使用 Python 從語意模型讀取並寫入 Power BI 可取用的資料

在本文中，您將瞭解如何使用 Microsoft Fabric 中的 SemPy Python 程式庫來讀取語意模型中的資料、中繼資料，以及評估量值。 您也會學習撰寫語意模型可以使用的資料。

必要條件

• 取得 Microsoft Fabric 訂用帳戶。 或註冊免費的 Microsoft Fabric 試用版。

• 登入 Microsoft Fabric。

• 使用首頁左下方的體驗切換器，切換至 Fabric。

  

• 移至 Microsoft Fabric 中的資料科學體驗。
• 建立 新的筆記本 ，將程式碼複製並貼到儲存格中。
• 若是 Spark 3.4 和更高版本，使用 Fabric 時，預設執行階段可使用語意連結功能，而且不需要安裝。 如果使用的是 Spark 3.3 或以下版本，或者想要更新為最新版本的語意連結，可以執行命令： python %pip install -U semantic-link
• 將 Lakehouse 新增至您的筆記本
• 從 fabric-samples 存放庫的 datasets 資料夾下載 Customer Profitability Sample.pbix 語意模型，並將其儲存在本機。

將語意模型上傳至您的工作區

本文使用 客戶獲利率範例.pbix 語意模型。 語意模型參考了一家製造行銷材料的公司。 它包括不同業務單位的產品、客戶和收入資料。

1. 在 Fabric Data Science 中開啟 您的工作區 。
2. 選取 [從此電腦匯入>報表]、[編頁報表] 或 [活頁簿>]，然後選取 [客戶獲利能力範例.pbix] 語意模型。

上傳完成後，您的工作區會包含三個新的成品：Power BI 報表、儀錶板，以及名為 Customer Profitability Sample 的語意模型。 本文中的步驟依賴此語意模型。

使用 Python 從語意模型讀取資料

SemPy Python API 可以從位於 Microsoft Fabric 工作區的語意模型擷取數據和元數據。 API 也可以對其執行查詢。

您的筆記本、Power BI 資料集語意模型和 Lakehouse 可位於相同的工作區或不同的工作區。 根據預設，SemPy 會嘗試從以下存取語意模型：

• 如果您已將湖宅連結至筆記本，那麼這就是湖宅的工作區。
• 如果未連接資料湖倉，則為筆記本的工作區。

如果您的語意模型不在上述任一工作區，則必須在呼叫 SemPy 方法時，指定語意模型的工作區。

若要從語意模型讀取資料，請遵循下列步驟：

1. 列出工作區中可用的語意模型。

   import sempy.fabric as fabric
   
   df_datasets = fabric.list_datasets()
   df_datasets
   

2. 列出 Customer Profitability Sample 語意模型中可用的資料表。

   df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
   df_tables
   

3. 列出 Customer Profitability Sample 語意模型中定義的措施。

   提示

   在下列程式代碼範例中，我們指定了 SemPy 用於存取語意模型的工作區。 您可以將 <Your Workspace> 取代為您上傳語意模型的工作區名稱 (來自 將語意模型上傳至您的工作區區段)。

   df_measures = fabric.list_measures("Customer Profitability Sample", workspace="<Your Workspace>")
   df_measures
   

   在這裡，我們判斷 Customer 數據表是感興趣的數據表。

4. 從 Customer Profitability Sample 語意模型讀取客戶資料表。

   df_table = fabric.read_table("Customer Profitability Sample", "Customer")
   df_table
   

   注意

   • 使用 XMLA 擷取資料，這至少需要啟用 XMLA 唯讀 。
   • 可擷取的資料量受限於：- 裝載語意模型之容量 SKU 的 每個查詢記憶體上限 。 - 執行筆記本的 Spark 執行元節點 （請造訪 節點大小 以取得詳細資訊）。
   • 所有要求都會使用低優先順序，以將對 Microsoft Azure Analysis Services 效能的影響降到最低，並以 互動式要求計費。

5. 評估每個客戶狀態和日期的總營收量值。

   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["'Customer'[State]", "Calendar[Date]"])
   df_measure
   

   注意

   • 根據預設， 不會 使用 XMLA 擷取資料，因此不需要啟用 XMLA 唯讀。
   • 資料不受 Power BI 後端限制的限制。
   • 可擷取的資料數量受以下限制：- 裝載語意模型之容量 SKU 的 每個查詢記憶體上限 。 - 執行筆記本環境的 Spark driver 節點（請造訪 節點大小 以取得詳細資訊）。
   • 所有請求都以 互動式請求計費。
   • 函 evaluate_dax 式不會自動重新整理語意模型。 如需詳細資訊，請瀏覽 此頁面 。

6. 若要將篩選新增至量值計算，請指定特定數據行的允許值清單。

   filters = {
       "State[Region]": ["East", "Central"],
       "State[State]": ["FLORIDA", "NEW YORK"]
   }
   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["Customer[State]", "Calendar[Date]"],
       filters=filters)
   df_measure
   

7. 使用 DAX 查詢評估每個客戶狀態和日期的總收入量值。

   df_dax = fabric.evaluate_dax(
       "Customer Profitability Sample",
       """
       EVALUATE SUMMARIZECOLUMNS(
           'State'[Region],
           'Calendar'[Date].[Year],
           'Calendar'[Date].[Month],
           "Total Revenue",
           CALCULATE([Total Revenue]))
       """)
   

   注意

   • 使用 XMLA 擷取數據，因此至少需要啟用 XMLA 只讀
   • 可擷取的數據量受限於 Microsoft azure Analysis Services 和 Spark 驅動程式節點中的可用記憶體數量（如需詳細資訊，請造訪 節點大小 ）
   • 所有要求都會使用低優先順序將 Analysis Services 效能的影響降到最低，並以互動式要求的形式計費

8. 使用 %%dax cell magic 來評估相同的 DAX 查詢，而不需要匯入程式庫。 執行此儲存格以載入 %%dax cell magic：

   %load_ext sempy
   

   工作區參數是選擇性的。 它會遵循與函式工作區參數 evaluate_dax 相同的規則。

   Python 魔法命令也支援使用 {variable_name} 語法來存取 Python 變數。 若要在 DAX 查詢中使用大括弧，請使用另一個大括弧來跳脫它（例如：EVALUATE {{1}}）。

   %%dax "Customer Profitability Sample" -w "<Your Workspace>"
   EVALUATE SUMMARIZECOLUMNS(
       'State'[Region],
       'Calendar'[Date].[Year],
       'Calendar'[Date].[Month],
       "Total Revenue",
       CALCULATE([Total Revenue]))
   

   產生的 FabricDataFrame 可透過 _ 變數取得。 該變數會擷取最後一個執行之單元格的輸出。

   df_dax = _
   
   df_dax.head()
   

9. 您可以將量值新增至從外部來源擷取的數據。 此方法結合了三項工作：

   • 它會將欄位名稱解析為 Power BI 維度
   • 它會依欄位定義群組
   • 它會篩選度量，並忽略指定語意模型中無法解析的任何欄位名稱（如需詳細資訊，請造訪支援的資源 DAX 語法）。

   from sempy.fabric import FabricDataFrame
   
   df = FabricDataFrame({
           "Sales Agent": ["Agent 1", "Agent 1", "Agent 2"],
           "Customer[Country/Region]": ["US", "GB", "US"],
           "Industry[Industry]": ["Services", "CPG", "Manufacturing"],
       }
   )
   
   joined_df = df.add_measure("Total Revenue", dataset="Customer Profitability Sample")
   joined_df
   

特殊參數

SemPy read_table 和 evaluate_measure 方法有可用來操作輸出的更多參數。 這些參數包括：

• pandas_convert_dtypes：如果設定為 True，pandas 會將產生的 DataFrame 資料行轉換成最佳 dtype。 在 convert_dtypes中了解更多信息。 如果關閉此參數，則相關資料表的資料行之間可能會發生類型不相容問題。 Power BI 模型可能無法偵測到這些問題，因為 DAX 隱含類型轉換。

SemPy read_table 也會使用 Power BI 提供的模型資訊。

• multiindex_hierarchies：如果設定為 True，則會將 Power BI 階層 轉換成 pandas MultiIndex 結構。

寫入語意模型可取用的資料

新增至 Lakehouse 的 Spark 資料表會自動新增至對應的預設語意模型。 本文示範如何將資料寫入附加的 Lakehouse。 FabricDataFrame 接受與 Pandas 資料框相同的輸入資料。

from sempy.fabric import FabricDataFrame

df_forecast = FabricDataFrame({'ForecastedRevenue': [1, 2, 3]})

df_forecast.to_lakehouse_table("ForecastTable")

使用 Power BI，ForecastTable 資料表可以新增至包含 Lakehouse 語意模型的複合語意模型。

相關內容

• 請參閱 sempy.functions 以了解語意函數的使用方式
• 教學課程：從 Jupyter 筆記本擷取和計算 Power BI 量值
• 探索並驗證語意模型中的關聯性
• 如何使用語意連結來驗證資料