Saiba como Utilizar o Copilot no Microsoft Fabric
Nível: Principiante
Saiba como começar a utilizar as capacidades do Copilot no Microsoft Fabric e como o Copilot funciona nas cargas de trabalho do Microsoft Fabric. Este tutorial orienta-o ao longo de vários cenários em que Microsoft Copilot excels, desde a geração de códigos e consultas até à análise e visualização de dados.
Além disso, vai aprender como várias pessoas como Engenheiros de Dados, Cientistas de Dados, Analistas de Dados e Engenheiros/Utilizadores de BI podem utilizar as capacidades copilot para acelerar as tarefas diárias, ao utilizar o Copilot nas cargas de trabalho do Microsoft Fabric.
No final deste tutorial, terá uma base sólida para compreender como Microsoft Copilot pode melhorar a sua produtividade em várias tarefas.
Os exercícios neste tutorial incluem:
- Criar uma transformação de dados inteligente com o Copilot para o Data Factory
- Acelerar tarefas de engenharia de dados com o Copilot para Engenharia de Dados
- Criar modelos analíticos com o Copilot para Ciência de Dados
Experiências para o Copilot no Microsoft Fabric
- Co-piloto do Data Factory
- Copilot para Engenharia de Dados e Ciência de Dados
- Copilot para Data Warehouse
- Copilot for Real-Time Intelligence
- Copilot para o Power BI
Co-piloto do Data Factory
Olá! E bem-vindo ao Exercício Copilot for Data Factory!
Neste exercício, vai aprender a utilizar o Copilot for Data Factory para criar novas transformações para consultas existentes, fornecer resumos de consultas existentes, criar novas consultas que referenciem as existentes, gerar novos dados e criar consultas complexas para segmentar e dados.
Também irá aprender a escrever pedidos eficazes para utilizar melhor as capacidades do Copilot. Abaixo, também incluímos um vídeo passo a passo para guiá-lo visualmente ao longo do exercício.
Para concluir este exercício, tem de ativar o copilot no Microsoft Fabric.
Também tem de transferir os recursos necessários para este exercício a partir desta ligação.
Cenário: um engenheiro de dados pretende carregar e transformar vendas e dados de clientes num Lakehouse. O engenheiro tem de:
- Compreende as consultas já existentes.
- Crie transformações para consultas existentes para adicionar novas colunas para ajudar a uma análise mais aprofundada.
- Limpe os dados para remover valores vazios.
- Crie uma nova consulta com uma lista de todas as datas do ano de 2012 para segmentar e dados.
O vídeo seguinte mostra o processo geral que percorre neste exercício:
Vamos começar!
Utilizar o Copilot para o Data Factory
Objetivo: compreenda como utilizar o Copilot para o Data Factory para criar novas transformações para consultas existentes, fornecer resumos de consultas existentes, criar novas consultas que referenciem as existentes, gerar novos dados e criar consultas complexas para segmentar e dados.
Execute os seguintes passos:
Com o comutador de experiências no canto inferior esquerdo da área de trabalho do Microsoft Fabric, mude para a experiência do Data Factory . Na experiência do Data Factory, crie um novo item do Dataflow Gen2
Carregue os dados necessários ao selecionar Obter Dados e selecione a opção Texto/CSV e, em seguida, carregue os ficheiros csv *Recursos Humanos, Vendas, Pessoa, Cliente, Compra e Produtos.
Os seus dados são carregados para o fluxo de dados como consultas. Em seguida, no separador Base Selecione o botão Copilot . Esta ação abre o painel Copilot no lado direito do ecrã. A partir daqui, verá que Copilot sugere pedidos e também lhe fornece a capacidade de introduzir os seus próprios pedidos.
Agora, temos de começar a realizar algumas transformações de dados. mas antes de começarmos, precisamos de compreender algumas das consultas existentes. Utilizamos o Copilot para fornecer resumos destas consultas. Selecione a
Sales
consulta e, em seguida, no canto inferior esquerdo, se o painel Copilot, selecione o ícone de linha de comandos inicial e, em seguida, a opção Descrever esta consulta . Submeta o pedido e reveja a descrição fornecida pela Copilot. Pode repetir este processo para as outras consultas.Observação
Certifique-se de que a consulta à qual pretende que o Copilot ajude/responda esteja selecionada antes de submeter o pedido.
Agora que compreendemos os dados com que estamos a trabalhar; Agora podemos começar a trabalhar nas várias transformações. Primeiro, tem de permitir que a sua equipa obtenha as receitas geradas pelas vendas para que possam criar melhores modelos e visualizações mais tarde. Para tal, selecione
Sales
a consulta e introduza o seguinte pedido na caixa de texto no painel Copilot:"Adicione uma coluna "Receita Bruta" que seja um produto de "PreçoUnitário" e "OrderQty", o resultado é arredondado para duas casas decimais.
Submeta o texto. Copilot devolve uma resposta card com um breve resumo das alterações efetuadas e também adiciona uma nova coluna à consulta. Dedique algum tempo a rever as alterações efetuadas.
Repare na resposta card também lhe fornecer um
undo
botão para lhe permitir reverter as alterações efetuadas, se necessário.Tem de obter o valor monetário do valor de desconto atribuído a cada venda. Para tal, submeta o seguinte pedido:
Adicione uma coluna "Valor de Desconto" que seja um produto de "Receita Bruta" e "UnitPriceDiscount", o resultado é arredondado para duas casas decimais.
Tenha em atenção que, depois de o Copilot responder a este pedido com a resposta card e as alterações associadas à consulta, o
Undo
botão na resposta anterior card já não está disponível. Isto acontece porque o Copilot só lhe permite anular a última alteração que efetuou.Para uma melhor análise, precisa de ter outra coluna que obtenha o valor da receita gerada, tendo em conta o valor de desconto. Pode utilizar o Copilot para adicionar uma nova coluna que irá obter a diferença entre as colunas Receita Bruta e Valor de Desconto e arredondar o resultado para duas casas decimais?
Também tem de compreender o efeito que o número de dias de envio tem nas vendas e nas receitas geradas. Para tal, utilize o Copilot para adicionar uma nova coluna personalizada para obter a diferença entre as colunas OrderDate e ShipDate.
Como resultado das transformações efetuadas nos passos anteriores, a
Sales
consulta deve agora ter estas outras colunasEm seguida, mude manualmente o nome das seguintes consultas:
- Cliente para DimCustomer
- Comprar para DimShipping
- Produtos para DimProducts
Em seguida, tem de criar uma tabela de dimensões que lhe permita analisar cada loja com base nas vendas. Para tal, selecione a
Sales
consulta e submeta o seguinte pedido:Crie uma nova consulta e selecione apenas as colunas "StoreKey" e "StoreName" e mantenha valores exclusivos. E remover valores vazios
O Copilot cria uma nova consulta com o nome
query
. Mude o nome desta consulta paraDimStore
.Em seguida, precisa de ter uma tabela de dimensões que lhe permita armazenar as informações dos funcionários para utilização nas visualizações. Para tal, selecione a
Human Resources
consulta e submeta o seguinte pedido e, em seguida, mude o nome daHuman Resources
consulta paraDimEmployee
Adicione um passo à consulta para manter valores exclusivos de "EmployeeKey" e remover linhas vazias
Assim que os dois passos acima estiverem concluídos, deverá ter as seguintes consultas no fluxo de dados:
Em seguida, precisa de uma tabela de dimensões que lhe permita segmentar os seus dados com base para ver o desempenho das vendas ao longo de um Trimestre, Ano e Ano Fiscal. Para tal, adicione manualmente uma nova consulta ao selecionar Introduzir Dados no separador base e atribua o nome à primeira coluna
DateKey
.Assim que a consulta for criada, submeta o seguinte pedido para que o Copilot gere dados para a coluna DateKey
Adicione um passo à consulta para adicionar valores de data à coluna "DateKey" a partir de 1/1/2012 a 31/12/2013
Altere o tipo da coluna DateKey para
Date
.Agora, tem de dividir os valores de data em Dias, Mês, MonthName e Ano para uma melhor análise. Pode fazê-lo com o seguinte pedido:
Adicionar novas colunas "Dia", "Mês" e "Ano"
Em seguida, tem de conseguir identificar o início do Ano Fiscal para uma melhor análise ao analisar o desempenho das vendas. Para tal, utilize o seguinte pedido:
Adicione 1 a "Ano" se o mês "Data" for maior ou igual a 7 e mantenha como se o mês "Data" fosse menor ou igual a 6. Armazene o resultado numa nova coluna "Ano Fiscal" e utilize os dois últimos dígitos do resultado para combiná-los com o prefixo "FY"
Por fim, também quer ver o desempenho das vendas com base em cada trimestre do ano fiscal. Tem de ter uma coluna Quarter na tabela. Para tal, utilize o seguinte pedido:
Adicione uma coluna "Trimestre" com valores como "Q1" quando o "Mês" for igual a 7 ou 8 ou 9, "Q2" quando o "Mês" for igual a 10, 11 ou 12, "T3" quando o "Mês" for igual a 1 ou 2 ou 3, "T4" quando o "Mês" for igual a 4 ou 5 ou 6
Mude o nome da consulta para
DimDate
. Neste momento, a consulta DimDate deverá ter o seguinte aspeto:Por fim, adicione um Lakehouse como destino para todas as consultas no fluxo de dados e, em seguida, publique o fluxo de dados.
Parabéns!
Pronto! Concluiu o tutorial e aprendeu a utilizar o Copilot for Data Factory para criar novas transformações para consultas existentes, fornecer resumos de consultas existentes, criar novas consultas que referenciam as existentes, gerar novos dados e criar consultas complexas para segmentar e dados.
Lembre-se de que está a utilizar o Copilot, não o Autopilot. Estas ferramentas estão lá para ser o seu assistente no seu trabalho do dia-a-dia em vez de fazer trabalho por si.
Quais foram os seus pensamentos sobre estes exercícios? Do que gostaria de ver mais? Informe-nos nos comentários do vídeo incorporado.
Copilot para Engenharia de Dados & Ciência de Dados
Bem-vindo ao Copilot para Engenharia de Dados & Ciência de Dados exercício no Microsoft Fabric!
Este exercício é o segundo no tutorial Copilot no Microsoft Fabric. Neste exercício, vai aprender como o Copilot pode ser utilizado nos blocos de notas das cargas de trabalho Engenharia de Dados e Ciência de Dados para gerar fragmentos de código, fornecer uma explicação para código existente, sugerir visualizações de dados, sugerir modelos de machine learning analíticos e muito mais.
Também irá aprender a escrever pedidos eficazes para utilizar melhor as capacidades do Copilot em diversos cenários. Também é incluído um vídeo passo a passo para guiá-lo visualmente ao longo do exercício.
Tal como no exercício anterior, para concluir este exercício, tem de ativar o Copilot no Microsoft Fabric e garantir que tem os recursos necessários para este exercício. Se ainda não o fez, pode transferir os recursos necessários a partir desta ligação.
Também precisa das seguintes tabelas carregadas no Lakehouse do exercício anterior:
- DimCustomer
- DimProducts
- Vendas
- DimShipping
- DimStore
- DimDate
- DimEmployee
- Pessoa
Cenário: um engenheiro de dados/cientista de dados está a tentar analisar a demografia dos clientes. O engenheiro tem de:
- Compreenda o código existente que carrega e transforma os dados do cliente.
- Transforme os dados para remover valores vazios e adicionar novas colunas para ajudar a uma análise mais aprofundada.
- Visualize os dados do cliente através de vários dados demográficos.
- Crie um modelo de machine learning para prever a probabilidade de um cliente comprar uma bicicleta para ajudar a equipa de marketing a criar uma campanha direcionada.
O vídeo seguinte mostra o processo geral que percorre neste exercício:
Vamos começar!
Copilot para Engenharia de Dados & Ciência de Dados
Objetivo: compreenda como utilizar o Copilot em blocos de notas para Engenharia de Dados e Ciência de Dados cargas de trabalho para gerar fragmentos de código, fornecer uma explicação para código existente, sugerir visualizações de dados, sugerir modelos de machine learning analíticos e muito mais.
Para concluir este exercício, execute os seguintes passos:
Abra o Lakehouse no qual os dados do Data Factory no exercício anterior são carregados. Na pasta Tabelas, abra a
Person
tabela.Esta ação abre a
Person
tabela. O último col umn, com o nomeDemographics
, contém a demografia de cada pessoa como dados XML. Nos próximos passos, vamos transformar estes dados para extraí-los para a sua própria tabela e criar um modelo analítico.A partir dos recursos que transferiu, irá utilizar o bloco de notas *[load_demographics.ipynb] neste exercício.
Com o comutador de experiências na parte inferior da área de trabalho Recursos de Infraestrutura, mude para a experiência de Engenharia de Dados. A partir daqui, selecione o item Importar bloco de notas . No painel que é aberto, selecione o botão Carregar e carregue o ficheiro load_demographics.ipynb .
Na barra de navegação à esquerda, selecione a área de trabalho e abra o bloco de notas load_demographics . Selecione Lakehouses como a sua origem de dados no explorador e selecione Adicionar. Selecione a opção Lakehouse Existente e selecione Adicionar novamente. Escolha o Lakehouse onde os seus dados estão armazenados e selecione Adicionar para finalizar. O explorador apresenta o Lakehouse com todas as tabelas do exercício anterior.
O bloco de notas que carregamos contém algum código existente, utilizamos o Copilot para nos ajudar a compreender este código existente e os DataFrames no código antes de iniciar quaisquer outras tarefas de transformação. Antes de continuar na primeira célula, certifique-se de que muda o nome do Lakehouse na instrução Select para corresponder ao nome do lakehouse.
Adicione capacidades copilot ao selecionar o botão Copilot no friso do menu. Esta ação abre o painel Copilot no lado direito do ecrã.
Selecione o botão Começar no painel Copilot. Esta ação adiciona uma célula no início do bloco de notas, com código que adiciona os pacotes necessários para utilizar o Copilot no bloco de notas.
Execute a célula de código para adicionar os pacotes necessários ao bloco de notas. Depois de concluído, dedure algum tempo para rever o resultado; Isto inclui a secção Privacidade dos Dados & Segurança e Chat_Magics. Vamos utilizar o Chat_Magics nos próximos passos.
Execute a célula seguinte que carrega os dados das
Person
tabelas ,DimProducts
eSales
para o DataFrame.Adicione o seguinte comando chat-magics no início das duas células seguintes e execute ambas as células.
%%chat
Explicar este bloco de código passo a passo
Para a primeira célula, Copilot explica como estamos a executar várias associações e a mudar o nome das colunas. Na saída da segunda célula, Copilot explica como estamos a analisar os dados XML e a transformá-los num DataFrame estruturado. Repara nas menções do Copilot, a utilização de uma UDF? O que é um UDF?
No painel Copilot aberto à direita, submeta o seguinte pedido:
O que é um UDF?
Antes de continuar, vamos adicionar alguns comentários nestas células para melhorar a legibilidade. Remova o chat_magics de chat em ambas as células e substitua pelo seguinte chat_magics:
%%add_comments
Execute as células para adicionar os comentários.
Observação
Certifique-se de que revê os comentários adicionados às células para garantir que estão corretos e que o código não foi alterado de forma alguma.
Execute ambas as células.
Utilize o Copilot para compreender o DataFrame
df_cust_details
criado nos passos acima. Submeta o seguinte pedido:%describe
df_cust_details
Confirme que as colunas que Copilot descreve na saída existem no DataFrame ao executar a seguinte linha de código numa nova célula:
display(df_cust_details)
Repare que tem
TotalPurchaseYTD
todos os valores vazios. Temos de o remover. Adicione uma nova célula e execute o seguinte pedido:%%code
Remover a coluna TotalPurchaseYTD
Copilot gera o código para remover a coluna, rever o código e executar a célula para remover a coluna.
Adicione uma nova coluna denominada Idade, Utilize o painel Copilot e submeta o seguinte pedido para obter o código para adicionar a coluna:
Adicionar uma coluna "idade" a df_cust_details utilizando 2012 como o ano atual
Dedquira algum tempo para rever o código gerado e a explicação fornecida pelo Copilot e, em seguida, utilize o botão inserir código na resposta card para adicionar o código a uma nova célula e executar a célula.
Uma vez que queremos criar um modelo analítico para prever a probabilidade de um cliente comprar uma bicicleta, precisamos de transformar os dados para adicionar uma nova coluna que indique se um cliente comprou ou não uma bicicleta. Utilize o painel Copilot para submeter o seguinte pedido:
Adicione uma nova coluna "IsBikeBuyer" com um valor de 1 para linhas em que "ProductCategory" é "Bicicletas" e 0 caso contrário.
Reveja o código gerado pelo Copilot e a explicação fornecida e, em seguida, utilize o botão inserir código na resposta card para adicionar o código a uma nova célula. Se o código gerado criar um novo DataFrame para os dados filtrados, mude o nome do DataFrame novamente para
df_cust_details
. Execute a célula.Com o painel Copilot, selecione o ícone de guia de pedido e, em seguida, a opção Sugerir visualizações de dados . Na caixa de texto do pedido, substitua por
[YOUR_DATA_NAME]
df_cust_details
e submeta o pedido.Escolha uma das visualizações sugeridas e utilize o painel Copilot ou Chat_Magics para gerar código para a visualização.
Tome tempo e experimente as outras opções fornecidas pelo Copilot no guia de pedidos.
Utilize o Chat_Magics para guardar o DataFrame numa tabela no Lakehouse.
%%code
guardar o df_cust_details numa nova tabela do Lakehouse
Reveja o código gerado por Copilot e mude o nome da tabela para um nome mais adequado, se necessário. Execute a célula para guardar o DataFrame numa nova tabela no Lakehouse.
Atualize o explorador de Origens de Dados para ver a nova tabela criada no Lakehouse.
Por fim, como podemos utilizar o Copilot para ajudar a equipa de marketing a criar uma campanha direcionada ao prever a probabilidade de um cliente comprar uma bicicleta? Utilize o painel Copilot para submeter o seguinte pedido:
Sugira como podemos criar um modelo preditivo de machine learning com df_cust_details para prever se um cliente pode comprar uma bicicleta ou não para ajudar a Adventure Works, a loja de bicicletas, criar uma campanha de marketing direcionada, a coluna "IsBikeBuyer" é a coluna de destino.
Reveja cuidadosamente o código gerado pelo Copilot e a explicação fornecida. Utilize o botão inserir código no card de resposta para adicionar o código a uma nova célula e executar a célula.
Parabéns!
Pronto! Concluiu com êxito o Copilot para Engenharia de Dados & Ciência de Dados exercício no Microsoft Fabric. Aprendeu a utilizar o Copilot em blocos de notas para gerar fragmentos de código, fornecer uma explicação para código existente, sugerir visualizações de dados, sugerir modelos de machine learning analíticos e muito mais.
Lembre-se de que está a utilizar o Copilot, não o Autopilot. Estas ferramentas estão lá para ser o seu assistente no seu trabalho do dia-a-dia em vez de fazer trabalho por si.
Quais foram os seus pensamentos sobre estes exercícios? Do que gostaria de ver mais? Informe-nos nos comentários do vídeo incorporado.
Parabéns!
Concluiu este tutorial
Parabéns por concluir o tutorial! Aprendeu agora a Utilizar o Copilot no Microsoft Fabric nas várias cargas de trabalho.
Tem algum problema com essa seção? Se tiver, envie seus comentários para que possamos melhorar esta seção.