operations Paquet

Wrappers orientés DataFrame pour les opérations d’enregistrement par lots.

Fournit create, updateet qui acceptent pandas.DataFrame / pandas.Series les entrées et delete les convertissent en dicts standard avant la mise en file d’attente sur le lot. Cela permet aux appelants de science des données de nourrir des DataFrames directement dans un lot sans conversion manuelle.

Accessible via batch.dataframe.

Exemple :

   import pandas as pd

   batch = client.batch.new()
   df = pd.DataFrame([
       {"name": "Contoso", "telephone1": "555-0100"},
       {"name": "Fabrikam", "telephone1": "555-0200"},
   ])
   batch.dataframe.create("account", df)
   result = batch.execute()

Espace de noms pour les opérations par lots (client.batch).

Accessible via client.batch. Permet new de créer un BatchRequest générateur.

Exemple :

   batch = client.batch.new()
   batch.records.create("account", {"name": "Fabrikam"})
   result = batch.execute()

Interroger des opérations sur un BatchRequest.

Miroirs client.query exactement : mêmes noms de méthode, mêmes signatures. Tous les retours Nonede méthodes ; les résultats arrivent via BatchResult.

Ne pas instancier directement ; utiliser batch.query.

Enregistrer les opérations sur un BatchRequest.

Miroirs client.records: mêmes noms de méthode, mêmes signatures. Toutes les méthodes retournent None; les résultats sont disponibles après BatchResultexecute.

Méthodes ga : retrieve (enregistrement unique) et list (multi-enregistrement, page unique). get est déconseillé : utiliser retrieve à la place.

Ne pas instancier directement ; utiliser batch.records.

Générateur pour la construction et l’exécution d’une requête OData $batch Dataverse.

Obtenir via new (client.batch.new()). Ajoutez des opérations via records, , tablesqueryet , et dataframe, si vous le souhaitez, regroupez les écritures dans un changeset, puis appelez execute.

Les opérations sont exécutées séquentiellement dans l’ordre ajouté. Le résultat BatchResult contient un BatchItemResponse par requête HTTP distribuée (certaines opérations s’étendent à plusieurs requêtes).

Exemple :

   batch = client.batch.new()
   batch.records.create("account", {"name": "Contoso"})
   batch.tables.get("account")
   with batch.changeset() as cs:
       ref = cs.records.create("contact", {"firstname": "Alice"})
       cs.records.update("account", account_id, {
           "primarycontactid@odata.bind": ref
       })
   result = batch.execute()

Opérations de métadonnées de table sur un BatchRequest.

Miroirs client.tables exactement : mêmes noms de méthode, mêmes signatures. Tous les retours Nonede méthodes ; les résultats arrivent via BatchResult.

Ne pas instancier directement ; utiliser batch.tables.

Groupe transactionnel d’opérations d’écriture à enregistrement unique.

Toutes les opérations réussissent ou sont restaurées ensemble. Utilisez-le en tant que gestionnaire de contexte ou appelez-le records pour ajouter des opérations directement.

Ne pas instancier directement ; utiliser changeset.

Exemple :

   with batch.changeset() as cs:
       ref = cs.records.create("contact", {"firstname": "Alice"})
       cs.records.update("account", account_id, {
           "primarycontactid@odata.bind": ref
       })

Enregistrer les opérations d’écriture disponibles à l’intérieur d’un ChangeSet.

Miroirs, mais limités client.records aux formulaires à enregistrement unique (aucune création/mise à jour/suppression en bloc). Seules les opérations d’écriture sont autorisées : GET n’est pas autorisé à l’intérieur d’un ensemble de modifications.

Ne pas instancier directement ; utiliser ChangeSet.records.

Espace de noms pour les opérations CRUD de trame de données pandas.

Accessible via client.dataframe. Fournit des wrappers orientés DataFrame autour des opérations CRUD au niveau de l’enregistrement.

Exemple :

   import pandas as pd

   client = DataverseClient(base_url, credential)

   # Query records as a DataFrame
   df = client.dataframe.get("account", select=["name"], top=100)

   # Create records from a DataFrame
   new_df = pd.DataFrame([{"name": "Contoso"}, {"name": "Fabrikam"}])
   new_df["accountid"] = client.dataframe.create("account", new_df)

   # Update records
   new_df["telephone1"] = ["555-0100", "555-0200"]
   client.dataframe.update("account", new_df, id_column="accountid")

   # Delete records
   client.dataframe.delete("account", new_df["accountid"])

Espace de noms pour les opérations de fichier.

Accessible via client.files. Fournit des opérations de chargement de fichiers pour les colonnes de fichier Dataverse.

Exemple :

   client = DataverseClient(base_url, credential)

   client.files.upload(
       "account", account_id, "new_Document", "/path/to/file.pdf"
   )

Espace de noms pour les opérations de requête.

Accessible via client.query. Fournit des opérations de requête et de recherche sur des tables Dataverse.

Exemple :

   from PowerPlatform.Dataverse.models.filters import col

   client = DataverseClient(base_url, credential)

   # Fluent query builder (recommended)
   for record in (client.query.builder("account")
                  .select("name", "revenue")
                  .where(col("statecode") == 0)
                  .order_by("revenue", descending=True)
                  .top(100)
                  .execute()):
       print(record["name"])

   # SQL query
   rows = client.query.sql("SELECT TOP 10 name FROM account ORDER BY name")
   for row in rows:
       print(row["name"])

Espace de noms pour les opérations CRUD au niveau de l’enregistrement.

Accessible via client.records. Fournit des opérations de création, de mise à jour, de suppression et d’obtention sur des enregistrements Dataverse individuels.

Exemple :

   client = DataverseClient(base_url, credential)

   # Create a single record
   guid = client.records.create("account", {"name": "Contoso Ltd"})

   # Get a record
   record = client.records.get("account", guid, select=["name"])

   # Update a record
   client.records.update("account", guid, {"telephone1": "555-0100"})

   # Delete a record
   client.records.delete("account", guid)

Espace de noms pour les opérations de métadonnées au niveau de la table.

Accessible via client.tables. Fournit des opérations pour créer, supprimer, inspecter et répertorier des tables Dataverse, ainsi que pour ajouter et supprimer des colonnes.

Exemple :

   client = DataverseClient(base_url, credential)

   # Create a table
   info = client.tables.create(
       "new_Product",
       {"new_Price": "decimal", "new_InStock": "bool"},
       solution="MySolution",
   )

   # List tables
   tables = client.tables.list()

   # Get table info
   info = client.tables.get("new_Product")

   # Add columns
   client.tables.add_columns("new_Product", {"new_Rating": "int"})

   # Remove columns
   client.tables.remove_columns("new_Product", "new_Rating")

   # Delete a table
   client.tables.delete("new_Product")