Samouczek: analizowanie zależności funkcjonalnych w modelu semantycznym

W tym samouczku bazujesz na pracy analityka usługi Power BI, która jest przechowywana w postaci modeli semantycznych (zestawów danych usługi Power BI). Korzystając z SemPy (podglądu) w obciążeniu Fabric Data Science, analizujesz zależności funkcjonalne w kolumnach DataFrame. Ta analiza pomaga odkryć subtelne problemy z jakością danych, aby uzyskać dokładniejsze szczegółowe informacje.

Z tego samouczka dowiesz się, jak wykonywać następujące działania:

• Zastosuj wiedzę na temat domeny, aby sformułować hipotezy dotyczące zależności funkcjonalnych w modelu semantycznym.
• Zapoznaj się ze składnikami biblioteki języka Python (SemPy) usługi Semantic Link, które integrują się z usługą Power BI i pomagają zautomatyzować analizę jakości danych. Te składniki obejmują:
  • FabricDataFrame—struktura podobna do pandas rozszerzona o dodatkowe informacje semantyczne
  • Funkcje ściągające modele semantyczne z obszaru roboczego usługi Fabric do notesu
  • Funkcje, które oceniają hipotezy zależności funkcjonalnych i identyfikują naruszenia relacji w modelach semantycznych

Warunki wstępne

• Pobierz subskrypcję usługi Microsoft Fabric . Możesz też utworzyć bezpłatne konto wersji próbnej usługi Microsoft Fabric.

• Zaloguj się do usługi Microsoft Fabric.

• Przełącz się na Fabric, używając przełącznika nawigacji w lewej dolnej części strony głównej.

  

1. Wybierz pozycję Obszary robocze w okienku nawigacji, aby znaleźć i wybrać obszar roboczy. To środowisko pracy staje się bieżącym środowiskiem pracy.

2. Pobierz plik Customer Profitability Sample.pbix z repozytorium GitHub fabric-samples.

3. W obszarze roboczym wybierz pozycję Importuj raport>lub raport podzielony na strony>Z tego komputera, aby przekazać plik Customer Profitability Sample.pbix do obszaru roboczego.

Śledź w zeszycie

Notatnik powerbi_dependencies_tutorial.ipynb towarzyszy temu samouczkowi.

• Aby otworzyć dołączony zeszyt do tego samouczka, postępuj zgodnie z instrukcjami w Przygotuj swój system do samouczków z nauki o danych, w celu zaimportowania zeszytu do obszaru roboczego.

• Jeśli wolisz skopiować i wkleić kod z tej strony, możesz utworzyć nowy notes.

• Przed rozpoczęciem uruchamiania kodu, upewnij się, że dołączysz lakehouse do notesu.

Skonfiguruj notebooka

Skonfiguruj środowisko notatnika z modułami i danymi, których potrzebujesz.

1. Użyj polecenia %pip, aby zainstalować SemPy z PyPI w notesie.

   %pip install semantic-link
   

2. Zaimportuj potrzebne moduły.

   import sempy.fabric as fabric
   from sempy.dependencies import plot_dependency_metadata
   

Ładowanie i wstępne przetwarzanie danych

W tym samouczku użyto standardowego przykładowego modelu semantycznego Customer Profitability Sample.pbix. Aby zapoznać się z opisem modelu semantycznego, zobacz Przykład Customer Profitability dla usługi Power BI.

1. Załaduj dane usługi Power BI do FabricDataFrame, używając funkcji fabric.read_table.

   dataset = "Customer Profitability Sample"
   customer = fabric.read_table(dataset, "Customer")
   customer.head()
   

2. Załaduj tabelę State do obiektu FabricDataFrame.

   state = fabric.read_table(dataset, "State")
   state.head()
   

   Mimo że dane wyjściowe wyglądają jak DataFrame biblioteki pandas, ten kod inicjalizuje strukturę danych o nazwie FabricDataFrame, która rozszerza bibliotekę pandas o dodatkowe operacje.

3. Sprawdź typ danych customer.

   type(customer)
   

   Dane wyjściowe wskazują, że customer to sempy.fabric._dataframe._fabric_dataframe.FabricDataFrame.

4. Połącz obiekty customer i stateDataFrame.

   customer_state_df = customer.merge(state, left_on="State", right_on="StateCode", how='left')
   customer_state_df.head()
   

Identyfikowanie zależności funkcjonalnych

Zależność funkcjonalna to relacja jeden do wielu między wartościami w co najmniej dwóch kolumnach w obiekcie DataFrame. Użyj tych relacji, aby automatycznie wykrywać problemy z jakością danych.

1. Uruchom funkcję find_dependencies biblioteki SemPy na scalonym elemencie DataFrame, aby zidentyfikować zależności funkcjonalne między wartościami kolumn.

   dependencies = customer_state_df.find_dependencies()
   dependencies
   

2. Wizualizuj zależności przy użyciu funkcji SemPy plot_dependency_metadata .

   plot_dependency_metadata(dependencies)
   

   

   Wykres zależności funkcjonalnych pokazuje, że kolumna Customer określa kolumny, takie jak City, Postal Codei Name.

   Wykres nie pokazuje zależności funkcjonalnej między City i Postal Code, prawdopodobnie dlatego, że istnieje wiele naruszeń relacji między kolumnami. Użyj funkcji SemPy plot_dependency_violations do wizualizacji naruszeń zależności między określonymi kolumnami.

Eksplorowanie danych pod kątem problemów z jakością

1. Rysuj graf za pomocą funkcji wizualizacji plot_dependency_violations SemPy.

   customer_state_df.plot_dependency_violations('Postal Code', 'City')
   

   

   Wykres naruszeń zależności przedstawia wartości dla Postal Code po lewej stronie oraz wartości dla City po prawej stronie. Krawędź łączy Postal Code po lewej stronie z City po prawej stronie, jeśli istnieje wiersz zawierający te dwie wartości. Krawędzie są oznaczone adnotacjami z liczbą takich wierszy. Na przykład są dwa wiersze z kodem pocztowym 20004: jeden z miastem "North Tower" i drugi z miastem "Waszyngton".

   Wykres przedstawia również kilka naruszeń i wiele pustych wartości.

2. Potwierdź liczbę pustych wartości dla Postal Code:

   customer_state_df['Postal Code'].isna().sum()
   

   50 wierszy zawiera wartość NA dla Postal Code.

3. Usuwanie wierszy z pustymi wartościami. Następnie znajdź zależności przy użyciu funkcji find_dependencies. Zwróć uwagę na dodatkowy parametr verbose=1, który oferuje wgląd w wewnętrzne działania SemPy:

   customer_state_df2=customer_state_df.dropna()
   customer_state_df2.find_dependencies(verbose=1)
   

   Entropia warunkowa dla Postal Code i City wynosi 0,049. Ta wartość wskazuje, że istnieją naruszenia zależności funkcjonalnych. Przed naprawieniem naruszeń podnieś próg dla entropii warunkowej z wartości domyślnej 0.01 do 0.05, aby zobaczyć zależności. Niższe progi powodują zmniejszenie zależności (lub wyższą selektywność).

4. Podnieś próg entropii warunkowej z wartości domyślnej 0.01 do 0.05:

   plot_dependency_metadata(customer_state_df2.find_dependencies(threshold=0.05))
   

   

   Jeśli zastosujesz wiedzę o domenie, która jednostka określa wartości innych jednostek, ten wykres zależności wydaje się dokładny.

5. Poznaj więcej wykrytych problemów z jakością danych. Na przykład strzałka przerywana łączy City i Region, co wskazuje, że zależność jest jedynie przybliżona. Przybliżona relacja może oznaczać, że istnieje częściowa zależność funkcjonalna.

   customer_state_df.list_dependency_violations('City', 'Region')
   

6. Przyjrzyj się bliżej każdemu z przypadków, w których niepusta wartość Region powoduje naruszenie.

   customer_state_df[customer_state_df.City=='Downers Grove']
   

   Wynik pokazuje miasto Downers Grove w Illinois i Nebraska. Jednak Downers Grove jest miastem w Illinois, a nie Nebraska.

7. Przyjrzyj się miastu Fremont:

   customer_state_df[customer_state_df.City=='Fremont']
   

   Istnieje miasto o nazwie Fremont w Kalifornii. Jednak w przypadku Teksasu wyszukiwarka zwraca Premont, a nie Fremont.

8. Podejrzane jest również widzieć naruszenia zależności między Name i Country/Region, oznaczone linią przerywaną w oryginalnym wykresie naruszeń zależności (przed usunięciem wierszy z brakującymi wartościami).

   customer_state_df.list_dependency_violations('Name', 'Country/Region')
   

   Jeden klient, SDI Design, pojawia się w dwóch regionach — Stanach Zjednoczonych i Kanadzie. Ten przypadek może nie być naruszeniem semantycznym, po prostu nietypowym. Mimo to warto przyjrzeć się bliżej:

9. Przyjrzyj się bliżej projektowi SDIklienta:

   customer_state_df[customer_state_df.Name=='SDI Design']
   

   Dalsza kontrola pokazuje dwóch różnych klientów z różnych branż o tej samej nazwie.

Eksploracyjna analiza danych i czyszczenie danych są iteracyjne. To, co znajdziesz, zależy od pytań i perspektywy. Usługa Semantic Link udostępnia nowe narzędzia do uzyskiwania większej ilości danych.

Powiązana zawartość

Zapoznaj się z innymi samouczkami dotyczącymi linku semantycznego i biblioteki SemPy:

• samouczek : czyszczenie danych z zależnościami funkcjonalnymi
• samouczek : wyodrębnianie i obliczanie miar usługi Power BI z notesu Jupyter
• Samouczek: odnajdywanie relacji w modelu semantycznym przy użyciu linku semantycznego
• Samouczek: odnajdywanie relacji w zestawie danych Synthea przy użyciu linku semantycznego
• Samouczek : Weryfikowanie danych przy użyciu bibliotek SemPy i Great Expectations (GX)