Skapa och köra en notebook-fil med Kqlmagic

Kqlmagic är ett kommando som utökar funktionerna i Python-kerneln i Azure Data Studio-notebook-filer. Du kan kombinera Python- och Kusto-frågespråk (KQL) för att fråga efter och visualisera data med hjälp av ett omfattande plottningsbibliotek som är integrerat med render kommandon. Kqlmagic ger dig fördelen med notebook-filer, dataanalys och omfattande Python-funktioner på samma plats. Datakällor som stöds med Kqlmagic är Azure Data Explorer, Application Insights och Azure Monitor-loggar.

Den här artikeln visar hur du skapar och kör en notebook-fil i Azure Data Studio med hjälp av Kqlmagic-tillägget för ett Azure Data Explorer-kluster, en Application Insights-logg och Azure Monitor-loggar.

Förutsättningar

• Azure Data Studio
• Python

Installera och konfigurera Kqlmagic i en anteckningsbok

Stegen i det här avsnittet körs alla i en Azure Data Studio-notebook-fil.

1. Skapa en ny notebook-fil och ändra kerneln till Python 3.

   

2. Du kan uppmanas att uppgradera dina Python-paket när paketen behöver uppdateras.

   

3. Installera Kqlmagic:

   import sys
   !{sys.executable} -m pip install Kqlmagic --no-cache-dir --upgrade
   

   Kontrollera att den är installerad:

   import sys
   !{sys.executable} -m pip list
   

   

4. Ladda in Kqlmagic:

   %reload_ext Kqlmagic
   

   Kommentar

   Om det här steget misslyckas stänger du filen och öppnar den igen.

   

5. Du kan testa om Kqlmagic läses in korrekt genom att bläddra i hjälpdokumentationen eller genom att söka efter versionen.

   %kql --help "help"
   

   Kommentar

   Om Samples@help ber om ett lösenord kan du lämna det tomt och trycka på Retur.

   

   Om du vill se vilken version av Kqlmagic som är installerad kör du kommandot nedan.

   %kql --version
   

Kqlmagic med ett Azure Data Explorer-kluster

Det här avsnittet beskriver hur du kör dataanalys med Kqlmagic med ett Azure Data Explorer-kluster.

Läsa in och autentisera Kqlmagic för Azure Data Explorer

1. Kontrollera att kerneln är inställd på Python3.

   

2. Ladda in Kqlmagic:

   %reload_ext Kqlmagic
   

   

3. Anslut till klustret och autentisera:

   %kql azureDataExplorer://code;cluster='help';database='Samples'
   

   Kommentar

   Om du använder ditt eget ADX-kluster måste du inkludera regionen i anslutningssträng på följande sätt:

   %kql azuredataexplorer://code;cluster='mycluster.westus';database='mykustodb' Du använder enhetsinloggning för att autentisera. Kopiera koden från utdata och välj autentisera som öppnar en webbläsare där du behöver klistra in koden. När du har autentiserats kan du komma tillbaka till Azure Data Studio för att fortsätta med resten av skriptet.

   

Fråga och visualisera för Azure Data Explorer

Hämta data med render operatorn och visualisera data med plotly-biblioteket. Den här frågan och visualiseringen tillhandahåller en integrerad upplevelse som använder inbyggd KQL.

1. Analysera de 10 viktigaste stormhändelserna efter tillstånd och frekvens:

   %kql StormEvents | summarize count() by State | sort by count_ | limit 10
   

   Om du är bekant med Kusto-frågespråk (KQL) kan du skriva frågan efter %kql.

   

2. Visualisera ett tidslinjediagram:

   %kql StormEvents \
   | summarize event_count=count() by bin(StartTime, 1d) \
   | render timechart title= 'Daily Storm Events'
   

   

3. Exempel på flera frågor med hjälp av %%kql.

   %%kql
   StormEvents
   | summarize count() by State
   | sort by count_
   | limit 10
   | render columnchart title='Top 10 States by Storm Event count'
   

   

Kqlmagic med Application Insights

Läsa in och autentisera Kqlmagic för Application Insights

1. Kontrollera att kerneln är inställd på Python3.

   

2. Ladda in Kqlmagic:

   %reload_ext Kqlmagic
   

   

   Kommentar

   Varje gång du skapar en ny anteckningsbok i Azure Data Studio måste du ladda Kqlmagic-tillägget.

3. Anslut och autentisera.

   Först måste du generera en API-nyckel för din Application Insights-resurs. Använd sedan program-ID:t och API-nyckeln för att ansluta till Application Insights från notebook-filen:

   %kql appinsights://appid='DEMO_APP';appkey='DEMO_KEY'
   

Fråga och visualisera för Application Insights

Hämta data med render operatorn och visualisera data med plotly-biblioteket. Den här frågan och visualiseringen tillhandahåller en integrerad upplevelse som använder inbyggd KQL.

1. Visa sidvyer:

   %%kql
   pageViews
   | limit 10
   

   

   Kommentar

   Använd musen för att dra på ett område i diagrammet för att zooma in på de specifika datumen.

2. Visa sidvisningar i ett tidslinjediagram:

   %%kql
   pageViews
   | summarize event_count=count() by name, bin(timestamp, 1d)
   | render timechart title= 'Daily Page Views'
   

   

Kqlmagic med Azure Monitor-loggar

Läsa in och autentisera Kqlmagic för Azure Monitor-loggar

1. Kontrollera att kerneln är inställd på Python3.

   

2. Ladda in Kqlmagic:

   %reload_ext Kqlmagic
   

   

   Kommentar

   Varje gång du skapar en ny anteckningsbok i Azure Data Studio måste du ladda Kqlmagic-tillägget.

3. Anslut och autentisera:

   %kql loganalytics://workspace='DEMO_WORKSPACE';appkey='DEMO_KEY';alias='myworkspace'
   

   

Fråga och visualisera för Azure Monitor-loggar

Hämta data med render operatorn och visualisera data med plotly-biblioteket. Den här frågan och visualiseringen tillhandahåller en integrerad upplevelse som använder inbyggd KQL.

1. Visa ett tidslinjediagram:

   %%kql
   KubeNodeInventory
   | summarize event_count=count() by Status, bin(TimeGenerated, 1d)
   | render timechart title= 'Daily Kubernetes Nodes'
   

   

Nästa steg

Läs mer om notebook-filer och Kqlmagic:

• Kusto-tillägg (KQL) för Azure Data Studio (förhandsversion)
• Skapa och kör en Kusto-anteckningsbok (KQL) (förhandsversion)
• Använda ett Jupyter Notebook- och Kqlmagic-tillägg för att analysera data i Azure Data Explorer
• Tillägg (Magic) till Jupyter Notebook och Jupyter Lab som förbättrar möjligheten att använda notebook med Kusto Application Insights och LogAnalytics-data.
• Kqlmagic
• Så här använder du notebook-filer i Azure Data Studio