Fusklapp för dataförberedelse

Avancerade BI-prestanda beror på hur effektivt data förbereds och levereras från Lakehouse. Genom att använda arkitekturmönster, tillämpa en semantisk struktur och använda riktade optimeringar kan du minska frågekomplexiteten, förbättra instrumentpanelens svarstider och sänka beräkningskostnaderna.

I följande tabell sammanfattas rekommenderade metoder, deras förväntade effekt, relaterad dokumentation och tillhörande åtgärdsobjekt. Det här innehållet är avsett för datatekniker, BI-utvecklare och instrumentpanelsförfattare som utformar, optimerar och underhåller analysarbetsbelastningar i Lakehouse.

Dataförberedelser

Bästa metod	Påverkan	Docs	Åtgärdsobjekt
Anta en medaljongarkitektur	Snabbare att omvandla rådata till färdiga, tillförlitliga dataprodukter för enkel förbrukning.	Medallion-arkitektur Ordlista för medallionarkitektur Datalagerbegrepp	Granska och implementera medaljonglager
Använd flytande klustring	Förbättrar frågeprestanda med fil- och datahopp.	Flytande klustring	Tillämpa på stora tabeller med filtermönster
Använda hanterade tabeller	Azure Databricks styr automatiskt och optimerar lagringslagret och frågeprestanda.	Unity Catalog-hanterade tabeller i Azure Databricks	Skapa hanterade tabeller för dina data
Använda förutsägelseoptimering eller optimera tabeller manuellt	Ger bättre frågeprestanda genom att optimera filstorlekar och layout, ta bort gamla filer och uppdatera statistik.	Förutsägande optimering Optimera fillayout Analysera lagringsmått för tabellberäkning	Aktivera för produktionstabeller eller schemalägga regelbunden optimering och analysera tabeller efter dataändringar
Modellera data i ett stjärnschemamönster	Gör det enkelt att fråga och använda data.	Ordlista för stjärnschema Fem enkla steg för att implementera ett star-schema	Designa fakta- och dimensionstabeller
Undvik breda datatyper och kolumner med hög kardinalitet	Optimerar datamodellens storlek och minnesförbrukning och förbättrar frågeeffektiviteten.	Guide för att optimera dataarbetsbelastningar	Granska datatyper och kardinalitet
Deklarera primära och externa nycklar (med RELY)	Optimerar frågor genom att eliminera onödiga kopplingar och aggregeringar.	Frågeoptimering med begränsningar	Definiera nycklar för fakta- och dimensionstabeller
Använda automatiskt genererade kolumner	Minskar behovet av att beräkna värden vid frågetillfället.	Genererade kolumner	Identifiera ofta beräknade fält
Använda materialiserade vyer och beständiga tabeller	Förbättrar prestanda genom att föra samman data för de vanligaste och resursintensiva frågorna.	Tables Materialiserade vyer Använda materialiserade vyer i Databricks SQL	Skapa aggregerade vyer för vanliga frågor