共用方式為

使用語意連結探索語意模型中的關係

本教學課程示範如何使用 Jupyter 筆記本與 Power BI 互動，以及偵測資料表與 SemPy 程式庫之間的關聯性。

在本教學課程中，您會了解如何：

  • 使用語意連結的 Python 程式庫 （SemPy） 探索語意模型 （Power BI 資料集） 中的關聯性。
  • 使用與 Power BI 整合的 SemPy 元件，並自動化資料品質分析。 這些元件包括：
    • FabricDataFrame - 透過語義資訊增強的類似 PANDAS 的結構
    • 將語意模型從 Fabric 工作區提取至筆記本的函式
    • 測試功能相依性並識別語意模型中關係違規的函數

必要條件

  • 移至導覽窗格中的 工作區 ，然後選取您的工作區以將其設定為目前的工作區。

  • 從 fabric-samples GitHub 存放庫下載 Customer Profitability Sample.pbix 和 Customer Profitability Sample （auto）.pbix 語意模型，然後將它們上傳至您的工作區。

在筆記本裡跟著操作

使用 powerbi_relationships_tutorial.ipynb 筆記本進行操作。

設定筆記本

使用您需要的模組和資料設定筆記本環境。

  1. 使用筆記本中的內嵌命令，%pip從 PyPI 安裝semantic-link套件。

    %pip install semantic-link

  2. 匯入 sempy 您稍後要使用的模組。

    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. 匯入 pandas 資源庫並設定輸出格式的顯示選項。

    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()

針對本筆記本的其餘部分，請使用兩個版本的客戶獲利能力範例語意模型：

  • 客戶獲利能力範例：Power BI 範例中提供的語意模型，具有預先定義的資料表關聯性
  • 客戶獲利能力範例 （自動）：相同的資料，但關聯性僅限於 Power BI 自動偵測的關聯性

從範例語意模型擷取預先定義的關聯性

  1. 使用 Sempy 的 list_relationships 函式，在客戶獲利能力範例語意模型中載入預先定義的關聯性。 函式會列出表格式物件模型 （TOM） 中的關聯性。

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

  2. 使用 Sempy 的plot_relationship_metadata函數將 DataFrame 視覺化relationships為圖表。

    plot_relationship_metadata(relationships)

    語意模型中資料表之間關聯性圖表的螢幕擷取畫面。

    此圖表顯示此語意模型中資料表之間的關聯性，如主題專家在 Power BI 中定義。

探索其他關係

如果您從 Power BI 自動偵測的關聯性開始，則會有較小的集合。

  1. 將 Power BI 在語意模型中自動偵測到的關聯性視覺化：

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

    Power BI 在語意模型中自動偵測到的關聯性螢幕擷取畫面。

    Power BI 的自動偵測會遺漏許多關聯性。 此外，其中兩個自動偵測的關聯性在語意上不正確：

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

  2. 將關聯性列印為資料表：

    autodetected

    第 3 列和第 4 列顯示與表格的 Industry 不正確關係。 移除這些資料列。

  3. 捨棄未能正確識別的關聯性。

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

    現在你有正確但不完整的關係。 使用視覺 plot_relationship_metadata化這些不完整的關係：

    plot_relationship_metadata(autodetected)

    移除不正確關係後關係視覺化的螢幕擷取畫面。

  4. 使用 SemPy 和list_tablesread_table函數從語義模型加載所有表，然後使用 find_relationships查找表之間的關係。 檢閱記錄輸出，以深入瞭解此函式的運作方式：

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

  5. 將新探索到的關聯性視覺化：

    plot_relationship_metadata(suggested_relationships_all)

    新發現關係視覺化的螢幕擷取畫面。

    SemPy 會偵測所有關係。

  6. 使用 exclude 參數，將搜尋限制為先前未識別的其他關聯性：

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

additional_relationships

驗證關聯性

  1. 首先，從 客戶獲利能力範例 語意模型載入資料。

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

tables.keys()

  2. 檢查主索引鍵和外部索引鍵是否與函數重 list_relationship_violations 疊。 將函數的 list_relationships 輸出傳遞給 list_relationship_violations。

    list_relationship_violations(tables, fabric.list_relationships(dataset))

    結果揭示了有用的見解。 例如，中的 Fact[Product Key] 七個值之一不存在 Product[Product Key]於 中，而遺漏的索引鍵是 50。

    探索性資料分析和資料清洗是迭代的。 您學到的內容取決於您的問題以及您探索資料的方式。 語意連結新增工具，可協助您處理資料執行更多動作。

相關內容

探索語義連結和 SemPy 的其他教學：

\n\n
  • Last updated on