Snabbstart: Skapa en ny Lake-databas med databasmallar

  • Artikel
  • 2 minuter för att läsa

I den här snabbstarten får du en titt på ett scenario med två slutanvändare om hur du kan tillämpa databasmallarna för att skapa en lake-databas, justera data till den nya modellen och använda den integrerade upplevelsen för att analysera data.

Förutsättningar

  • Minst Behörighet för Synapse-användarroll krävs för att utforska en lake-databasmall från galleriet.
  • Behörigheter för Synapse-administratör eller Synapse-deltagare krävs på Synapse-arbetsytan för att skapa en lake-databas.
  • Storage Behörigheter för blobdatadeltagare krävs för datasjön.

Skapa en lake-databas från databasmallar

Använd de nya databasmallarna (förhandsversion) för att skapa en lake-databas som du kan använda för att konfigurera din datamodell för databasen.

I vårt scenario använder vi databasmallen Retail och väljer följande entiteter:

  • RetailProduct – En produkt är allt som kan erbjudas till en marknad som kan uppfylla potentiella kunders behov. Den här produkten är summan av alla fysiska, fysiska, symboliska och tjänstattribut som är associerade med den.
  • Transaktion – Den lägsta nivån av körbart arbete eller kundaktivitet. En transaktion består av en eller flera diskreta händelser.
  • TransactionLineItem – Komponenterna i en transaktion uppdelad efter Produkt och Kvantitet, en per radobjekt.
  • Part – En part är en person, organisation, juridisk enhet, social organisation eller affärsenhet av intresse för verksamheten.
  • Kund – En kund är en enskild eller juridisk enhet som har eller har köpt en produkt eller tjänst.
  • Kanal – En kanal är ett sätt att sälja och/eller distribuera produkter eller tjänster.

Det enklaste sättet att hitta dem är att använda sökrutan ovanför de olika affärsområden som innehåller tabellerna.

Exempel på databasmall

Konfigurera lake-databas

När du har skapat databasen kontrollerar du att lagringskontot som & är inställt på en plats där du vill lagra data. Sökvägen kommer som standard till det primära lagringskontot i Synapse Analytics, men den kan ändras efter dina behov.

Exempel på lake-databas

För att spara layouten och göra den tillgänglig i Synapse Publicera alla ändringar. Det här steget slutför konfigurationen av lake-databasen och gör den tillgänglig för alla komponenter inom Synapse Analytics och utanför.

Mata in data till lake-databasen

Om du vill mata in data till lake-databasen kan du köra pipelines med kodfria dataflödesmappningar, som har en Workspace DB-anslutning för att läsa in data direkt till databastabellen. Du kan också använda interaktiva Spark-anteckningsböcker för att mata in data till Lake Database-tabellerna:

%%sql
INSERT INTO `retail_mil`.`customer` VALUES (1,'2021-02-18',1022,557,101,'Tailspin Toys (Head Office)','Waldemar Fisar',90410,466);

Fråga efter data

När lake-databasen har skapats finns det olika sätt att fråga efter data. För närvarande stöder SQL-Ondemand inom Synapse som automatiskt förstår det nyligen skapade lake-databasformatet och exponerar data genom det.

SELECT TOP (100) [ProductId]
,[ProductName]
,[ProductDescription]
,[ProductInternalName]
,[ItemSku]
,[PrimaryBrandId]
FROM [Retail_mil].[dbo].[RetailProduct]

Det andra sättet att komma åt data i Synapse är att öppna en ny Spark-notebook-dator och använda den integrerade upplevelsen där:

df = spark.sql("SELECT * FROM `Retail_mil`.`RetailProduct`")
df.show(10)

Träna maskininlärningsmodeller

Du kan använda lake-databasen för att träna dina maskininlärningsmodeller och poängta data. Mer information om att träna maskininlärningsmodeller

Nästa steg

Fortsätt att utforska funktionerna i databasdesignern med hjälp av länkarna nedan.