Summary  
This chapter covers how to use a derived column transformation to create or modify data fields by writing expressions (including conditional logic and arithmetic) that enrich or reshape your dataset.

General domain of usage  
ETL and data integration pipelines

Derived columns allow you to enhance your data **by creating new fields or modifying existing ones** based on business logic. This functionality is vital for enriching your dataset to better serve downstream processes such as analytics, reporting, or machine learning.

A **Derived Column** is a new data field generated within a data flow by applying transformations or expressions to existing data.

Definition

For instance, you might create a `FullName` field by concatenating first and last names or derive a `DiscountedPrice` based on an existing `Price` field and a discount rate.

## How to Create Derived Columns in ADF

1. Add a new Data Flow in the Author section of Azure Data Factory Studio;
2. Drag a **Derived Column Transformation** from the toolbox onto the Data Flow canvas and connect it to your data source;
3. In the **Derived Column Transformation** settings, define the column name for the new or modified field, such as `DeathRate`;  
4. Write an expression using ADF's expression language. For example, to calculate a death rate: `iif(TotalDeaths > 0, (Covid19Deaths * 100.0) / TotalDeaths, 0.0)`;
5. Validate the configuration by previewing the data to ensure the derived column is calculated correctly;
6. Connect the transformed data to a **Sink Transformation** to send it to a destination, such as a SQL table or Blob Storage, for further processing.  

You can learn more about ADF Expression Language using [Official ADF Documentation](https://learn.microsoft.com/en-us/azure/data-factory/control-flow-expression-language-functions#functions)

Which of the following is an example of using a Derived Column Transformation?

Beherrschen Sie die Grundlagen der Datenverarbeitung mit Microsoft Azure in diesem umfassenden Kurs. Beginnend mit grundlegenden Konzepten wie Cloud-Computing, Ressourcenmanagement und Speicherlösungen, schreiten Sie zu praktischen Schulungen in Azure Data Factory (ADF) fort, meistern ETL/ELT-Workflows und fortgeschrittene Datentransformationen. Durch praktische Beispiele und die Lösung realer Probleme erwerben Sie die Fähigkeiten, skalierbare Datenlösungen mit Azure zu entwerfen, zu implementieren und zu optimieren.

Tauchen Sie tief in die grundlegenden Konzepte und Werkzeuge ein, die erforderlich sind, um Ihre Reise mit Microsoft Azure zu beginnen. Sie werden die Grundlagen des Cloud-Computing erkunden, lernen, wie Sie Ressourcen effizient mit Azure Resource Groups organisieren und verwalten, und grundlegende Dienste wie Blob Storage und Azure SQL Database einrichten. Zusätzlich sichern Sie sensible Daten mit Azure Key Vault und erhalten einen Überblick über Azure Data Factory (ADF), um seine Rolle in modernen Datenengineering-Workflows zu verstehen.

Erkunden Sie die Kernfunktionen von Azure Data Factory (ADF), ein leistungsstarkes Tool zur Erstellung und Automatisierung von ETL/ELT-Workflows. In diesem Abschnitt lernen Sie, wie Sie Dienste, Datensätze und Pipelines konfigurieren, während Sie wichtige Aktivitäten wie Copy, Lookup und Script erkunden. Sie arbeiten auch mit erweiterten Funktionen wie der ForEach-Aktivität zur Iteration und Pipeline-Parametern für Flexibilität.

Dieser Abschnitt konzentriert sich auf die Nutzung der Datenflussfähigkeiten von Azure Data Factory, um Ihre Daten zu transformieren und anzureichern. Sie lernen, verschiedene Datenquellen zu verbinden, abgeleitete Spalten zu erstellen und Datensätze mithilfe von Joins zu kombinieren. Praktische Beispiele führen Sie durch das Filtern, Sortieren, bedingte Aufteilungen und Aggregieren von Daten, um aussagekräftige Einblicke zu gewinnen. Durch das Beherrschen dieser Transformationen sind Sie in der Lage, robuste und effiziente ETL-Workflows zu erstellen, die auf reale Herausforderungen der Datenverarbeitung zugeschnitten sind.

Wenden Sie Ihr Wissen auf reale Dateningenieurszenarien in diesem praxisnahen Abschnitt an. Sie werden praktische Herausforderungen wie das Laden und Analysieren von Daten für verschiedene Kategorien, das Erkennen von Mustern und die Bewertung der finanziellen Gesundheit mithilfe fortschrittlicher ADF-Workflows bewältigen. Durch das Lösen dieser Probleme sammeln Sie Erfahrungen im Entwerfen von End-to-End-Datenlösungen, im Umgang mit vielfältigen Datensätzen und im Generieren umsetzbarer Erkenntnisse.