ค้นพบความสัมพันธ์ในแบบจําลองความหมายโดยใช้ลิงก์ความหมาย

บทช่วยสอนนี้แสดงวิธีการใช้สมุดบันทึก Jupyter เพื่อโต้ตอบกับ Power BI และตรวจหาความสัมพันธ์ระหว่างตารางด้วยไลบรารี SemPy

ในบทช่วยสอนนี้ คุณจะได้เรียนรู้วิธีการ:

• ค้นพบความสัมพันธ์ในแบบจําลองความหมาย (ชุดข้อมูล Power BI) โดยใช้ไลบรารี Python ของลิงก์ความหมาย (SemPy)
• ใช้ส่วนประกอบ SemPy ที่รวมเข้ากับ Power BI และทําการวิเคราะห์คุณภาพข้อมูลโดยอัตโนมัติ คอมโพเนนต์เหล่านี้ประกอบด้วย:
  • FabricDataFrame - โครงสร้างคล้ายแพนด้าที่ปรับปรุงด้วยข้อมูลความหมาย
  • ฟังก์ชันที่ดึงโมเดลความหมายจากพื้นที่ทํางาน Fabric ไปยังสมุดบันทึกของคุณ
  • ฟังก์ชันที่ทดสอบการขึ้นต่อกันของฟังก์ชันและระบุการละเมิดความสัมพันธ์ในแบบจําลองความหมายของคุณ

ข้อกําหนดเบื้องต้น

• รับ การสมัครใช้งาน Microsoft Fabric หรือลงทะเบียนสําหรับ Microsoft Fabric รุ่นทดลองใช้ฟรี

• ลงชื่อเข้าใช้ Microsoft Fabric

• ใช้ตัวสลับประสบการณ์การใช้งานที่ด้านล่างซ้ายของหน้าหลักของคุณเพื่อเปลี่ยนเป็น Fabric

  

• ไปที่ พื้นที่ทํางาน ในบานหน้าต่างนําทาง แล้วเลือกพื้นที่ทํางานของคุณเพื่อตั้งค่าเป็นพื้นที่ทํางานปัจจุบัน

• ดาวน์โหลดแบบจําลองความหมาย Customer Profitability Sample.pbix และ Customer Profitability Sample (auto).pbix จาก ที่เก็บ GitHub ตัวอย่างผ้า แล้วอัปโหลดไปยังพื้นที่ทํางานของคุณ

ติดตามในสมุดบันทึก

ใช้สมุดบันทึก powerbi_relationships_tutorial.ipynb เพื่อทําตาม

• เมื่อต้องการเปิดสมุดบันทึกที่มาพร้อมกับบทช่วยสอนนี้ ให้ทําตามคําแนะนําใน เตรียมระบบของคุณสําหรับบทช่วยสอนวิทยาศาสตร์ข้อมูล การนําเข้าสมุดบันทึกไปยังพื้นที่ทํางานของคุณ

• ถ้าคุณต้องการคัดลอกและวางโค้ดจากหน้านี้ สร้างสมุดบันทึกใหม่

• ตรวจสอบให้แน่ใจว่า แนบ lakehouse เข้ากับ สมุดบันทึกก่อนที่คุณจะเริ่มเรียกใช้โค้ด

ตั้งค่าสมุดบันทึก

ตั้งค่าสภาพแวดล้อมโน้ตบุ๊กด้วยโมดูลและข้อมูลที่คุณต้องการ

1. ติดตั้งแพคเกจจาก semantic-link PyPI โดยใช้คําสั่งอิน %pip ไลน์ในสมุดบันทึก

   %pip install semantic-link
   

2. นําเข้าโมดูลที่คุณ sempy จะใช้ในภายหลัง

   import sempy.fabric as fabric
   
   from sempy.relationships import plot_relationship_metadata
   from sempy.relationships import find_relationships
   from sempy.fabric import list_relationship_violations
   

3. นําเข้าไลบรารี pandas และตั้งค่าตัวเลือกการแสดงผลสําหรับการจัดรูปแบบเอาต์พุต

   import pandas as pd
   pd.set_option('display.max_colwidth', None)
   

## Explore semantic models

This tutorial uses the Customer Profitability Sample semantic model [_Customer Profitability Sample.pbix_](https://github.com/microsoft/fabric-samples/blob/main/docs-samples/data-science/datasets/Customer%20Profitability%20Sample.pbix). Learn about the semantic model in [Customer Profitability sample for Power BI](/power-bi/create-reports/sample-customer-profitability).

- Use SemPy's `list_datasets` function to explore semantic models in your current workspace:

  ```python
  fabric.list_datasets()

สําหรับส่วนที่เหลือของสมุดบันทึกนี้ ให้ใช้แบบจําลองความหมายตัวอย่างความสามารถในการทํากําไรของลูกค้าสองรุ่น:

• ตัวอย่างความสามารถในการทํากําไรของลูกค้า: แบบจําลองความหมายตามที่ให้มาในตัวอย่าง Power BI พร้อมความสัมพันธ์ของตารางที่กําหนดไว้ล่วงหน้า
• ตัวอย่างความสามารถในการทํากําไรของลูกค้า (อัตโนมัติ): ข้อมูลเดียวกัน แต่ความสัมพันธ์ถูกจํากัดไว้เฉพาะข้อมูลที่ Power BI ตรวจพบโดยอัตโนมัติ

แยกความสัมพันธ์ที่กําหนดไว้ล่วงหน้าจากแบบจําลองความหมายตัวอย่าง

1. โหลดความสัมพันธ์ที่กําหนดไว้ล่วงหน้าในแบบจําลองความหมายตัวอย่างความสามารถในการทํากําไรของลูกค้าโดยใช้ฟังก์ชันของ list_relationships SemPy ฟังก์ชันแสดงรายการความสัมพันธ์จากแบบจําลองวัตถุแบบตาราง (TOM)

   dataset = "Customer Profitability Sample"
   relationships = fabric.list_relationships(dataset)
   relationships
   

2. แสดงภาพ relationships DataFrame เป็นกราฟโดยใช้ฟังก์ชันของ plot_relationship_metadata SemPy

   plot_relationship_metadata(relationships)
   

   

   กราฟนี้แสดงความสัมพันธ์ระหว่างตารางในแบบจําลองความหมายนี้ตามที่กําหนดไว้ใน Power BI โดยผู้เชี่ยวชาญเฉพาะเรื่อง

ค้นพบความสัมพันธ์เพิ่มเติม

ถ้าคุณเริ่มต้นด้วยความสัมพันธ์ที่ Power BI ตรวจพบอัตโนมัติ คุณมีชุดที่เล็กกว่า

1. แสดงภาพความสัมพันธ์ที่ Power BI ตรวจพบโดยอัตโนมัติในแบบจําลองความหมาย:

   dataset = "Customer Profitability Sample (auto)"
   autodetected = fabric.list_relationships(dataset)
   plot_relationship_metadata(autodetected)
   

   

   การตรวจหาอัตโนมัติของ Power BI พลาดความสัมพันธ์มากมาย นอกจากนี้ ความสัมพันธ์ที่ตรวจพบอัตโนมัติสองความสัมพันธ์ไม่ถูกต้องในเชิงความหมาย:

   • Executive[ID] ->Industry[ID]
   • BU[Executive_id] ->Industry[ID]

2. พิมพ์ความสัมพันธ์เป็นตาราง:

   autodetected
   

   แถวที่ 3 และ 4 แสดงความสัมพันธ์ที่ไม่ถูกต้องกับ Industry ตาราง ลบแถวเหล่านี้ออก

3. ละทิ้งความสัมพันธ์ที่ระบุอย่างไม่ถูกต้อง

   # Remove rows 3 and 4 which point incorrectly to Industry[ID]
   autodetected = autodetected[~autodetected.index.isin([3, 4])]
   

   ตอนนี้คุณมีความสัมพันธ์ที่ถูกต้องแต่ไม่สมบูรณ์ แสดงภาพความสัมพันธ์ที่ไม่สมบูรณ์เหล่านี้โดยใช้ plot_relationship_metadata:

   plot_relationship_metadata(autodetected)
   

   

4. โหลดตารางทั้งหมดจากแบบจําลองความหมายโดยใช้ฟังก์ชันและlist_tablesread_tableฟังก์ชันของ SemPy จากนั้นค้นหาความสัมพันธ์ระหว่างตารางโดยใช้find_relationships ตรวจสอบผลลัพธ์ของบันทึกเพื่อรับข้อมูลเชิงลึกเกี่ยวกับวิธีการทํางานของฟังก์ชันนี้:

   suggested_relationships_all = find_relationships(
       tables,
       name_similarity_threshold=0.7,
       coverage_threshold=0.7,
       verbose=2
   )
   

5. แสดงความสัมพันธ์ที่ค้นพบใหม่:

   plot_relationship_metadata(suggested_relationships_all)
   

   

   SemPy ตรวจจับความสัมพันธ์ทั้งหมด

6. ใช้พารามิเตอร์ exclude เพื่อจํากัดการค้นหาสําหรับความสัมพันธ์เพิ่มเติมที่ไม่ได้ระบุไว้ก่อนหน้านี้:

   additional_relationships = find_relationships(
       tables,
       exclude=autodetected,
       name_similarity_threshold=0.7,
       coverage_threshold=0.7
   )
   
   additional_relationships
   

ตรวจสอบความถูกต้องของความสัมพันธ์

1. ขั้นแรก ให้โหลดข้อมูลจากแบบจําลองความหมายตัวอย่าง ความสามารถในการทํากําไร ของลูกค้า

   dataset = "Customer Profitability Sample"
   tables = {table: fabric.read_table(dataset, table) for table in fabric.list_tables(dataset)['Name']}
   
   tables.keys()
   

2. ตรวจสอบคีย์หลักและคีย์ต่างประเทศทับซ้อนกับ list_relationship_violations ฟังก์ชัน ส่งเอาต์พุตของlist_relationshipsฟังก์ชันไปที่list_relationship_violations

   list_relationship_violations(tables, fabric.list_relationships(dataset))
   

   ผลลัพธ์เผยให้เห็นข้อมูลเชิงลึกที่เป็นประโยชน์ ตัวอย่างเช่น หนึ่งในเจ็ดค่าใน Fact[Product Key] ไม่มีอยู่ใน Product[Product Key]และคีย์ที่ขาดหายไปคือ50

   การวิเคราะห์ข้อมูลเชิงสํารวจและการล้างข้อมูลเป็นแบบซ้ําๆ สิ่งที่คุณเรียนรู้ขึ้นอยู่กับคําถามของคุณและวิธีที่คุณสํารวจข้อมูล ลิงก์ความหมายเพิ่มเครื่องมือที่ช่วยให้คุณทําข้อมูลได้มากขึ้น

เนื้อหาที่เกี่ยวข้อง

สํารวจบทช่วยสอนอื่น ๆ สําหรับลิงก์ความหมายและ SemPy:

• บทช่วยสอน : ล้างข้อมูลด้วยการขึ้นต่อกัน การทํางาน
• บทช่วยสอน : วิเคราะห์การขึ้นต่อกันของฟังก์ชันการทํางานในแบบจําลองความหมายตัวอย่าง
• บทช่วยสอน : แยกและคํานวณหน่วยวัด Power BI จากสมุดบันทึก Jupyter
• บทช่วยสอน: ค้นพบความสัมพันธ์ในชุดข้อมูล Synthea โดยใช้ลิงก์ความหมาย
• บทช่วยสอน : ตรวจสอบข้อมูลโดยใช้ SemPy และความคาดหวังที่ยิ่งใหญ่ (GX)

\n\n