataFrame avanzata

Supporto per la selezione libera nella visualizzazione della tabella

Per impostazione predefinita, il rendering della vista tabella viene eseguito quando si usa il comando display() in un notebook di Fabric. L'anteprima avanzata del dataframe offre una funzione di selezione gratuita intuitiva, progettata per migliorare l'esperienza di analisi dei dati abilitando opzioni di selezione flessibili e interattive. Questa funzionalità consente agli utenti di navigare ed esplorare in modo efficiente i dataframe con facilità.

Selezione colonna
- colonna unica: fare clic sull'intestazione della colonna per selezionare l'intera colonna.
- Più colonne: Dopo aver selezionato una singola colonna, tenere premuto il tasto 'MAIUSC', quindi cliccare su un'altra intestazione di colonna per selezionare più colonne.
selezione della riga
- riga singola: fare clic su un'intestazione di riga per selezionare l'intera riga.
- Più righe: Dopo aver selezionato una singola riga, tenere premuto il tasto 'Shift', quindi fare clic su un'altra Intestazione di riga per selezionare più righe.
Anteprima contenuto cella: visualizzare in anteprima il contenuto delle singole celle per ottenere un'analisi rapida e dettagliata dei dati senza la necessità di scrivere codice aggiuntivo.
Riepilogo colonne: Ottenere un riepilogo di ogni colonna, inclusa la distribuzione dei dati e le statistiche principali, per capire rapidamente le caratteristiche dei dati.
selezione dell'area libera: selezionare qualsiasi segmento continuo della tabella per ottenere una panoramica delle celle selezionate totali e dei valori numerici nell'area selezionata.
Copiare il contenuto selezionato: In tutti i casi di selezione, puoi copiare rapidamente il contenuto selezionato usando la scorciatoia da tastiera "Ctrl + C". I dati selezionati vengono copiati in formato CSV, semplificando l'elaborazione in altre applicazioni.

Supporto per la profilatura dei dati tramite il riquadro Ispeziona

GIF animata di anteprima del DataFrame avanzato.

È possibile profilare il DataFrame facendo clic sul pulsante Controlla. Fornisce la distribuzione dei dati riepilogata e mostra le statistiche di ogni colonna.
Ogni scheda nel riquadro laterale "Ispeziona" corrisponde a una colonna del dataframe; è possibile visualizzare ulteriori dettagli facendo clic sulla scheda o selezionando una colonna nella tabella.
È possibile visualizzare i dettagli della cella facendo clic sulla cella della tabella. Questa funzionalità è utile quando il dataframe contiene un tipo di contenuto stringa lungo.

Visualizzazione avanzata di grafici per DataFrame migliorati

La visualizzazione grafico migliorata nel comando display() offre un modo più intuitivo e dinamico per visualizzare i dati.

Miglioramenti principali:

Supporto per più grafici: aggiungere fino a cinque grafici all'interno di un singolo widget di output di visualizzazione() selezionando Nuovo grafico, consentendo confronti semplici tra colonne diverse.
Raccomandazioni per i grafici intelligenti: ottenere un elenco di grafici suggeriti in base al dataframe. Scegliere di modificare una visualizzazione consigliata o creare un grafico personalizzato da zero.

Personalizzazione flessibile: personalizzare le visualizzazioni con impostazioni regolabili che si adattano in base al tipo di grafico selezionato.

Categoria	Impostazioni di base	Descrizione
	Tipo di grafico	La funzione di visualizzazione supporta un'ampia gamma di tipi di grafico, tra cui grafici a barre, grafici a dispersione, grafici a linee, tabella pivot e altro ancora.
Titolo	Titolo	Titolo del grafico.
Titolo	Sottotitolo	Sottotitolo del grafico con altre descrizioni.
Dati	Asse X	Specificare la chiave del grafico.
Dati	Asse Y	Specificare i valori del grafico.
Legenda	Mostra legenda	Abilitare/disabilitare la legenda.
Legenda	Posizione	Personalizzare la posizione della legenda.
Altro	Gruppo Serie	Usare questa configurazione per determinare i gruppi per l'aggregazione.
Altro	Aggregazione	usare questo metodo per aggregare i dati nella visualizzazione.
Altro	Impilato	Configurare lo stile di visualizzazione del risultato.
Altro	Valori mancanti e NULL	Configurare la modalità di visualizzazione dei valori mancanti o NULL del grafico.

Nota

Inoltre, è possibile specificare il numero di righe visualizzate, con un'impostazione predefinita pari a 1.000. Il widget di output display del notebook consente di visualizzare e analizzare fino a 10.000 righe di un DataFrame. Selezionare Aggregazione su tutti i risultati e quindi selezionare Applica per applicare la generazione del grafico dall'intero dataframe. Un processo Spark viene attivato quando cambia l'impostazione del grafico. Potrebbero essere necessari alcuni minuti per completare il calcolo ed eseguire il rendering del grafico.

Categoria	Impostazioni avanzate	Descrizione
Colore	Tema	Definire il set di colori del tema del grafico.
Asse X	Etichetta	Specificare un'etichetta sull'asse X.
Asse X	Scala	Specificare la funzione di scala dell'asse X.
Asse X	Intervallo	Specificare l'asse X dell'intervallo di valori.
Asse Y	Etichetta	Specificare un'etichetta sull'asse Y.
Asse Y	Scala	Specificare la funzione di scala dell'asse Y.
Asse Y	Intervallo	Specificare l'asse Y dell'intervallo di valori.
Schermo	Mostra etichette	Mostra/nascondi le etichette dei risultati nel grafico.

Le modifiche delle configurazioni diventano effettive immediatamente e tutte le configurazioni vengono salvate automaticamente nel contenuto del notebook.

È possibile rinominare, duplicare, eliminare o spostare facilmente i grafici nel menu a schede del grafico. È anche possibile trascinare e rilasciare schede per riordinarle. La prima scheda verrà visualizzata come impostazione predefinita all'apertura del notebook.
Una barra degli strumenti interattiva è disponibile nella nuova esperienza del grafico quando l'utente passa il mouse su un grafico. Supportare operazioni come zoom avanti, zoom indietro, selezionare per ingrandire, reimpostare, panoramica, modificare le annotazioni e così via.

Di seguito è riportato un esempio di annotazione del grafico.

display() vista di riepilogo

Usare display(df, summary = true) per controllare il riepilogo delle statistiche di un determianto DataFrame Apache Spark. Il riepilogo include il nome della colonna, il tipo di colonna, i valori univoci e i valori mancanti per ogni colonna. È anche possibile selezionare una colonna specifica per visualizzare il relativo valore minimo, massimo e medio, e la deviazione standard.

GIF animata della visualizzazione di riepilogo.

opzione displayHTML()

I notebook Fabric supportano la grafica HTML usando la funzione displayHTML.

L'immagine seguente è un esempio di creazione di visualizzazioni usando D3.js.

Per creare questa visualizzazione, usare il codice seguente.

displayHTML("""<!DOCTYPE html>
<meta charset="utf-8">

<!-- Load d3.js -->
<script src="https://d3js.org/d3.v4.js"></script>

<!-- Create a div where the graph will take place -->
<div id="my_dataviz"></div>
<script>

// set the dimensions and margins of the graph
var margin = {top: 10, right: 30, bottom: 30, left: 40},
  width = 400 - margin.left - margin.right,
  height = 400 - margin.top - margin.bottom;

// append the svg object to the body of the page
var svg = d3.select("#my_dataviz")
.append("svg")
  .attr("width", width + margin.left + margin.right)
  .attr("height", height + margin.top + margin.bottom)
.append("g")
  .attr("transform",
        "translate(" + margin.left + "," + margin.top + ")");

// Create Data
var data = [12,19,11,13,12,22,13,4,15,16,18,19,20,12,11,9]

// Compute summary statistics used for the box:
var data_sorted = data.sort(d3.ascending)
var q1 = d3.quantile(data_sorted, .25)
var median = d3.quantile(data_sorted, .5)
var q3 = d3.quantile(data_sorted, .75)
var interQuantileRange = q3 - q1
var min = q1 - 1.5 * interQuantileRange
var max = q1 + 1.5 * interQuantileRange

// Show the Y scale
var y = d3.scaleLinear()
  .domain([0,24])
  .range([height, 0]);
svg.call(d3.axisLeft(y))

// a few features for the box
var center = 200
var width = 100

// Show the main vertical line
svg
.append("line")
  .attr("x1", center)
  .attr("x2", center)
  .attr("y1", y(min) )
  .attr("y2", y(max) )
  .attr("stroke", "black")

// Show the box
svg
.append("rect")
  .attr("x", center - width/2)
  .attr("y", y(q3) )
  .attr("height", (y(q1)-y(q3)) )
  .attr("width", width )
  .attr("stroke", "black")
  .style("fill", "#69b3a2")

// show median, min and max horizontal lines
svg
.selectAll("toto")
.data([min, median, max])
.enter()
.append("line")
  .attr("x1", center-width/2)
  .attr("x2", center+width/2)
  .attr("y1", function(d){ return(y(d))} )
  .attr("y2", function(d){ return(y(d))} )
  .attr("stroke", "black")
</script>

"""
)

Incorporare un report di Power BI in un notebook

Importante

Questa funzionalità si trova in Anteprima.

Il pacchetto Python Powerbiclient ora è supportato in modo nativo nei notebook Fabric. Non è necessario eseguire alcuna configurazione aggiuntiva (ad esempio il processo di autenticazione) nel runtime Spark 3.4 del notebook Fabric. Basta importare powerbiclient e quindi continuare l'esplorazione. Per altre informazioni su come usare il pacchetto powerbiclient, vedere la documentazione di powerbiclient.

Powerbiclient supporta le funzionalità chiave seguenti.

Visualizzare un report di Power BI esistente

È possibile incorporare e interagire facilmente con i report di Power BI nei notebook con poche righe di codice.

L'immagine seguente è un esempio di rendering di un report di Power BI esistente.

Usare il codice seguente per eseguire il rendering di un report di Power BI esistente.

from powerbiclient import Report

report_id="Your report id"
report = Report(group_id=None, report_id=report_id)

report

Creare oggetti visivi del report da un DataFrame Spark

È possibile usare un DataFrame Spark nel notebook per generare rapidamente visualizzazioni dettagliate. È anche possibile selezionare Salva nel report incorporato per creare un elemento del report in un'area di lavoro di destinazione.

L'immagine seguente è un esempio di QuickVisualize() da un DataFrame Spark.

Usare il codice seguente per eseguire il rendering di un report da un DataFrame Spark.

# Create a spark dataframe from a Lakehouse parquet table
sdf = spark.sql("SELECT * FROM testlakehouse.table LIMIT 1000")

# Create a Power BI report object from spark data frame
from powerbiclient import QuickVisualize, get_dataset_config
PBI_visualize = QuickVisualize(get_dataset_config(sdf))

# Render new report
PBI_visualize

Creare visualizzazioni da un DataFrame di Pandas per il report

È anche possibile creare report basati su un DataFrame Pandas nel notebook.

L'immagine seguente è un esempio di QuickVisualize() da un DataFrame Pandas.

Usare il codice seguente per eseguire il rendering di un report da un DataFrame Spark.

import pandas as pd

# Create a pandas dataframe from a URL
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/fips-unemp-16.csv")

# Create a pandas dataframe from a Lakehouse csv file
from powerbiclient import QuickVisualize, get_dataset_config

# Create a Power BI report object from your data
PBI_visualize = QuickVisualize(get_dataset_config(df))

# Render new report
PBI_visualize

Librerie più diffuse

Quando si tratta di visualizzazione dei dati, Python offre più librerie di grafi dotate di molte funzionalità diverse. Per impostazione predefinita, ogni pool di Apache Spark in Fabric contiene un set di librerie open source curate e diffuse.

Matplotlib

È possibile eseguire il rendering delle librerie di tracciatura standard, ad esempio Matplotlib, usando le funzioni di rendering predefinite per ogni libreria.

L'immagine seguente è un esempio di creazione di un grafico a barre con Matplotlib.

Usare il codice di esempio seguente per disegnare questo grafico a barre.

# Bar chart

import matplotlib.pyplot as plt

x1 = [1, 3, 4, 5, 6, 7, 9]
y1 = [4, 7, 2, 4, 7, 8, 3]

x2 = [2, 4, 6, 8, 10]
y2 = [5, 6, 2, 6, 2]

plt.bar(x1, y1, label="Blue Bar", color='b')
plt.bar(x2, y2, label="Green Bar", color='g')
plt.plot()

plt.xlabel("bar number")
plt.ylabel("bar height")
plt.title("Bar Chart Example")
plt.legend()
plt.show()

Bokeh

È possibile eseguire il rendering di librerie HTML o interattive, ad esempio bokeh, usando displayHTML().

L'immagine seguente è un esempio di glifi tracciati su una mappa che usa bokeh.

Per disegnare questa immagine, usare il codice di esempio seguente.

from bokeh.plotting import figure, output_file
from bokeh.tile_providers import get_provider, Vendors
from bokeh.embed import file_html
from bokeh.resources import CDN
from bokeh.models import ColumnDataSource

tile_provider = get_provider(Vendors.CARTODBPOSITRON)

# range bounds supplied in web mercator coordinates
p = figure(x_range=(-9000000,-8000000), y_range=(4000000,5000000),
           x_axis_type="mercator", y_axis_type="mercator")
p.add_tile(tile_provider)

# plot datapoints on the map
source = ColumnDataSource(
    data=dict(x=[ -8800000, -8500000 , -8800000],
              y=[4200000, 4500000, 4900000])
)

p.circle(x="x", y="y", size=15, fill_color="blue", fill_alpha=0.8, source=source)

# create an html document that embeds the Bokeh plot
html = file_html(p, CDN, "my plot1")

# display this html
displayHTML(html)

Plotly

È possibile eseguire il rendering di librerie HTML o interattive, ad esempio Plotly, usando displayHTML().