中的資料存取 Jupyterlab 筆記本
每個支援的核心都提供內建功能,可讓您從筆記本內的資料集讀取Platform資料。 Adobe Experience Platform Data Science Workspace目前的JupyterLab支援 Python、 R 、 PySpark和Scala。 不過,對分頁資料的支援僅限於 Python 和R筆記型電腦。 本指南著重於說明如何使用JupyterLab Notebooks來存取您的資料。
快速入門
閱讀本指南前,請先檢閱 JupyterLab 使用手冊 如需深入瞭解 JupyterLab 及其在資料科學工作區中的角色。
筆記型電腦資料限制 notebook-data-limits
下列資訊會定義可讀取的最大資料量、使用的資料型別,以及讀取資料所需的估計時間範圍。
對象 Python 和R,效能標竿使用配置為40GB RAM的筆記型伺服器。 對於PySpark和Scala,設定為64GB RAM、8個核心、2個DBU且最多4個工作者的資料庫叢集用於下列基準。
使用的ExperienceEvent結構描述資料大小不一,從1,000列(1K)到10億(1B)列不等。 請注意,對於PySpark和 Spark 量度時,XDM資料使用的日期跨度為10天。
已使用預先處理臨時結構描述資料 Query Service 建立表格為選取(CTAS)。 此資料的大小也有所不同,從1,000列(1K)到最多10億(1B)列。
批次模式與互動模式的使用時機 mode
使用PySpark和Scala筆記型電腦讀取資料集時,您可以選擇使用互動模式或批次模式來讀取資料集。 互動式有助於快速獲得結果,而批次模式適用於大型資料集。
Python 筆記型電腦資料限制
XDM ExperienceEvent結構描述: 您應該可以在22分鐘內讀取最多200萬列(磁碟上約6.1 GB的資料)的XDM資料。 新增其他列可能會導致錯誤。
臨時結構描述: 您應該能夠在14分鐘內讀取最多500萬列非XDM (臨機)資料(磁碟上約5.6 GB的資料)。 新增其他列可能會導致錯誤。
R筆記型電腦資料限制
XDM ExperienceEvent結構描述: 您在13分鐘內最多可讀取100萬列XDM資料(磁碟上的3GB資料)。
臨時結構描述: 您最多應能在10分鐘內讀取300萬列臨機操作資料(磁碟上有293MB的資料)。
PySpark (Python kernel) notebook資料限制: pyspark-data-limits
XDM ExperienceEvent結構描述: 在互動模式中,您應該能夠在大約20分鐘內讀取最多500萬列(磁碟上約13.42GB的資料)的XDM資料。 互動模式僅支援最多500萬列。 如果您想要讀取較大的資料集,建議您切換到批次模式。 在批次模式中,您應該可以在大約14小時內讀取最多5億列(磁碟上約1.31TB的資料)的XDM資料。
臨時結構描述: 在互動模式中,您應該可以在3分鐘內讀取最多500萬列非XDM資料(磁碟上約5.36GB的資料)。 在批次模式中,您應該可以在大約18分鐘內讀取最多10億列(磁碟上約1.05TB的資料)非XDM資料。
Spark (Scala核心)筆記型電腦資料限制: scala-data-limits
XDM ExperienceEvent結構描述: 在互動模式中,您應該可以在大約18分鐘內讀取最多500萬列(磁碟上約13.42GB的資料)的XDM資料。 互動模式僅支援最多500萬列。 如果您想要讀取較大的資料集,建議您切換到批次模式。 在批次模式中,您應該可以在大約14小時內讀取最多5億列(磁碟上約1.31TB的資料)的XDM資料。
臨時結構描述: 在互動模式中,您應該可以在3分鐘內讀取最多500萬列非XDM資料(磁碟上約5.36GB的資料)。 在批次模式中,您應該可以在大約16分鐘內讀取最多10億列(磁碟上約1.05TB的資料)非XDM資料。
Python筆記本 python-notebook
Python Notebooks可讓您在存取資料集時分頁資料。 底下示範使用分頁或不使用分頁讀取資料的範常式式碼。 如需可用入門Python筆記型電腦的詳細資訊,請造訪 JupyterLab 啟動器 章節。
以下Python檔案會概述下列概念:
從Python中的資料集讀取 python-read-dataset
沒有分頁:
執行以下程式碼將會讀取整個資料集。 如果執行成功,則資料將儲存為變數參考的Pandas資料流 df
.
# Python
from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.read()
df.head()
使用分頁:
執行以下程式碼將會從指定的資料集中讀取資料。 分頁是透過函式限制和位移資料來達成 limit()
和 offset()
(分別)。 限制資料是指要讀取的資料點數上限,而位移是指在讀取資料之前要略過的資料點數。 如果成功執行讀取作業,資料將會儲存為變數參考的Pandas資料流 df
.
# Python
from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.limit(100).offset(10).read()
寫入Python中的資料集 write-python
若要寫入JupyterLab筆記本中的資料集,請在JupyterLab的左側導覽中選取「資料」圖示標籤(以下反白顯示)。 此 資料集 和 結構描述 目錄出現。 選取 資料集 並按一下滑鼠右鍵,然後選取 在筆記型電腦中寫入資料 從下拉式選單中選取您要使用的選項。 筆記本底部會出現一個可執行程式碼專案。
- 使用 在筆記型電腦中寫入資料 以使用您選取的資料集產生寫入儲存格。
- 使用 探索筆記本中的資料 以使用您選取的資料集產生讀取儲存格。
- 使用 在筆記本中查詢資料 以使用您選取的資料集產生基本查詢儲存格。
或者,您可以複製並貼上下列程式碼儲存格。 取代兩者 {DATASET_ID}
和 {PANDA_DATAFRAME}
.
from platform_sdk.models import Dataset
from platform_sdk.dataset_writer import DatasetWriter
dataset = Dataset(get_platform_sdk_client_context()).get_by_id(dataset_id="{DATASET_ID}")
dataset_writer = DatasetWriter(get_platform_sdk_client_context(), dataset)
write_tracker = dataset_writer.write({PANDA_DATAFRAME}, file_format='json')
查詢資料,使用 Query Service 在 Python query-data-python
JupyterLab 於 Platform 可讓您使用SQL於 Python 筆記型電腦,可透過存取資料 Adobe Experience Platform查詢服務. 透過存取資料 Query Service 由於其卓越的執行時間,可用於處理大型資料集。 請注意,查詢資料時使用 Query Service 具有十分鐘的處理時間限制。
使用前 Query Service 在 JupyterLab,請務必實際瞭解 Query Service SQL語法.
查詢資料,使用 Query Service 需要您提供目標資料集的名稱。 您可以使用「 」尋找所需的資料集,以產生必要的程式碼儲存格。 資料總管. 以滑鼠右鍵按一下資料集清單,然後按一下 在筆記本中查詢資料 以在您的記事本中產生兩個程式碼儲存格。 這兩個儲存格在下文將更詳細地概述。
為了利用 Query Service 在 JupyterLab,您必須先建立工作環境之間的連線, Python 筆記型電腦和 Query Service. 這可以透過執行第一個產生的儲存格來完成。
qs_connect()
在第二個產生的儲存格中,第一行必須在SQL查詢之前定義。 依預設,產生的儲存格會定義選用變數(df0
)會將查詢結果儲存為Pandas資料流。
此 -c QS_CONNECTION
引數是必要的,會告訴核心執行SQL查詢 Query Service. 請參閱 附錄 以取得其他引數的清單。
%%read_sql df0 -c QS_CONNECTION
SELECT *
FROM name_of_the_dataset
LIMIT 10
/* Querying table "name_of_the_dataset" (datasetId: {DATASET_ID})*/
您可以使用字串格式語法,將變數包裝在大括弧({}
),如下列範例所示:
table_name = 'name_of_the_dataset'
table_columns = ','.join(['col_1','col_2','col_3'])
%%read_sql demo -c QS_CONNECTION
SELECT {table_columns}
FROM {table_name}
篩選 ExperienceEvent 資料 python-filter
為了存取和篩選 ExperienceEvent 中的資料集 Python notebook,您必須提供資料集的ID ({DATASET_ID}
),並使用邏輯運運算元定義特定時間範圍的篩選規則。 定義時間範圍時,會忽略任何指定的分頁,並考量整個資料集。
篩選運運算元清單說明如下:
eq()
: Equal togt()
: Greater thange()
: 大於或等於lt()
: 少於le()
: Less than or equal toAnd()
:邏輯AND運運算元Or()
:邏輯或運運算元
下列儲存格會篩選 ExperienceEvent 資料集至獨家存在於2019年1月1日至2019年12月31日之間的資料。
# Python
from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.\
where(dataset_reader["timestamp"].gt("2019-01-01 00:00:00").\
And(dataset_reader["timestamp"].lt("2019-12-31 23:59:59"))\
).read()
R notebooks r-notebooks
R Notebooks可讓您在存取資料集時分頁資料。 底下示範使用分頁或不使用分頁讀取資料的範常式式碼。 如需可用入門或筆記型電腦的詳細資訊,請瀏覽 JupyterLab 啟動器 章節。
以下R檔案會概述下列概念:
從R中的資料集讀取 r-read-dataset
沒有分頁:
執行以下程式碼將會讀取整個資料集。 如果執行成功,則資料將儲存為變數參考的Pandas資料流 df0
.
# R
library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$read()
head(df0)
使用分頁:
執行以下程式碼將會從指定的資料集中讀取資料。 分頁是透過函式限制和位移資料來達成 limit()
和 offset()
(分別)。 限制資料是指要讀取的資料點數上限,而位移是指在讀取資料之前要略過的資料點數。 如果成功執行讀取作業,資料將會儲存為變數參考的Pandas資料流 df0
.
# R
library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$limit(100L)$offset(10L)$read()
寫入R中的資料集 write-r
若要寫入JupyterLab筆記本中的資料集,請在JupyterLab的左側導覽中選取「資料」圖示標籤(以下反白顯示)。 此 資料集 和 結構描述 目錄出現。 選取 資料集 並按一下滑鼠右鍵,然後選取 在筆記型電腦中寫入資料 從下拉式選單中選取您要使用的選項。 筆記本底部會出現一個可執行程式碼專案。
- 使用 在筆記型電腦中寫入資料 以使用您選取的資料集產生寫入儲存格。
- 使用 探索筆記本中的資料 以使用您選取的資料集產生讀取儲存格。
或者,您也可以複製並貼上下列程式碼儲存格:
psdk <- import("platform_sdk")
dataset <- psdk$models$Dataset(py$get_platform_sdk_client_context())$get_by_id(dataset_id="{DATASET_ID}")
dataset_writer <- psdk$dataset_writer$DatasetWriter(py$get_platform_sdk_client_context(), dataset)
write_tracker <- dataset_writer$write(df, file_format='json')
篩選 ExperienceEvent 資料 r-filter
為了存取和篩選 ExperienceEvent 在R筆記本中的資料集,您必須提供資料集的ID ({DATASET_ID}
),並使用邏輯運運算元定義特定時間範圍的篩選規則。 定義時間範圍時,會忽略任何指定的分頁,並考量整個資料集。
篩選運運算元清單說明如下:
eq()
: Equal togt()
: Greater thange()
: 大於或等於lt()
: 少於le()
: Less than or equal toAnd()
:邏輯AND運運算元Or()
:邏輯或運運算元
下列儲存格會篩選 ExperienceEvent 資料集至獨家存在於2019年1月1日至2019年12月31日之間的資料。
# R
library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
client_context <- py$PLATFORM_SDK_CLIENT_CONTEXT
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$
where(dataset_reader["timestamp"]$gt("2019-01-01 00:00:00")$
And(dataset_reader["timestamp"]$lt("2019-12-31 23:59:59"))
)$read()
PySpark 3筆記本 pyspark-notebook
以下PySpark檔案概述下列概念:
正在初始化sparkSession spark-initialize
全部 Spark 2.4 notebooks要求您使用下列樣板程式碼來初始化工作階段。
from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
使用%dataset來讀取和寫入PySpark 3筆記本 magic
透過以下主題介紹 Spark 2.4, %dataset
提供自訂魔術以用於PySpark 3 (Spark 2.4)筆記本。 如需IPython核心中可用之魔法命令的詳細資訊,請造訪 Ipython魔術檔案.
使用狀況
%dataset {action} --datasetId {id} --dataFrame {df} --mode batch
說明
自訂 Data Science Workspace 用於從讀取或寫入資料集的magic命令 PySpark 筆記本(Python 3核心)。
{action}
--datasetId {id}
--dataFrame {df}
熊貓資料流。
- 當動作為「讀取」時,{df}是變數,資料集讀取操作的結果在此可用(例如資料流)。
- 當動作為「寫入」時,此資料流{df}會寫入資料集。
--mode
建議您「互動」模式,在較小的資料集上提高查詢效能。
範例
- 閱讀範例:
%dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0 --mode batch
- 撰寫範例:
%dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0 --mode batch
df.cache()
在寫入資料之前,可以大幅提升筆記型電腦的效能。 如果您收到下列任何錯誤,此設定會有所幫助:- 工作已中止,因為中繼失敗……只能壓縮每個磁碟分割中具有相同元素數量的RDD。
- 遠端RPC使用者端已解除關聯和其他記憶體錯誤。
- 讀取和寫入資料集時效能不佳。
您可以使用下列方法,在JupyterLab buy中自動產生上述範例:
在JupyterLab的左側導覽區中選取「資料」圖示標籤(在下方醒目提示)。 此 資料集 和 結構描述 目錄出現。 選取 資料集 並按一下滑鼠右鍵,然後選取 在筆記型電腦中寫入資料 從下拉式選單中選取您要使用的選項。 筆記本底部會出現一個可執行程式碼專案。
- 使用 探索筆記本中的資料 以產生讀取儲存格。
- 使用 在筆記型電腦中寫入資料 產生寫入儲存格。
建立本機資料流 pyspark-create-dataframe
若要使用PySpark 3建立本機資料流,請使用SQL查詢。 例如:
date_aggregation.createOrReplaceTempView("temp_df")
df = spark.sql('''
SELECT *
FROM sparkdf
''')
local_df
df = spark.sql('''
SELECT *
FROM sparkdf
LIMIT limit
''')
sample_df = df.sample(fraction)
篩選 ExperienceEvent 資料 pyspark-filter-experienceevent
存取和篩選 ExperienceEvent PySpark筆記本中的資料集需要您提供資料集身分識別({DATASET_ID}
)、您組織的IMS身分以及定義特定時間範圍的篩選規則。 篩選時間範圍是使用函式來定義 spark.sql()
,其中函式引數是SQL查詢字串。
下列儲存格會篩選 ExperienceEvent 資料集至獨家存在於2019年1月1日至2019年12月31日之間的資料。
# PySpark 3 (Spark 2.4)
from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
%dataset read --datasetId {DATASET_ID} --dataFrame df --mode batch
df.createOrReplaceTempView("event")
timepd = spark.sql("""
SELECT *
FROM event
WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timepd.show()
Scala筆記本 scala-notebook
以下檔案包含下列概念的範例:
正在初始化SparkSession scala-initialize
所有Scala Notebooks都需要您使用下列樣板程式碼來初始化工作階段:
import org.apache.spark.sql.{ SparkSession }
val spark = SparkSession
.builder()
.master("local")
.getOrCreate()
讀取資料集 read-scala-dataset
在Scala中,您可以匯入 clientContext
若要取得和傳回Platform值,就不需要定義變數,例如 var userToken
. 在下面的Scala範例中, clientContext
用於取得及傳回讀取資料集所需的所有必要值。
df.cache()
在寫入資料之前,可以大幅提升筆記型電腦的效能。 如果您收到下列任何錯誤,此設定會有所幫助:- 工作已中止,因為中繼失敗……只能壓縮每個磁碟分割中具有相同元素數量的RDD。
- 遠端RPC使用者端已解除關聯和其他記憶體錯誤。
- 讀取和寫入資料集時效能不佳。
import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()
val clientContext = ClientContext.getClientContext()
val df1 = spark.read.format("com.adobe.platform.query")
.option("user-token", clientContext.getUserToken())
.option("ims-org", clientContext.getOrgId())
.option("api-key", clientContext.getApiKey())
.option("service-token", clientContext.getServiceToken())
.option("sandbox-name", clientContext.getSandboxName())
.option("mode", "batch")
.option("dataset-id", "5e68141134492718af974844")
.load()
df1.printSchema()
df1.show(10)
clientContext.getUserToken()
.clientContext.getServiceToken()
.clientContext.getOrgId()
.clientContext.getApiKey()
.您可以使用下列方法,在JupyterLab buy中自動產生上述範例:
在JupyterLab的左側導覽區中選取「資料」圖示標籤(在下方醒目提示)。 此 資料集 和 結構描述 目錄出現。 選取 資料集 並按一下滑鼠右鍵,然後選取 探索筆記本中的資料 從下拉式選單中選取您要使用的選項。 筆記本底部會出現一個可執行程式碼專案。
和
- 使用 探索筆記本中的資料 以產生讀取儲存格。
- 使用 在筆記型電腦中寫入資料 產生寫入儲存格。
寫入資料集 scala-write-dataset
在Scala中,您可以匯入 clientContext
若要取得和傳回Platform值,就不需要定義變數,例如 var userToken
. 在下面的Scala範例中, clientContext
用於定義並傳回寫入資料集所需的所有必要值。
df.cache()
在寫入資料之前,可以大幅提升筆記型電腦的效能。 如果您收到下列任何錯誤,此設定會有所幫助:- 工作已中止,因為中繼失敗……只能壓縮每個磁碟分割中具有相同元素數量的RDD。
- 遠端RPC使用者端已解除關聯和其他記憶體錯誤。
- 讀取和寫入資料集時效能不佳。
import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()
val clientContext = ClientContext.getClientContext()
df1.write.format("com.adobe.platform.query")
.option("user-token", clientContext.getUserToken())
.option("service-token", clientContext.getServiceToken())
.option("ims-org", clientContext.getOrgId())
.option("api-key", clientContext.getApiKey())
.option("sandbox-name", clientContext.getSandboxName())
.option("mode", "batch")
.option("dataset-id", "5e68141134492718af974844")
.save()
clientContext.getUserToken()
.clientContext.getServiceToken()
.clientContext.getOrgId()
.clientContext.getApiKey()
.建立本機資料流 scala-create-dataframe
若要使用Scala建立本機資料流,需要SQL查詢。 例如:
sparkdf.createOrReplaceTempView("sparkdf")
val localdf = spark.sql("SELECT * FROM sparkdf LIMIT 1)
篩選 ExperienceEvent 資料 scala-experienceevent
存取和篩選 ExperienceEvent Scala筆記本中的資料集需要您提供資料集身分識別({DATASET_ID}
)、您組織的IMS身分以及定義特定時間範圍的篩選規則。 篩選時間範圍是使用函式來定義 spark.sql()
,其中函式引數是SQL查詢字串。
下列儲存格會篩選 ExperienceEvent 資料集至獨家存在於2019年1月1日至2019年12月31日之間的資料。
// Spark (Spark 2.4)
// Turn off extra logging
import org.apache.log4j.{Level, Logger}
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("com").setLevel(Level.OFF)
import org.apache.spark.sql.{Dataset, SparkSession}
val spark = org.apache.spark.sql.SparkSession.builder().appName("Notebook")
.master("local")
.getOrCreate()
// Stage Exploratory
val dataSetId: String = "{DATASET_ID}"
val orgId: String = sys.env("IMS_ORG_ID")
val clientId: String = sys.env("PYDASDK_IMS_CLIENT_ID")
val userToken: String = sys.env("PYDASDK_IMS_USER_TOKEN")
val serviceToken: String = sys.env("PYDASDK_IMS_SERVICE_TOKEN")
val mode: String = "batch"
var df = spark.read.format("com.adobe.platform.query")
.option("user-token", userToken)
.option("ims-org", orgId)
.option("api-key", clientId)
.option("mode", mode)
.option("dataset-id", dataSetId)
.option("service-token", serviceToken)
.load()
df.createOrReplaceTempView("event")
val timedf = spark.sql("""
SELECT *
FROM event
WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timedf.show()
後續步驟
本檔案說明使用JupyterLab Notebooks存取資料集的一般准則。 如需查詢資料集的更深入範例,請造訪 JupyterLab Notebooks中的查詢服務 說明檔案。 如需如何探索和視覺化資料集的詳細資訊,請瀏覽以下檔案: 使用筆記型電腦分析資料.
的可選SQL標幟 Query Service optional-sql-flags-for-query-service
此表格概述可用於下列專案的可選SQL旗標: Query Service.
-h
、--help
-n
、--notify
-a
、--async
-d
、--display