函数库
下文包含 UDF（用户定义的函数）的分类列表。
文章中提供了用户定义的函数代码。 此代码可在查询中嵌入的 let 语句内使用，也可保留在使用 .create function 的数据库中。
常规函数
| 函数名称 | 说明 |
|---|---|
| geoip_fl() | 检索 IP 地址的地理信息。 |
| get_packages_version_fl() | 返回 Python 引擎和指定包的版本信息。 |
机器学习函数
| 函数名称 | 描述 |
|---|---|
| kmeans_fl() | 使用 k-means 算法进行聚类。 |
| predict_fl() | 使用经过训练的现有机器学习模型进行预测。 |
| predict_onnx_fl() | 使用 ONNX 格式的经过训练的现有机器学习模型进行预测。 |
Plotly 函数
以下部分包含用于呈现交互式 Plotly 图表的函数。
| 函数名称 | 说明 |
|---|---|
| plotly_anomaly_fl() | 使用 Plotly 模板呈现异常图表。 |
| plotly_scatter3d_fl() | 使用 Plotly 模板呈现 3D 散点图。 |
PromQL 函数
以下部分包含常用的 PromQL 函数。 这些函数可用于分析由 Prometheus 监视系统引入到群集的指标。 所有函数均假定群集中的指标使用 Prometheus 数据模型进行结构化。
| 函数名称 | 描述 |
|---|---|
| series_metric_fl() | 选择并检索利用 Prometheus 数据模型存储的时序。 |
| series_rate_fl() | 计算计数器指标每秒提高的平均速率。 |
序列处理函数
| 函数名称 | 描述 |
|---|---|
| quantize_fl() | 量化指标列。 |
| series_clean_anomalies_fl() | 将序列中的异常替换为内插值。 |
| series_cosine_similarity_fl() | 计算两个数值向量的余弦相似度。 |
| series_dbl_exp_smoothing_fl() | 对序列应用双指数平滑筛选器。 |
| series_dot_product_fl() | 计算两个数值向量的点积。 |
| series_downsample_fl() | 按整数因子对时序减少采样。 |
| series_exp_smoothing_fl() | 对序列应用基本指数平滑筛选器。 |
| series_fit_lowess_fl() | 使用 LOWESS 方法对序列进行局部多项式拟合。 |
| series_fit_poly_fl() | 使用回归分析将多项式拟合到序列。 |
| series_fbprophet_forecast_fl() | 使用 Prophet 算法预测时序值。 |
| series_lag_fl() | 对序列应用滞后筛选器。 |
| series_moving_avg_fl() | 对序列应用移动平均筛选器。 |
| series_moving_var_fl() | 对序列应用移动方差筛选器。 |
| series_mv_ee_anomalies_fl() | 使用椭圆信封模型的序列的多变量异常检测。 |
| series_mv_if_anomalies_fl() | 使用隔离林模型的序列的多变量异常检测。 |
| series_mv_oc_anomalies_fl() | 使用单类 SVM 模型的序列的多变量异常检测。 |
| series_rolling_fl() | 对序列应用滚动聚合函数。 |
| series_shapes_fl() | 检测序列中的正/负趋势或跳跃。 |
| series_uv_anomalies_fl() | 使用单变量异常情况检测认知服务 API 来检测时序中的异常。 |
| series_uv_change_points_fl() | 使用单变量异常情况检测认知服务 API 来检测时序中的更改点。 |
| time_weighted_avg_fl() | 计算指标的时间加权平均值。 |
| time_window_rolling_avg_fl() | 计算某个指标在固定持续时间范围内的移动平均。 |
统计和概率函数
| 函数名称 | 描述 |
|---|---|
| bartlett_test_fl() | 执行 Bartlett 测试。 |
| binomial_test_fl() | 执行二项测试。 |
| comb_fl() | 计算 C(n, k)（从 n 个项中选出 k 个项时可进行的选择的组合数）。 |
| factorial_fl() | 计算 n!（n 的阶乘）。 |
| ks_test_fl() | 执行 Kolmogorov Smirnov 测试。 |
| levene_test_fl()n | 执行 Levene 测试。 |
| normality_test_fl() | 执行 Normality 测试。 |
| mann_whitney_u_test_fl() | 执行 Mann-Whitney U 测试。 |
| pair_probabilities_fl() | 为一对分类变量计算各种概率和相关指标。 |
| pairwise_dist_fl() | 根据多个名义变量和数值变量计算实体之间的成对距离。 |
| percentiles_linear_fl() | 使用最接近的设置级别之间的线性内插计算百分位 |
| perm_fl() | 计算 P(n, k)（从 n 个项中选出 k 个项时可进行的选择的排列数）。 |
| two_sample_t_test_fl() | 执行两个示例 t-test。 |
| wilcoxon_test_fl() | 执行 Wilcoxon 测试。 |
文本分析
| 函数名称 | 说明 |
|---|---|
| log_reduce_fl() | 在文本日志中查找常见模式并输出一个摘要表。 |
| log_reduce_full_fl() | 在文本日志中查找常见模式并输出一个完整表。 |
| log_reduce_predict_fl() | 应用经过训练的模型查找文本日志中的常见模式并输出一个摘要表。 |
| log_reduce_predict_full_fl() | 应用经过训练的模型查找文本日志中的常见模式并输出一个完整表。 |
| log_reduce_train_fl() | 在文本日志中查找常见模式并输出一个模型。 |