Bien démarrer avec les Lakehouses dans Fabric

Avant de travailler avec des données dans Fabric, créez un espace de travail avec la version d’essai Fabric activée(ou avec en version premium si vous l’avez).

1. Sur la page d’accueil de Microsoft Fabric , sélectionnez Synapse Data Engineering .
   
   
2. Dans la barre de menu de gauche, sélectionnez Espaces de travail (l’icône ressemble à 🗇).
3. Créez un nouvel espace de travail avec le nom de votre choix, en sélectionnant un mode de licence qui inclut la capacité Fabric ( Trial , Premium ou Fabric ).
   

4. Lorsque votre nouvel espace de travail s’ouvre, il devrait être vide.
   
   

Maintenant que vous disposez d’un espace de travail, il est temps de créer un lac de données pour vos fichiers de données.

1. Dans la page d’accueil de Synapse Data Engineering , créez un nouveau Lakehouse avec le nom de votre choix.

Après environ une minute, un nouveau lakehouse sera créée :

2. Affichez le nouveau Lakehouse et notez que le volet d’exploration de Lakehouse sur la gauche vous permet de parcourir les tables et les fichiers dans le Lakehouse :

• Le dossier Tables contient des tables que vous pouvez interroger à l’aide de la sémantique SQL. Les tables d’un Lakehouse Microsoft Fabric sont basées sur le format de fichier open source Delta Lake , couramment utilisé dans Apache Spark.
• Le dossier Files contient des fichiers de données dans le stockage OneLake pour le Lakehouse qui ne sont pas associés aux tables delta gérées. Vous pouvez également créer des raccourcis dans ce dossier pour référencer des données stockées en externe.

Actuellement, il n’y a aucune table ni fichier dans Lakehouse.

Fabric propose plusieurs façons de charger des données dans Lakehouse, notamment la prise en charge intégrée des pipelines qui copient des sources externes de données et des flux de données (Gen 2) que vous pouvez définir à l’aide d’outils visuels basés sur Power Query. Toutefois, l’un des moyens les plus simples d’ingérer de petites quantités de données consiste à télécharger des fichiers ou des dossiers depuis votre ordinateur local (ou la machine virtuelle de votre laboratoire, le cas échéant).

1. Téléchargez le fichier sales.csv depuis https://raw.githubusercontent.com/MicrosoftLearning/dp-data/main/sales.csv , en l’enregistrant sous sales.csv sur votre ordinateur local (ou sur la machine virtuelle de laboratoire le cas échéant).

Remarque : Pour télécharger le fichier, ouvrez un nouvel onglet dans le navigateur et collez l’URL. Faites un clic droit n’importe où sur la page contenant les données et sélectionnez Enregistrer sous pour enregistrer la page en tant que fichier CSV.

2. Revenez à l’onglet du navigateur Web contenant votre Lakehouse et dans le menu … du dossier Fichiers dans le volet de l’explorateur Lakehouse , sélectionnez Nouveau sous-dossier et créez un sous-dossier nommé data .

3. Dans le menu … du nouveau dossier de données , sélectionnez Télécharger et Télécharger le fichier , puis téléchargez le fichier sales.csv depuis votre ordinateur local (ou la machine virtuelle de laboratoire le cas échéant).

4. Une fois le fichier téléchargé, sélectionnez le dossier Files/data et vérifiez que le fichier sales.csv a été téléchargé, comme indiqué ici :

5. Sélectionnez le fichier sales.csv pour voir un aperçu de son contenu.

Dans de nombreux scénarios, les données avec lesquelles vous devez travailler dans votre Lakehouse peuvent être stockées ailleurs. Bien qu’il existe de nombreuses façons d’ingérer des données dans le stockage OneLake de votre Lakehouse, une autre option consiste à créer un raccourci . Les raccourcis vous permettent d’inclure des données provenant de sources externes dans votre solution d’analyse sans les frais généraux et le risque d’incohérence des données associés à leur copie.

1. Dans le menu … du dossier Fichiers , sélectionnez Nouveau raccourci .
2. Affichez les types de sources de données disponibles pour les raccourcis. Fermez ensuite la boîte de dialogue Nouveau raccourci sans créer de raccourci.

Les données de vente que vous avez téléchargées se trouvent dans un fichier avec lequel les analystes de données et les ingénieurs peuvent travailler directement à l’aide du code Apache Spark. Cependant, dans de nombreux scénarios, vous souhaiterez peut-être charger les données du fichier dans une table afin de pouvoir les interroger à l’aide de SQL.

1. Sur la page d’accueil , sélectionnez le dossier Fichiers/Données pour voir le fichier sales.csv qu’il contient.
2. Dans le menu … du fichier sales.csv , sélectionnez Charger vers les tables .

3. Dans la boîte de dialogue Charger dans la table , définissez le nom de la table sur ventes et confirmez l’opération de chargement. Attendez ensuite que la table soit créée et chargée.
   Astuce : Si le tableau des ventes n’apparaît pas automatiquement, dans le menu … du dossier Tables , sélectionnez Actualiser .

4. Dans le volet de l’explorateur Lakehouse , sélectionnez la table des ventes qui a été créée pour afficher les données.
   

5. Dans le menu … du tableau des ventes , sélectionnez Afficher les fichiers pour voir les fichiers sous-jacents à ce tableau.
   
   Les fichiers d’une table delta sont stockés au format Parquet et incluent un sous-dossier nommé _delta_log dans lequel les détails des transactions appliquées à la table sont enregistrés.

Lorsque vous créez un Lakehouse et y définissez des tables, un point de terminaison SQL est automatiquement créé via lequel les tables peuvent être interrogées à l’aide SELECTd’instructions SQL.

1. En haut à droite de la page Lakehouse, passez de Lakehouse au point de terminaison SQL . Attendez ensuite un peu jusqu’à ce que le point de terminaison de la requête SQL de votre Lakehouse s’ouvre dans une interface visuelle à partir de laquelle vous pouvez interroger ses tables, comme indiqué ici :
   
   2. Utilisez le bouton Nouvelle requête SQL pour ouvrir un nouvel éditeur de requête et saisissez la requête SQL suivante :

   SELECT Item, SUM(Quantity * UnitPrice) AS Revenue

   FROM sales

   GROUP BY Item

   ORDER BY Revenue DESC;

    
   3. Utilisez le bouton ▷ Exécuter pour exécuter la requête et afficher les résultats, qui devraient afficher le chiffre d’affaires total pour chaque produit.
   
   

Alors que de nombreux professionnels des données sont familiers avec SQL, les analystes de données possédant une expérience Power BI peuvent appliquer leurs compétences Power Query pour créer des requêtes visuelles.

1. Dans la barre d’outils, sélectionnez Nouvelle requête visuelle .
2. Faites glisser la table des ventes vers le nouveau volet de l’éditeur de requête visuelle qui s’ouvre pour créer un Power Query comme indiqué ici :

3. Dans le menu Gérer les colonnes , sélectionnez Choisir les colonnes . Sélectionnez ensuite uniquement les colonnes SalesOrderNumber et SalesOrderLineNumber 

4. dans le menu Transformer , sélectionnez Regrouper par . Regroupez ensuite les données en utilisant les paramètres de base suivants :

• Regrouper par : SalesOrderNumber
• Nouveau nom de colonne : LineItems
• Opération : Compter les valeurs distinctes
• Colonne : SalesOrderLineNumber

Lorsque vous avez terminé, le volet des résultats sous la requête visuelle affiche le nombre d’éléments de campagne pour chaque commande client.

Les tables de votre Lakehouse sont automatiquement ajoutées à un ensemble de données par défaut qui définit un modèle de données pour la création de rapports avec Power BI.

1. Au bas de la page SQL Endpoint, sélectionnez l’ onglet Modèle . Le schéma du modèle de données pour l’ensemble de données est affiché.
   
   

   Remarque : Dans cet exercice, le modèle de données est constitué d’une seule table. Dans un scénario réel, vous créeriez probablement plusieurs tables dans votre lac de donnée, chacune étant incluse dans le modèle. Vous pouvez ensuite définir des relations entre ces tables dans le modèle.

   2. Dans le ruban de menu, sélectionnez l’ onglet Rapports . Sélectionnez ensuite Nouveau rapport . Un nouvel onglet de navigateur s’ouvre dans lequel vous pouvez concevoir votre rapport.
   

   3. Dans le volet Données sur la droite, développez le tableau des ventes . Sélectionnez ensuite les champs suivants :

   • Article
   • Quantité

   Une visualisation sous forme de tableau est ajoutée au rapport :
   
   4. Masquez les volets Données et Filtres pour créer plus d’espace. Assurez-vous ensuite que la visualisation du tableau est sélectionnée et dans le volet Visualisations , remplacez la visualisation par un graphique à barres clusterisé et redimensionnez-le comme indiqué ici.
   

    

   5. Dans le menu Fichier , sélectionnez Enregistrer . Enregistrez ensuite le rapport en tant que rapport sur les ventes d’articles dans l’espace de travail que vous avez créé précédemment.

   6. Fermez l’onglet du navigateur contenant le rapport pour revenir au point de terminaison SQL de votre Lakehouse. Ensuite, dans la barre de menu du hub à gauche, sélectionnez votre espace de travail pour vérifier qu’il contient les éléments suivants :

   – Votre lakehouse.
   – Le point de terminaison SQL pour votre Lakehouse.
   – Un ensemble de données par défaut pour les tables de votre Lakehouse.
   – Le rapport sur les ventes d’articles .

Dans cet article, vous avez créé un Lakehouse et y avez importé des données. Vous avez vu comment un Lakehouse est constitué de fichiers et de tables stockés dans un magasin de données OneLake. Les tables gérées peuvent être interrogées à l’aide de SQL et sont incluses dans un ensemble de données par défaut pour prendre en charge les visualisations de données.

Si vous avez fini d’explorer votre Lakehouse, vous pouvez supprimer l’espace de travail que vous avez créé pour cet exercice.

1. Dans la barre de gauche, sélectionnez l’icône de votre espace de travail pour afficher tous les éléments qu’il contient.
2. Dans le menu … de la barre d’outils, sélectionnez Paramètres de l’espace de travail .
3. Dans la section Autre , sélectionnez Supprimer cet espace de travail .