Když v Microsoft Fabric používáš Lakehouse, automaticky k němu dostaneš i SQL Analytics Endpoint pro čtení delta tabulek přes - SQL. Ten ale může mít zpoždění za Lakehousem, takže nová data nejsou hned vidět v Power BI. V článku ukazuju, proč se to děje a jak SAE donutit k synchronizaci ručně i automaticky přes REST API.

Using a Lakehouse in Microsoft Fabric automatically gives you a SQL Analytics Endpoint, but its metadata sync is not always instant. This post explains why SAE can lag behind your Delta tables and how to wake it up, refresh it manually, or call the Refresh SQL Endpoint Metadata API from a pipeline or notebook.

Power Query rozlišuje velikost písmen. DAX a model ve výchozím stavu ne. Tenhle mismatch umí rozhodit relationship klíče. Nejlepší postup: nepoužívat textové sloupce jako relationship key. Když musíš, sjednoť text v Power Query pomocí Text.Lower nebo Text.Upper, případně deduplikuj s case-insensitive comparerem:  Table.Distinct(Source, {"letter"}, Comparer.OrdinalIgnoreCase).

Power Query is case sensitive, while DAX and the model are case insensitive by default. That mismatch can cause weird relationship key issues. Best fix: Avoid text columns as relationship keys. If you have to use them, normalize them in Power Query with Text.Lower or Text.Upper, or de-dup with a case-insensitive comparer like:  Table.Distinct(Source, {"letter"}, Comparer.OrdinalIgnoreCase).

Gen1 zapisuje CSV snapshoty do složky CDM v tvém ADLS Gen2 a uvidíš je až po propojení workspace s lakem. S Enhanced Compute Engine refresh navíc naplní SQL cache, kterou můžeš použít pro DirectQuery. Gen2 bez destination ukládá data do poloskryté DataflowsStagingLakehouse a vystaví je přes DataflowsStagingWarehouse, uložené jako Delta tabulky nad

Dataflows storage without guessing. Gen1 writes CSV snapshots into a CDM folder in your ADLS Gen2, visible only after you link the workspace to your lake. With Enhanced Compute Engine, refresh also fills a SQL cache you can use for DirectQuery. Gen2 with no destination lands data in the semi-hidden DataflowsStagingLakehouse and surfaces it through DataflowsStagingWarehouse, stored as Delta tables backed by Parquet. Where the files live, how to reach them, and what to watch ou

Praktický průvodce UDFx v DAXu. Naučíš se deklarovat UDFx pomocí DEFINE a FUNCTION, napojit parametry a režimy a vybrat si mezi val a expr. Uvidíš, kde září v measures, calc groups a vizuálech, čemu se vyhnout v počítaných sloupcích, jak je formátovat v TMDL a jak je vypsat přes DMV a Zobrazení modelu.

A hands-on guide to DAX user defined functions. See how to declare UDFx with DEFINE and FUNCTION, wire up parameters and modes, and pick between val and expr. Learn where they shine in measures, calc groups, and visuals, what to avoid in calculated columns, how to format them in TMDL, and how to list them via DMVs and Model view.

Srovnání metod pro lookup v Power Query: List.Contains vs Table.Join vs Record.FieldOrDefault. Benchmarky na 1M řádků ukazují, že skenování listu je pomalé a rychlost závisí na pozici, zatímco mapování přes record vytvořený pomocí Record.FromList drží čas prakticky konstantní. Do testů bylo zahrnuto i rozbalování se zadanými typy přes Record.FieldOrDefault.

List.Contains scans and stalls at scale. This post benchmarks lookup patterns on real tables and shows why buffering only helps a little, why joins are solid, and how a record map built with Record.FromList plus Record.FieldOrDefault delivers quick, clean lookups. Learn when to keep the merge and when to build the map.

Kompletní průvodce vyhodnocováním v Power Query M: pokrývá rozdíl mezi lazy a eager evaluací, neměnitelné proměnné a streamování tabulek, explicitní buffering, query folding, eager vyhodnocování parametrů funkcí a použití higher-order thunks, vliv scope proměnných a lenost polí uvnitř záznamů. Vše ilustrováno na příkladech s náhodnými čísly, timestampy a zpožděným vyhodnocením.

Comprehensive guide to Power Query M evaluation, covering lazy versus eager evaluation, immutable variables and streaming of tables, explicit buffering, query folding, function parameter evaluation and higher-order thunks, variable scope effects, and record-field laziness—illustrated with random-number, timestamp, and delayed-execution examples.

Jak nahradit opakovaný CALCULATE v Power BI pomocí DAX iterátorů jako SUMX a AVERAGEX. Čistší, flexibilnější a škálovatelnější výpočty nad kategoriemi.

Still copying CALCULATE for every category? Time to break the habit. This post shows how DAX iterators like SUMX and AVERAGEX can replace that mess with cleaner, scalable logic using table expressions.

Power BI se posouvá dál. S pomocí User Data Functions a Translytical Flow Tasks ve Fabricu můžeš zapisovat komentáře nebo změny přímo do SQL tabulek – rovnou z reportu. Bez externích nástrojů, bez složitých workaroundů. Tento článek tě krok za krokem provede vytvořením první write-back funkce v Power BI.

Power BI just got an upgrade. With User Data Functions and Translytical Flow Tasks in Microsoft Fabric, you can now write comments or updates directly to your SQL tables — straight from a report. No extra tools, no clunky workarounds. This guide walks you through building your first real-time write-back feature step by step.

While loop v jazyce M pomocí List.Generate()

While loop in M Language using List.Generate()

Refresh Semantic Model every minute in Fabric

Refreshni Semantický model každou minutu