パラメトリックデータ解析のニーズに合わせて、デフォルトのJupyter NotebookであるData Space Analysisを変更します。

2024年12月に導入された機能

メモ 異なるAPIを使用してデータスペース解析を実行する詳細については、GitHubのHow_to_use_ni_data_space_analyzerドキュメントにあるni_data_space_analyzer Pythonライブラリを参照してください。
作業を開始する前に、GitHubからData Space Analysis Notebook、Data_Space_Default_Analysis.ipynbをダウンロードします。
  1. 解析 » スクリプトに移動します。
  2. Notebookを右クリックして名前を変更します。
  3. カスタム解析を含めるには、ノートブックパラメータのメタデータを更新します。たとえば、custom_analysis_scalarとcustom_analysis_vectorを追加します。 
    {
  "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. Notebookでサポートされている解析のリストを更新し、その出力を指定します。 
    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. カスタム解析を計算し、結果を元のデータフレームに追加する関数を追加します。 
    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. 個々のトレースに対して解析を実行します。 
    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. 結果を統合し、その結果をアーチファクトとして保存します。 
    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. スクラップブックライブラリを使用して、出力アーチファクトを実行結果に貼り付けます。 
    sb.glue("result", output_artifact_id)
  9. Notebookを保存します。
  10. NotebookをSystemLink Enterpriseでデータスペース解析インタフェースの下にパブリッシュします。
カスタムスクリプトを作成したら、それを使用してデータスペース内のパラメトリックデータを解析します。