อ่านจากแบบจําลองความหมายและเขียนข้อมูลที่สามารถใช้โดย Power BI โดยใช้ python

ในบทความนี้ คุณจะได้เรียนรู้วิธีการอ่านข้อมูลและเมตาดาต้า และประเมินหน่วยวัดในแบบจําลองความหมายโดยใช้ไลบรารี SemPy python ใน Microsoft Fabric นอกจากนี้คุณยังจะได้เรียนรู้วิธีการเขียนข้อมูลที่แบบจําลองความหมายสามารถใช้ได้

ข้อกำหนดเบื้องต้น

• รับการสมัครใช้งาน Microsoft Fabric หรือลงทะเบียนเพื่อทดลองใช้งาน Microsoft Fabric ฟรี

• ลงชื่อเข้าใช้ Microsoft Fabric

• ใช้ตัวสลับประสบการณ์ทางด้านซ้ายของโฮมเพจของคุณเพื่อสลับไปยังประสบการณ์วิทยาศาสตร์ข้อมูล Synapse

  

• ไปยังประสบการณ์ด้านวิทยาศาสตร์ข้อมูลใน Microsoft Fabric
• สร้าง สมุดบันทึก ใหม่เพื่อคัดลอก/วางรหัสลงในเซลล์
• สําหรับ Spark 3.4 และสูงกว่า ลิงก์ความหมายจะพร้อมใช้งานในรันไทม์เริ่มต้นเมื่อใช้ Fabric และไม่จําเป็นต้องติดตั้ง ถ้าคุณกําลังใช้ Spark 3.3 หรือต่ํากว่า หรือถ้าคุณต้องการอัปเดตเป็นลิงก์ความหมายเวอร์ชันล่าสุด คุณสามารถเรียกใช้คําสั่งได้: python %pip install -U semantic-link  
• เพิ่มเลคเฮาส์ลงในสมุดบันทึกของคุณ
• ดาวน์โหลด แบบจําลองความหมาย Customer Profitability Sample.pbix จากโฟลเดอร์ชุดข้อมูลของที่เก็บ fabric-samples และบันทึกแบบจําลองความหมายภายในเครื่อง

อัปโหลดแบบจําลองความหมายลงในพื้นที่ทํางานของคุณ

ในบทความนี้ เราใช้แบบจําลองความหมาย ตัวอย่างความสามารถในการทํากําไรสําหรับลูกค้า.pbix แบบจําลองความหมายนี้อ้างอิงถึงเอกสารทางการตลาดของการผลิตของบริษัท และประกอบด้วยข้อมูลเกี่ยวกับผลิตภัณฑ์ ลูกค้า และรายได้ที่สอดคล้องกันสําหรับหน่วยธุรกิจต่างๆ

1. เปิดพื้นที่ทํางานของคุณใน Fabric Data Science
2. เลือก อัปโหลด>เรียกดู และเลือกแบบจําลองความหมาย ตัวอย่างความสามารถในการทํากําไรสําหรับลูกค้า.pbix

เมื่อการอัปโหลดเสร็จสิ้น พื้นที่ทํางานของคุณจะมีวัตถุใหม่สามรายการ: รายงาน Power BI แดชบอร์ด และแบบจําลองความหมายที่ชื่อว่า ตัวอย่างความสามารถในการทํากําไรลูกค้า คุณจะใช้แบบจําลองความหมายนี้สําหรับขั้นตอนในบทความนี้

ใช้ Python เพื่ออ่านข้อมูลจากแบบจําลองความหมาย

SemPy Python API สามารถดึงข้อมูลและเมตาดาต้าจากแบบจําลองความหมายที่ตั้งอยู่ในพื้นที่ทํางาน Microsoft Fabric และดําเนินการคิวรี่

สมุดบันทึก แบบจําลองความหมาย (ชุดข้อมูล Power BI) และ เลคเฮ้าส์ ของคุณสามารถอยู่ในพื้นที่ทํางานเดียวกันหรือในพื้นที่ทํางานที่แตกต่างกันได้ ตามค่าเริ่มต้น SemPy พยายามเข้าถึงแบบจําลองความหมายของคุณจาก:

• พื้นที่ทํางานของเลคเฮาส์ของคุณ ถ้าคุณได้แนบเลคเฮาส์เข้ากับสมุดโน๊ตของคุณ
• พื้นที่ทํางานของสมุดบันทึกของคุณ ถ้าไม่มีเลคเฮ้าส์ติดอยู่

หากแบบจําลองความหมายของคุณไม่อยู่ในพื้นที่ทํางานเริ่มต้นที่ SemPy พยายามเข้าถึง คุณต้องระบุพื้นที่ทํางานของแบบจําลองความหมายของคุณเมื่อคุณเรียกใช้เมธอด SemPy

ในการอ่านข้อมูลจากแบบจําลองความหมาย:

1. ระบุรายการแบบจําลองความหมายที่มีอยู่ในพื้นที่ทํางานของคุณ

   import sempy.fabric as fabric
   
   df_datasets = fabric.list_datasets()
   df_datasets
   

2. ระบุรายการตารางที่พร้อมใช้งานใน แบบจําลองความหมายตัวอย่าง ความสามารถในการทํากําไรลูกค้า

   df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
   df_tables
   

3. ระบุรายการหน่วยวัดที่กําหนดใน แบบจําลองความหมายตัวอย่าง ความสามารถในการทํากําไรลูกค้า

   เคล็ดลับ

   ในโค้ดต่อไปนี้ เราได้ระบุพื้นที่ทํางานสําหรับ SemPy เพื่อใช้สําหรับการเข้าถึงแบบจําลองความหมาย คุณสามารถแทนที่ Your Workspace ด้วยชื่อของพื้นที่ทํางานที่คุณอัปโหลดแบบจําลองแสดงความหมาย (จาก อัปโหลดแบบจําลองแสดงความหมายลงในส่วนพื้นที่ทํางาน ของคุณ)

   df_measures = fabric.list_measures("Customer Profitability Sample", workspace="Your Workspace")
   df_measures
   

   ในตอนนี้เราได้กําหนดว่า ตารางลูกค้า เป็นตารางที่สนใจ

4. อ่านตารางลูกค้าจากแบบจําลองความหมายตัวอย่างความสามารถในการทํากําไรสําหรับลูกค้า

   df_table = fabric.read_table("Customer Profitability Sample", "Customer")
   df_table
   

   หมายเหตุ

   • ข้อมูลจะถูกเรียกใช้โดยใช้ XMLA ดังนั้นต้องมีการเปิดใช้งาน XMLA แบบอ่านอย่างเดียวเป็นอย่างน้อย
   • จํานวนข้อมูลที่เรียกได้จะถูกจํากัดโดย หน่วยความจําสูงสุดต่อคิวรี ของความจุ SKU ที่โฮสต์แบบจําลองความหมายและโดยโหนดโปรแกรมควบคุม Spark (ดู ขนาดโหนด) ที่กําลังใช้งานสมุดบันทึก
   • คําขอทั้งหมดใช้ลําดับความสําคัญต่ําเพื่อลดผลกระทบต่อประสิทธิภาพการทํางานของ Microsoft Azure Analysis Services และจะถูกเรียกเก็บเงินเป็น คําขอแบบโต้ตอบ

5. ประเมินหน่วยวัดรายได้รวมต่อรัฐและวันที่ของลูกค้า

   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["'Customer'[State]", "Calendar[Date]"])
   df_measure
   

   หมายเหตุ

   • ตามค่าเริ่มต้น ข้อมูลจะไม่ถูกเรียกใช้โดยใช้ XMLA ดังนั้นจึงไม่จําเป็นต้องเปิดใช้งาน XMLA แบบอ่านอย่างเดียว
   • นอกจากนี้ ข้อมูล ไม่ อยู่ภายใต้ ข้อจํากัด Backend ของ Power BI
   • จํานวนข้อมูลที่เรียกได้จะถูกจํากัดโดย หน่วยความจําสูงสุดต่อคิวรี ของความจุ SKU ที่โฮสต์แบบจําลองความหมายและโดยโหนดโปรแกรมควบคุม Spark (ดู ขนาดโหนด) ที่กําลังใช้งานสมุดบันทึก
   • คําขอทั้งหมดจะถูกเรียกเก็บเงินเป็น คําขอแบบโต้ตอบ

6. คุณสามารถเพิ่มตัวกรองลงในการคํานวณหน่วยวัดโดยระบุรายการของค่าที่สามารถอยู่ในคอลัมน์เฉพาะได้

   filters = {
       "State[Region]": ["East", "Central"],
       "State[State]": ["FLORIDA", "NEW YORK"]
   }
   df_measure = fabric.evaluate_measure(
       "Customer Profitability Sample",
       "Total Revenue",
       ["Customer[State]", "Calendar[Date]"],
       filters=filters)
   df_measure
   

7. คุณยังสามารถประเมิน หน่วยวัดรายได้ รวมต่อรัฐและวันที่ของลูกค้าโดยใช้ คิวรี DAX

   df_dax = fabric.evaluate_dax(
       "Customer Profitability Sample",
       """
       EVALUATE SUMMARIZECOLUMNS(
           'State'[Region],
           'Calendar'[Date].[Year],
           'Calendar'[Date].[Month],
           "Total Revenue",
           CALCULATE([Total Revenue]))
       """)
   

   หมายเหตุ

   • ข้อมูลจะถูกเรียกใช้โดยใช้ XMLA ดังนั้นต้องมีการเปิดใช้งาน XMLA แบบอ่านอย่างเดียวเป็นอย่างน้อย
   • จํานวนข้อมูลที่เรียกได้จะถูกจํากัดโดยหน่วยความจําที่มีอยู่ใน Microsoft Azure Analysis Services และโหนดโปรแกรมควบคุม Spark (ดู ขนาดโหนด)
   • คําขอทั้งหมดใช้ลําดับความสําคัญต่ําเพื่อลดผลกระทบต่อประสิทธิภาพการทํางานของ Analysis Services และจะถูกเรียกเก็บเงินเป็นคําขอแบบโต้ตอบ

8. คุณสามารถประเมินคิวรี DAX เดียวกันโดยไม่จําเป็นต้องนําเข้าไลบรารีโดยใช้เวทมนตร์ของ %%dax เซลล์ ลองเรียกใช้เซลล์ด้านล่างเพื่อโหลด %%dax เวทมนตร์ของเซลล์

   %load_ext sempy
   

   พารามิเตอร์พื้นที่ทํางานเป็นตัวเลือกและปฏิบัติตามกฎเดียวกันกับพารามิเตอร์พื้นที่ทํางานของ evaluate_dax ฟังก์ชัน เวทมนตร์ของเซลล์ยังสนับสนุนการเข้าถึงตัวแปร Python โดยใช้ {variable_name} ไวยากรณ์ เมื่อต้องการใช้วงเล็บปีกกาในคิวรี DAX ให้หลีกเลี่ยงด้วยวงเล็บปีกกาอีกอัน (เช่น EVALUATE {{1}})

   %%dax "Customer Profitability Sample" -w "Your Workspace"
   EVALUATE SUMMARIZECOLUMNS(
       'State'[Region],
       'Calendar'[Date].[Year],
       'Calendar'[Date].[Month],
       "Total Revenue",
       CALCULATE([Total Revenue]))
   

   ผลลัพธ์ FabricDataFrame จะพร้อมใช้งานผ่าน _ ตัวแปร ซึ่งจับเอาต์พุตของเซลล์ที่ดําเนินการล่าสุด

   df_dax = _
   
   df_dax.head()
   

9. อีกวิธีหนึ่งคือ คุณสามารถเพิ่มหน่วยวัดไปยังข้อมูลที่ดึงมาจากแหล่งข้อมูลภายนอกได้ วิธีการนี้รวมสามงาน: จะแก้ไขชื่อคอลัมน์เป็นมิติ Power BI กําหนดกลุ่มตามคอลัมน์และกรองหน่วยวัด ชื่อคอลัมน์ใด ๆ ที่ไม่สามารถแก้ไขภายในแบบจําลองความหมายที่กําหนดจะถูกละเว้น (ดูไวยากรณ์ DAX ที่ได้รับการสนับสนุน)

   from sempy.fabric import FabricDataFrame
   
   df = FabricDataFrame({
           "Sales Agent": ["Agent 1", "Agent 1", "Agent 2"],
           "Customer[Country/Region]": ["US", "GB", "US"],
           "Industry[Industry]": ["Services", "CPG", "Manufacturing"],
       }
   )
   
   joined_df = df.add_measure("Total Revenue", dataset="Customer Profitability Sample")
   joined_df
   

พารามิเตอร์พิเศษ

SemPy read_table และ evaluate_measure วิธีการ มีพารามิเตอร์เพิ่มเติมที่มีประโยชน์สําหรับการจัดการเอาต์พุต พารามิเตอร์เหล่านี้รวมถึง:

• fully_qualified_columns: ถ้าค่าเป็น "True" วิธีการจะแสดงชื่อคอลัมน์ในแบบฟอร์มTableName[ColumnName]
• num_rows: จํานวนแถวที่จะแสดงผลในผลลัพธ์
• pandas_convert_dtypes: ถ้าค่าเป็น "จริง" คอลัมน์ของ DataFrame ผลลัพธ์จะถูกแปลงเป็น dtype ที่ดีที่สุดที่เป็นไปได้ โดยใช้ pandas convert_dtypes หากพารามิเตอร์นี้ถูกปิดใช้งาน ชนิดปัญหาความไม่เข้ากันอาจเกิดขึ้นได้ระหว่างคอลัมน์ของตารางที่เกี่ยวข้องที่อาจไม่ได้รับการตรวจพบในแบบจําลอง Power BI เนื่องจาก การแปลงชนิดโดยนัยของ DAX

SemPy read_table ยังใช้ข้อมูลแบบจําลองที่ให้มาโดย Power BI

• multiindex_hierarchies: ถ้าเป็นจริง จะ แปลงลําดับชั้น Power BI เป็นโครงสร้าง MultiIndex ของ pandas

เขียนข้อมูลที่สามารถใช้งานโดยแบบจําลองความหมาย

ตาราง Spark ที่เพิ่มไปยังเลคเฮ้าส์จะถูกเพิ่มโดยอัตโนมัติไปยังแบบจําลองความหมายเริ่มต้นที่สอดคล้องกัน ตัวอย่างนี้สาธิตวิธีการเขียนข้อมูลไปยังเลคเฮ้าส์ที่แนบมา FabricDataFrame ยอมรับข้อมูลป้อนเข้าเดียวกันเป็นกรอบข้อมูล Pandas

from sempy.fabric import FabricDataFrame

df_forecast = FabricDataFrame({'ForecastedRevenue': [1, 2, 3]})

df_forecast.to_lakehouse_table("ForecastTable")

โดยการใช้ Power BI สามารถเพิ่มตาราง ForecastTable ลงในแบบจําลองความหมายแบบรวมโดยใช้แบบจําลองความหมายของเลคเฮ้าส์

เนื้อหาที่เกี่ยวข้อง

• ดู sempy.functions เพื่อเรียนรู้เกี่ยวกับการใช้ฟังก์ชันความหมาย
• บทช่วยสอน: แยกและคํานวณหน่วยวัด Power BI จากสมุดบันทึก Jupyter
• สํารวจและตรวจสอบความสัมพันธ์ในแบบจําลองความหมาย
• วิธีการตรวจสอบข้อมูลด้วยลิงก์แสดงความหมาย