Copy Files From Source Repo (2024-02-09 17:34)

Instructions/Labs/01-lakehouse.md

@@ -18,9 +18,9 @@ lab:
 
 在 Fabric 中处理数据之前，创建一个已启用的 Fabric 试用版的工作区。
 
-1. 在 [Microsoft Fabric 主页](https://app.fabric.microsoft.com)中，选择“Synapse 数据工程”。****
+1. 在 `https://app.fabric.microsoft.com` 的 [Microsoft Fabric 主页](https://app.fabric.microsoft.com)中，选择“Synapse 数据工程”****。
 1. 在左侧菜单栏中，选择“工作区”（图标类似于 🗇）。
-1. 新建一个工作区并为其指定名称，并选择包含 Fabric 容量（试用版、高级版或 Fabric）的许可模式  。
+1. 新建一个工作区并为其指定名称，并在“高级”部分选择包含 Fabric 容量（试用版、高级版或 Fabric）的许可模式  。
 1. 打开新工作区时，它应为空。
 
     ![Fabric 中空工作区的屏幕截图。](./Images/new-workspace.png)
@@ -45,7 +45,7 @@ lab:
 
 Fabric 提供了多种将数据加载到湖屋的方法，包括对复制数据外部源和可以基于 Power Query 使用可视化工具定义的数据流 (Gen 2) 的管道的内置支持。 但是，引入少量数据的最简单方法之一是从本地计算机（或实验室 VM，如果适用）上传文件或文件夹。
 
-1. 从 [https://raw.githubusercontent.com/MicrosoftLearning/dp-data/main/sales.csv](https://raw.githubusercontent.com/MicrosoftLearning/dp-data/main/sales.csv) 下载 sales.csv 文件，在本地计算机（或实验室 VM，如果适用）上将其保存为 sales.csv。
+1. 从 `https://raw.githubusercontent.com/MicrosoftLearning/dp-data/main/sales.csv` 下载 sales.csv 文件，在本地计算机（或实验室 VM，如果适用）上将其保存为 sales.csv。
 
    > 注意：若要下载文件，请在浏览器中打开一个新选项卡并粘贴 URL。 右键单击包含数据的页面上的任意位置，然后选择“另存为”，将页面另存为 CSV 文件。
 
@@ -88,9 +88,7 @@ Fabric 提供了多种将数据加载到湖屋的方法，包括对复制数据
 
 创建湖屋并在其中定义表时，会自动创建一个 SQL 终结点，通过该终结点可以使用 SQL `SELECT` 语句查询表。
 
-1. 在湖屋页面的右上角，从湖屋切换到 SQL 终结点。 然后等待一小段时间，直到湖屋的 SQL 查询终结点在可视化界面中打开，可以从该界面查询其表，如下所示：
-
-    ![“SQL 终结点”页面的屏幕截图。](./Images/lakehouse-sql-endpoint.png)
+1. 在湖屋页面的右上角，从湖屋切换到 SQL 分析终结点。******** 然后等待一小段时间，直到湖屋的 SQL 分析终结点在可视化界面中打开，可以从该界面查询其表。
 
 2. 使用“新建 SQL 查询”按钮打开新的查询编辑器，并输入以下 SQL 查询：
 
@@ -131,13 +129,14 @@ Fabric 提供了多种将数据加载到湖屋的方法，包括对复制数据
 
 ## 创建报表
 
-湖屋中的表会自动添加到默认数据集中，该数据集定义用于使用 Power BI 进行报告的数据模型。
+湖屋中的表会自动添加到默认语义模型，以便使用 Power BI 进行报告。
+
 
-1. 在“SQL 终结点”页底部，选择“模型”选项卡。数据集的数据模型架构将显示。
+1. 在“SQL 终结点”页底部，选择“模型”选项卡。**** 显示语义模型的数据模型架构。
 
-    ![数据模型的屏幕截图。](./Images/data-model.png)
+    ![语义模型的屏幕截图。](./Images/data-model.png)
 
-    > 注意：在本练习中，数据模型由单个表组成。 在实际场景中，你可能会在湖屋中创建多个表，每个表都将包含在模型中。 然后，可以在模型中定义这些表之间的关系。
+    > **注意**：在本练习中，数据模型由单个表组成。 在实际场景中，你可能会在湖屋中创建多个表，每个表都将包含在模型中。 然后，可以在模型中定义这些表之间的关系。
 
 2. 在菜单功能区中，选择“报告”选项卡。然后选择“新建报表” 。 此时会打开一个新的浏览器选项卡，你可以在其中设计报表。
 
@@ -158,13 +157,13 @@ Fabric 提供了多种将数据加载到湖屋的方法，包括对复制数据
 5. 在“文件”菜单中，选择“保存”。 然后在之前创建的工作区中，将报表另存为“Item Sales Report”。
 6. 关闭包含报表的浏览器选项卡，返回到湖屋的 SQL 终结点。 然后，在左侧的中心菜单栏中，选择工作区以验证它是否包含以下项：
     - 你的湖屋。
-    - 湖屋的 SQL 终结点。
-    - 湖屋中表的默认数据集。
+    - 湖屋的 SQL 分析终结点。
+    - 湖屋中表的默认语义模型。
     - Item Sales Report 报表。
 
 ## 清理资源
 
-在本练习中，你已创建一个湖屋并将数据导入其中。 你已了解湖屋如何由存储在 OneLake 数据存储中的文件和表组成。 可以使用 SQL 查询托管表，并包含在默认数据集中以支持数据可视化。
+在本练习中，你已创建一个湖屋并将数据导入其中。 你已了解湖屋如何由存储在 OneLake 数据存储中的文件和表组成。 可以使用 SQL 查询托管表，并将表包含在默认语义模型中以支持数据可视化。
 
 如果已完成湖屋探索，可删除为本练习创建的工作区。
 

Instructions/Labs/02-analyze-spark.md

@@ -16,9 +16,9 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
 在 Fabric 中处理数据之前，创建一个已启用的 Fabric 试用版的工作区。
 
-1. 在 [Microsoft Fabric 主页](https://app.fabric.microsoft.com)中，选择“Synapse 数据工程”。****
+1. 在 [Microsoft Fabric 主页](https://app.fabric.microsoft.com) (`https://app.fabric.microsoft.com`) 中，选择“Synapse 数据工程”****。
 1. 在左侧菜单栏中，选择“工作区”（图标类似于 🗇）。
-1. 新建一个工作区并为其指定名称，并选择包含 Fabric 容量（试用版、高级版或 Fabric）的许可模式  。
+1. 新建一个工作区并为其指定名称，并在“高级”部分选择包含 Fabric 容量（试用版、高级版或 Fabric）的许可模式  。
 1. 打开新工作区时，它应为空。
 
     ![Fabric 中空工作区的屏幕截图。](./Images/new-workspace.png)
@@ -31,7 +31,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
     大约一分钟后，一个新的空湖屋创建完成。 需要将一些数据引入数据湖屋进行分析。 可通过多种方法执行此操作，但在本练习中，只需将文本文件的文件夹下载并解压缩到本地计算机（或实验室 VM，如适用），然后将其上传到湖屋。
 
-1. 从 [https://github.com/MicrosoftLearning/dp-data/raw/main/orders.zip](https://github.com/MicrosoftLearning/dp-data/raw/main/orders.zip) 下载并解压缩本练习的数据文件。
+1. 从 `https://github.com/MicrosoftLearning/dp-data/raw/main/orders.zip` 下载并解压缩本练习的[数据文件](https://github.com/MicrosoftLearning/dp-data/raw/main/orders.zip)。
 
 1. 解压缩存档文件后，验证是否有名为 orders 的文件夹，其中是否包含名为 2019.csv、2020.csv 和 2021.csv 的 CSV 文件   。
 1. 返回到包含湖屋的 Web 浏览器标签页，在“资源管理器”窗格的 Files 文件夹的“...”菜单中，依次选择“上传”和“上传文件夹”，然后将从 orders 文件夹从本地计算机（或实验室 VM，如适用）上传到湖屋     。
@@ -71,7 +71,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
     ![包含 Files 窗格的笔记本的屏幕截图。](./Images/notebook-files.png)
 
-2. 在 2019.csv 的“...”菜单中，选择“加载数据” > “Spark”   。 应在笔记本中添加包含以下代码的新代码单元格：
+1. 在 2019.csv 的“...”菜单中，选择“加载数据” > “Spark”   。 应在笔记本中添加包含以下代码的新代码单元格：
 
     ```python
    df = spark.read.format("csv").option("header","true").load("Files/orders/2019.csv")
@@ -81,11 +81,11 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
     > 提示：可使用 << 图标隐藏左侧的湖屋资源管理器窗格 。 这样做有助于专注于笔记本。
 
-3. 使用单元格左侧的“&#9655; 运行单元格”按钮运行单元格。
+1. 使用单元格左侧的“&#9655; 运行单元格”按钮运行单元格。
 
     > 注意：由于这是你第一次运行 Spark 代码，因此必须启动 Spark 会话。 这意味着会话中的第一次运行可能需要一分钟左右才能完成。 后续运行速度会更快。
 
-4. 单元格命令完成后，查看单元格下方的输出，输出应如下所示：
+1. 单元格命令完成后，查看单元格下方的输出，输出应如下所示：
 
     | Index | SO43701 | 11 | 2019-07-01 | Christy Zhu | [email protected] | Mountain-100 Silver, 44 | 16 | 3399.99 | 271.9992 |
     | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- |
@@ -95,15 +95,15 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
     输出显示 2019.csv 文件中的数据行和列。 但请注意，列标题看起来不正常。 用于将数据加载到数据帧的默认代码假定 CSV 文件的第一行包含列名，但在本例中，CSV 文件只包含数据，没有标头信息。
 
-5. 修改代码以将 header 选项设置为 false，如下所示 ：
+1. 修改代码以将 header 选项设置为 false，如下所示 ：
 
     ```python
    df = spark.read.format("csv").option("header","false").load("Files/orders/2019.csv")
    # df now is a Spark DataFrame containing CSV data from "Files/orders/2019.csv".
    display(df)
     ```
 
-6. 重新运行单元格并查看输出，输出应如下所示：
+1. 重新运行单元格并查看输出，输出应如下所示：
 
    | Index | _c0 | _c1 | _c2 | _c3 | _c4 | _c5 | _c6 | _c7 | _c8 |
     | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- |
@@ -114,7 +114,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
     现在，数据帧正确地将第一行作为数据值包含在内，但列名称是自动生成的，并不是很有用。 要理解数据，需要为文件中的数据值显式定义正确的架构和数据类型。
 
-7. 按如下所示修改代码以定义架构，并在加载数据时应用该架构：
+1. 按如下所示修改代码以定义架构，并在加载数据时应用该架构：
 
     ```python
    from pyspark.sql.types import *
@@ -135,7 +135,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
    display(df)
     ```
 
-8. 运行修改后的单元格并查看输出，输出应如下所示：
+1. 运行修改后的单元格并查看输出，输出应如下所示：
 
    | Index | SalesOrderNumber | SalesOrderLineNumber | OrderDate | CustomerName | 电子邮件 | 项 | 数量 | 单价 | 税款 |
     | -- | -- | -- | -- | -- | -- | -- | -- | -- | -- |
@@ -146,13 +146,15 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
     现在，数据帧包含正确的列名（除了 Index，这是所有数据帧中基于每一行的序号位置的内置列）。 列的数据类型是使用 Spark SQL 库中定义的一组标准类型指定的，这些类型是在单元格开始时导入的。
 
-9. 通过查看数据帧确认更改是否已应用于数据。 在新代码单元格中运行以下代码：
+1. 通过查看数据帧确认更改是否已应用于数据。
 
-    ```python
+1. 使用当前单元格的输出左侧的“+ 代码”链接（移动鼠标时即会显示）添加新的代码单元格（或者在菜单栏上的“编辑”选项卡中，选择“+ 添加代码单元格”）************。 然后在新代码单元中运行以下代码：
+
+    ```Python
    display(df)
     ```
 
-10. 数据帧仅包含 2019.csv 文件中的数据。 修改代码，使文件路径使用 \* 通配符从 orders 文件夹的所有文件中读取销售订单数据：
+1. 数据帧仅包含 2019.csv 文件中的数据。 修改代码，使文件路径使用 \* 通配符从 orders 文件夹的所有文件中读取销售订单数据：
 
     ```python
     from pyspark.sql.types import *
@@ -173,7 +175,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
     display(df)
     ```
 
-11. 运行修改后的代码单元并查看输出，该输出现应包括 2019 年、2020 年和 2021 年的销售情况。
+1. 运行修改后的代码单元并查看输出，该输出现应包括 2019 年、2020 年和 2021 年的销售情况。
 
     注意：仅显示一部分行，因此可能无法查看所有年份的示例。
 
@@ -228,7 +230,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
    display(yearlySales)
     ```
 
-4. 运行添加的代码单元格，并注意结果显示每年的销售订单数。 请注意，select 方法包含一个 SQL year 函数以提取 OrderDate 字段的年份部分（这也是代码包含 import 语句以从 Spark SQL 库导入函数的原因） 。 然后它使用 alias 方法向提取的年份值分配一个列名。 接下来，按派生的“年份”列对数据进行分组，并计算每个组中的行计数，最后使用 orderBy 方法对生成的数据帧进行排序。
+4. 运行添加的代码单元格，并注意结果显示每年的销售订单数。 请注意，select 方法包含一个 SQL year 函数以提取 OrderDate 字段的年份部分（这也是代码包含 import 语句以从 Spark SQL 库导入函数的原因） 。 然后，它会使用 **alias** 方法向提取的年份值分配一个列名。 接下来，按派生的“年份”列对数据进行分组，并计算每个组中的行计数，最后使用 orderBy 方法对生成的数据帧进行排序。
 
 ## 使用 Spark 转换数据文件
 
@@ -269,7 +271,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
 1. 添加包含以下代码的新单元格，以 Parquet 格式保存转换后的数据帧（如果数据已存在，则覆盖数据）：
 
-    ```python
+    ```Python
    transformed_df.write.mode("overwrite").parquet('Files/transformed_data/orders')
    print ("Transformed data saved!")
     ```
@@ -282,7 +284,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
 3. 添加包含以下代码的新单元格，以从 transformed_orders/orders 文件夹中的 parquet 文件加载新的数据帧：
 
-    ```python
+    ```Python
    orders_df = spark.read.format("parquet").load("Files/transformed_data/orders")
    display(orders_df)
     ```
@@ -293,7 +295,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
 1. 添加包含以下代码的新单元格；该代码保存数据帧，并按年份和月份对数据进行分区 ：
 
-    ```python
+    ```Python
    orders_df.write.partitionBy("Year","Month").mode("overwrite").parquet("Files/partitioned_data")
    print ("Transformed data saved!")
     ```
@@ -306,7 +308,7 @@ Apache Spark 是用于分布式数据处理的开放源代码引擎，广泛用
 
 3. 添加包含以下代码的新单元格，以从 orders.parquet 文件加载新的数据帧：
 
-    ```python
+    ```Python
    orders_2021_df = spark.read.format("parquet").load("Files/partitioned_data/Year=2021/Month=*")
    display(orders_2021_df)
     ```

Instructions/Labs/03b-medallion-lakehouse.md

@@ -6,7 +6,7 @@ lab:
 
 # 在 Microsoft Fabric 湖屋中创建奖牌体系结构
 
-在本练习中，你将使用笔记本在 Fabric 湖屋中构建奖牌体系结构。 你将创建工作区、创建湖屋、将数据上传到铜层、转换数据并将其加载到银 Delta 表、进一步转换数据并将其加载到金 Delta 表，然后浏览数据集并创建关系。
+在本练习中，你将使用笔记本在 Fabric 湖屋中构建奖牌体系结构。 你将创建工作区、创建湖屋、将数据上传到铜层、转换数据并将其加载到银 Delta 表、进一步转换数据并将其加载到金 Delta 表，然后浏览语义模型并创建关系。
 
 完成此练习大约需要 **45** 分钟
 
@@ -23,7 +23,7 @@ lab:
 
    ![Fabric 中空工作区的屏幕截图。](./Images/new-workspace-medallion.png)
 
-5. 导航到工作区设置并启用“数据模型编辑”预览功能。 这样一来，你就可以使用 Power BI 数据集在你的湖屋中的表之间创建关系。
+5. 导航到工作区设置并启用“数据模型编辑”预览功能。 这样一来，你就可以使用 Power BI 语义模型在你的湖屋中的表之间创建关系。
 
     ![Fabric 中工作区设置页的屏幕截图。](./Images/workspace-settings.png)
 
@@ -582,25 +582,24 @@ lab:
 
 现在，你有了一个经过策划和建模的金层，可用于报告和分析。
 
-## 创建数据集
+## 创建语义模型
 
-你可以在工作区中使用金层来创建报表并分析数据。 你可以直接在工作区中访问数据集，以创建用于报告的关系和度量值。
+你可以在工作区中使用金层来创建报表并分析数据。 你可以直接在工作区中访问语义模型，以创建用于报告的关系和度量值。
 
-请注意，不能使用创建湖屋时自动创建的**默认数据集**。 必须从湖屋资源管理器创建一个新的数据集，其中包含你在本练习中创建的金表。
+请注意，不能使用创建湖屋时自动创建的**默认语义模型**。 必须从湖屋资源管理器创建一个新的语义模型，其中包含你在本练习中创建的金表。
 
 1. 在工作区中，导航到“Sales”湖屋。
-2. 从湖屋资源管理器视图的功能区中选择“新建 Power BI 数据集”。
-3. 选择要包含在数据集中的已转换金表，然后选择“确认”。
+2. 从湖屋资源管理器视图的功能区中选择“新建语义模型”****。
+3. 为新语义模型分配名称 **Sales_Gold**。
+4. 选择要包含在语义模型中的已转换金表，然后选择“确认”****。
    - dimdate_gold
    - dimcustomer_gold
    - dimproduct_gold
    - factsales_gold
 
-    此时将在 Fabric 中打开数据集，你可以在其中创建关系和度量值，如下所示：
+    此时将在 Fabric 中打开语义模型，你可以在其中创建关系和度量，如下所示：
 
-    ![Fabric 中数据集的屏幕截图。](./Images/dataset-relationships.png)
-
-4. 重命名数据集，以便更轻松地识别。 选择窗口左上角的数据集名称。 将数据集重命名为 Sales_Gold。
+    ![Fabric 中语义模型的屏幕截图。](./Images/dataset-relationships.png)
 
 在此处，你或数据团队的其他成员可以根据湖屋中的数据创建报表和仪表板。 这些报表将直接连接到湖屋的金层，因此它们将始终反映最新数据。
 

Instructions/Labs/06-data-warehouse.md

@@ -66,7 +66,7 @@ lab:
 
 5. 运行新查询，将三行插入 DimProduct 表中。
 6. 查询完成后，选择数据仓库中页面底部的“数据”选项卡。 在“资源管理器”窗格中，选择 DimProduct 表，并验证是否已将三行添加到表中 。
-7. 在“开始”菜单选项卡上，使用“新建 SQL 查询”按钮创建新查询 。 然后将 Transact-SQL 代码从 [https://raw.githubusercontent.com/MicrosoftLearning/dp-data/main/create-dw.txt](https://raw.githubusercontent.com/MicrosoftLearning/dp-data/main/create-dw.txt) 复制并粘贴到新的查询窗格中。
+7. 在“开始”菜单选项卡上，使用“新建 SQL 查询”按钮创建新查询 。 然后将 Transact-SQL 代码从 `https://raw.githubusercontent.com/MicrosoftLearning/dp-data/main/create-dw.txt` 复制并粘贴到新的查询窗格中。
 <!-- I had to remove the GO command in this query as well -->
 8. 运行查询，创建一个简单的数据仓库架构并加载一些数据。 运行该脚本大约需要 30 秒。
 9. 使用工具栏上的“刷新”按钮刷新视图。 然后在“资源管理器”窗格中，验证数据仓库中的 dbo 架构现在是否包含以下四个表 ：