Sie können das Standard-Jupyter-Notebook DataSpace Analysis Ihren Anforderungen an die parametrische Datenanalyse gemäß modifizieren.

Eingeführt im Dezember 2024

Hinweis Weitere Informationen zum Durchführen einer Datenbereichsanalyse mit verschiedenen APIs finden Sie in der Python-Bibliothek ni_data_space_analyzer im Dokument How_to_use_ni_data_space_analyzer in GitHub.
Bevor Sie beginnen, laden Sie das Notebook Data Space Analysis, Data_Space_Default_Analysis.ipynb, von GitHub herunter.
  1. Wählen Sie Analyse- » Skripte.
  2. Klicken Sie das Notebook mit der rechten Maustaste an und benennen Sie es um.
  3. Um benutzerdefinierte Analysen hinzuzufügen, aktualisieren Sie die Metadaten der Notebook-Parameter . Fügen Sie beispielsweise custom_analysis_scalar und custom_analysis_vector hinzu. 
    {
  "papermill": {
    "parameters": {
      "trace_data": "",
      "workspace_id": "",
      "analysis_options": []
    }
  },
  "systemlink": {
    "outputs": [
      {
        "display_name": "Custom Analysis Scalar",
        "id": "custom_analysis_scalar",
        "type": "scalar"
      },
      {
        "display_name": "Custom Analysis Vector",
        "id": "custom_analysis_vector",
        "type": "vector"
      }
    ],
    "parameters": [
      {
        "display_name": "Trace Data",
        "id": "trace_data",
        "type": "string"
      },
      {
        "display_name": "Analysis Options",
        "id": "analysis_options",
        "type": "string[]"
      }
    ]
  },
  "tags": ["parameters"]
}
  4. Aktualisieren Sie die Liste der vom Notebook unterstützten Analysen und geben Sie die Ausgabeparameter an. 
    supported_analysis = [
    {"id": "custom_analysis_scalar", "type": "scalar"},
    {"id": "custom_analysis_vector", "type": "vector"}
]
supported_analysis_options = list(map(lambda x: x["id"], supported_analysis))
  5. Fügen Sie Funktionen zur Berechnung der benutzerdefinierten Analyse hinzu und fügen Sie die Ergebnisse zum ursprünglichen Daten-Frame hinzu. 
    def compute_custom_analysis_scalar(dataframe):
    analysis_result = perform_custom_analysis_scalar(dataframe)
    dataframe["custom_analysis_scalar"] = float(analysis_result)

def def compute_custom_analysis_vector(dataframe):
    analysis_result = perform_custom_analysis_vector(dataframe)
    dataframe["custom_analysis_vector"] = list(analysis_result)
  6. Führen Sie eine Analyse einzelner Kurven durch. 
    def perform_analysis(data_frame: pd.DataFrame) -> pd.DataFrame:
    data_space_analyzer = DataSpaceAnalyzer(dataframe=data_frame)
    for option in analysis_options:
        elif option == "custom_analysis_scalar":
            compute_custom_analysis_scalar(data_frame)
        elif option == "custom_analysis_vector":
            compute_custom_analysis_vector(data_frame)
    return data_space_analyzer.generate_analysis_output(analysis_options=analysis_options,supported_analysis=supported_analysis
  7. Konsolidieren Sie die Ergebnisse und speichern Sie sie als Artefakt. 
    data_space_analyzer = DataSpaceAnalyzer(pd.DataFrame()) 
  final_result = []
  traces = data_space_analyzer.load_dataset(trace_data) 
  for trace in traces: 
    trace_name = trace["name"] 
    trace_values = trace["data"] 
    analysis_results = perform_analysis(trace_values) 
    final_result.append({"plot_label": trace_name, "data": analysis_results}) 
  output_artifact_id = data_space_analyzer.save_analysis(workspace_id, final_result)
  8. Hängen Sie (Glue) das Ausgabeartefakt mit Hilfe der Scrapbook-Bibliothek an das Ausführungsergebnis an. 
    sb.glue("result", output_artifact_id)
  9. Speichern Sie das Notebook.
  10. Veröffentlichen Sie das Notebook in SystemLink Enterprise unter DataSpace Analysis (Datenbereichsanalyse).
Nach dem Erstellen Ihres benutzerdefinierten Skripts können Sie damit parametrische Daten in einem Datenbereich analysieren.