Cada núcleo admitido proporciona funcionalidades integradas que le permiten leer datos de Platform de un conjunto de datos dentro de un bloc de notas. Actualmente, JupyterLab en Adobe Experience Platform Data Science Workspace admite portátiles para Python, R, PySpark y Scala. Sin embargo, la compatibilidad con la paginación de datos se limita a Python y cuadernos R. Esta guía se centra en cómo utilizar cuadernos de JupyterLab para acceder a sus datos.
Antes de leer esta guía, consulte la JupyterLab guía del usuario para una introducción de alto nivel a JupyterLab y su función en Data Science Workspace.
Para los portátiles PySpark y Scala si recibe un error con el motivo "Cliente RPC remoto desasociado". Esto suele significar que el controlador o un ejecutor se está quedando sin memoria. Intente cambiar a modo "por lotes" para resolver este error.
La siguiente información define la cantidad máxima de datos que se pueden leer, qué tipo de datos se utilizaron y el periodo de tiempo estimado que tarda la lectura de los datos.
Para Python y R, un servidor portátil configurado con 40 GB de RAM utilizado para los análisis de rendimiento. Para PySpark y Scala, se utilizó un clúster de bloques de datos configurado a 64 GB de RAM, 8 núcleos, 2 DBU con un máximo de 4 trabajadores para los puntos de referencia descritos a continuación.
Los datos del esquema ExperienceEvent utilizados variaron en tamaño a partir de mil (1K) filas que van hasta mil millones (1B) de filas. Tenga en cuenta que para PySpark y Spark Métricas de, se utilizó un intervalo de fecha de 10 días para los datos de XDM.
Los datos del esquema ad hoc se preprocesaron mediante Query Service Crear tabla como selección (CTAS). Estos datos también variaron en tamaño a partir de mil (1K) filas que van hasta mil (1B) filas.
Al leer conjuntos de datos con portátiles PySpark y Scala, tiene la opción de utilizar el modo interactivo o el modo por lotes para leer el conjunto de datos. La interacción se realiza para obtener resultados rápidos, mientras que el modo por lotes es para conjuntos de datos grandes.
Esquema XDM ExperienceEvent: Debería poder leer un máximo de 2 millones de filas (aproximadamente 6,1 GB de datos en disco) de datos XDM en menos de 22 minutos. Añadir filas adicionales puede provocar errores.
Número de filas | 1K | 10K | 100K | 1 M | 2 M |
---|---|---|---|---|---|
Tamaño en disco (MB) | 18.73 | 187.5 | 308 | 3000 | 6050 |
SDK (en segundos) | 20.3 | 86.8 | 63 | 659 | 1315 |
esquema ad hoc: Debería poder leer un máximo de 5 millones de filas (aproximadamente 5,6 GB de datos en disco) de datos que no sean XDM (específicos) en menos de 14 minutos. Añadir filas adicionales puede provocar errores.
Número de filas | 1K | 10K | 100K | 1M | 2M | 3M | 5M |
---|---|---|---|---|---|---|---|
Tamaño en disco (en MB) | 1.21 | 11.72 | 115 | 1120 | 2250 | 3380 | 5630 |
SDK (en segundos) | 7.27 | 9.04 | 27.3 | 180 | 346 | 487 | 819 |
Esquema XDM ExperienceEvent: Debería poder leer un máximo de 1 millón de filas de datos XDM (3 GB de datos en disco) en menos de 13 minutos.
Número de filas | 1K | 10K | 100K | 1M |
---|---|---|---|---|
Tamaño en disco (MB) | 18.73 | 187.5 | 308 | 3000 |
Núcleo R (en segundos) | 14.03 | 69.6 | 86.8 | 775 |
esquema ad hoc: Debería poder leer un máximo de 3 millones de filas de datos ad hoc (293 MB de datos en disco) en unos 10 minutos.
Número de filas | 1K | 10K | 100K | 1M | 2M | 3M |
---|---|---|---|---|---|---|
Tamaño en disco (en MB) | 0.082 | 0.612 | 9.0 | 91 | 188 | 293 |
R SDK (en segundos) | 7.7 | 4.58 | 35.9 | 233 | 470.5 | 603 |
Esquema XDM ExperienceEvent: En el modo interactivo, debería poder leer un máximo de 5 millones de filas (aproximadamente 13,42 GB de datos en disco) de datos XDM en unos 20 minutos. El modo interactivo solo admite hasta 5 millones de filas. Si desea leer conjuntos de datos más grandes, se recomienda cambiar al modo por lotes. En el modo por lotes, debería poder leer un máximo de 500 millones de filas (aproximadamente 1,31 TB de datos en disco) de datos XDM en aproximadamente 14 horas.
Número de filas | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M |
---|---|---|---|---|---|---|---|---|---|---|---|
Tamaño en disco | 2.93MB | 4.38MB | 29.02 | 2.69 GB | 5.39 GB | 8.09 GB | 13.42 GB | 26.82 GB | 134.24 GB | 268.39 GB | 1.31TB |
SDK (modo interactivo) | 33s | 32.4s | 55.1s | 253.5s | 489.2s | 729.6s | 1206.8s | - | - | - | - |
SDK (modo por lotes) | 815.8s | 492.8s | 379.1s | 637.4s | 624.5s | 869.2s | 1104.1s | 1786s | 5387.2s | 10624.6s | 50547s |
esquema ad hoc: En el modo interactivo, debería poder leer un máximo de 5 millones de filas (aproximadamente 5,36 GB de datos en disco) de datos que no sean XDM en menos de 3 minutos. En el modo por lotes debería poder leer un máximo de 1000 millones de filas (datos de ~ 1,05 TB en disco) de datos que no sean XDM en unos 18 minutos.
Número de filas | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M | 1B |
---|---|---|---|---|---|---|---|---|---|---|---|---|
Tamaño en disco | 1.12MB | 11.24MB | 109.48MB | 2.69 GB | 2.14 GB | 3.21 GB | 5.36 GB | 10.71 GB | 53.58 GB | 107.52 GB | 535.88 GB | 1.05TB |
Modo interactivo de SDK (en segundos) | 28.2s | 18.6s | 20.8s | 20.9s | 23.8s | 21.7s | 24.7s | - | - | - | - | - |
Modo por lotes de SDK (en segundos) | 428.8s | 578.8s | 641.4s | 538.5s | 630.9s | 467.3s | 411s | 675s | 702s | 719.2s | 1022.1s | 1122.3s |
Esquema XDM ExperienceEvent: En el modo interactivo, debería poder leer un máximo de 5 millones de filas (aproximadamente 13,42 GB de datos en disco) de datos XDM en unos 18 minutos. El modo interactivo solo admite hasta 5 millones de filas. Si desea leer conjuntos de datos más grandes, se recomienda cambiar al modo por lotes. En el modo por lotes, debería poder leer un máximo de 500 millones de filas (aproximadamente 1,31 TB de datos en disco) de datos XDM en aproximadamente 14 horas.
Número de filas | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M |
---|---|---|---|---|---|---|---|---|---|---|---|
Tamaño en disco | 2.93MB | 4.38MB | 29.02 | 2.69 GB | 5.39 GB | 8.09 GB | 13.42 GB | 26.82 GB | 134.24 GB | 268.39 GB | 1.31TB |
Modo interactivo de SDK (en segundos) | 37.9s | 22.7s | 45.6s | 231.7s | 444.7s | 660.6s | 1100s | - | - | - | - |
Modo por lotes de SDK (en segundos) | 374.4s | 398.5s | 527s | 487.9s | 588.9s | 829s | 939.1s | 1441s | 5473.2s | 10118.8 | 49207.6 |
esquema ad hoc: En el modo interactivo, debería poder leer un máximo de 5 millones de filas (aproximadamente 5,36 GB de datos en disco) de datos que no sean XDM en menos de 3 minutos. En el modo por lotes debería poder leer un máximo de 1000 millones de filas (datos de ~ 1,05 TB en disco) de datos que no sean XDM en unos 16 minutos.
Número de filas | 1K | 10K | 100K | 1M | 2M | 3M | 5M | 10M | 50M | 100M | 500M | 1B |
---|---|---|---|---|---|---|---|---|---|---|---|---|
Tamaño en disco | 1.12MB | 11.24MB | 109.48MB | 2.69 GB | 2.14 GB | 3.21 GB | 5.36 GB | 10.71 GB | 53.58 GB | 107.52 GB | 535.88 GB | 1.05TB |
Modo interactivo de SDK (en segundos) | 35.7s | 31s | 19.5s | 25.3s | 23s | 33.2s | 25.5s | - | - | - | - | - |
Modo por lotes de SDK (en segundos) | 448.8s | 459.7s | 519s | 475.8s | 599.9s | 347.6s | 407.8s | 397s | 518.8s | 487.9s | 760.2s | 975.4s |
Python los blocs de notas le permiten paginar datos al acceder a conjuntos de datos. A continuación se muestra un código de muestra para leer datos con y sin paginación. Para obtener más información sobre los portátiles Python de inicio disponibles, visite el JupyterLab Lanzador dentro de la guía del usuario de JupyterLab.
La siguiente documentación de Python describe los siguientes conceptos:
Sin paginación:
Al ejecutar el siguiente código, se leerá todo el conjunto de datos. Si la ejecución se realiza correctamente, los datos se guardan como un marco de datos Pandas al que hace referencia la variable 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()
Con paginación:
Al ejecutar el siguiente código se leerán los datos del conjunto de datos especificado. La paginación se logra mediante la limitación y el desplazamiento de datos mediante las funciones limit()
y offset()
respectivamente. La limitación de datos hace referencia al número máximo de puntos de datos que se van a leer, mientras que la compensación hace referencia al número de puntos de datos que se van a omitir antes de leer los datos. Si la operación de lectura se ejecuta correctamente, los datos se guardarán como un marco de datos Pandas al que hace referencia la variable 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()
Para escribir en un conjunto de datos de su bloc de notas de JupyterLab, seleccione la pestaña Icono de datos (resaltada a continuación) en la navegación izquierda de JupyterLab. El Conjuntos de datos y Esquemas aparecen los directorios. Seleccionar Conjuntos de datos y haga clic con el botón derecho, luego seleccione la Escribir datos en Notebook del menú desplegable del conjunto de datos que desee utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.
También puede copiar y pegar la siguiente celda de código. Sustituya ambos {DATASET_ID}
y {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')
JupyterLab el Platform permite utilizar SQL en una Python para acceder a los datos a través de Adobe Experience Platform Query Service. Acceso a datos mediante Query Service puede ser útil para tratar grandes conjuntos de datos debido a sus tiempos de ejecución superiores. Tenga en cuenta que la consulta de datos mediante Query Service tiene un límite de tiempo de procesamiento de diez minutos.
Antes de usar Query Service in JupyterLab, asegúrese de que tiene una comprensión práctica de la Query Service Sintaxis SQL.
Consulta de datos mediante Query Service requiere que proporcione el nombre del conjunto de datos de destinatario. Puede generar las celdas de código necesarias buscando el conjunto de datos deseado mediante la variable Explorador de datos. Haga clic con el botón derecho en la lista de conjuntos de datos y haga clic en Consultar datos en Notebook para generar dos celdas de código en el bloc de notas. Estas dos celdas se describen con más detalle a continuación.
Para utilizar Query Service in JupyterLab, primero debe crear una conexión entre sus Python portátil y Query Service. Esto se puede lograr ejecutando la primera celda generada.
qs_connect()
En la segunda celda generada, la primera línea debe definirse antes que la consulta SQL. De forma predeterminada, la celda generada define una variable opcional (df0
), que guarda los resultados de la consulta como un marco de datos Pandas.
El -c QS_CONNECTION
es obligatorio e indica al núcleo que ejecute la consulta SQL Query Service. Consulte la apéndice para obtener una lista de argumentos adicionales.
%%read_sql df0 -c QS_CONNECTION
SELECT *
FROM name_of_the_dataset
LIMIT 10
/* Querying table "name_of_the_dataset" (datasetId: {DATASET_ID})*/
Se puede hacer referencia directamente a las variables de Python dentro de una consulta SQL utilizando sintaxis con formato de cadena y ajustando las variables entre llaves ({}
), como se muestra en el siguiente ejemplo:
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}
Para acceder y filtrar una ExperienceEvent conjunto de datos en una Python , debe proporcionar el ID del conjunto de datos ({DATASET_ID}
) junto con las reglas de filtro que definen un intervalo de tiempo específico mediante operadores lógicos. Cuando se define un intervalo de tiempo, se ignora cualquier paginación especificada y se considera todo el conjunto de datos.
A continuación, se describe una lista de operadores de filtrado:
eq()
: Equal togt()
: Greater thange()
: Mayor o igual quelt()
: Menos dele()
: Less than or equal toAnd()
: Operador lógico ANDOr()
: Operador lógico ORLos siguientes filtros de celda pueden ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y el final del 31 de diciembre de 2019.
# 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()
Los blocs de notas de R permiten paginar datos al acceder a conjuntos de datos. A continuación se muestra un código de muestra para leer datos con y sin paginación. Para obtener más información sobre los portátiles Starter R disponibles, visite el JupyterLab Lanzador dentro de la guía del usuario de JupyterLab.
La siguiente documentación de R describe los siguientes conceptos:
Sin paginación:
Al ejecutar el siguiente código, se leerá todo el conjunto de datos. Si la ejecución se realiza correctamente, los datos se guardan como un marco de datos Pandas al que hace referencia la variable 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)
Con paginación:
Al ejecutar el siguiente código se leerán los datos del conjunto de datos especificado. La paginación se logra mediante la limitación y el desplazamiento de datos mediante las funciones limit()
y offset()
respectivamente. La limitación de datos hace referencia al número máximo de puntos de datos que se van a leer, mientras que la compensación hace referencia al número de puntos de datos que se van a omitir antes de leer los datos. Si la operación de lectura se ejecuta correctamente, los datos se guardarán como un marco de datos Pandas al que hace referencia la variable 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()
Para escribir en un conjunto de datos de su bloc de notas de JupyterLab, seleccione la pestaña Icono de datos (resaltada a continuación) en la navegación izquierda de JupyterLab. El Conjuntos de datos y Esquemas aparecen los directorios. Seleccionar Conjuntos de datos y haga clic con el botón derecho, luego seleccione la Escribir datos en Notebook del menú desplegable del conjunto de datos que desee utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.
Como alternativa, puede copiar y pegar la siguiente celda de código:
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')
Para acceder y filtrar una ExperienceEvent conjunto de datos en un bloc de notas R, debe proporcionar el ID del conjunto de datos ({DATASET_ID}
) junto con las reglas de filtro que definen un intervalo de tiempo específico mediante operadores lógicos. Cuando se define un intervalo de tiempo, se ignora cualquier paginación especificada y se considera todo el conjunto de datos.
A continuación, se describe una lista de operadores de filtrado:
eq()
: Equal togt()
: Greater thange()
: Mayor o igual quelt()
: Menos dele()
: Less than or equal toAnd()
: Operador lógico ANDOr()
: Operador lógico ORLos siguientes filtros de celda pueden ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y el final del 31 de diciembre de 2019.
# 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()
La documentación de PySpark a continuación describe los siguientes conceptos:
Todo Spark Los portátiles 2.4 requieren que inicialice la sesión con el siguiente código de repetidor.
from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()
Con la introducción de Spark 2.4, %dataset
la magia personalizada se suministra para su uso en PySpark 3 (Spark 2.4). Para obtener más información sobre los comandos mágicos disponibles en el núcleo de IPython, visite el Documentación mágica de IPython.
Uso
%dataset {action} --datasetId {id} --dataFrame {df} --mode batch
Descripción
Una personalización Data Science Workspace mágico, comando para leer o escribir un conjunto de datos de un PySpark bloc de notas (Python 3 kernel).
Nombre | Descripción | Requerido |
---|---|---|
{action} |
Tipo de acción que se va a realizar en el conjunto de datos. Hay dos acciones disponibles, "leer" o "escribir". | Sí |
--datasetId {id} |
Se utiliza para proporcionar el ID del conjunto de datos que se va a leer o escribir. | Sí |
--dataFrame {df} |
El marco de datos de los pandas.
|
Sí |
--mode |
Un parámetro adicional que cambia la forma en que se leen los datos. Los parámetros permitidos son "batch" e "interactive". De forma predeterminada, el modo está configurado en "por lotes". Se recomienda utilizar el modo "interactivo" para aumentar el rendimiento de las consultas en conjuntos de datos más pequeños. |
Sí |
Revise las tablas PySpark dentro de la límites de datos de portátiles para determinar si mode
debe establecerse en interactive
o batch
.
Ejemplos
%dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0 --mode batch
%dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0 --mode batch
Almacenamiento en caché de datos mediante df.cache()
antes de escribir datos puede mejorar considerablemente el rendimiento del portátil. Esto puede ayudarle si recibe cualquiera de los siguientes errores:
Consulte la guía de solución de problemas para obtener más información.
Puede generar automáticamente los ejemplos anteriores en la compra de JupyterLab mediante el siguiente método:
Seleccione la pestaña Icono de datos (resaltada a continuación) en la navegación izquierda de JupyterLab. El Conjuntos de datos y Esquemas aparecen los directorios. Seleccionar Conjuntos de datos y haga clic con el botón derecho, luego seleccione la Escribir datos en Notebook del menú desplegable del conjunto de datos que desee utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.
Para crear un marco de datos local con PySpark 3, utilice consultas SQL. Por ejemplo:
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)
También se puede especificar una muestra de semilla opcional, como un valor booleano con Replacement, una fracción doble o una semilla larga.
Acceso y filtrado de un ExperienceEvent Un conjunto de datos en un bloc de notas PySpark requiere que proporcione la identidad del conjunto de datos ({DATASET_ID}
), la identidad de IMS de su organización y las reglas de filtro que definen un intervalo de tiempo específico. Un intervalo de tiempo de filtrado se define mediante la función spark.sql()
, donde el parámetro de función es una cadena de consulta SQL.
Las siguientes celdas filtran un ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y el final del 31 de diciembre de 2019.
# 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()
La documentación siguiente contiene ejemplos de los siguientes conceptos:
Todos los portátiles Scala requieren que inicialice la sesión con el siguiente código de repetidor:
import org.apache.spark.sql.{ SparkSession }
val spark = SparkSession
.builder()
.master("local")
.getOrCreate()
En Scala, puede importar clientContext
para obtener y devolver valores de Platform, elimina la necesidad de definir variables como var userToken
. En el siguiente ejemplo de Scala, clientContext
se utiliza para obtener y devolver todos los valores necesarios para leer un conjunto de datos.
Almacenamiento en caché de datos mediante df.cache()
antes de escribir datos puede mejorar considerablemente el rendimiento del portátil. Esto puede ayudarle si recibe cualquiera de los siguientes errores:
Consulte la guía de solución de problemas para obtener más información.
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)
Elemento | Descripción |
---|---|
df1 | Variable que representa el marco de datos de Pandas que se utiliza para leer y escribir datos. |
token de usuario | El token de usuario que se recupera automáticamente mediante clientContext.getUserToken() . |
service-token | El token de servicio que se obtiene automáticamente usando clientContext.getServiceToken() . |
ims-org | Su ID de organización de que se obtiene automáticamente mediante clientContext.getOrgId() . |
api-key | La clave de API que se recupera automáticamente mediante clientContext.getApiKey() . |
Revise las tablas de Scala dentro de la límites de datos de portátiles para determinar si mode
debe establecerse en interactive
o batch
.
Puede generar automáticamente el ejemplo anterior en la compra de JupyterLab mediante el siguiente método:
Seleccione la pestaña Icono de datos (resaltada a continuación) en la navegación izquierda de JupyterLab. El Conjuntos de datos y Esquemas aparecen los directorios. Seleccionar Conjuntos de datos y haga clic con el botón derecho, luego seleccione la Explorar datos en Notebook del menú desplegable del conjunto de datos que desee utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.
Y
En Scala, puede importar clientContext
para obtener y devolver valores de Platform, elimina la necesidad de definir variables como var userToken
. En el siguiente ejemplo de Scala, clientContext
se utiliza para definir y devolver todos los valores necesarios para escribir en un conjunto de datos.
Almacenamiento en caché de datos mediante df.cache()
antes de escribir datos puede mejorar considerablemente el rendimiento del portátil. Esto puede ayudarle si recibe cualquiera de los siguientes errores:
Consulte la guía de solución de problemas para obtener más información.
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 | descripción |
---|---|
df1 | Variable que representa el marco de datos de Pandas que se utiliza para leer y escribir datos. |
token de usuario | El token de usuario que se recupera automáticamente mediante clientContext.getUserToken() . |
service-token | El token de servicio que se obtiene automáticamente usando clientContext.getServiceToken() . |
ims-org | Su ID de organización de que se obtiene automáticamente mediante clientContext.getOrgId() . |
api-key | La clave de API que se recupera automáticamente mediante clientContext.getApiKey() . |
Revise las tablas de Scala dentro de la límites de datos de portátiles para determinar si mode
debe establecerse en interactive
o batch
.
Para crear un marco de datos local con Scala, se requieren consultas SQL. Por ejemplo:
sparkdf.createOrReplaceTempView("sparkdf")
val localdf = spark.sql("SELECT * FROM sparkdf LIMIT 1)
Acceso y filtrado de un ExperienceEvent Un conjunto de datos en un portátil Scala requiere que proporcione la identidad del conjunto de datos ({DATASET_ID}
), la identidad de IMS de su organización y las reglas de filtro que definen un intervalo de tiempo específico. Un intervalo de tiempo de filtrado se define mediante la función spark.sql()
, donde el parámetro de función es una cadena de consulta SQL.
Las siguientes celdas filtran un ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y el final del 31 de diciembre de 2019.
// 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()
Este documento abarcaba las directrices generales para acceder a conjuntos de datos mediante cuadernos de JupyterLab. Para ver ejemplos más detallados sobre la consulta de conjuntos de datos, visite la Servicio de consultas en cuadernos de JupyterLab documentación. Para obtener más información sobre cómo explorar y visualizar los conjuntos de datos, visite el documento sobre análisis de los datos con portátiles.
En esta tabla se describen los indicadores SQL opcionales que se pueden utilizar para Query Service.
Indicador | Descripción |
---|---|
-h , --help |
Mostrar el mensaje de ayuda y salir. |
-n , --notify |
Alternar opción para notificar los resultados de la consulta. |
-a , --async |
El uso de este indicador ejecuta la consulta de forma asíncrona y puede liberar el núcleo mientras se ejecuta la consulta. Tenga cuidado al asignar resultados de consulta a variables, ya que puede ser indefinido si la consulta no está completa. |
-d , --display |
El uso de este indicador evita que se muestren los resultados. |