Självstudiekurs om realtidsanalys del 5: Använda avancerade KQL-frågor

Kommentar

Den här självstudien är en del av en serie. För föregående avsnitt, se: Självstudie del 4: Utforska dina data med KQL och SQL.

Skapa en KQL-frågeuppsättning

I följande steg använder du funktionerna för avancerad dataanalys i Kusto-frågespråk för att köra frågor mot de två tabeller som du har matat in i databasen.

1. Bläddra till din KQL-databas med namnet NycTaxiDB.

2. Välj KQL-frågeuppsättning för nytt relaterat objekt>

   

3. Ange nyctaxiqs som KQL-frågeuppsättningens namn.

4. Välj Skapa. KQL-frågeuppsättningen öppnas med flera exempelfrågor som fylls i automatiskt.

Fråga efter data

I det här avsnittet går vi igenom några av fråge- och visualiseringsfunktionerna i KQL-frågeuppsättningen. Kopiera och klistra in frågorna i din egen frågeredigerare för att köra och visualisera resultatet.

1. Kör följande fråga för att returnera de 10 främsta upphämtningsplatserna i New York City för gula taxibilar.

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

   

2. Den här frågan lägger till ett steg i föregående fråga. Kör frågan för att leta upp motsvarande zoner på de 10 främsta upphämtningsplatserna med hjälp av tabellen Platser . Uppslagsoperatorn utökar kolumnerna i en faktatabell med uppslagsvärden i en dimensionstabell.

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

   

3. KQL tillhandahåller även maskininlärningsfunktioner för att identifiera avvikelser. Kör följande fråga för att kontrollera avvikelser i tipsen som ges av kunderna i Manhattan-stadsdelen. Den här frågan använder funktionen 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)
   

   

   Hovra över de röda punkterna för att se värdena för avvikelserna.

4. Du kan också använda den förutsägande kraften i funktionen series_decompose_forecast. Kör följande fråga för att säkerställa att de tillräckligt många taxibilarna fungerar i Manhattan-stadsdelen och prognostisera antalet taxibilar som behövs per timme.

   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
   

   

Relaterat innehåll

Mer information om uppgifter som utförs i den här självstudien finns i:

• Skapa en KQL-frågeuppsättning
• Skriva en fråga
• rendera operator

Gå vidare

Självstudie del 6: Skapa en Power BI-rapport