Поделиться через

Чтение из семантических моделей и запись данных, потребляемых Power BI с помощью Python

В этой статье вы узнаете, как считывать данные, метаданные и оценивать меры в семантических моделях с помощью библиотеки SemPy Python в Microsoft Fabric. Вы также узнаете, как записывать данные, которые могут использовать семантические модели.

Необходимые компоненты

  • Перейдите к интерфейсу обработки и анализа данных в Microsoft Fabric.
  • Создайте записную книжку для копирования и вставки кода в ячейки.
  • Для Spark 3.4 и более поздних версий семантическая ссылка доступна в среде выполнения по умолчанию при использовании Fabric и не требуется устанавливать ее. Если вы используете Spark 3.3 или ниже или хотите обновить до последней версии семантической ссылки, можно выполнить следующую команду: python %pip install -U semantic-link
  • Добавление Lakehouse в записную книжку
  • Скачайте Customer Profitability Sample.pbix семантическую модель из папки datasets репозитория fabric-samples и сохраните ее локально.

Отправка семантической модели в рабочую область

В этой статье используется семантическая модель семантики sample.pbix customer Profitability Sample.pbix . Семантическая модель ссылается на компанию, которая производит маркетинговые материалы. Она включает данные о продуктах, клиентах и доходах для различных бизнес-единиц.

  1. Откройте рабочую область в Fabric Data Science.
  2. Выберите > и выберите семантическую модель >.

Снимок экрана: интерфейс для отправки семантической модели в рабочую область.

После завершения загрузки ваша рабочая область включает три новых артефакта: отчет Power BI, панель мониторинга и семантическую модель под названием "Пример прибыльности клиента". Действия, описанные в этой статье, зависят от этой семантической модели.

Снимок экрана: элементы из файла Power BI, отправленного в рабочую область.

Использование Python для чтения данных из семантических моделей

API Python SemPy может извлекать данные и метаданные из семантических моделей, расположенных в рабочей области Microsoft Fabric. API также может выполнять запросы на них.

Записная книжка, семантическая модель набора данных Power BI и Lakehouse могут находиться в одной рабочей области или в разных рабочих областях. По умолчанию SemPy пытается получить доступ к семантической модели из:

  • Рабочая область lakehouse, если вы прикрепили lakehouse к записной книжке.
  • Рабочая область записной книжки, если не подключена к Lakehouse.

Если семантическая модель не находится в любой из этих рабочих областей, необходимо указать рабочую область семантической модели при вызове метода SemPy.

Чтобы считывать данные из семантических моделей, выполните следующие действия.

  1. Список доступных семантических моделей в рабочей области.

    import sempy.fabric as fabric

df_datasets = fabric.list_datasets()
df_datasets

  2. Список таблиц, доступных в модели семантики семантики рентабельности клиента.

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

  3. Перечислить меры, определенные в модели семантики рентабельности клиента.

    Совет

    В следующем примере кода мы указали рабочую область для SemPy, используемую для доступа к семантической модели. Вы можете заменить <Your Workspace> имя рабочей области, в которой вы отправили семантику (из раздела "Отправка семантической модели" в раздел рабочей области ).

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

    Здесь мы определили, что таблица Customer является таблицей интересов.

  4. Считывает таблицу Customer из семантической модели семантики рентабельности клиента.

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

    Примечание.

  5. Оценка меры общего дохода для состояния и даты каждого клиента.

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

    Примечание.

  6. Чтобы добавить фильтры в вычисление мер, укажите список допустимых значений для определенного столбца.

    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. Оцените метрику общего дохода по состоянию клиентов и дате с помощью запроса DAX.

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

    Примечание.

    • Данные извлекаются с помощью XMLA, поэтому требуется включить только для чтения XMLA.
    • Объем извлекаемых данных ограничен доступной памятью в Службах Microsoft Azure Analysis Services и узлом драйвера Spark ( дополнительные сведения см. в размерах узлов).
    • Все запросы используют низкий приоритет для минимизации влияния на производительность служб Analysis Services и выставляются в виде интерактивных запросов.

  8. Используйте магию ячейки %%dax , чтобы оценить тот же запрос DAX без необходимости импортировать библиотеку. Запустите эту ячейку, чтобы загрузить %%dax магию ячейки:

    %load_ext sempy

    Параметр рабочей области необязателен. Он следует тем же правилам, что и параметр evaluate_dax рабочей области функции.

    Магия ячейки также поддерживает доступ к переменным Python с помощью синтаксиса {variable_name} . Чтобы использовать фигурную скобку в запросе DAX, побежите ее с помощью другой фигурной скобки (например: EVALUATE {{1}}).

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

    Результирующий объект FabricDataFrame доступен через _ переменную. Эта переменная записывает выходные данные последней исполняемой ячейки.

    df_dax = _

df_dax.head()

  9. Можно добавить меры к данным, извлеченным из внешних источников. Этот подход объединяет три задачи:

    • Он разрешает имена столбцов измерениям Power BI
    • Определяет группу по столбцам
    • Он фильтрует имена столбцов, которые не могут быть разрешены в данной семантической модели, игнорируются (дополнительные сведения см. в поддерживаемом ресурсе синтаксиса DAX).
    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

Специальные параметры

SemPy read_table и evaluate_measure методы имеют больше параметров, которые полезны для управления выходными данными. Это следующие параметры.

  • pandas_convert_dtypes: если задано значение True, pandas приводит результирующие столбцы DataFrame к лучшему возможному типу. Дополнительные сведения см. в convert_dtypes. Если этот параметр отключен, могут возникнуть проблемы несовместимости типов между столбцами связанных таблиц. Модель Power BI может не обнаружить эти проблемы из-за неявного преобразования типов DAX.

SemPy read_table также использует сведения о модели, которые предоставляет Power BI.

  • multiindex_hierarchies: если задано значение True, он преобразует иерархии Power BI в структуру pandas MultiIndex.

Запись данных, потребляемых семантической моделью

Таблицы Spark, добавленные в Lakehouse, автоматически добавляются в соответствующую семантику по умолчанию. В этой статье показано, как записывать данные в подключенный хранилище данных Lakehouse. FabricDataFrame принимает те же входные данные, что и DataFrame Pandas.

from sempy.fabric import FabricDataFrame

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

df_forecast.to_lakehouse_table("ForecastTable")

С помощью Power BI таблица ForecastTable может быть добавлена в составную семантику модели, которая включает семантику Lakehouse.

Связанный контент

  • Last updated on