Acceso a datos mediante Python en Data Science Workspace

El siguiente documento contiene ejemplos sobre cómo acceder a los datos mediante Python para utilizarlo en Data Science Workspace. Para obtener información sobre el acceso a los datos mediante los portátiles JupyterLab, visite la Acceso a datos de portátiles JupyterLab documentación.

Lectura de un conjunto de datos

Después de configurar las variables de entorno y completar la instalación, el conjunto de datos ahora se puede leer en el marco de datos de pandas.

import pandas as pd
from .utils import get_client_context
from platform_sdk.dataset_reader import DatasetReader

def load(config_properties):

client_context = get_client_context(config_properties)

dataset_reader = DatasetReader(client_context, config_properties['DATASET_ID'])

df = dataset_reader.read()

SELECCIONAR columnas del conjunto de datos

df = dataset_reader.select(['column-a','column-b']).read()

Obtener información de partición:

client_context = get_client_context(config_properties)

dataset = Dataset(client_context).get_by_id({DATASET_ID})
partitions = dataset.get_partitions_info()

Cláusula DISTINCT

La cláusula DISTINCT permite recuperar todos los valores distintos en el nivel de fila/columna, eliminando todos los valores duplicados de la respuesta.

Ejemplo de uso del distinct() función se puede ver a continuación:

df = dataset_reader.select(['column-a']).distinct().read()

Cláusula WHERE

Puede utilizar ciertos operadores en Python para filtrar el conjunto de datos.

eq() = '='
gt() = '>'
ge() = '>='
lt() = '<'
le() = '<='
And = and operator
Or = or operator

A continuación se muestra un ejemplo del uso de estas funciones de filtrado:

df = dataset_reader.where(experience_ds['timestamp'].gt(87879779797).And(experience_ds['timestamp'].lt(87879779797)).Or(experience_ds['a'].eq(123)))

Cláusula ORDER BY

La cláusula ORDER BY permite ordenar los resultados recibidos por una columna especificada en un orden específico (ascendente o descendente). Esto se realiza mediante el uso de sort() función.

Ejemplo de uso del sort() función se puede ver a continuación:

df = dataset_reader.sort([('column_1', 'asc'), ('column_2', 'desc')])

Cláusula LIMIT

La cláusula LIMIT permite limitar el número de registros recibidos del conjunto de datos.

Ejemplo de uso del limit() función se puede ver a continuación:

df = dataset_reader.limit(100).read()

Cláusula OFFSET

La cláusula OFFSET permite omitir filas, desde el principio, para comenzar a devolver filas desde un punto posterior. En combinación con LIMIT, esto se puede utilizar para repetir filas en bloques.

Ejemplo de uso del offset() función se puede ver a continuación:

df = dataset_reader.offset(100).read()

Escribir un conjunto de datos

Para escribir en un conjunto de datos, debe proporcionar el marco de datos de pandas a su conjunto de datos.

Escribiendo el marco de datos de los pandas

client_context = get_client_context(config_properties)

# To fetch existing dataset
dataset = Dataset(client_context).get_by_id({DATASET_ID})

dataset_writer = DatasetWriter(client_context, dataset)

write_tracker = dataset_writer.write(<your_dataFrame>, file_format='json')

Directorio del espacio de usuario (Checkpoints)

Para trabajos de mayor duración, es posible que necesite almacenar pasos intermedios. En instancias como esta, puede leer y escribir en un espacio de usuario.

Escribir en el espacio de usuario

client_context = get_client_context(config_properties)

user_helper = UserSpaceHelper(client_context)
user_helper.write(data_frame=<data_frame>, path=<path_to_directory>, ref_dataset_id=<ref_dataset_id>)

Leer desde espacio de usuario

client_context = get_client_context(config_properties)

user_helper = UserSpaceHelper(client_context)
my_df = user_helper.read(path=<path_to_directory>, ref_dataset_id=<ref_dataset_id>)

Pasos siguientes

El espacio de trabajo de ciencia de datos de Adobe Experience Platform proporciona un ejemplo de fórmula que utiliza los ejemplos de código anteriores para leer y escribir datos. Si desea obtener más información sobre cómo utilizar Python para acceder a sus datos, consulte la Repositorio de GitHub de Python de Data Science Workspace.