修改默认的Jupyter Notebook - Data Space Analysis，用于满足参数数据分析需求。

2024年12月推出

备注 关于使用不同API进行数据空间分析的更多详情，请参见GitHubHow_to_use_ni_data_space_analyzer文档中的ni_data_space_analyzerPython库。
开始之前，从GitHub下载Data Space Analysis Notebook (Data_Space_Default_Analysis.ipynb)。
  1. 导航至分析(Analysis) » 脚本(Scripts)。
  2. 右键单击Notebook对其重命名。
  3. 要包含自定义分析，请更新Notebook参数的元数据。例如，添加custom_analysis_scalar和custom_analysis_vector。 
    {
  "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. 更新Notebook支持的分析列表并指定其输出。 
    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. 添加计算自定义分析的函数，并将结果添加至原始数据帧。 
    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. 对个别迹进行分析。 
    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. 合并结果并将结果保存为工件。 
    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. 使用Scrapbook库，将输出工件粘贴至执行结果。 
    sb.glue("result", output_artifact_id)
  9. 保存该Notebook。
  10. 将Notebook发布至SystemLink Enterprise的Data Space Analysis界面下。
创建自定义脚本后，可用于在数据空间中分析参数数据。