可视化数据

Azure Synapse 是一项集成式分析服务,可以缩短在数据仓库和大数据分析系统中进行见解提取所需的时间。 数据可视化效果是一项关键组件,能够深入了解你的数据。 它有助于人们更轻松地理解大数据和小型数据。 还可使人们更轻松地检测数据组中的模式、趋势和离群值。

使用 Azure Synapse Analytics 中的 Apache Spark 时,有多种内置选项可帮助你可视化数据,包括 Synapse 笔记本图表选项、访问常用开源库的选项以及与 Synapse SQL 和 Power BI 的集成选项。

笔记本图表选项

使用 Azure Synapse 笔记本时,可以使用图表选项将表格结果视图转变为自定义图表。 在这里,无需编写任何代码即可实现数据可视化。

display(df) 函数

display 函数可用于将 SQL 查询和 Apache Spark 数据帧及 RDD 转换为丰富的数据可视化效果。 display 函数可用于在 PySpark、Scala、Java、R 和 .NET 中创建的数据帧或 RDD。

访问图表选项:

  1. 默认情况下,在呈现的表视图中显示 %%sql magic 命令的输出。 你也可以对 Spark 数据帧或弹性分布式数据集 (RDD) 函数调用 display(df),以生成呈现的表视图。

  2. 获得呈现的表视图后,请切换到图表视图。 built-in-charts

  3. 现在,你可以通过指定以下值自定义可视化效果:

    配置 说明
    图表类型 display 函数支持多种图表类型,包括条形图、散点图、折线图等
    指定 x 轴的值范围
    指定 y 轴的值范围
    序列组 用于确定聚合的组
    聚合 用于聚合可视化效果中的数据的方法

    注意

    默认情况下,display(df) 函数将只选择数据的前 1000 行来呈现图表。 查看“聚合所有结果”并单击“应用”按钮,随即将应用根据整个数据集生成的图表 。 当图表设置发生更改时,将触发 Spark 作业。 请注意,可能需要几分钟时间才能完成计算并呈现图表。

  4. 完成后,可以查看最终的可视化效果并与之交互!

display(df) 统计信息详情

你可以使用 display(df, summary = true) 来查看给定 Apache Spark 数据帧的统计信息摘要,包括列名、列类型、唯一值和每列的缺失值。 还可以选择特定列来查看其最小值、最大值、平均值和标准偏差。 built-in-charts-summary

displayHTML() 选项

Azure Synapse Analytics 笔记本使用 displayHTML 函数来支持 HTML 图形。

下图是使用 D3.js 创建可视化效果的示例。

d3-js-example

运行以下代码,以创建可视化效果。

displayHTML("""<!DOCTYPE html>
<meta charset="utf-8">

<!-- Load d3.js -->
<script src="https://d3js.org/d3.v4.js"></script>

<!-- Create a div where the graph will take place -->
<div id="my_dataviz"></div>
<script>

// set the dimensions and margins of the graph
var margin = {top: 10, right: 30, bottom: 30, left: 40},
  width = 400 - margin.left - margin.right,
  height = 400 - margin.top - margin.bottom;

// append the svg object to the body of the page
var svg = d3.select("#my_dataviz")
.append("svg")
  .attr("width", width + margin.left + margin.right)
  .attr("height", height + margin.top + margin.bottom)
.append("g")
  .attr("transform",
        "translate(" + margin.left + "," + margin.top + ")");

// Create Data
var data = [12,19,11,13,12,22,13,4,15,16,18,19,20,12,11,9]

// Compute summary statistics used for the box:
var data_sorted = data.sort(d3.ascending)
var q1 = d3.quantile(data_sorted, .25)
var median = d3.quantile(data_sorted, .5)
var q3 = d3.quantile(data_sorted, .75)
var interQuantileRange = q3 - q1
var min = q1 - 1.5 * interQuantileRange
var max = q1 + 1.5 * interQuantileRange

// Show the Y scale
var y = d3.scaleLinear()
  .domain([0,24])
  .range([height, 0]);
svg.call(d3.axisLeft(y))

// a few features for the box
var center = 200
var width = 100

// Show the main vertical line
svg
.append("line")
  .attr("x1", center)
  .attr("x2", center)
  .attr("y1", y(min) )
  .attr("y2", y(max) )
  .attr("stroke", "black")

// Show the box
svg
.append("rect")
  .attr("x", center - width/2)
  .attr("y", y(q3) )
  .attr("height", (y(q1)-y(q3)) )
  .attr("width", width )
  .attr("stroke", "black")
  .style("fill", "#69b3a2")

// show median, min and max horizontal lines
svg
.selectAll("toto")
.data([min, median, max])
.enter()
.append("line")
  .attr("x1", center-width/2)
  .attr("x2", center+width/2)
  .attr("y1", function(d){ return(y(d))} )
  .attr("y2", function(d){ return(y(d))} )
  .attr("stroke", "black")
</script>

"""
)

Python 库

在数据可视化效果方面,Python 提供了多个图形库,这些库包含许多不同的功能。 默认情况下,Azure Synapse Analytics 中的每个 Apache Spark 池都包含一组精选和常用的开放源代码库。 你也可以使用 Azure Synapse Analytics 库管理功能添加或管理其他库和版本。

Matplotlib

可以使用每个库的内置呈现功能(如 Matplotlib),来呈现标准绘图库。

下图是使用 Matplotlib 创建条形图的示例。 Line graph example.

运行下面的示例代码,绘制上面的图像。

# Bar chart

import matplotlib.pyplot as plt

x1 = [1, 3, 4, 5, 6, 7, 9]
y1 = [4, 7, 2, 4, 7, 8, 3]

x2 = [2, 4, 6, 8, 10]
y2 = [5, 6, 2, 6, 2]

plt.bar(x1, y1, label="Blue Bar", color='b')
plt.bar(x2, y2, label="Green Bar", color='g')
plt.plot()

plt.xlabel("bar number")
plt.ylabel("bar height")
plt.title("Bar Chart Example")
plt.legend()
plt.show()

Bokeh

可以使用 displayHTML(df) 来呈现 HTML 或交互库,如 bokeh

下图是使用 bokeh 在地图上绘制字形的示例。

bokeh-example

运行下面的示例代码,绘制上面的图像。

from bokeh.plotting import figure, output_file
from bokeh.tile_providers import get_provider, Vendors
from bokeh.embed import file_html
from bokeh.resources import CDN
from bokeh.models import ColumnDataSource

tile_provider = get_provider(Vendors.CARTODBPOSITRON)

# range bounds supplied in web mercator coordinates
p = figure(x_range=(-9000000,-8000000), y_range=(4000000,5000000),
           x_axis_type="mercator", y_axis_type="mercator")
p.add_tile(tile_provider)

# plot datapoints on the map
source = ColumnDataSource(
    data=dict(x=[ -8800000, -8500000 , -8800000],
              y=[4200000, 4500000, 4900000])
)

p.circle(x="x", y="y", size=15, fill_color="blue", fill_alpha=0.8, source=source)

# create an html document that embeds the Bokeh plot
html = file_html(p, CDN, "my plot1")

# display this html
displayHTML(html)

Plotly

你可以使用 displayHTML() 来呈现 HTML 或交互式库,如 Plotly 。

运行下面的示例代码,绘制下面的图像。

plotly-example

from urllib.request import urlopen
import json
with urlopen('https://raw.githubusercontent.com/plotly/datasets/master/geojson-counties-fips.json') as response:
    counties = json.load(response)

import pandas as pd
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/fips-unemp-16.csv",
                   dtype={"fips": str})

import plotly
import plotly.express as px

fig = px.choropleth(df, geojson=counties, locations='fips', color='unemp',
                           color_continuous_scale="Viridis",
                           range_color=(0, 12),
                           scope="usa",
                           labels={'unemp':'unemployment rate'}
                          )
fig.update_layout(margin={"r":0,"t":0,"l":0,"b":0})

# create an html document that embeds the Plotly plot
h = plotly.offline.plot(fig, output_type='div')

# display this html
displayHTML(h)

Pandas

你可以将 Pandas 数据帧的 html 输出视为默认输出,笔记本会自动显示带样式的 html 内容。

Panda graph example.

import pandas as pd 
import numpy as np 

df = pd.DataFrame([[38.0, 2.0, 18.0, 22.0, 21, np.nan],[19, 439, 6, 452, 226,232]], 

                  index=pd.Index(['Tumour (Positive)', 'Non-Tumour (Negative)'], name='Actual Label:'), 

                  columns=pd.MultiIndex.from_product([['Decision Tree', 'Regression', 'Random'],['Tumour', 'Non-Tumour']], names=['Model:', 'Predicted:'])) 

df 

其他库

除了这些库,Azure Synapse Analytics 运行时还包含下面的一组库,通常用于数据可视化效果:

有关可用库和版本的最新信息,请访问 Azure Synapse Analytics 运行时文档

R 库(预览版)

R 生态系统提供了多个图形库,其中打包了许多不同的功能。 默认情况下,Azure Synapse Analytics 中的每个 Apache Spark 池都包含一组精选和常用的开放源代码库。 你也可以使用 Azure Synapse Analytics 库管理功能添加或管理其他库和版本。

ggplot2

ggplot2 库广泛使用于数据可视化和探索性数据分析。

Screenshot of a ggplot2 graph example.

library(ggplot2)
data(mpg, package="ggplot2") 
theme_set(theme_bw()) 

g <- ggplot(mpg, aes(cty, hwy))

# Scatterplot
g + geom_point() + 
  geom_smooth(method="lm", se=F) +
  labs(subtitle="mpg: city vs highway mileage", 
       y="hwy", 
       x="cty", 
       title="Scatterplot with overlapping points", 
       caption="Source: midwest")

rBokeh

rBokeh 是一个原生的 R 绘图库,用于创建由 Bokeh 可视化库提供支持的交互式图形。

若要安装 rBokeh,可使用以下命令:

install.packages("rbokeh")

安装后,可以利用 rBokeh 创建交互式可视化效果。

Screenshot of a rBokeh graph example.

library(rbokeh)
p <- figure() %>%
  ly_points(Sepal.Length, Sepal.Width, data = iris,
    color = Species, glyph = Species,
    hover = list(Sepal.Length, Sepal.Width))

R Plotly

Plotly 的 R 图形库可以创建出版级质量的交互式图形。

若要安装 Plotly,可使用以下命令:

install.packages("plotly")

安装后,可以利用 Plotly 创建交互式可视化效果。

Screenshot of a Plotly graph example.

library(plotly) 

fig <- plot_ly() %>% 
  add_lines(x = c("a","b","c"), y = c(1,3,2))%>% 
  layout(title="sample figure", xaxis = list(title = 'x'), yaxis = list(title = 'y'), plot_bgcolor = "#c7daec") 

fig

Highcharter

Highcharter 是 Highcharts JavaScript 库及其模块的 R 包装器。

若要安装 Highcharter,可使用以下命令:

install.packages("highcharter")

安装后,可以利用 Highcharter 创建交互式可视化效果。

Screenshot of a Highcharter graph example.

library(magrittr)
library(highcharter)
hchart(mtcars, "scatter", hcaes(wt, mpg, z = drat, color = hp)) %>%
  hc_title(text = "Scatter chart with size and color")

使用 Apache Spark 和按需 SQL 连接到 Power BI

Azure Synapse Analytics 与 Power BI 紧密集成,可让数据工程师构建分析解决方案。

Azure Synapse Analytics 允许不同的工作区计算引擎在其 Spark 池与无服务器 SQL 池之间共享数据库和表。 借助共享的元数据模型,可以使用按需 SQL 查询 Apache Spark 表。 完成后,可以将 SQL 按需终结点连接到 Power BI,以便轻松查询已同步的 Spark 表。

后续步骤