🌟

Microsoft Fabric のレイクハウスについて

jemiya

2024/02/21に公開3件

fabric

microsoftfabric

tech

レイクハウスとは？

レイクハウスは、さまざまなツールとフレームワークを使用してそのデータを処理および分析することで、組織が構造化データと非構造化データを 1 か所で格納および管理できるデータアーキテクチャです。データエンジニア、データサイエンティスト、データアナリストがデータにアクセスして使用するための一元化された場所です。これらのツールとフレームワークには、SQL ベースのクエリと分析のほか、機械学習やその他の高度な分析手法が含まれます。レイクハウスを使用すると、データの一貫性と整合性のための ACID (原子性、一貫性、分離性、持続性) トランザクションが Delta Lake 形式のテーブルを介してサポートされます。

レイクハウスでできること

Spark エンジンと SQL エンジンを使用して大規模なデータを処理し、機械学習または予測モデリング分析をサポート。
ローカルファイル、データベース、API を含め、さまざまなソースから一般的な形式のデータを読み込むこと。
Microsoft Fabric の Data Factory パイプラインまたはデータフロー (Gen2) を使用してデータインジェストを自動化すること。
Azure Data Lake Store Gen2 やレイクハウス自体のストレージの外部にある Microsoft OneLake の場所など、外部ソース内のデータへの Fabric "ショートカット" の作成。
Lakehouse Explorer を使用すると、ファイル、フォルダー、ショートカット、テーブルを参照し、Fabric プラットフォーム内でその内容を表示。
レイクハウスにデータを取り込んだ後、ノートブックまたはデータフロー (Gen2) を使用してデータを探索および変換。
Data Factory パイプラインを使用して Spark、データフロー、およびその他のアクティビティを調整することができ、複雑なデータ変換プロセスを実装。
データ変換後、SQL を使用してクエリを実行することや、機械学習モデルのトレーニング、リアルタイム分析の実行、Power BI でのレポート開発に使用すること。
データ分類やアクセス制御などのデータガバナンスポリシーをレイクハウスに適用すること。

レイクハウスを使用するにあたり、知っておいた方がいい用語

Apache Spark

各 Fabric レイクハウスでは、Notebooks または "Spark ジョブ定義" を使用して Spark プールを使用し、Scala、PySpark、または Spark SQL を使用してレイクハウス内のファイルとテーブルのデータを処理できます。

Notebooks

コードを使用して、テーブルやファイルとしてレイクハウスのデータを直接読み取り、変換し、書き込むことができる対話型コーディングインターフェイス。

Spark ジョブ定義

Spark エンジンを使ってレイクハウス内のデータを処理するオンデマンドまたはスケジュールされたスクリプト。

SQL 分析エンドポイント

各レイクハウスには、Transact-SQL ステートメントを実行して、レイクハウステーブル内のデータのクエリ、フィルター処理、集計、その他の探索を行うことができる SQL 分析エンドポイントが含まれています。

データフロー (Gen2)

データフローを使用すると、レイクハウスにデータを取り込むだけでなく、データフローを作成して、Power Query を介して後続の変換を実行し、必要に応じて変換されたデータをレイクハウスに戻すことができます。

データパイプライン

一連のアクティビティ (データフロー、Spark ジョブ、その他の制御フローロジックなど) を介してレイクハウス内のデータを操作する複雑なデータ変換ロジックを調整します。

レイクハウスの作成

Microsoft Fabricに入る。
https://app.fabric.microsoft.com/home
"Synapse Data Engineering"をクリックする。
「作成」をクリックする。
「レイクハウス」をクリックする。
「名前」を入力し、「作成」をクリックする。
レイクハウスが作成されることを確認する。作成には15秒ほどかかります。

レイクハウスでのファイルの操作

レイクハウスエクスプローラーペインの [Files] フォルダーの [...] メニューをクリックする。
[新しいサブフォルダー] をクリックする。
「名前」を入力し、「作成」をクリックする。
サブフォルダーが作成されたことを確認する。
新しいデータフォルダーの [...] メニューで、 [アップロード] と [ファイルのアップロード] を選択する。
[Files/data]の入力欄の箇所をクリックする。
データ用のファイルをアップロードする。今回はガンの罹患者のデータを引用しました。（大体、CSVファイルが主だと思います）
https://ganjoho.jp/reg_stat/statistics/data/dl/index.html
ファイルがアップロードされたことを確認し、[アップロード]をクリックする。
ファイルがアップロードされたことを確認する。

ファイル・データを表に読み込む

1.[ホーム] ページで [ファイル/データ] フォルダーを選択し、そこに含まれるsales.csvファイルを表示します。

2.sales.csv ファイルの [...] メニューで、[テーブルにロード] を選択します。

[新しいテーブル]をクリックし、[新しいテーブル名]を入力する。
[読み込み]をクリックする。（ファイルの容量によると思うが、ここは時間がかかりました。4分ほどかかりました。）

5.レイクハウスエクスプローラーペインで、データを表示するために作成されたテーブルをクリックする。（ここも表が表示されるまでに時間かかります。これも4分ほどかかりました。）

6.sales テーブルの [...] メニューで [ファイルの表示] を選択し、このテーブルの基になるファイルを表示します。

差分テーブルのファイルは Parquet 形式で格納され、テーブルに適用されたトランザクションの詳細がログに記録される _delta_log という名前のサブフォルダーが含まれます。

SQLを使用してテーブルをクエリする

レイクハウスのページの右上で、[Lakehouse]から[SQL エンドポイント]に切り替える。（ここも30秒ほどかかります。）
[新規SQLクエリ]をクリックする。
SQL クエリを入力し、[Run]をクリックする。（SQLクエリはあくまで参考例です。今回は0～100歳以上の全体的なガンの部位の総数を出してみました。）

SELECT "参考にしたいデータアイテム", SUM("参考にしたいデータ列" * "参考にしたいデータ列") AS Revenue
FROM "テーブル名（ここは命名したテーブル名）"
GROUP BY "参考にしたいデータアイテム"
ORDER BY Revenue DESC;

結果が表示されることを確認する。

ビジュアルクエリを作成する

ツールバーで、 [新しいビジュアルクエリ] を選択します。
開いた新しいビジュアルクエリエディターウィンドウに対象のテーブルをドラッグして、Power Queryを作成する。
[列の管理] メニューで、[列の選択] を選択する。
表示させたい列にチェックを入れ、[OK]をクリックする。（今回は「部位」と「0_4歳」を選択しました）
[変換] メニューで [グループ化] を選択する。
データをグループ化し、[OK]をクリックする。（あくまで事例です）

基本
グループ化: 部位
新しい列名: 0_4歳ガン罹患数
操作: 個別の値のカウント
列: 0_4歳

処理が完了すると、0_4歳ガン罹患数が表示されます。

レポートを作成

レイクハウス内のテーブルは、Power BI でレポートするための既定のセマンティックモデルに自動的に追加されます。

ページの下部にある[モデル]タブをクリックする。
セマンティック・モデルのデータ・モデル・スキーマが表示されることを確認する。
[新しいレポート] をクリックする。
使用するテーブルに誤りがないことを確認し、[続行]をクリックする。（ここも30秒ほどかかります）
画面が切り替わったことを確認する。
右側の[データ]ペインで、対象のテーブルを展開し、展開したいフィールドを選択します。そうすると、表の視覚化がレポートに追加されます。（今回は性別と「0_4歳」を選択しました。）
例えば、視覚化の[集合横棒グラフ]をクリックすると、横棒グラフが表示されます。
表示を大きくしたり、小さくしたりすることができます。（手順ではないですが）
[ファイル] メニューの [保存] を選択します。
レポート名を入力し、対象のワークスペースを選択して、[保存]をクリックする。
対象のワークスペースを開き、保存されていることを確認する。