Biblioteka funkcji
Poniższy artykuł zawiera listę kategoryzowaną funkcji zdefiniowanej przez użytkownika.
Kod funkcji zdefiniowanych przez użytkownika jest podany w artykułach. Może być on używany w instrukcji let osadzonej w zapytaniu lub może być utrwalany w bazie danych przy użyciu polecenia .create function
.
Funkcje ogólne
Nazwa funkcji | Opis |
---|---|
geoip_fl() | Pobiera informacje geograficzne o adresie IP. |
get_packages_version_fl() | Zwraca informacje o wersji aparatu języka Python i określone pakiety. |
Funkcje uczenia maszynowego
Nazwa funkcji | Opis |
---|---|
kmeans_fl() | Klasteryzacja przy użyciu algorytmu k-średnich. |
predict_fl() | Przewidywanie przy użyciu istniejącego wytrenowanego modelu uczenia maszynowego. |
predict_onnx_fl() | Przewidywanie przy użyciu istniejącego wytrenowanego modelu uczenia maszynowego w formacie ONNX. |
Funkcje kreślące
Poniższa sekcja zawiera funkcje renderowania interaktywnych wykresów wykresów Plotly.
Nazwa funkcji | Opis |
---|---|
plotly_anomaly_fl() | Renderuj wykres anomalii przy użyciu szablonu Plotly. |
plotly_scatter3d_fl() | Renderuj wykres punktowy 3D przy użyciu szablonu Plotly. |
Funkcje PromQL
Poniższa sekcja zawiera typowe funkcje PromQL . Te funkcje mogą służyć do analizy metryk pozyskanych do klastra przez system monitorowania Prometheus . Wszystkie funkcje zakładają, że metryki w klastrze są ustrukturyzowane przy użyciu modelu danych Prometheus.
Nazwa funkcji | Opis |
---|---|
series_metric_fl() | Wybierz i pobierz szeregi czasowe przechowywane przy użyciu modelu danych Prometheus. |
series_rate_fl() | Oblicz średnią szybkość wzrostu metryki licznika na sekundę. |
Funkcje przetwarzania serii
Nazwa funkcji | Opis |
---|---|
quantize_fl() | Kwantyzuj kolumny metryk. |
series_clean_anomalies_fl() | Zastąp anomalie w serii wartością interpolowaną. |
series_cosine_similarity_fl() | Oblicz podobieństwo cosinusowe dwóch wektorów liczbowych. |
series_dbl_exp_smoothing_fl() | Zastosuj podwójny filtr wygładzania wykładniczego w serii. |
series_dot_product_fl() | Oblicz kropkę dwóch wektorów liczbowych. |
series_downsample_fl() | Szeregi czasowe downsample według współczynnika całkowitego. |
series_exp_smoothing_fl() | Zastosuj podstawowy filtr wygładzania wykładniczego w serii. |
series_fit_lowess_fl() | Dopasuj lokalny wielomian do serii przy użyciu metody LOWESS. |
series_fit_poly_fl() | Dopasuj wielomian do serii przy użyciu analizy regresji. |
series_fbprophet_forecast_fl() | Prognozowanie wartości szeregów czasowych przy użyciu algorytmu proroka. |
series_lag_fl() | Zastosuj filtr opóźnienia w serii. |
series_monthly_decompose_anomalies_fl() | Wykrywanie anomalii w serii z miesięczną sezonowością. |
series_moving_avg_fl() | Zastosuj filtr średniej ruchomej dla serii. |
series_moving_var_fl() | Zastosuj ruchomy filtr wariancji w serii. |
series_mv_ee_anomalies_fl() | Wielowariancyjne wykrywanie anomalii dla serii przy użyciu wielokropkowego modelu koperty. |
series_mv_if_anomalies_fl() | Wielowariancyjne wykrywanie anomalii dla serii przy użyciu modelu lasu izolacji. |
series_mv_oc_anomalies_fl() | Wielowariancyjne wykrywanie anomalii dla serii przy użyciu jednego modelu SVM klasy. |
series_rolling_fl() | Zastosuj funkcję agregacji stopniowej w serii. |
series_shapes_fl() | Wykrywa pozytywny/negatywny trend lub skok w serii. |
series_uv_anomalies_fl() | Wykrywanie anomalii w szeregach czasowych przy użyciu interfejsu API usługi Cognitive Service wykrywania anomalii. |
series_uv_change_points_fl() | Wykrywanie punktów zmian w szeregach czasowych przy użyciu interfejsu API univariate Anomaly Detection Cognitive Service. |
time_weighted_avg_fl() | Oblicza średnią ważoną czasu metryki. |
time_window_rolling_avg_fl() | Oblicza średnią kroczącą metryki w stałym przedziale czasu trwania. |
Funkcje statystyczne i prawdopodobieństwa
Nazwa funkcji | Opis |
---|---|
bartlett_test_fl() | Przeprowadź test Bartletta. |
binomial_test_fl() | Przeprowadź test binomialny. |
comb_fl() | Oblicz C(n, k), liczbę kombinacji do wyboru elementów k z n. |
factorial_fl() | Oblicz n!, współczynnik n. |
ks_test_fl() | Wykonaj test Kolmogorov Smirnov. |
levene_test_fl()n | Wykonaj test Levene. |
normality_test_fl() | Wykonuje test normalności. |
mann_whitney_u_test_fl() | Wykonaj test Mann-Whitney U. |
pair_probabilities_fl() | Oblicz różne prawdopodobieństwa i powiązane metryki dla pary zmiennych kategorii. |
pairwise_dist_fl() | Oblicz odległość parowania między jednostkami na podstawie wielu zmiennych nominalnych i liczbowych. |
percentiles_linear_fl() | Obliczanie percentylów przy użyciu interpolacji liniowej między najbliższymi rangami |
perm_fl() | Oblicz P(n, k), liczbę permutacji do wyboru elementów k z n. |
two_sample_t_test_fl() | Wykonaj dwa przykładowe testy t-testowe. |
wilcoxon_test_fl() | Wykonaj test Wilcoxon. |
Analiza tekstu
Nazwa funkcji | Opis |
---|---|
log_reduce_fl() | Znajdź typowe wzorce w dziennikach tekstowych i wyprowadza tabelę podsumowania. |
log_reduce_full_fl() | Znajdź typowe wzorce w dziennikach tekstowych i wyprowadza pełną tabelę. |
log_reduce_predict_fl() | Zastosuj wytrenowany model, aby znaleźć typowe wzorce w dziennikach tekstowych i wyświetlić tabelę podsumowania. |
log_reduce_predict_full_fl() | Zastosuj wytrenowany model, aby znaleźć typowe wzorce w dziennikach tekstowych i wyświetlić pełną tabelę. |
log_reduce_train_fl() | Znajdź typowe wzorce w dziennikach tekstowych i wyprowadza model. |
Opinia
https://aka.ms/ContentUserFeedback.
Dostępne już wkrótce: W 2024 r. będziemy stopniowo wycofywać zgłoszenia z serwisu GitHub jako mechanizm przesyłania opinii na temat zawartości i zastępować go nowym systemem opinii. Aby uzyskać więcej informacji, sprawdź:Prześlij i wyświetl opinię dla