Grupowanie danych przy użyciu funkcji agregujących
Organizacje we wszystkich sektorach zajmują się stałym przepływem danych i muszą przekształcić te dane w znaczące, praktyczne szczegółowe informacje. W scenariuszu meteorologicznym uzyskaliśmy zestaw danych z danymi burzowymi z USA. W poprzednim module przedstawiono sposób konstruowania podstawowych zapytań w celu eksplorowania danych.
W tej lekcji dowiesz się więcej na temat porównywania grup danych i prezentowania wyników wizualnie przy użyciu język zapytań Kusto (KQL).
Porównywanie grup danych
Dane w scenariuszu zdarzeń burzy są prezentowane na poziomie zdarzenia, co oznacza, że każdy wiersz reprezentuje określone zdarzenie burzy i skojarzone z nim informacje. To wiele indywidualnych burz i może być trudne do uzyskania znaczących szczegółowych informacji, patrząc na poszczególne wydarzenia. Jeśli pogrupujesz te poszczególne zdarzenia według typowych pól (na przykład: lokalizacja), możesz dokonać znaczących porównań między grupami.
Funkcja agregacji umożliwia wykonywanie tych porównań przez grupowanie wartości wielu wierszy w celu utworzenia pojedynczej wartości podsumowania. Typ wartości podsumowania zależy od używanej funkcji i może być liczbą, średnią, maksymalną, minimalną lub medianą, aby wymienić kilka. Na przykład poniższa ilustracja podsumowuje liczbę typów burzy według lokalizacji.
Prezentowanie wyników wizualnie
Po zgrupowaniu danych warto uzyskać szczegółowe informacje z wyników. Domyślne dane wyjściowe dla zapytań to tabelaryczny. Jednak w wielu scenariuszach reprezentacje graficzne mogą lepiej komunikować wyniki. Przyjrzymy się niektórym sposobom konwertowania wyników zapytań Kusto na wizualizacje graficzne przy użyciu render operatora .
Niektóre dostępne typy wizualizacji to linechart, , barchartcolumnchart, piechart, scatterchart, , pivotcharti inne. Na poniższej ilustracji przedstawiono przykładowe wyniki zapytania Kusto renderowane jako wykres liniowy, wykres kolumnowy i wykres słupkowy.
W następnych lekcjach poznamy niektóre z najbardziej typowych funkcji agregacji, zwizualizuj wyniki przy użyciu render operatora, a następnie utworzymy złożone zapytania. Te umiejętności języka KQL pomogą Ci uzyskać wgląd w przykładowy zestaw danych zawierający dane meteorologiczne USA.