# Семантическое распространение данных из семантических моделей
При чтении семантической модели в FabricDataFrame семантические сведения, такие как метаданные и заметки из семантической модели, автоматически присоединяются к FabricDataFrame. Из этой статьи вы узнаете, как библиотека SemPy Python сохраняет заметки, присоединенные к таблицам и столбцам семантической модели.
Семантическая распространение для пользователей pandas
Библиотека Python SemPy является частью функции семантической связи и обслуживает пользователей pandas. SemPy поддерживает операции, которые панды позволяют выполнять данные.
SemPy также позволяет распространять семантические данные из семантических моделей, с которыми вы работаете. Распространяя семантические данные, можно сохранять заметки, присоединенные к таблицам и столбцам в семантической модели при выполнении таких операций, как срез, слияние и объединение.
Структуру данных FabricDataFrame можно создать двумя способами:
Вы можете считывать таблицу или выходные данные меры из семантической модели в FabricDataFrame.
При чтении из семантической модели в FabricDataFrame метаданные из Power BI автоматически гидратирует или заполняет кадр FabricDataFrame. Другими словами, FabricDataFrame сохраняет семантические данные из таблиц или мер модели.
Данные в памяти можно использовать для создания FabricDataFrame так же, как и для кадров данных Pandas.
При создании FabricDataFrame из данных в памяти необходимо указать имя семантической модели, из которой FabricDataFrame может извлекать метаданные.
Способ сохранения семантических данных SemPy зависит от таких факторов, как операции, которые вы выполняете, и порядок выполняемых операций FabricDataFrames.
Семантическое распространение с помощью слияния
При слиянии двух кадров FabricDataFrame порядок кадров данных определяет, как SemPy распространяет семантические сведения.
Если оба объекта FabricDataFrame помечены, метаданные уровня таблицы левого кадра FabricDataFrame имеют приоритет. То же правило применяется к отдельным столбцам; Заметки столбцов в левом элементе FabricDataFrame имеют приоритет над заметками столбцов в правом кадре данных.
Если только один элемент FabricDataFrame аннотирован, SemPy использует его метаданные. То же правило применяется к отдельным столбцам; SemPy использует заметки столбцов, присутствующих в аннотированных объектах FabricDataFrame.
Семантическое распространение с объединением
При объединение нескольких объектов FabricDataFrame для каждого столбца SemPy копирует метаданные из первого кадра FabricDataFrame, соответствующего имени столбца. Если имеется несколько совпадений и метаданные не совпадают, SemPy выдает предупреждение.
Кроме того, вы можете распространять сцепления кадров FabricDataFrames с обычными кадрами данных pandas, сначала разместив FabricDataFrame.
Семантическое распространение для пользователей Spark
Семантическая ссылка Spark в собственном соединителе Spark гидратирует (или заполняет) словарь метаданных столбца Spark. В настоящее время поддержка семантического распространения ограничена и подвержена внутренней реализации Spark по распространению сведений о схеме. Например, агрегирование столбцов удаляет метаданные.
Связанный контент
Обратная связь
https://aka.ms/ContentUserFeedback.
Ожидается в ближайшее время: в течение 2024 года мы постепенно откажемся от GitHub Issues как механизма обратной связи для контента и заменим его новой системой обратной связи. Дополнительные сведения см. в разделеОтправить и просмотреть отзыв по