Python を使用してセマンティックモデルから読み取り、Power BI で使用できるデータを書き込む

2025-09-29

この記事では、Microsoft Fabric の SemPy Python ライブラリを使用して、セマンティックモデルでデータ、メタデータを読み取り、メジャーを評価する方法について説明します。また、セマンティックモデルが使用できるデータを記述する方法についても学習します。

前提条件

Microsoft Fabric サブスクリプションを取得します。または、無料の Microsoft Fabric 試用版にサインアップします。
Microsoft Fabric にサインインします。
ホームページの左側の下にあるエクスペリエンススイッチャーを使用して、Fabric に切り替えます。

Microsoft Fabric のデータサイエンスエクスペリエンスに移動します。
コードをコピーしてセルに貼り付ける新しいノートブックを作成します。
Spark 3.4 以降では、Fabric を使用する場合、セマンティックリンクは既定のランタイムで使用でき、インストールする必要はありません。 Spark 3.3 以前を使用している場合、またはセマンティックリンクの最新バージョンに更新する場合は、次のコマンドを実行できます。 python %pip install -U semantic-link
レイクハウスをノートブックに追加します
ファブリックサンプルリポジトリのデータセットフォルダーから Customer Profitability Sample.pbix セマンティックモデルをダウンロードし、ローカルに保存します。

ワークスペースにセマンティックモデルをアップロードする

この記事では、Customer Profitability Sample.pbix セマンティックモデルを使用します。セマンティックモデルは、マーケティング資料を製造する会社を参照します。これには、さまざまな事業単位の製品、顧客、および収益データが含まれます。

Fabric Data Science でワークスペースを開きます。
このコンピューターから Import Report、Paginated Report、または Workbook を選択し、顧客収益性サンプル.pbixのセマンティックモデルを選択します。

アップロードが完了すると、ワークスペースには、Power BI レポート、ダッシュボード、 および Customer Profitability Sample という名前のセマンティックモデルという 3 つの新しい成果物がワークスペースに含まれます。この記事の手順は、このセマンティックモデルに依存します。

Python を使用してセマンティックモデルからデータを読み取る

SemPy Python API は、Microsoft Fabric ワークスペースにあるセマンティックモデルからデータとメタデータを取得できます。この API はそれらに対してクエリを実行することもできます。

ノートブック、Power BI データセットセマンティックモデル、レイクハウスは、同じワークスペースに配置することも、異なるワークスペースに配置することもできます。既定では、SemPy は次の場所からセマンティックモデルへのアクセスを試みます。

ノートブックにレイクハウスをアタッチした場合は、レイクハウスのワークスペース。
レイクハウスがアタッチされていない場合は、ノートブックのワークスペース。

セマンティックモデルがこれらのワークスペースのいずれにも配置されていない場合は、SemPy メソッドを呼び出すときにセマンティックモデルのワークスペースを指定する必要があります。

セマンティックモデルからデータを読み取る手順は次のとおりです。

ワークスペース内で使用可能なセマンティックモデルを一覧表示します。
```
import sempy.fabric as fabric

df_datasets = fabric.list_datasets()
df_datasets
```
Customer Profitability Sample セマンティックモデルで使用できるテーブルを一覧表示します。
```
df_tables = fabric.list_tables("Customer Profitability Sample", include_columns=True)
df_tables
```
Customer Profitability Sample セマンティックモデルで定義されているメジャーを一覧表示します。

ヒント

次のサンプルコードでは、SemPy がセマンティックモデルにアクセスするために使用するワークスペースが指定されています。 <Your Workspace> は、([ワークスペースにセマンティックモデルをアップロードする] セクションで) セマンティックモデルをアップロードしたワークスペースの名前に置き換えることができます。
```
df_measures = fabric.list_measures("Customer Profitability Sample", workspace="<Your Workspace>")
df_measures
```
ここでは、Customer テーブルが目的のテーブルであると判断しました。
Customer Profitability Sample セマンティックモデルから Customer テーブルを読み取ります。
```
df_table = fabric.read_table("Customer Profitability Sample", "Customer")
df_table
```
注
- データは XMLA を使用して取得されます。この場合、少なくとも XMLA 読み取り専用を有効にする必要があります。
- 取得可能なデータの量は、セマンティックモデルをホストする容量 SKU のクエリあたりの最大メモリ数によって制限されます。 - ノートブックを実行する Spark ドライバーノード (詳細については、ノードのサイズを参照してください)。
- すべての要求で優先順位が低く、Microsoft Azure Analysis Services のパフォーマンスへの影響を最小限に抑え、対話型の要求として課金されます。
各顧客の状態と日付に対する Total Revenue メジャーを評価します。
```
df_measure = fabric.evaluate_measure(
    "Customer Profitability Sample",
    "Total Revenue",
    ["'Customer'[State]", "Calendar[Date]"])
df_measure
```
注
- 既定では、データは XMLA を使用して取得 されないため 、XMLA の読み取り専用を有効にする必要はありません。
- データは、Power BI バックエンドの制限の対象ではありません。
- 取得可能なデータの量は、セマンティックモデルをホストする容量 SKU のクエリあたりの最大メモリ数によって制限されます。 - ノートブックを実行する Spark ドライバーノード (詳細については、ノードのサイズを参照してください)。
- すべての要求は対話型要求として課金されます。
- evaluate_dax関数は、セマンティックモデルを自動更新しません。詳細については、このページを参照してください。

メジャー計算にフィルターを追加するには、特定の列に指定できる値のリストを指定します。

filters = {
    "State[Region]": ["East", "Central"],
    "State[State]": ["FLORIDA", "NEW YORK"]
}
df_measure = fabric.evaluate_measure(
    "Customer Profitability Sample",
    "Total Revenue",
    ["Customer[State]", "Calendar[Date]"],
    filters=filters)
df_measure

DAX クエリを使用して、顧客の状態と日付ごとの Total Revenue メジャーを評価します。
```
df_dax = fabric.evaluate_dax(
    "Customer Profitability Sample",
    """
    EVALUATE SUMMARIZECOLUMNS(
        'State'[Region],
        'Calendar'[Date].[Year],
        'Calendar'[Date].[Month],
        "Total Revenue",
        CALCULATE([Total Revenue]))
    """)
```
注
- データは XMLA を使用して取得されるため、少なくとも XMLA 読み取り専用を有効にする必要があります
- 取得可能なデータの量は、Microsoft Azure Analysis Services と Spark ドライバーノードで使用可能なメモリによって制限されます (詳細については、「ノードサイズ」を参照してください)。
- すべての要求は低優先度を使用して Analysis Services のパフォーマンスへの影響を最小限に抑え、対話型の要求として課金されます
%%dax セルマジックを使用して、同じ DAX クエリを評価します。ライブラリをインポートする必要はありません。このセルを実行して、%%dax セルマジックを読み込みます。
```
%load_ext sempy
```
ワークスペースパラメーターは省略可能です。 evaluate_dax 関数のワークスペースパラメーターと同じルールに従います。

セルマジックでは、{variable_name} 構文を使用した Python 変数へのアクセスもサポートされています。 DAX クエリで中かっこを使用するには、もう 1 つの中かっこでエスケープします (例: EVALUATE {{1}})。
```
%%dax "Customer Profitability Sample" -w "<Your Workspace>"
EVALUATE SUMMARIZECOLUMNS(
    'State'[Region],
    'Calendar'[Date].[Year],
    'Calendar'[Date].[Month],
    "Total Revenue",
    CALCULATE([Total Revenue]))
```
結果の FabricDataFrame は、_ 変数を介して使用できます。この変数は、最後に実行されたセルの出力をキャプチャします。
```
df_dax = _

df_dax.head()
```
外部ソースから取得したデータにメジャーを追加できます。この方法では、次の 3 つのタスクを組み合わせます。
- 列名を Power BI ディメンションに解決する
- 列ごとにグループを定義する
- メジャーをフィルター処理する。特定のセマンティックモデル内で解決できない列名はすべて無視されます (詳細については、サポートされている DAX 構文のリソースを参照してください)。
```
from sempy.fabric import FabricDataFrame

df = FabricDataFrame({
        "Sales Agent": ["Agent 1", "Agent 1", "Agent 2"],
        "Customer[Country/Region]": ["US", "GB", "US"],
        "Industry[Industry]": ["Services", "CPG", "Manufacturing"],
    }
)

joined_df = df.add_measure("Total Revenue", dataset="Customer Profitability Sample")
joined_df
```

特殊なパラメーター

SemPy の read_table および evaluate_measure メソッドには、他にも出力の操作に役立つパラメータがあります。これらのパラメーターには、以下のものがあります。

pandas_convert_dtypes: Trueに設定すると、pandas は結果の DataFrame 列を可能な限り最適な dtype にキャストします。詳細については、 convert_dtypesを参照してください。このパラメーターをオフにすると、関連テーブルの列間で型の非互換性の問題が発生する可能性があります。 DAX の暗黙的な型変換により、Power BI モデルでこれらの問題が検出されない場合があります。

SemPy read_table では、Power BI が提供するモデル情報も使用されます。

multiindex_hierarchies: Trueに設定すると、 Power BI 階層が pandas MultiIndex 構造体に変換されます。

セマンティックモデルで使用できるデータを書き込む

レイクハウスに追加された Spark テーブルは、対応する既定のセマンティックモデルに自動的に追加されます。この記事では、接続されている Lakehouse にデータを書き込む方法について説明します。 FabricDataFrameは Pandas データフレームと同じ入力データを受け入れます。

from sempy.fabric import FabricDataFrame

df_forecast = FabricDataFrame({'ForecastedRevenue': [1, 2, 3]})

df_forecast.to_lakehouse_table("ForecastTable")

Power BI では、Lakehouse セマンティックモデルを含む複合セマンティックモデルに ForecastTable テーブルを追加できます。

フィードバック

このページはお役に立ちましたか?

次の方法で共有

Python を使用してセマンティック モデルから読み取り、Power BI で使用できるデータを書き込む

前提条件

ワークスペースにセマンティック モデルをアップロードする

Python を使用してセマンティック モデルからデータを読み取る

特殊なパラメーター

セマンティック モデルで使用できるデータを書き込む

関連するコンテンツ

フィードバック

その他のリソース

Python を使用してセマンティックモデルから読み取り、Power BI で使用できるデータを書き込む

ワークスペースにセマンティックモデルをアップロードする

Python を使用してセマンティックモデルからデータを読み取る

セマンティックモデルで使用できるデータを書き込む