Microsoft Fabric 中的筆記本視覺效果

  • 發行項

Microsoft Fabric 是整合式分析服務，可加速跨數據倉儲和巨量數據分析系統深入解析的時間。 筆記本中的數據視覺效果是一個重要元件，可讓您深入瞭解您的數據。 它有助於讓人類更容易瞭解巨量和小型數據。 它也可讓您更輕鬆地在數據群組中偵測模式、趨勢和極端值。

當您在 Fabric 中使用 Apache Spark 時，有各種內建選項可協助您將數據可視化，包括網狀架構筆記本圖表選項，以及存取熱門的開放原始碼連結庫。

使用 Fabric 筆記本時，您可以使用圖表選項，將表格式結果檢視轉換成自定義圖表。 在這裡，您可以將數據可視化，而不需要撰寫任何程序代碼。

內建視覺效果命令 - display（） 函式

網狀架構內建視覺效果函式可讓您將 Apache Spark DataFrame、Pandas DataFrame 和 SQL 查詢結果轉換成豐富的格式數據視覺效果。

您可以在 Spark 資料框架上建立的數據框架上使用顯示 函式，或在 Spark 數據框架上建立的 Scala 或彈性分散式數據集 （RDD） 函式來產生豐富的數據框架數據表檢視和圖表檢視。

SQL 語句的輸出預設會出現在轉譯的數據表檢視中。

豐富的數據框架數據表檢視

豐富數據框架預覽的動畫 GIF。

  1. 使用 display（） 命令時，預設會轉譯數據表檢視。
  2. 您可以按下 [ 檢查 ] 按鈕來分析資料框架。 它提供摘要數據分佈，並顯示每個數據行的統計數據。
  3. [檢查] 側邊窗格中的每個卡片都會對應至 dataframke 的數據行，您可以按兩下卡片或選取資料表中的數據行來檢視更多詳細數據。
  4. 您可以按下資料表的儲存格來檢視儲存格詳細數據。 當數據框架包含長字串類型的內容時，這非常有用。
  5. 您可以指定數據表檢視的數據列計數、預設值為 1000、Notebook支援，最多可以檢視及分析 數據框架的10000 個數據列。

豐富的數據框架圖表檢視

圖表檢視的動畫GIF。

  1. 一旦您擁有轉譯的數據表檢視，請切換至 [ 圖表 ] 檢視。

  2. 網狀架構筆記本會根據目標數據框架自動建議「索引鍵」「值」配對，讓預設圖表具有數據見解意義。

  3. 您現在可以藉由指定下列值來自定義視覺效果：

    Configuration 說明
    圖表類型 顯示函式支援各種不同的圖表類型，包括條形圖、散佈圖、折線圖等等。
    機碼 指定 X 軸的值範圍。
    值 指定 y 軸值的值範圍。
    數列群組 使用此組態來判斷匯總的群組。
    彙總 使用此方法來匯總視覺效果中的數據。

    設定將會自動儲存在 Notebook 輸出內容中。

    注意

    根據預設， display（df） 函式只會採用前 1000 個數據列來轉譯圖表。 選取 [匯總至所有結果 ]，然後選取 [ 套用 ] 以套用整個語意模型的圖表產生。 當圖表設定變更時，將會觸發 Spark 作業。 請注意，完成計算並轉譯圖表可能需要幾分鐘的時間。

  4. 當作業完成時，您可以檢視最終視覺效果並與其互動。

display（df） 摘要檢視

使用 display（df， summary = true） 來檢查指定 Apache Spark DataFrame 的統計數據摘要。 摘要包含數據行名稱、數據行類型、唯一值，以及每個數據行的遺漏值。 您也可以選取特定數據行，以查看其最小值、最大值、平均值和標準偏差。

摘要檢視的動畫GIF。

displayHTML（） 選項

網狀架構筆記本支援使用 displayHTML 函式的 HTML 圖形。

下圖是使用 D3.js 建立視覺效果的範例。

使用 D3.js 建立之圖表範例的螢幕快照。

若要建立此視覺效果，請執行下列程序代碼。

displayHTML("""<!DOCTYPE html>
<meta charset="utf-8">

<!-- Load d3.js -->
<script src="https://d3js.org/d3.v4.js"></script>

<!-- Create a div where the graph will take place -->
<div id="my_dataviz"></div>
<script>

// set the dimensions and margins of the graph
var margin = {top: 10, right: 30, bottom: 30, left: 40},
  width = 400 - margin.left - margin.right,
  height = 400 - margin.top - margin.bottom;

// append the svg object to the body of the page
var svg = d3.select("#my_dataviz")
.append("svg")
  .attr("width", width + margin.left + margin.right)
  .attr("height", height + margin.top + margin.bottom)
.append("g")
  .attr("transform",
        "translate(" + margin.left + "," + margin.top + ")");

// Create Data
var data = [12,19,11,13,12,22,13,4,15,16,18,19,20,12,11,9]

// Compute summary statistics used for the box:
var data_sorted = data.sort(d3.ascending)
var q1 = d3.quantile(data_sorted, .25)
var median = d3.quantile(data_sorted, .5)
var q3 = d3.quantile(data_sorted, .75)
var interQuantileRange = q3 - q1
var min = q1 - 1.5 * interQuantileRange
var max = q1 + 1.5 * interQuantileRange

// Show the Y scale
var y = d3.scaleLinear()
  .domain([0,24])
  .range([height, 0]);
svg.call(d3.axisLeft(y))

// a few features for the box
var center = 200
var width = 100

// Show the main vertical line
svg
.append("line")
  .attr("x1", center)
  .attr("x2", center)
  .attr("y1", y(min) )
  .attr("y2", y(max) )
  .attr("stroke", "black")

// Show the box
svg
.append("rect")
  .attr("x", center - width/2)
  .attr("y", y(q3) )
  .attr("height", (y(q1)-y(q3)) )
  .attr("width", width )
  .attr("stroke", "black")
  .style("fill", "#69b3a2")

// show median, min and max horizontal lines
svg
.selectAll("toto")
.data([min, median, max])
.enter()
.append("line")
  .attr("x1", center-width/2)
  .attr("x2", center+width/2)
  .attr("y1", function(d){ return(y(d))} )
  .attr("y2", function(d){ return(y(d))} )
  .attr("stroke", "black")
</script>

"""
)

在筆記本中內嵌 Power BI 報表

重要

這項功能目前為「預覽」狀態。 這項資訊涉及發行前產品，在發行之前可能會有大幅修改。 Microsoft 對此處提供的資訊，不提供任何明確或隱含的瑕疵擔保。

Fabric 筆記本現在原生支援 Powerbiclient Python 套件。 您不需要在 Fabric Notebook Spark 執行時間 3.4 上執行任何額外的設定（例如驗證程式）。 只要匯入 powerbiclient ，然後繼續探索。 若要深入瞭解如何使用 powerbiclient 套件，請參閱 powerbiclient 檔。

Powerbiclient 支援下列主要功能。

轉譯現有的Power BI報表

只要幾行程序代碼，您就可以輕鬆地在筆記本中內嵌Power BI報表並與其互動。

下圖是轉譯現有Power BI報表的範例。

Spark 快速視覺效果的螢幕快照。

執行下列程式代碼來轉譯現有的Power BI報表。

from powerbiclient import Report

report_id="Your report id"
report = Report(group_id=None, report_id=report_id)

report

從 Spark DataFrame 建立報表視覺效果

您可以在筆記本中使用 Spark DataFrame 來快速產生深入解析的視覺效果。 您也可以選取內嵌報表中的 [ 儲存 ]，以在目標工作區中建立報表專案。

下圖是Spark DataFrame中的範例 QuickVisualize() 。

螢幕擷取畫面：Power BI 報表。

執行下列程式代碼，從Spark DataFrame轉譯報表。

# Create a spark dataframe from a Lakehouse parquet table
sdf = spark.sql("SELECT * FROM testlakehouse.table LIMIT 1000")

# Create a Power BI report object from spark data frame
from powerbiclient import QuickVisualize, get_dataset_config
PBI_visualize = QuickVisualize(get_dataset_config(sdf))

# Render new report
PBI_visualize

從 pandas DataFrame 建立報表視覺效果

您也可以根據 Notebook 中的 pandas DataFrame 建立報表。

下圖是 pandas DataFrame 中的 QuickVisualize() 範例。

pandas 快速視覺效果的螢幕快照。

執行下列程式代碼，從Spark DataFrame轉譯報表。

import pandas as pd

# Create a pandas dataframe from a URL
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/fips-unemp-16.csv")

# Create a pandas dataframe from a Lakehouse csv file
from powerbiclient import QuickVisualize, get_dataset_config

# Create a Power BI report object from your data
PBI_visualize = QuickVisualize(get_dataset_config(df))

# Render new report
PBI_visualize

在數據視覺效果方面，Python 提供多個圖形連結庫，其中包含許多不同的功能。 根據預設，Fabric 中的每個 Apache Spark 集區都包含一組策劃且熱門的開放原始碼連結庫。

Matplotlib

您可以使用每個連結庫的內建轉譯函式，來轉譯標準繪製連結庫，例如 Matplotlib。

下圖是使用 Matplotlib 建立條形圖的範例。

使用 Matplotlib 建立之折線圖的螢幕快照。

使用 Matplotlib 建立的條形圖螢幕快照。

執行下列範例程式代碼來繪製此條形圖。

# Bar chart

import matplotlib.pyplot as plt

x1 = [1, 3, 4, 5, 6, 7, 9]
y1 = [4, 7, 2, 4, 7, 8, 3]

x2 = [2, 4, 6, 8, 10]
y2 = [5, 6, 2, 6, 2]

plt.bar(x1, y1, label="Blue Bar", color='b')
plt.bar(x2, y2, label="Green Bar", color='g')
plt.plot()

plt.xlabel("bar number")
plt.ylabel("bar height")
plt.title("Bar Chart Example")
plt.legend()
plt.show()

Bokeh

您可以使用 displayHTML（df） 來轉譯 HTML 或互動式連結庫，例如 bokeh。

下圖是使用 bokeh繪製地圖圖像的範例。

繪製地圖圖像範例的螢幕快照。

若要繪製此映像，請執行下列範例程序代碼。

from bokeh.plotting import figure, output_file
from bokeh.tile_providers import get_provider, Vendors
from bokeh.embed import file_html
from bokeh.resources import CDN
from bokeh.models import ColumnDataSource

tile_provider = get_provider(Vendors.CARTODBPOSITRON)

# range bounds supplied in web mercator coordinates
p = figure(x_range=(-9000000,-8000000), y_range=(4000000,5000000),
           x_axis_type="mercator", y_axis_type="mercator")
p.add_tile(tile_provider)

# plot datapoints on the map
source = ColumnDataSource(
    data=dict(x=[ -8800000, -8500000 , -8800000],
              y=[4200000, 4500000, 4900000])
)

p.circle(x="x", y="y", size=15, fill_color="blue", fill_alpha=0.8, source=source)

# create an html document that embeds the Bokeh plot
html = file_html(p, CDN, "my plot1")

# display this html
displayHTML(html)

Plotly

您可以使用 displayHTML（）來轉譯 HTML 或互動式連結庫，例如 Plotly。

若要繪製此映像，請執行下列範例程序代碼。

使用繪圖建立之 美國 地圖的螢幕快照。 

from urllib.request import urlopen
import json
with urlopen('https://raw.githubusercontent.com/plotly/datasets/master/geojson-counties-fips.json') as response:
    counties = json.load(response)

import pandas as pd
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/fips-unemp-16.csv",
                   dtype={"fips": str})

import plotly
import plotly.express as px

fig = px.choropleth(df, geojson=counties, locations='fips', color='unemp',
                           color_continuous_scale="Viridis",
                           range_color=(0, 12),
                           scope="usa",
                           labels={'unemp':'unemployment rate'}
                          )
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})

# create an html document that embeds the Plotly plot
h = plotly.offline.plot(fig, output_type='div')

# display this html
displayHTML(h)

Pandas

您可以將 pandas DataFrame 的 HTML 輸出視為預設輸出。 網狀架構筆記本會自動顯示樣式的 HTML 內容。

使用 pandas 建立之數據表的螢幕快照。 

import pandas as pd 
import numpy as np 

df = pd.DataFrame([[38.0, 2.0, 18.0, 22.0, 21, np.nan],[19, 439, 6, 452, 226,232]], 

                  index=pd.Index(['Tumour (Positive)', 'Non-Tumour (Negative)'], name='Actual Label:'), 

                  columns=pd.MultiIndex.from_product([['Decision Tree', 'Regression', 'Random'],['Tumour', 'Non-Tumour']], names=['Model:', 'Predicted:'])) 

df

相關內容