使用 Python 從語意模型讀取和寫入 Power BI 消耗性數據

在本文中，您將瞭解如何使用 Microsoft Fabric 中的 SemPy Python 連結庫來讀取數據和元數據，並在語意模型中評估量值。 您也將瞭解如何撰寫語意模型可取用的數據。

必要條件

• 取得 Microsoft Fabric 訂用帳戶。 或者，註冊免費的 Microsoft Fabric 試用版。

• 登入 Microsoft Fabric。

• 使用首頁左側的體驗切換器，切換至 Synapse 資料科學 體驗。

  

• 移至 Microsoft Fabric 中的 資料科學 體驗。
• 建立 新的筆記本 ，以將程式代碼複製/貼到儲存格中。
• 針對 Spark 3.4 和更新版本，使用 Fabric 時，預設運行時間提供語意連結，而且不需要安裝它。 如果您使用 Spark 3.3 或更新版本，或想要更新為最新版本的 Semantic Link，您可以執行 命令： python %pip install -U semantic-link  
• 將 Lakehouse 新增至您的筆記本。
• 從網狀架構範例存放庫的數據集資料夾下載客戶獲利率 Sample.pbix 語意模型，並將語意模型儲存在本機。

將語意模型上傳至您的工作區

在本文中，我們會使用 客戶獲利率範例.pbix 語意模型。 此語意模型參考公司製造營銷數據，並包含各種業務單位產品、客戶和對應營收的相關數據。

1. 在 [網狀架構] 資料科學 中開啟工作區。
2. 選取 [上傳流覽>]，然後選取 [客戶獲利率範例.pbix 語意模型]。

上傳完成後，您的工作區將會有三個新的成品：Power BI 報表、儀錶板，以及名為「客戶獲利率範例」的語意模型。 您將針對本文中的步驟使用此語意模型。

使用 Python 從語意模型讀取數據

SemPy Python API 可以從位於 Microsoft Fabric 工作區的語意模型擷取數據和元數據，並對其執行查詢。

您的筆記本、語意模型（Power BI 數據集）和 Lakehouse 可以位於相同的工作區或不同的工作區中。 根據預設，SemPy 會嘗試從中存取您的語意模型：

• 如果您已將 Lakehouse 附加至筆記本，則為 Lakehouse 的工作區。
• 筆記本的工作區，如果沒有連結的 Lakehouse。

如果您的語意模型不在 SemPy 嘗試存取的預設工作區中，則必須在呼叫 SemPy 方法時指定語意模型的工作區。

若要從語意模型讀取數據：

1. 列出工作區中可用的語意模型。

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

2. 列出客戶獲利率範例語意模型中可用的數據表。

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

3. 列出客戶獲利率範例語意模型中定義的 量值 。

   提示

   在下列程式代碼中，我們已指定 SemPy 的工作區，以用來存取語意模型。 您可以將 取代 Your Workspace 為您上傳語意模型的工作區名稱（從 將語意模型上傳至工作區區 段）。

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

   現在我們已判斷 Customer 數據表是感興趣的數據表。

4. 從客戶獲利率範例語意模型讀取 Customer 數據表。

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

   注意

   • 使用 XMLA 擷取數據，因此至少 需要啟用 XMLA 只讀 。
   • 可擷取的數據量受限於 裝載語意模型之容量 SKU 的每個查詢 的最大記憶體，以及執行筆記本的 Spark 驅動程式節點（請參閱 節點大小）。
   • 所有要求都會使用低優先順序來將對 Microsoft Azure Analysis Services 效能的影響降到最低，並且會以互動式要求計費。

5. 評估每個客戶狀態和日期的總營收量值。

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

   注意

   • 根據預設，不會使用 XMLA 擷取數據，因此不需要啟用 XMLA 只讀。
   • 此外，數據不會受限於Power BI 後端限制。
   • 可擷取的數據量受限於 裝載語意模型之容量 SKU 的每個查詢 的最大記憶體，以及執行筆記本的 Spark 驅動程式節點（請參閱 節點大小）。
   • 所有要求都會以互動式要求計費。

6. 您可以藉由指定可在特定資料列中的值清單，將篩選新增至量值計算。

   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. 您也可以使用 DAX 查詢來評估每個客戶狀態和日期的總營收量值。

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

   注意

   • 使用 XMLA 擷取數據，因此至少 需要啟用 XMLA 只讀 。
   • 可擷取的數據量受限於 Microsoft Azure Analysis Services 和 Spark 驅動程式節點中的可用記憶體（請參閱 節點大小）。
   • 所有要求都會使用低優先順序來將 Analysis Services 效能的影響降到最低，並且會以互動式要求的形式計費。

8. 您可以使用數據格 magic 來評估相同的 DAX 查詢， %%dax 而不需要匯入連結庫。 讓我們執行下方的數據格來載入 %%dax 數據格magic。

   %load_ext sempy
   

   workspace 參數是選擇性的，且遵循與函式工作區參數 evaluate_dax 相同的規則。 數據格 magic 也支援使用 {variable_name} 語法存取 Python 變數。 若要在 DAX 查詢中使用大括弧，請使用另一個大括弧來逸出它（例如 EVALUATE {{1}}）。

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

   產生的 FabricDataFrame 可透過 _ 變數取得，其會擷取最後一個執行單元格的輸出。

   df_dax = _
   
   df_dax.head()
   

9. 或者，您可以將量值新增至從外部來源擷取的數據。 此方法結合了三項工作：它會將數據行名稱解析為Power BI 維度、依資料行定義群組，以及篩選量值。 系統會忽略無法在指定語意模型中解析的任何數據行名稱（請參閱支援的 DAX 語法）。

   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
   

特殊參數

SemPy read_table 和 evaluate_measure 方法有更多參數可用來操作輸出。 這些參數包括：

• fully_qualified_columns：如果值為 “True”，則方法會以 格式 TableName[ColumnName]傳回數據行名稱。
• num_rows：結果中要輸出的數據列數目。
• pandas_convert_dtypes：如果值為 “True”，則產生的DataFrame資料行會使用 pandas convert_dtypes轉換成最佳可能的 dtype。 如果關閉此參數，類型不相容問題可能會導致因為 DAX 隱含類型轉換而在 Power BI 模型中可能未偵測到的相關數據表數據行之間。

SemPy read_table 也會使用 Power BI 所提供的模型資訊。

• multiindex_hierarchies：如果為 True，請將 Power BI 階層 轉換成 pandas MultiIndex 結構。

寫入依語意模型取用的數據

新增至 Lakehouse 的 Spark 數據表會自動新增至對應的 預設語意模型。 此範例示範如何將數據寫入附加的 Lakehouse。 FabricDataFrame 接受與 Pandas 數據框架相同的輸入數據。

from sempy.fabric import FabricDataFrame

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

df_forecast.to_lakehouse_table("ForecastTable")

藉由使用 Power BI，ForecastTable 數據表可以使用 Lakehouse 語意模型新增至複合語意模型。

相關內容

• 請參閱 sempy.functions 以瞭解語意函式的使用方式
• 教學課程：從 Jupyter Notebook 擷取和計算 Power BI 量值
• 探索及驗證語意模型中的關聯性
• 如何使用語意連結來驗證數據