Freigeben über


reduce operator

Applies to: ✅Microsoft FabricAzure Data ExplorerAzure MonitorMicrosoft Sentinel

Gruppiert eine Gruppe von Zeichenfolgen basierend auf der Wertgleichheit.

Für jede solche Gruppe gibt der Operator ein pattern, count, und representative. Am pattern besten wird die Gruppe beschrieben, in der das * Zeichen einen Wildcard darstellt. Dies count ist die Anzahl der Werte in der Gruppe, und dies representative ist einer der ursprünglichen Werte in der Gruppe.

Syntax

T|reduce [kind=ReduceKind] byExpr [with [threshold=Threshold] [,characters=Characters]]

Learn more about syntax conventions.

Parameters

Name Type Required Description
Expr string ✔️ Der Wert, um den reduziert werden soll.
Threshold real Ein Wert zwischen 0 und 1, der den minimalen Bruchteil der Zeilen bestimmt, die zum Abgleichen der Gruppierungskriterien erforderlich sind, um einen Reduzierungsvorgang auszulösen. Der Standardwert ist 0,1.

Der Schwellenwertparameter bestimmt die mindeste Ähnlichkeitsstufe, die für die Gruppierungen von Werten erforderlich ist. Bei einem kleineren Schwellenwert (näher bei 0) werden ähnliche Werte gruppiert, was zu weniger, aber ähnlicheren Gruppen führt. Ein größerer Schwellenwert (näher an 1) erfordert weniger Ähnlichkeit, was zu mehr Gruppen führt, die weniger ähnlich sind. Es wird empfohlen, einen kleinen Schwellenwert für große Eingaben festzulegen. See Examples.
Characters string Eine Liste von Zeichen, die zwischen Ausdrücken getrennt sind. Der Standardwert ist jedes nicht ascii-numerische Zeichen. For examples, see Examples.
ReduceKind string Der einzige gültige Wert ist source. Wenn source angegeben, fügt der Operator die Pattern Spalte an die vorhandenen Zeilen in der Tabelle an, anstatt nach zu aggregieren.Pattern

Returns

Eine Tabelle mit so vielen Zeilen wie Gruppen und Spalten mit dem Titel pattern, countund representative. Am pattern besten wird die Gruppe beschrieben, in der das * Zeichen einen Platzhalter oder Platzhalter für eine beliebige Einfügezeichenfolge darstellt. Dies count ist die Anzahl der Werte in der Gruppe, und dies representative ist einer der ursprünglichen Werte in der Gruppe.

Das Ergebnis von reduce by city kann z.B. Folgendes enthalten:

Pattern Count Representative
San * 5182 San Bernard
Saint * 2846 Saint Lucy
Moscow 3726 Moscow
*-auf-* 2730 Eins - eins
Paris 2716 Paris

Examples

Das Beispiel in diesem Abschnitt zeigt, wie Sie die Syntax verwenden, um Ihnen bei den ersten Schritten zu helfen.

The examples in this article use publicly available tables in the help cluster, such as the StormEvents table in the Samples database.

The examples in this article use publicly available tables, such as the Weather table in the Weather analytics sample gallery. Möglicherweise müssen Sie den Tabellennamen in der Beispielabfrage so ändern, dass er der Tabelle in Ihrem Arbeitsbereich entspricht.

Im folgenden Beispiel wird ein Zahlenbereich generiert, eine neue Spalte mit verketteten Zeichenfolgen und zufälligen Ganzzahlen erstellt und dann die Zeilen nach der neuen Spalte mit bestimmten Reduzierungsparametern gruppiert. Der Schwellenwert wird auf 0,001 festgelegt, was bedeutet, dass die Operatorwerte gruppiert, die einander sehr ähnlich sind.

range x from 1 to 1000 step 1
| project MyText = strcat("MachineLearningX", tostring(toint(rand(10))))
| reduce by MyText  with threshold=0.001 , characters = "X" 

Output

Pattern Count Representative
MachineLearning* 1000 MachineLearningX4

Im folgenden Beispiel wird ein Zahlenbereich generiert, eine neue Spalte mit verketteten Zeichenfolgen und zufälligen Ganzzahlen erstellt und dann die Zeilen nach der neuen Spalte mit bestimmten Reduzierungsparametern gruppiert. Der Schwellenwert ist auf 0,9 festgelegt, d. h., dass der Operator Werte weniger streng gruppiert und mehr Varianz zulässt.

range x from 1 to 1000 step 1
| project MyText = strcat("MachineLearningX", tostring(toint(rand(10))))
| reduce by MyText  with threshold=0.9 , characters = "X" 

Output

Das Ergebnis enthält nur die Gruppen, in denen der Wert "MyText" in mindestens 90% der Zeilen angezeigt wird.

Pattern Count Representative
MachineLearning* 177 MachineLearningX9
MachineLearning* 102 MachineLearningX0
MachineLearning* 106 MachineLearningX1
MachineLearning* 96 MachineLearningX6
MachineLearning* 110 MachineLearningX4
MachineLearning* 100 MachineLearningX3
MachineLearning* 99 MachineLearningX8
MachineLearning* 104 MachineLearningX7
MachineLearning* 106 MachineLearningX2

If the Characters parameter is unspecified, by default the operator treats all non-alphanumeric characters (including spaces and punctuation) as term separators. The following example shows how the reduce operator behaves when the Characters parameter isn't specified.

range x from 1 to 10 step 1 | project str = strcat("foo", "Z", tostring(x)) | reduce by str

Output

Pattern Count Representative
others 10

Wenn Sie jedoch angeben, dass "Z" ein Trennzeichen ist, ist es so, als wäre jeder Wert in str zwei Begriffe: foo und tostring(x):

range x from 1 to 10 step 1 | project str = strcat("foo", "Z", tostring(x)) | reduce by str with characters="Z"

Output

Pattern Count Representative
foo* 10 fooZ1

Das folgende Beispiel zeigt, wie der reduce-Operator auf eine "sanitisierte" Eingabe angewendet werden kann, in der GUIDs in der Spalte, die reduziert werden, ersetzt werden, bevor sie reduziert werden:

Beginnen Sie mit einigen Datensätzen aus der Trace-Tabelle. Reduzieren Sie dann die Textspalte, die zufällige GUIDs enthält. Da zufällige GUIDs den Reduzierungsvorgang beeinträchtigen, ersetzen Sie sie alle durch die Zeichenfolge "GUID". Führen Sie nun den Reduzierten Vorgang aus. Falls es andere "quasi-random"-Bezeichner mit eingebetteten '-' oder '_' Zeichen in ihnen gibt, behandeln Sie Zeichen als Nicht-Begriffstrennzeichen.

Trace
| take 10000
| extend Text = replace(@"[0-9a-fA-F]{8}-[0-9a-fA-F]{4}-[0-9a-fA-F]{4}-[0-9a-fA-F]{4}-[0-9a-fA-F]{12}", "GUID", Text)
| reduce by Text with characters="-_"

Note

Die Implementierung des reduce Operators basiert weitgehend auf dem Papier A Data Clustering Algorithm for Mining Patterns From Event Logs, von Risto Vaarandi.