Mi az a szemantikai hivatkozás?
A szemantikai kapcsolat egy olyan funkció, amellyel kapcsolatot létesíthet a szemantikai modellek és a Synapse Adattudomány között a Microsoft Fabricben. A szemantikai hivatkozás használata csak a Microsoft Fabricben támogatott.
A Spark 3.4-hez és újabb verziókhoz a Szemantikus hivatkozás az alapértelmezett futtatókörnyezetben érhető el a Fabric használatakor, és nincs szükség a telepítésre. Ha a Spark 3.3-at vagy az alábbi verziót használja, vagy a Szemantic Link legújabb verziójára szeretne frissíteni, futtassa a parancsot:
%pip install -U semantic-link
A szemantikai kapcsolat elsődleges célja az adatkapcsolat megkönnyítése, a szemantikai információk propagálása, valamint az adattudósok által használt eszközökkel, például jegyzetfüzetekkel való zökkenőmentes integrálás. a szemantikai hivatkozás segítségével a tartomány adatszemantikával kapcsolatos ismereteit szabványosított módon őrizheti meg, amely felgyorsíthatja az adatelemzést és csökkentheti a hibákat.
Szemantikai hivatkozás áttekintése
Az adatfolyam olyan szemantikai modellekkel kezdődik, amelyek adatokat és szemantikai információkat tartalmaznak. A szemantikai kapcsolat hidat képez a Power BI és a Adattudomány élmény között.
Szemantikai hivatkozással a Power BI szemantikai modelljeit használhatja Adattudomány olyan feladatok végrehajtásához, mint a részletes statisztikai elemzés és a gépi tanulási technikákkal végzett prediktív modellezés. Az adatelemzési munka kimenete az Apache Spark használatával tárolható a OneLake-ben, és a Direct Lake használatával betölthető a Power BI-ba.
Power BI-kapcsolat
A szemantikai modellek egyetlen táblázatos objektummodellként szolgálnak, amely megbízható forrást biztosít a szemantikai definíciókhoz, például a Power BI-mértékekhez. Szemantikai modellekhez való csatlakozás:
- A Szemantic link adatkapcsolatot biztosít a Python pandas-ökoszisztémához a SemPy Python-kódtáron keresztül, így az adattudósok egyszerűen dolgozhatnak az adatokkal.
- A szemantikai hivatkozás a Spark natív összekötőjén keresztül hozzáférést biztosít a szemantikai modellekhez az Apache Spark-ökoszisztémát jobban ismerő adattudósok számára. Ez az implementáció különböző nyelveket támogat, például a PySparkot, a Spark SQL-t, az R-t és a Scalát.
Szemantikai információk alkalmazásai
Az adatok szemantikai információi közé tartoznak a Power BI adatkategóriái , például a cím és az irányítószám, a táblák közötti kapcsolatok és a hierarchikus információk. Ezek az adatkategóriák olyan metaadatokat tartalmaznak, amelyeket a szemantikai hivatkozás a Adattudomány környezetbe propagál az új szolgáltatások engedélyezése és az adatsorok fenntartása érdekében. A szemantikai hivatkozás néhány példaalkalmazása:
- A beépített szemantikai függvények intelligens javaslatai.
- Innovatív integráció az adatok Power BI-mértékekkel való bővítéséhez bővítmények használatával.
- Eszközök az adatminőség ellenőrzéséhez a táblák és a táblák funkcionális függőségei közötti kapcsolatok alapján.
A szemantikai hivatkozás egy hatékony eszköz, amely lehetővé teszi az üzleti elemzők számára, hogy hatékonyan használják az adatokat egy átfogó adatelemzési környezetben. A szemantikai kapcsolat megkönnyíti az adattudósok és az üzleti elemzők közötti zökkenőmentes együttműködést azáltal, hogy szükségtelenné teszi a Power BI-mértékekbe ágyazott üzleti logika újrakontegrálását. Ez a megközelítés biztosítja, hogy mindkét fél hatékonyan és hatékonyan működjön, maximalizálva az adatvezérelt elemzések potenciálját.
FabricDataFrame
adatstruktúra
A FabricDataFrame a szemantikai kapcsolat alapvető adatstruktúrája. Alosztályozza a pandas DataFrame-et , és metaadatokat ad hozzá, például szemantikai információkat és életútot. A FabricDataFrame az az elsődleges adatstruktúra, amelyet a szemantikai kapcsolat használ a szemantikai modellek szemantikai adatainak a Adattudomány környezetbe való propagálására.
A FabricDataFrame támogatja az összes pandas-műveletet és így tovább. Elérhetővé teszi a szemantikai függvényeket és az add-measure metódust, amely lehetővé teszi a Power BI-mértékek használatát az adatelemzési munkában.
Kapcsolódó tartalom
- A SemPy szakértelmének elmélyítése a SemPy referenciadokumentációjában
- Oktatóanyag: Adatok tisztítása funkcionális függőségekkel
- További információ a szemantikai kapcsolatról és a Power BI-kapcsolatról
- Adatok érvényesítése szemantikai hivatkozással
- Kapcsolatok vizsgálata és érvényesítése szemantikai modellekben
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: