Datenzugriff in Jupyterlab Notebooks

NOTE
Data Science Workspace ist nicht mehr erhältlich.
Diese Dokumentation richtet sich an Bestandskunden mit vorherigen Berechtigungen für Data Science Workspace.

Jeder unterstützte Kernel bietet native Funktionen, mit denen Sie Platform-Daten aus einem Datensatz in einem Notebook lesen können. Derzeit unterstützt JupyterLab in Adobe Experience Platform Data Science Workspace Notebooks für Python, R, PySpark und Scala. Die Unterstützung für die Paginierung von Daten ist jedoch auf Python- und R-Notebooks beschränkt. In diesem Handbuch wird beschrieben, wie Sie mit JupyterLab-Notebooks auf Ihre Daten zugreifen können.

Erste Schritte

Bevor Sie dieses Handbuch lesen, lesen Sie bitte das JupyterLab Benutzerhandbuch , um eine allgemeine Einführung in JupyterLab und dessen Rolle in Data Science Workspace zu erhalten.

Einschränkungen für Notebook-Daten notebook-data-limits

IMPORTANT
Bei PySpark- und Scala-Notebooks, wenn Sie einen Fehler mit dem Grund "Remote RPC Client getrennt"erhalten. Dies bedeutet normalerweise, dass dem Treiber oder einem Executor der Speicher ausgeht. Versuchen Sie, zum Modus "batch" zu wechseln, um diesen Fehler zu beheben.

Die folgenden Informationen definieren die maximale Datenmenge, die gelesen werden kann, welche Art von Daten verwendet wurde und den geschätzten Zeitrahmen, in dem die Daten gelesen werden.

Für Python und R wurde ein mit 40 GB RAM konfigurierter Notebook-Server für die Benchmarks verwendet. Für PySpark und Scala wurde ein mit 64 GB RAM, 8 Kernen und 2 DBU konfigurierter Datenbank-Cluster mit maximal 4 Workern für die unten beschriebenen Benchmarks verwendet.

Die verwendeten ExperienceEvent-Schemadaten variierten in ihrer Größe von 1.000 Zeilen (1.000) bis zu einer Milliarde (1.000) Zeilen. Beachten Sie, dass für die Metriken PySpark und Spark ein Datumsbereich von 10 Tagen für die XDM-Daten verwendet wurde.

Die Ad-hoc-Schemadaten wurden mit Query Service Tabelle als Auswahl erstellen (CTAS) vorverarbeitet. Diese Daten variierten auch von 100 (1.000) Zeilen bis zu einer Milliarde (1.000) Zeilen.

Verwendung des Batch-Modus im Vergleich zum interaktiven Modus mode

Beim Lesen von Datensätzen mit PySpark- und Scala-Notebooks haben Sie die Möglichkeit, den interaktiven Modus oder Batch-Modus zu verwenden, um den Datensatz zu lesen. Interaktiv erfolgt für schnelle Ergebnisse, während der Batch-Modus für große Datensätze verwendet wird.

  • Bei PySpark- und Scala-Notebooks sollte der Batch-Modus verwendet werden, wenn mindestens 5 Millionen Datenzeilen gelesen werden. Weitere Informationen zur Effizienz der einzelnen Modi finden Sie in den unten stehenden Tabellen mit den Datenbeschränkungen für PySpark oder Scala .

Python Notebook-Datenbeschränkungen

XDM ExperienceEvent-Schema: Sie sollten maximal 2 Millionen Zeilen (~6,1 GB Daten auf der Festplatte) von XDM-Daten in weniger als 22 Minuten lesen können. Das Hinzufügen zusätzlicher Zeilen kann zu Fehlern führen.

Anzahl Zeilen
1 K
10 K
100.000
1 M
2 M
Größe auf Festplatte (MB)
18,73
187,5
308
3000
6050
SDK (in Sekunden)
20,3
86,8
63
659
1315

Ad-hoc-Schema: Sie sollten maximal 5 Millionen Zeilen (~5,6 GB Daten auf der Festplatte) von Nicht-XDM-Daten (Ad-hoc-Daten) in weniger als 14 Minuten lesen können. Das Hinzufügen zusätzlicher Zeilen kann zu Fehlern führen.

Zeilenanzahl
1 K
10 K
100.000
1 M
2 M
3 M
5 M
Größe auf Festplatte (in MB)
1,21
11,72
115
1120
2250
3380
5630
SDK (in Sekunden)
7,27
9,04
27,3
180
346
487
819

R Notebook-Datenbeschränkungen

XDM ExperienceEvent-Schema: Sie sollten maximal 1 Million Zeilen mit XDM-Daten (3 GB Daten auf der Festplatte) in weniger als 13 Minuten lesen können.

Zeilenanzahl
1 K
10 K
100.000
1 M
Größe auf Festplatte (MB)
18,73
187,5
308
3000
R-Kernel (in Sekunden)
14,03
69,6
86,8
775

Ad-hoc-Schema: Sie sollten maximal 3 Millionen Zeilen Ad-hoc-Daten (293 MB Daten auf der Festplatte) in etwa 10 Minuten lesen können.

Zeilenanzahl
1 K
10 K
100.000
1 M
2 M
3 M
Größe auf Festplatte (in MB)
0,082
0,612
9.0
91
188
293
R SDK (in Sekunden)
7,7
4,58
35,9
233
470,5
603

Datenbeschränkungen des PySpark-Notebooks (Python Kernel): pyspark-data-limits

XDM ExperienceEvent-Schema: Im interaktiven Modus sollten Sie maximal 5 Millionen Zeilen (~13,42 GB Daten auf der Festplatte) von XDM-Daten in etwa 20 Minuten lesen können. Der interaktive Modus unterstützt nur bis zu 5 Millionen Zeilen. Wenn Sie größere Datensätze lesen möchten, wird empfohlen, in den Batch-Modus zu wechseln. Im Batch-Modus sollten Sie in der Lage sein, maximal 500 Millionen Zeilen (~1,31 TB-Daten auf der Festplatte) von XDM-Daten in etwa 14 Stunden zu lesen.

Zeilenanzahl
1 K
10 K
100.000
1 M
2 M
3 M
5 M
10 M
50 M
100 Min.
500 Min.
Größe auf der Festplatte
2,93MB
4,38MB
29,02
2,69GB
5,39GB
8,09GB
13,42GB
26,82GB
134,24GB
268,39GB
1,31 TB
SDK (interaktiver Modus)
33 s
32,4 s
55.1 s
253,5 s
489.2 s
729.6 s
1206.8 s
SDK (Batch-Modus)
815.8 s
492.8 s
379.1 s
637,4 s
624,5 s
869.2 s
1104.1 s
1786 s
5387.2 s
10624,6 s
50547 s

Ad-hoc-Schema: Im interaktiven Modus sollten Sie maximal 5 Millionen Zeilen (~5,36 GB Daten auf der Festplatte) von Nicht-XDM-Daten in weniger als 3 Minuten lesen können. Im Batch-Modus sollten Sie in der Lage sein, maximal 1 Milliarde Zeilen (~1,05 TB Daten auf der Festplatte) von Nicht-XDM-Daten in etwa 18 Minuten zu lesen.

Zeilenanzahl
1 K
10 K
100.000
1 M
2 M
3 M
5 M
10 M
50 M
100 Min.
500 Min.
1B
Größe auf der Festplatte
1,12MB
11,24MB
109,48MB
2,69GB
2,14GB
3,21GB
5,36GB
10,71GB
53,58GB
107,52GB
535,88GB
1,05 TB
Interaktiver SDK-Modus (in Sekunden)
28.2 s
18,6 s
20,8 s
20.9 s
23,8 s
21,7 s
24,7 s
SDK-Batch-Modus (in Sekunden)
428.8 s
578.8 s
641.4 s
538.5 s
630.9 s
467,3 s
411 s
675 s
702 s
719.2 s
1022.1 s
1122,3 s

Spark (Scala-Kernel) Notebook-Datenbeschränkungen: scala-data-limits

XDM ExperienceEvent-Schema: Im interaktiven Modus sollten Sie maximal 5 Millionen Zeilen (~13,42 GB Daten auf der Festplatte) von XDM-Daten in etwa 18 Minuten lesen können. Der interaktive Modus unterstützt nur bis zu 5 Millionen Zeilen. Wenn Sie größere Datensätze lesen möchten, wird empfohlen, in den Batch-Modus zu wechseln. Im Batch-Modus sollten Sie in der Lage sein, maximal 500 Millionen Zeilen (~1,31 TB-Daten auf der Festplatte) von XDM-Daten in etwa 14 Stunden zu lesen.

Zeilenanzahl
1 K
10 K
100.000
1 M
2 M
3 M
5 M
10 M
50 M
100 Min.
500 Min.
Größe auf der Festplatte
2,93MB
4,38MB
29,02
2,69GB
5,39GB
8,09GB
13,42GB
26,82GB
134,24GB
268,39GB
1,31 TB
Interaktiver SDK-Modus (in Sekunden)
37,9 s
22,7 s
45,6 s
231.7 s
444,7 s
660.6 s
1100 s
SDK-Batch-Modus (in Sekunden)
374.4 s
398.5 s
527 s
487.9 s
588.9 s
829 s
939.1 s
1441 s
5473.2 s
10118,8
49207,6

Ad-hoc-Schema: Im interaktiven Modus sollten Sie maximal 5 Millionen Zeilen (~5,36 GB Daten auf der Festplatte) von Nicht-XDM-Daten in weniger als 3 Minuten lesen können. Im Batch-Modus sollten Sie in der Lage sein, maximal 1 Milliarde Zeilen (~1,05 TB Daten auf der Festplatte) von Nicht-XDM-Daten in etwa 16 Minuten zu lesen.

Zeilenanzahl
1 K
10 K
100.000
1 M
2 M
3 M
5 M
10 M
50 M
100 Min.
500 Min.
1B
Größe auf der Festplatte
1,12MB
11,24MB
109,48MB
2,69GB
2,14GB
3,21GB
5,36GB
10,71GB
53,58GB
107,52GB
535,88GB
1,05 TB
Interaktiver SDK-Modus (in Sekunden)
35,7 s
31 s
19,5 s
25,3 s
23 s
33,2 s
25,5 s
SDK-Batch-Modus (in Sekunden)
448.8 s
459.7 s
519 s
475.8 s
599.9 s
347.6 s
407.8 s
397 s
518.8 s
487.9 s
760.2 s
975.4 s

Python Notebooks python-notebook

Mit Python Notebooks können Sie Daten beim Zugriff auf Datensätze paginieren. Beispielcode zum Lesen von Daten mit und ohne Paginierung finden Sie unten. Weitere Informationen zu den verfügbaren Start-Python-Notebooks finden Sie im Abschnitt JupyterLab Launcher im JupyterLab-Benutzerhandbuch.

In der folgenden Python-Dokumentation werden die folgenden Konzepte beschrieben:

Aus einem Datensatz in Python lesen python-read-dataset

Ohne Paginierung:

Wenn Sie den folgenden Code ausführen, wird der gesamte Datensatz gelesen. Bei erfolgreicher Ausführung werden die Daten als Pandas-Dataframe gespeichert, auf den die Variable df verweist.

# 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()

Mit Paginierung:

Wenn Sie folgenden Code ausführen, werden Daten aus dem angegebenen Datensatz gelesen. Paginierung wird erreicht, indem Daten über die Funktion limit() bzw. offset() begrenzt und versetzt werden. Datenbegrenzung bezieht sich auf die maximale Anzahl der zu lesenden Datenpunkte, während Versatz auf die Anzahl der Datenpunkte verweist, die vor dem Lesen von Daten übersprungen werden. Wenn der Lesevorgang erfolgreich ausgeführt wird, werden die Daten als Pandas-Dataframe gespeichert, auf den die Variable df verweist.

# 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()

Schreiben in einen Datensatz in Python write-python

Um in einen Datensatz in Ihrem JupyterLab-Notebook zu schreiben, wählen Sie im linken Navigationsbereich von JupyterLab die Registerkarte Datensymbol (unten hervorgehoben). Die Verzeichnisse Datensätze und Schemata werden angezeigt. Wählen Sie Datensätze und klicken Sie mit der rechten Maustaste und wählen Sie dann die Option Daten in Notebook schreiben aus dem Dropdown-Menü des Datensatzes aus, den Sie verwenden möchten. Unten im Notebook wird ein ausführbarer Code-Eintrag angezeigt.

  • Verwenden Sie Daten in Notebook schreiben , um eine Schreibzelle mit Ihrem ausgewählten Datensatz zu generieren.
  • Verwenden Sie Daten in Notebook durchsuchen , um eine Leselelle mit Ihrem ausgewählten Datensatz zu generieren.
  • Verwenden Sie Abfragedaten in Notebook , um eine einfache Abfragezelle mit Ihrem ausgewählten Datensatz zu generieren.

Alternativ können Sie die folgende Code-Zelle kopieren und einfügen. Ersetzen Sie sowohl die {DATASET_ID} als auch die {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')

Abfragen von Daten mit Query Service in Python query-data-python

Mit JupyterLab auf Platform können Sie SQL in einem Python Notebook verwenden, um über Adobe Experience Platform Query Service auf Daten zuzugreifen. Der Zugriff auf Daten über den Query Service kann aufgrund der kürzeren Ausführungszeiten bei der Bearbeitung großer Datensätze nützlich sein. Beachten Sie, dass Datenabfragen mit dem Query Service ein Limit bei der Verarbeitungszeit von 10 Minuten aufweisen.

Bevor Sie den Query Service in JupyterLab verwenden, sollten Sie Grundlagenkenntnisse zur Query Service -SQL-Syntax besitzen.

Für die Abfrage von Daten mit Query Service müssen Sie den Namen des Zieldatensatzes angeben. Sie können die erforderlichen Code-Zellen generieren, indem Sie den gewünschten Datensatz mit dem Data Explorer suchen. Klicken Sie mit der rechten Maustaste auf die Datensatzliste und klicken Sie auf Daten in Notebook abfragen , um zwei Code-Zellen in Ihrem Notebook zu generieren. Diese beiden Zellen werden nachfolgend detaillierter beschrieben.

Um Query Service in JupyterLab zu verwenden, müssen Sie zunächst eine Verbindung zwischen Ihrem funktionsfähigen Python Notebook und Query Service herstellen. Dies kann durch Ausführen der ersten generierten Zelle erreicht werden.

qs_connect()

In der zweiten generierten Zelle muss die erste Zeile vor der SQL-Abfrage definiert werden. Standardmäßig definiert die generierte Zelle eine optionale Variable (df0), mit der die Abfrageergebnisse als Pandas-Dataframe gespeichert werden.
Das -c QS_CONNECTION -Argument ist obligatorisch und weist den Kernel an, die SQL-Abfrage für Query Service auszuführen. Eine Liste weiterer Argumente finden Sie im Anhang.

%%read_sql df0 -c QS_CONNECTION
SELECT *
FROM name_of_the_dataset
LIMIT 10
/* Querying table "name_of_the_dataset" (datasetId: {DATASET_ID})*/

Python-Variablen können in einer SQL-Abfrage direkt referenziert werden, indem Sie eine im Zeichenfolgenformat formatierte Syntax verwenden und die Variablen in geschweifte Klammern ({}) setzen (siehe folgendes Beispiel):

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}

ExperienceEvent Daten filtern python-filter

Um auf einen ExperienceEvent -Datensatz in einem Python -Notebook zuzugreifen und ihn zu filtern, müssen Sie die Kennung des Datensatzes ({DATASET_ID}) zusammen mit den Filterregeln angeben, die mithilfe logischer Operatoren einen bestimmten Zeitraum definieren. Wenn ein Zeitraum definiert ist, wird jede angegebene Paginierung ignoriert und der gesamte Datensatz berücksichtigt.

Eine Liste der Filteroperatoren finden Sie nachfolgend:

  • eq(): Gleich
  • gt(): Größer als
  • ge(): Größer oder gleich
  • lt(): Niedriger als
  • le(): Kleiner oder gleich
  • And(): Logischer UND-Operator
  • Or(): Logischer ODER-Operator

Die folgende Zelle filtert einen ExperienceEvent -Datensatz für Daten, die ausschließlich zwischen dem 1. Januar 2019 und dem 31. Dezember 2019 existierten.

# 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

Mit R-Notebooks können Sie Daten beim Zugriff auf Datensätze paginieren. Beispielcode zum Lesen von Daten mit und ohne Paginierung finden Sie unten. Weitere Informationen zu den verfügbaren Start-R-Notebooks finden Sie im Abschnitt JupyterLab Launcher im JupyterLab-Benutzerhandbuch.

In der folgenden R-Dokumentation werden die folgenden Konzepte beschrieben:

Aus einem Datensatz in R lesen r-read-dataset

Ohne Paginierung:

Wenn Sie den folgenden Code ausführen, wird der gesamte Datensatz gelesen. Bei erfolgreicher Ausführung werden die Daten als Pandas-Dataframe gespeichert, auf den die Variable df0 verweist.

# 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)

Mit Paginierung:

Wenn Sie folgenden Code ausführen, werden Daten aus dem angegebenen Datensatz gelesen. Paginierung wird erreicht, indem Daten über die Funktion limit() bzw. offset() begrenzt und versetzt werden. Datenbegrenzung bezieht sich auf die maximale Anzahl der zu lesenden Datenpunkte, während Versatz auf die Anzahl der Datenpunkte verweist, die vor dem Lesen von Daten übersprungen werden. Wenn der Lesevorgang erfolgreich ausgeführt wird, werden die Daten als Pandas-Dataframe gespeichert, auf den die Variable df0 verweist.

# 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()

Schreiben in einen Datensatz in R write-r

Um in einen Datensatz in Ihrem JupyterLab-Notebook zu schreiben, wählen Sie im linken Navigationsbereich von JupyterLab die Registerkarte Datensymbol (unten hervorgehoben). Die Verzeichnisse Datensätze und Schemata werden angezeigt. Wählen Sie Datensätze und klicken Sie mit der rechten Maustaste und wählen Sie dann die Option Daten in Notebook schreiben aus dem Dropdown-Menü des Datensatzes aus, den Sie verwenden möchten. Unten im Notebook wird ein ausführbarer Code-Eintrag angezeigt.

  • Verwenden Sie Daten in Notebook schreiben , um eine Schreibzelle mit Ihrem ausgewählten Datensatz zu generieren.
  • Verwenden Sie Daten in Notebook durchsuchen , um eine Leselelle mit Ihrem ausgewählten Datensatz zu generieren.

Alternativ können Sie die folgende Code-Zelle kopieren und einfügen:

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')

ExperienceEvent Daten filtern r-filter

Um auf einen ExperienceEvent -Datensatz in einem R-Notebook zuzugreifen und ihn zu filtern, müssen Sie die Kennung des Datensatzes ({DATASET_ID}) zusammen mit den Filterregeln angeben, die mithilfe logischer Operatoren einen bestimmten Zeitraum definieren. Wenn ein Zeitraum definiert ist, wird jede angegebene Paginierung ignoriert und der gesamte Datensatz berücksichtigt.

Eine Liste der Filteroperatoren finden Sie nachfolgend:

  • eq(): Gleich
  • gt(): Größer als
  • ge(): Größer oder gleich
  • lt(): Niedriger als
  • le(): Kleiner oder gleich
  • And(): Logischer UND-Operator
  • Or(): Logischer ODER-Operator

Die folgende Zelle filtert einen ExperienceEvent -Datensatz für Daten, die ausschließlich zwischen dem 1. Januar 2019 und dem 31. Dezember 2019 existierten.

# 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 Notebooks pyspark-notebook

In der folgenden PySpark-Dokumentation werden die folgenden Konzepte beschrieben:

Initialisieren von sparkSession spark-initialize

Bei allen Spark 2.4 Notebooks müssen Sie die Sitzung mit dem folgenden Textbausteincode initialisieren.

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

Verwenden von %dataset zum Lesen und Schreiben mit einem PySpark 3-Notebook magic

Mit der Einführung von Spark 2.4 wird %dataset benutzerdefinierte Magie für die Verwendung in PySpark 3 (Spark 2.4) Notebooks bereitgestellt. Weitere Informationen zu magischen Befehlen, die im IPython-Kernel verfügbar sind, finden Sie in der IPython magic-Dokumentation.

Verwendung

%dataset {action} --datasetId {id} --dataFrame {df} --mode batch

Beschreibung

Ein benutzerdefinierter Data Science Workspace magischer Befehl zum Lesen oder Schreiben eines Datensatzes aus einem PySpark Notebook (Python 3 Kernel).

Name
Beschreibung
Erforderlich
{action}
Der Aktionstyp, der für den Datensatz ausgeführt werden soll. Zwei Aktionen sind verfügbar: "Lesen"oder "Schreiben".
Ja
--datasetId {id}
Wird verwendet, um die ID des zu lese- oder schreibenden Datensatzes anzugeben.
Ja
--dataFrame {df}

Der pandas-Dataframe.

  • Wenn die Aktion "read"lautet, ist {df} die Variable, in der Ergebnisse des Datensatzlesevorgangs verfügbar sind (z. B. ein Dataframe).
  • Wenn die Aktion "write"lautet, wird dieser Dataframe {df} in den Datensatz geschrieben.
Ja
--mode
Ein zusätzlicher Parameter, der die Art des Lesens von Daten ändert. Zulässige Parameter sind "batch"und "interaktiv". Standardmäßig ist der Modus auf "batch"eingestellt.
Es wird empfohlen, den "interaktiven"Modus zu verwenden, um die Abfrageleistung bei kleineren Datensätzen zu verbessern.
Ja
TIP
Überprüfen Sie die PySpark-Tabellen im Abschnitt Notebook-Datenbeschränkungen , um zu ermitteln, ob mode auf interactive oder batch eingestellt werden soll.

Beispiele

  • Beispiel lesen: %dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0 --mode batch
  • Schreibbeispiel: %dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0 --mode batch
IMPORTANT
Das Zwischenspeichern von Daten mit df.cache() vor dem Schreiben von Daten kann die Notebook-Leistung erheblich verbessern. Dies kann hilfreich sein, wenn Sie einen der folgenden Fehler erhalten:
  • Auftrag aufgrund von Staging-Fehler abgebrochen … Kann nur RDDs mit derselben Anzahl von Elementen in jeder Partition komprimieren.
  • Remote RPC-Client getrennt und andere Speicherfehler.
  • Schlechte Performance beim Lesen und Schreiben von Datensätzen.
Weitere Informationen finden Sie im Handbuch zur Fehlerbehebung .

Sie können die oben genannten Beispiele automatisch im JupyterLab-Buy mit der folgenden Methode generieren:

Wählen Sie im linken Navigationsbereich von JupyterLab die Registerkarte Datensymbol (unten hervorgehoben). Die Verzeichnisse Datensätze und Schemata werden angezeigt. Wählen Sie Datensätze und klicken Sie mit der rechten Maustaste und wählen Sie dann die Option Daten in Notebook schreiben aus dem Dropdown-Menü des Datensatzes aus, den Sie verwenden möchten. Unten im Notebook wird ein ausführbarer Code-Eintrag angezeigt.

  • Verwenden Sie Daten im Notebook durchsuchen , um eine Leselelle zu generieren.
  • Verwenden Sie Daten in Notebook schreiben , um eine Schreibzelle zu generieren.

Lokalen Dataframe erstellen pyspark-create-dataframe

Verwenden Sie SQL-Abfragen, um einen lokalen Dataframe mit PySpark 3 zu erstellen. Zum Beispiel:

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)
TIP
Sie können auch ein optionales Seed-Beispiel angeben, z. B. einen booleschen withReplacement-, Double-Bruch- oder Long-Samen.

ExperienceEvent Daten filtern pyspark-filter-experienceevent

Zum Zugreifen auf und Filtern eines ExperienceEvent -Datensatzes in einem PySpark-Notebook müssen Sie die Datensatz-Identität ({DATASET_ID}), die IMS-Identität Ihrer Organisation und die Filterregeln angeben, die einen bestimmten Zeitraum definieren. Ein Filterzeitbereich wird mithilfe der Funktion spark.sql() definiert, wobei der Funktionsparameter eine SQL-Abfragezeichenfolge ist.

Die folgenden Zellen filtern einen ExperienceEvent -Datensatz nach Daten, die ausschließlich zwischen dem 1. Januar 2019 und dem 31. Dezember 2019 existierten.

# 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 Notebooks scala-notebook

Die folgende Dokumentation enthält Beispiele für die folgenden Konzepte:

Initialisieren von SparkSession scala-initialize

Bei allen Scala-Notebooks müssen Sie die Sitzung mit dem folgenden Textbausteincode initialisieren:

import org.apache.spark.sql.{ SparkSession }
val spark = SparkSession
  .builder()
  .master("local")
  .getOrCreate()

Datensatz lesen read-scala-dataset

In Scala können Sie clientContext importieren, um Platform-Werte abzurufen und zurückzugeben. Dadurch müssen keine Variablen wie var userToken definiert werden. Im unten stehenden Scala-Beispiel wird clientContext verwendet, um alle zum Lesen eines Datensatzes erforderlichen Werte abzurufen und zurückzugeben.

IMPORTANT
Das Zwischenspeichern von Daten mit df.cache() vor dem Schreiben von Daten kann die Notebook-Leistung erheblich verbessern. Dies kann hilfreich sein, wenn Sie einen der folgenden Fehler erhalten:
  • Auftrag aufgrund von Staging-Fehler abgebrochen … Kann nur RDDs mit derselben Anzahl von Elementen in jeder Partition komprimieren.
  • Remote RPC-Client getrennt und andere Speicherfehler.
  • Schlechte Performance beim Lesen und Schreiben von Datensätzen.
Weitere Informationen finden Sie im Handbuch zur Fehlerbehebung .
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)
Element
Beschreibung
df1
Eine Variable, die den Pandas-Dataframe darstellt, der zum Lesen und Schreiben von Daten verwendet wird.
user-token
Ihr Benutzer-Token, das automatisch mit clientContext.getUserToken() abgerufen wird.
service-token
Ihr Service-Token, das automatisch mit clientContext.getServiceToken() abgerufen wird.
ims-org
Ihre Organisations-ID, die automatisch mit clientContext.getOrgId() abgerufen wird.
api-key
Ihr API-Schlüssel, der automatisch mit clientContext.getApiKey() abgerufen wird.
TIP
Überprüfen Sie die Scala-Tabellen im Abschnitt Notebook-Datenbeschränkungen , um zu ermitteln, ob mode auf interactive oder batch eingestellt werden soll.

Sie können das obige Beispiel automatisch im JupyterLab-Buy mit der folgenden Methode generieren:

Wählen Sie im linken Navigationsbereich von JupyterLab die Registerkarte Datensymbol (unten hervorgehoben). Die Verzeichnisse Datensätze und Schemata werden angezeigt. Wählen Sie Datensätze aus, klicken Sie mit der rechten Maustaste und wählen Sie dann im Dropdown-Menü des Datensatzes, den Sie verwenden möchten, die Option Daten in Notebook erkunden aus. Unten im Notebook wird ein ausführbarer Code-Eintrag angezeigt.
Und

  • Verwenden Sie Daten im Notebook durchsuchen , um eine Leselelle zu generieren.
  • Verwenden Sie Daten in Notebook schreiben , um eine Schreibzelle zu generieren.

Schreiben in einen Datensatz scala-write-dataset

In Scala können Sie clientContext importieren, um Platform-Werte abzurufen und zurückzugeben. Dadurch müssen keine Variablen wie var userToken definiert werden. Im unten stehenden Scala-Beispiel wird clientContext verwendet, um alle zum Schreiben in einen Datensatz erforderlichen Werte zu definieren und zurückzugeben.

IMPORTANT
Das Zwischenspeichern von Daten mit df.cache() vor dem Schreiben von Daten kann die Notebook-Leistung erheblich verbessern. Dies kann hilfreich sein, wenn Sie einen der folgenden Fehler erhalten:
  • Auftrag aufgrund von Staging-Fehler abgebrochen … Kann nur RDDs mit derselben Anzahl von Elementen in jeder Partition komprimieren.
  • Remote RPC-Client getrennt und andere Speicherfehler.
  • Schlechte Performance beim Lesen und Schreiben von Datensätzen.
Weitere Informationen finden Sie im Handbuch zur Fehlerbehebung .
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()
element
Beschreibung
df1
Eine Variable, die den Pandas-Dataframe darstellt, der zum Lesen und Schreiben von Daten verwendet wird.
user-token
Ihr Benutzer-Token, das automatisch mit clientContext.getUserToken() abgerufen wird.
service-token
Ihr Service-Token, das automatisch mit clientContext.getServiceToken() abgerufen wird.
ims-org
Ihre Organisations-ID, die automatisch mit clientContext.getOrgId() abgerufen wird.
api-key
Ihr API-Schlüssel, der automatisch mit clientContext.getApiKey() abgerufen wird.
TIP
Überprüfen Sie die Scala-Tabellen im Abschnitt Notebook-Datenbeschränkungen , um zu ermitteln, ob mode auf interactive oder batch eingestellt werden soll.

Erstellen eines lokalen Dataframes scala-create-dataframe

Um einen lokalen Dataframe mit Scala zu erstellen, sind SQL-Abfragen erforderlich. Zum Beispiel:

sparkdf.createOrReplaceTempView("sparkdf")

val localdf = spark.sql("SELECT * FROM sparkdf LIMIT 1)

ExperienceEvent Daten filtern scala-experienceevent

Zum Zugreifen auf und Filtern eines ExperienceEvent -Datensatzes in einem Scala-Notebook müssen Sie die Datensatz-Identität ({DATASET_ID}), die IMS-Identität Ihrer Organisation und die Filterregeln angeben, die einen bestimmten Zeitraum definieren. Ein Filterzeitbereich wird mithilfe der Funktion spark.sql() definiert, wobei der Funktionsparameter eine SQL-Abfragezeichenfolge ist.

Die folgenden Zellen filtern einen ExperienceEvent -Datensatz nach Daten, die ausschließlich zwischen dem 1. Januar 2019 und dem 31. Dezember 2019 existierten.

// 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()

Nächste Schritte

In diesem Dokument wurden die allgemeinen Richtlinien für den Zugriff auf Datensätze mit JupyterLab-Notebooks erläutert. Ausführliche Beispiele zum Abfragen von Datensätzen finden Sie in der Dokumentation Query Service in JupyterLab Notebooks . Weitere Informationen zum Erkunden und Visualisieren Ihrer Datensätze finden Sie im Dokument unter Analysieren Ihrer Daten mit Notebooks.

Optionale SQL-Flags für Query Service optional-sql-flags-for-query-service

In dieser Tabelle sind die optionalen SQL-Flags aufgeführt, die für Query Service verwendet werden können.

Markierung
Beschreibung
-h, --help
Hilfemeldung anzeigen und beenden.
-n, --notify
Umschaltoption für das Benachrichtigen bei Abfrageergebnissen.
-a, --async
Bei Verwendung dieser Markierung wird die Abfrage asynchron ausgeführt und kann der Kernel freigeben werden, während die Abfrage ausgeführt wird. Seien Sie vorsichtig, wenn Sie Abfrageergebnisse Variablen zuweisen, da sie möglicherweise undefiniert sind, wenn die Abfrage noch nicht abgeschlossen ist.
-d, --display
Die Verwendung dieser Markierung verhindert, dass Ergebnisse angezeigt werden.
recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9