หมายเหตุ
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลอง ลงชื่อเข้าใช้หรือเปลี่ยนไดเรกทอรีได้
การเข้าถึงหน้านี้ต้องได้รับการอนุญาต คุณสามารถลองเปลี่ยนไดเรกทอรีได้
Semantic link เป็นฟีเจอร์ที่ช่วยให้คุณเชื่อมโยงระหว่างโมเดลเชิงความหมายกับ Data Science ใน Microsoft Fabric การใช้ลิงก์เชิงความหมายได้รับการสนับสนุนเฉพาะใน Microsoft Fabric เท่านั้น
สําหรับ Fabric Runtime 1.2 (Spark 3.4) ขึ้นไป ลิงก์เชิงความหมายจะพร้อมใช้งานในรันไทม์เริ่มต้น และไม่จําเป็นต้องติดตั้ง
เมื่อต้องการอัปเดตเป็นเวอร์ชันล่าสุดของ semantic link ให้เรียกใช้คําสั่งต่อไปนี้:
%pip install -U semantic-link
เป้าหมายหลักของการเชื่อมโยงความหมายคือ:
- อํานวยความสะดวกในการเชื่อมต่อข้อมูล
- เปิดใช้งานการเผยแพร่ข้อมูลความหมาย
- ผสานรวมกับเครื่องมือที่นักวิทยาศาสตร์ข้อมูลใช้อย่างราบรื่น เช่น สมุดบันทึก
ลิงก์เชิงความหมายช่วยให้คุณเก็บรักษาความรู้โดเมนเกี่ยวกับตรรกะข้อมูลในลักษณะที่เป็นมาตรฐานซึ่งสามารถเร่งการวิเคราะห์ข้อมูลให้เร็วขึ้นและลดข้อผิดพลาดได้
โฟลว์ข้อมูลลิงก์เชิงความหมาย
โฟลว์ข้อมูลลิงก์ความหมายเริ่มต้นด้วยแบบจําลองความหมายที่ประกอบด้วยข้อมูลและข้อมูลเชิงความหมาย Semantic link เป็นสะพานเชื่อมช่องว่างระหว่าง Power BI กับงาน Data Science
โดยใช้ semantic link คุณสามารถใช้โมเดลเชิงความหมายจาก Power BI ในงาน Data Science เพื่อทํางานต่าง ๆ เช่น การวิเคราะห์เชิงสถิติเชิงลึกและการสร้างแบบจําลองเชิงทํานายโดยใช้เทคนิคการเรียนรู้ของเครื่อง คุณสามารถจัดเก็บผลลัพธ์ของงานวิทยาศาสตร์ข้อมูลของคุณลงใน OneLake โดยใช้ Apache Spark และนําเข้าเอาต์พุตที่เก็บไว้ใน Power BI โดยใช้ Direct Lake
การเชื่อมต่อ Power BI
แบบจําลองความหมายทําหน้าที่เป็น แบบจําลองวัตถุแบบตาราง เดียวที่ให้แหล่งข้อมูลที่เชื่อถือได้สําหรับคําจํากัดความเชิงความหมาย เช่น การวัด Power BI การเชื่อมโยงเชิงความหมายเชื่อมต่อกับแบบจําลองเชิงความหมายในระบบนิเวศต่อไปนี้ ทําให้ง่ายสําหรับนักวิทยาศาสตร์ข้อมูลในการทํางานในระบบที่พวกเขาคุ้นเคยมากที่สุด
- ระบบนิเวศ Python pandas ผ่านไลบรารี SemPy Python
- ระบบนิเวศ Apache Spark ผ่านตัวเชื่อมต่อดั้งเดิมของ Spark การใช้งานนี้สนับสนุนภาษาต่างๆ รวมถึง PySpark, Spark SQL, R และ Scala
แอปพลิเคชันของข้อมูลความหมาย
ข้อมูลความหมายในข้อมูลประกอบด้วย Power BI ประเภทข้อมูล เช่น ที่อยู่และรหัสไปรษณีย์ ความสัมพันธ์ระหว่างตาราง และข้อมูลตามลําดับชั้น
หมวดหมู่ข้อมูลเหล่านี้ประกอบด้วยเมตาดาต้าที่เชื่อมโยงเชิงความหมายแพร่กระจายเข้าสู่สภาพแวดล้อมวิทยาศาสตร์ข้อมูล เพื่อเปิดโอกาสให้เกิดประสบการณ์ใหม่ ๆ และรักษาสายพันธุ์ของข้อมูล
ตัวอย่างแอปพลิเคชันของลิงก์ความหมายประกอบด้วย:
- คําแนะนําอัจฉริยะของ ฟังก์ชันความหมายในตัว
- การผสานรวมที่เป็นนวัตกรรมใหม่สําหรับการเพิ่มข้อมูลด้วยมาตรการ Power BI โดยใช้ add-measures
- เครื่องมือสําหรับ การตรวจสอบคุณภาพข้อมูล ตามความสัมพันธ์ระหว่างตารางและการขึ้นต่อกันของฟังก์ชันภายในตาราง
ลิงก์เชิงความหมายเป็นเครื่องมือที่มีประสิทธิภาพซึ่งช่วยให้นักวิเคราะห์ธุรกิจสามารถใช้ข้อมูลได้อย่างมีประสิทธิภาพในสภาพแวดล้อมทางวิทยาศาสตร์ข้อมูลที่ครอบคลุม
Semantic Link อํานวยความสะดวกในการทํางานร่วมกันอย่างราบรื่นระหว่างนักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ธุรกิจโดยขจัดความจําเป็นในการนําตรรกะทางธุรกิจที่ฝังอยู่ในมาตรการ Power BI กลับมาใช้ใหม่ วิธีนี้ช่วยให้มั่นใจว่าทั้งสองฝ่ายสามารถทํางานได้อย่างมีประสิทธิภาพและมีประสิทธิภาพ เพิ่มศักยภาพของข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลของพวกเขา
โครงสร้างข้อมูล FabricDataFrame
FabricDataFrame เป็นโครงสร้างข้อมูลหลักที่ semantic link ใช้ในการส่งต่อข้อมูลเชิงความหมายจากโมเดลเชิงความหมายเข้าสู่สภาพแวดล้อม Data Science
ชั้นเรียน FabricDataFrame :
- สนับสนุนการดําเนินการทั้งหมดของ pandas
- คลาสย่อยของ แพนด้า DataFrame และเพิ่มข้อมูลเมตา เช่น ข้อมูลความหมายและสายข้อมูล
- เปิดเผยฟังก์ชันความหมายและวิธีการ add-measure ที่ให้คุณใช้การวัด Power BI ในงานวิทยาศาสตร์ข้อมูล
เนื้อหาที่เกี่ยวข้อง
- สํารวจเอกสารอ้างอิงสําหรับแพ็คเกจลิงก์ความหมาย Python (SemPy)
- บทช่วยสอน: ล้างข้อมูลด้วยการขึ้นต่อกันที่ใช้งานได้
- การเชื่อมต่อ Power BI พร้อม Semantic Link และ Microsoft Fabric
- สํารวจและตรวจสอบข้อมูลโดยใช้ลิงก์แสดงความหมาย
- สํารวจและตรวจสอบความสัมพันธ์ในแบบจําลองความหมาย