เริ่มต้นอย่างรวดเร็ว: สืบค้นและใช้ข้อมูล OneLake ทั่วทั้ง Microsoft Fabric

ในโหมดเริ่มต้นนี้ คุณจะใช้เอนจิน Fabric สามตัวเพื่อโต้ตอบกับโต๊ะ lakehouse เดียวกัน ขั้นแรก คุณจะสอบถามตารางโดยใช้ SQL analytics endpoint จากนั้นคุณสร้างรายงาน Power BI ในโหมด Direct Lake บนตารางเดียวกัน สุดท้าย คุณอ่านตารางเดียวกันจากสมุดบันทึก Spark ขั้นตอนเหล่านี้ร่วมกันแสดงรูปแบบหลักของ OneLake: สําเนาข้อมูลหนึ่งชุด หลายเอนจิน

OneLake จัดเก็บข้อมูลตารางในรูปแบบ Delta Parquet แบบเปิดบนระบบ Azure Data Lake Storage (ADLS) Gen2. พื้นฐานที่ใช้ร่วมกันนี้ช่วยให้เอนจิน Fabric ต่าง ๆ ทํางานกับข้อมูลเดียวกันโดยไม่ต้องย้ายหรือฟอร์แมตใหม่สําหรับแต่ละประสบการณ์ เครื่องมือและบริการที่รองรับ ADLS Gen2 เช่น Azure Databricks, Azure Synapse Analytics และแอปพลิเคชันที่กําหนดเอง ก็สามารถเข้าถึงข้อมูลเดียวกันจากภายนอก Fabric ได้เช่นกัน

ข้อกำหนดเบื้องต้น

• ใบอนุญาต Fabric หรือลงทะเบียนเพื่อทดลองใช้ Fabric ฟรี
• พื้นที่ทํางาน Fabric ที่มีการกําหนดความจุ
• บ้านริมทะเลสาบที่มีdim_productsตารางจาก quickstart ก่อนหน้า Quickstart: Get data into OneLake

สืบค้นตารางโดยใช้จุดสิ้นสุดการวิเคราะห์ SQL

บ้านพักทุกหลังในทะเลสาบจะได้รับ SQL analytics endpoint โดยอัตโนมัติ endpoint จะอ่านโดยตรงจากตาราง Delta ใน OneLake ดังนั้นคุณสามารถรันคําสั่ง T-SQL กับข้อมูลบ้านพักของคุณโดยไม่ต้องคัดลอกไปยัง SQL store แยกต่างหาก

1. ในพอร์ทัล Fabric เปิดพื้นที่ทํางานที่มีบ้านพักริมทะเลสาบของคุณและเลือกบ้านพักริมทะเลสาบ

2. ที่มุมขวาบนของบ้านพักทะเลสาบ ให้เลือก วิเคราะห์ข้อมูลด้วย>ปลายทางวิเคราะห์ SQL จากเมนูแบบเลื่อนลงเพื่อสลับไปยังปลายทางวิเคราะห์ SQL ของรายการเดียวกัน

   

3. ในเมนูจุดสิ้นสุดการวิเคราะห์ SQL ให้เลือก คําค้น SQL ใหม่

4. ในตัวแก้ไขคําสั่งค้นหา ให้รันคําสั่งค้นหาต่อไปนี้กับ dim_products ตาราง:

   คําค้นนี้จัดกลุ่มตามหมวดหมู่และหมวดย่อยเพื่อแสดงจํานวนสินค้าและราคาเฉลี่ย

   SELECT
      category,
      subcategory,
      COUNT(*) AS products,
      ROUND(AVG(standard_price), 2) AS avg_price
   FROM (
      SELECT
         product_id,
         category,
         subcategory,
         standard_price,
         ROW_NUMBER() OVER (
            PARTITION BY product_id
            ORDER BY from_date DESC
         ) AS rn
      FROM dbo.dim_products
   ) latest
   WHERE rn = 1
   GROUP BY category, subcategory
   ORDER BY avg_price DESC;
   

5. ตรวจสอบผลลัพธ์ในบานหน้าต่างผลลัพธ์ของคําสั่งค้นหา

   

คุณได้สอบถามตารางโดยไม่ย้ายหรือทําสําเนา จุดเชื่อมต่อ SQL analytics อ่านไฟล์ Delta เดียวกันกับ Lakehouse ใน OneLake

สร้างรายงาน Power BI ในโหมด Direct Lake

Direct Lake เป็นโหมดจัดเก็บข้อมูลของ Power BI ที่อ่านตาราง Delta จาก OneLake ดังนั้นโมเดลเชิงความหมายจึงสามารถให้บริการรายงานโดยไม่ต้องนําเข้าหรือทําซ้ําข้อมูล Direct Lake มีสองโหมดที่อ่านข้อมูลจาก OneLake ได้ทั้งคู่: Direct Lake บน OneLake และ Direct Lake บน SQL ทั้งสองแตกต่างกันในวิธีที่โมเดลเชิงความหมายค้นหาตารางและบังคับใช้สิทธิ์ เนื่องจาก quickstart นี้เริ่มต้นจากปลายทาง SQL analytics flow จึงสร้างโมเดล Direct Lake on SQL semantic model

ในส่วนนี้ คุณจะสร้างโมเดลเชิงความหมายและรายงานง่าย ๆ บนตารางเดียวกันdim_products

มุมมองรายงานจะแสดงราคาสินค้าเฉลี่ยตาม category, โดยแต่ละแถบจะแบ่งด้วย subcategory.

1. จากเมนู SQL analytics endpoint ให้เลือก โมเดลความหมายใหม่

   

2. ป้อนชื่อสําหรับโมเดลเชิงความหมาย เช่น dim_products_model. เลือกdim_productsตาราง แล้วเลือก ยืนยัน

3. จากเมนูโมเดลเชิงความหมาย ให้เลือก รายงานใหม่

   

4. ในประสบการณ์การเขียนรายงาน ให้ขยายdim_productsตารางในแผงข้อมูล

5. ในบานหน้าต่างการแสดงผล ให้เลือกแผนภูมิคอลัมน์ซ้อน

   

6. ลากcategoryไปที่แกน X

7. ลากstandard_priceไปที่แกน Y แล้วตั้งค่าการรวมเป็น Average

8. ลาก subcategory ไปที่ คําอธิบายเพื่อ แบ่งแต่ละหมวดหมู่ออกเป็นหมวดหมู่ย่อย

   

9. บนริบบอน ให้เลือก File>Save และบันทึกรายงานลงในพื้นที่ทํางานของคุณ

รายงานนี้อ่านจากตาราง Delta เดียวกันใน OneLake ที่คุณเพิ่งสอบถามด้วย T-SQL คุณไม่ได้สร้างสําเนาข้อมูลที่สองเพื่อขับเคลื่อนรายงาน

อ่านตารางเดียวกันจากสมุดบันทึก Spark

โน้ตบุ๊ก Fabric ให้เอนจินที่สามกับข้อมูลเดียวกัน Spark อ่าน dim_products ตาราง Delta โดยตรงจาก OneLake โดยไม่ต้องผ่าน SQL analytics endpoint หรือโมเดลเชิงความหมาย ขั้นตอนนี้แสดงให้เห็นว่าเอนจินที่มีสแตกคําสั่งค้นหาที่แตกต่างกันโดยสิ้นเชิงจะทํางานจากไฟล์พื้นฐานเดียวกัน

1. กลับไปที่บ้านริมทะเลสาบที่มี dim_products.

2. ในเมนู lakehouse ให้เลือก วิเคราะห์ข้อมูลด้วย>สมุดบันทึก>ใหม่ สมุดบันทึกจะเปิดด้วยบ้านริมทะเลสาบของคุณที่แนบมาแล้วเป็นบ้านพักริมทะเลสาบเริ่มต้น

3. ในเซลล์โค้ดแรก วางโค้ด PySpark ต่อไปนี้:

   รหัสนี้ใช้ from_date เป็นมิติเวลาและสรุปจํานวนสินค้าและราคาเฉลี่ยตามช่วงเวลาและหมวดหมู่

   from pyspark.sql import functions as F
   
   df = spark.read.table("dim_products")
   
   summary = (
      df.groupBy("from_date", "category")
      .agg(
         F.count("*").alias("products"),
         F.round(F.avg("standard_price"), 2).alias("avg_price"),
      )
      .orderBy(F.col("from_date"), F.col("avg_price").desc())
   )
   
   display(summary)
   

4. เลือก Run cell (หรือกด Shift+Enter) เพื่อรันเซลล์ ผลลัพธ์แสดงให้เห็นว่าราคาเฉลี่ยแตกต่างกันอย่างไรในแต่ละหมวดหมู่ในแต่ละวันที่มีผลบังคับใช้

   

สปาร์กอ่านไฟล์ Delta ใน OneLake โดยตรง ไม่มีข้อมูลใดถูกก็อปปี้ไปยังร้านค้าเฉพาะของ Spark และตารางที่คุณค้นหาก็เป็นตารางเดียวกับที่สนับสนุนโมเดลความหมายของคุณ ตอนนี้คุณมีสําเนาข้อมูลหนึ่งชุดใน OneLake ที่เอนจินสามตัว—จุดสิ้นสุดการวิเคราะห์ SQL, Power BI Direct Lake และ Spark—ใช้ผ่านการจัดเก็บแบบเปิดและรูปแบบตารางแบบเปิด โดยไม่ต้องย้ายหรือปรับรูปแบบข้อมูล

ล้างแหล่งข้อมูล

หากคุณไม่วางแผนจะใช้โมเดลเชิงความหมาย รายงาน และสมุดบันทึกต่อไป ให้ลบพวกมันออกจากพื้นที่ทํางานของคุณ:

1. ในพื้นที่ทํางานของคุณ ให้วางเมาส์เหนือโมเดลความหมายที่คุณสร้างขึ้นแล้วเลือกเมนูตัวเลือกเพิ่มเติม (...) จากนั้นเลือก ลบ
2. ทําซ้ําสําหรับรายงานและสมุดบันทึกในพื้นที่ทํางานของคุณ

การลบรายงาน โมเดลความหมาย หรือสมุดบันทึกจะไม่ส่งผลกระทบต่อบ้าน dim_products พักและโต๊ะที่อยู่เบื้องหลัง

เนื้อหาที่เกี่ยวข้อง

• OneLake คืออะไร?
• ฉันจะเชื่อมต่อกับ OneLake ได้อย่างไร?
• เริ่มต้นอย่างรวดเร็ว: นําข้อมูลเข้าสู่ OneLake
• ใช้ Azure Databricks เพื่อเข้าถึงข้อมูล OneLake