はじめに

生成AIに聞きながら、Dataverse SDK for Pythonを使ってみたので、その手順を載せています。

本記事は個人的な検証結果をまとめたものです。実際の利用は自己責任でお願いします。

関連記事

なぜやってみたのか？

モデル駆動型アプリ・Power BIでもデータを可視化することができる。「データをどう使いたい」と決まっていれば、そちらを利用する方がいいと思います。
データの中身を探索する・どう使えばいいのかを探索するときにはPythonが向いてると思いました。

本音を言うと、ただ新しい機能を試してみたいだけです。

何ができたのか？

DataverseのデータをPythonのノートブックに簡単に取り込むことができました。

環境準備

インストール

pip install PowerPlatform-Dataverse-Client azure-identity

必要なもの

Python 3.13
Jupyter Notebook
Dataverse環境（Power Appsで使ってるやつ）

手順

Notebookを新規作成する

自分はVS Codeを使っています。

Dataverse に接続する

from PowerPlatform.Dataverse.client import DataverseClient
from azure.identity import InteractiveBrowserCredential
import pandas as pd

# ブラウザ認証
credential = InteractiveBrowserCredential()

# Dataverse環境URLを設定
client = DataverseClient(
    "ここを変える",
    credential
)

環境URLはここから取得できます

実行するとブラウザが立ち上がり認証が入ります

テーブルからデータを取得する

論理名だったりスキーマー名だったりがややこしいです。
expand を使うと、検索列の参照先テーブルのデータも一緒に取ってこれるみたいです。

records = client.get(
    "テーブル名",  # 論理名
    select=[
        "欲しい列名" # スキーマー名
    ],
    expand=[
        "検索列で使っているテーブル名($select=欲しい列名)"  # テーブルはスキーマー名,列は論理名
    ],
    top=100
)

実際の画面

とりあえず可視化をするのに、テキストの部分は不要だったのでNoteはコメントアウトしました。

DataFrameに変換する

このままだと入れ子の構造になっていたりしてデータとして使えなかったのでこんな感じで整えるコードを書いてもらいました。

# バッチを展開
all_records = []
for batch in records:
    all_records.extend(batch)

# メタデータ除外 + ルックアップ列をフラット化
clean_records = []
for record in all_records:
    # @で始まるメタデータを除外
    clean_record = {k: v for k, v in record.items() if not k.startswith('@')}
    
    # ネストしたルックアップ列から値を取り出す
    if 'tantan_crf6d_WorkLog_Category' in clean_record and clean_record['tantan_crf6d_WorkLog_Category']:
        clean_record['CategoryName'] = clean_record['tantan_crf6d_WorkLog_Category'].get('crf6d_categoryname')
    else:
        clean_record['CategoryName'] = None
    
    # 元のネスト列は削除
    clean_record.pop('tantan_crf6d_WorkLog_Category', None)
    
    clean_records.append(clean_record)

df = pd.DataFrame(clean_records)

うまくできなかったパターン

検索列の取得結果が入れ子になっていた。

やってみた感想

シークレットキーなどをノートブック内に持たないのは素晴らしい
とにかく簡単で楽
Pythonに取り込めるので、データ活用の幅が広がった
生成AIを使って、まず試してみるということができて、とてもいい勉強になった