Acceso a datos en Jupyterlab portátiles

Cada núcleo soportado proporciona funcionalidades incorporadas que permiten leer datos de Platform desde 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 portátiles R. Esta guía se centra en cómo utilizar los portátiles JupyterLab para acceder a sus datos.

Primeros pasos

Antes de leer esta guía, revise la JupyterLab guía del usuario para una introducción de alto nivel a JupyterLab y su función en Data Science Workspace.

Límites de datos de portátiles

IMPORTANTE

Para los blocs de notas 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 han utilizado y el intervalo de tiempo estimado que se tarda en leer los datos.

Para Python y R, un servidor portátil configurado a 40 GB de RAM se utilizó para los puntos de referencia. Para PySpark y Scala, se utilizó un clúster de databricks configurado en 64 GB de RAM, 8 núcleos, 2 DBU con un máximo de 4 trabajadores para los puntos de referencia descritos a continuación.

Los datos de esquema de ExperienceEvent utilizados variaron en su tamaño a partir de mil filas (1K) de hasta mil millones de filas (1B). Tenga en cuenta que para PySpark y Spark para los datos XDM se utilizaba un intervalo de fechas de 10 días.

Los datos del esquema ad hoc se preprocesaron mediante Query Service Crear tabla como Seleccionar (CTAS). Estos datos también variaron en el tamaño a partir de mil filas (1K) que oscilaban entre mil millones de filas (1B).

Cuándo utilizar el modo por lotes frente al modo interactivo

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. Interactive se realiza para obtener resultados rápidos, mientras que el modo por lotes es para conjuntos de datos grandes.

  • Para los portátiles PySpark y Scala, el modo por lotes debe usarse cuando se leen 5 millones de filas de datos o más. Para obtener más información sobre la eficacia de cada modo, consulte la PySpark o Scala las tablas de límite de datos siguientes.

Python límites de datos del bloc de notas

Esquema XDM ExperienceEvent: Debería poder leer un máximo de 2 millones de filas (unos 6,1 GB de datos en disco) de datos XDM en menos de 22 minutos. La adición de filas adicionales puede provocar errores.

Número de filas 1K 10K 100K 1M 2M
Tamaño en disco (MB) 18.73 187.5 308 3000 6050
SDK (en segundos) 20.3 86.8 63 659 1315

esquema ad hoc: Debe poder leer un máximo de 5 millones de filas (~5,6 GB de datos en disco) de datos que no sean XDM (específicos) en menos de 14 minutos. La adición de 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

Límites de datos de portátiles R

Esquema XDM ExperienceEvent: Debería poder leer un máximo de 1 millón de filas de datos XDM (datos de 3 GB 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 (datos de 293 MB 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
SDK R (en segundos) 7.7 4.58 35.9 233 470.5 603

PySpark (Python kernel) límites de datos de portátiles:

Esquema XDM ExperienceEvent: En el modo interactivo, debería poder leer un máximo de 5 millones de filas (unos 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 sugiere cambiar al modo por lotes. En el modo por lotes, debería poder leer un máximo de 500 millones de filas (unos 1,31 TB de datos en disco) de datos XDM en unas 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 (unos 5,36 GB de datos en disco) de datos que no sean XDM en menos de 3 minutos. En el modo Lote, debería poder leer un máximo de 100 millones de filas (unos 1,05 TB de datos 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 del 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

Spark Límites de datos de portátiles (kernel Scala):

Esquema XDM ExperienceEvent: En el modo interactivo, debería poder leer un máximo de 5 millones de filas (unos 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 sugiere cambiar al modo por lotes. En el modo por lotes, debería poder leer un máximo de 500 millones de filas (unos 1,31 TB de datos en disco) de datos XDM en unas 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 del 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 (unos 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 100 millones de filas (unos 1,05 TB de datos 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 del 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

Portátiles Python

Python los blocs de notas permiten paginar datos al acceder a conjuntos de datos. A continuación se muestra el código de muestra para leer datos con o sin paginación. Para obtener más información sobre los portátiles Python de inicio disponibles, visite JupyterLab Iniciador en la guía del usuario de JupyterLab.

La documentación de Python a continuación describe los siguientes conceptos:

Leer desde un conjunto de datos en Python

Sin paginación:

Al ejecutar el siguiente código se leerá todo el conjunto de datos. Si la ejecución se realiza correctamente, los datos se guardarán como un dataframe de Pandas al que la variable haga referencia. 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 limitando y compensando los datos a través de las funciones limit() y offset() respectivamente. La limitación de datos se refiere al número máximo de puntos de datos que se deben leer, mientras que la compensación se refiere al número de puntos de datos que se deben omitir antes de leer los datos. Si la operación de lectura se ejecuta correctamente, los datos se guardarán como un dataframe de Pandas al que la variable haga referencia 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()

Escribir en un conjunto de datos en Python

Para escribir en un conjunto de datos en su bloc de notas de JupyterLab, seleccione la pestaña Icono de datos (resaltado abajo) en la navegación izquierda de JupyterLab. La variable Conjuntos de datos y Esquemas aparecen los directorios. Select Conjuntos de datos y haga clic con el botón derecho y, a continuación, seleccione la Escribir datos en un bloc de notas en el menú desplegable del conjunto de datos que desea utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.

  • Uso Escribir datos en un bloc de notas para generar una celda de escritura con el conjunto de datos seleccionado.
  • Uso Explorar datos en el bloc de notas para generar una celda de lectura con el conjunto de datos seleccionado.
  • Uso Datos de consulta en el bloc de notas para generar una celda de consulta básica con el conjunto de datos seleccionado.

Como alternativa, puede copiar y pegar la siguiente celda de código. Reemplace ambas {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')

Consulta de datos mediante Query Service en Python

JupyterLab en Platform permite utilizar SQL en una Python bloc de notas para acceder a datos a través de Servicio de consultas de Adobe Experience Platform. Acceso a los datos mediante Query Service puede ser útil para trabajar con conjuntos de datos grandes 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 en JupyterLab, asegúrese de tener una comprensión práctica de la variable Query Service Sintaxis SQL.

Consulta de datos mediante Query Service requiere que proporcione el nombre del conjunto de datos de destino. Puede generar las celdas de código necesarias encontrando el conjunto de datos deseado utilizando la variable Explorador de datos. Haga clic con el botón derecho en la lista de conjuntos de datos y haga clic en Datos de consulta en el bloc de notas 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 en JupyterLab, primero debe crear una conexión entre el trabajo Python bloc de notas 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 dataframe de Pandas.
La variable -c QS_CONNECTION es obligatorio y le indica al núcleo que ejecute la consulta SQL contra 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 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}

Filtro ExperienceEvent data

Para acceder a y filtrar un ExperienceEvent conjunto de datos en un Python bloc de notas, 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 to
  • gt(): Greater than
  • ge(): Mayor o igual que
  • lt(): Menos de
  • le(): Less than or equal to
  • And(): Operador AND lógico
  • Or(): Operador OR lógico

Los filtros de celda siguientes y ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y finales 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()

Portátiles R

Los portátiles R permiten paginar los datos al acceder a los conjuntos de datos. A continuación se muestra el código de muestra para leer datos con o sin paginación. Para obtener más información sobre los ordenadores portátiles R de inicio disponibles, visite el JupyterLab Iniciador en la guía del usuario de JupyterLab.

La documentación R que aparece a continuación describe los siguientes conceptos:

Leer desde un conjunto de datos en R

Sin paginación:

Al ejecutar el siguiente código se leerá todo el conjunto de datos. Si la ejecución se realiza correctamente, los datos se guardarán como un dataframe de Pandas al que la variable haga referencia. 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 limitando y compensando los datos a través de las funciones limit() y offset() respectivamente. La limitación de datos se refiere al número máximo de puntos de datos que se deben leer, mientras que la compensación se refiere al número de puntos de datos que se deben omitir antes de leer los datos. Si la operación de lectura se ejecuta correctamente, los datos se guardarán como un dataframe de Pandas al que la variable haga referencia 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()

Escribir en un conjunto de datos en R

Para escribir en un conjunto de datos en su bloc de notas de JupyterLab, seleccione la pestaña Icono de datos (resaltado abajo) en la navegación izquierda de JupyterLab. La variable Conjuntos de datos y Esquemas aparecen los directorios. Select Conjuntos de datos y haga clic con el botón derecho y, a continuación, seleccione la Escribir datos en un bloc de notas en el menú desplegable del conjunto de datos que desea utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.

  • Uso Escribir datos en un bloc de notas para generar una celda de escritura con el conjunto de datos seleccionado.
  • Uso Explorar datos en el bloc de notas para generar una celda de lectura con el conjunto de datos seleccionado.

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')

Filtro ExperienceEvent data

Para acceder a y filtrar un 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 to
  • gt(): Greater than
  • ge(): Mayor o igual que
  • lt(): Menos de
  • le(): Less than or equal to
  • And(): Operador AND lógico
  • Or(): Operador OR lógico

Los filtros de celda siguientes y ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y finales 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()

Portátiles PySpark 3

La siguiente documentación de PySpark describe los siguientes conceptos:

Inicialización de sparkSession

Todo Spark Los blocs de notas 2.4 requieren que inicialice la sesión con el siguiente código repetitivo.

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

Uso de %dataset para leer y escribir con un bloc de notas PySpark 3

Con la introducción de Spark 2.4, %dataset la magia personalizada se suministra para su uso en PySpark 3 (Spark 2.4) portátiles. Para obtener más información sobre los comandos mágicos disponibles en el núcleo IPython, visite Documentación mágica de IPython.

Uso

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

Descripción

Un Data Science Workspace comando mágico para leer o escribir un conjunto de datos desde un PySpark bloc de notas (Python 3 kernel).

Nombre Descripción Requerido
{action} Tipo de acción que se realizará en el conjunto de datos. Hay dos acciones disponibles: "leer" o "escribir".
--datasetId {id} Se utiliza para proporcionar el ID del conjunto de datos para leer o escribir.
--dataFrame {df} Los pandas dataframe.
  • Cuando la acción es "leída", {df} es la variable donde los resultados de la operación de lectura del conjunto de datos están disponibles (como un dataframe).
  • Cuando la acción es "write", este dataframe {df} se escribe en el conjunto de datos.
--mode Un parámetro adicional que cambia la forma en que se leen los datos. Los parámetros permitidos son "por lotes" e "interactivo". De forma predeterminada, el modo está configurado en "batch".
Se recomienda el modo "interactivo" para aumentar el rendimiento de la consulta en conjuntos de datos más pequeños.
SUGERENCIA

Revise las tablas PySpark dentro de la límites de datos del bloc de notas sección para determinar si mode debe configurarse como interactive o batch.

Ejemplos

  • Ejemplo de lectura: %dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0 --mode batch
  • Ejemplo de escritura: %dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0 --mode batch
IMPORTANTE

Almacenamiento en caché de datos mediante df.cache() antes de escribir los datos, puede mejorar considerablemente el rendimiento del bloc de notas. Esto puede ayudarle si está recibiendo cualquiera de los siguientes errores:

  • Trabajo anulado debido a un error en la etapa … Solo puede comprimir RDD con el mismo número de elementos en cada partición.
  • Cliente RPC remoto desasociado y otros errores de memoria.
  • Rendimiento deficiente al leer y escribir conjuntos de datos.

Consulte la guía de solución de problemas para obtener más información.

Puede generar automáticamente los ejemplos anteriores en JupyterLab buy utilizando el siguiente método:

Seleccione la pestaña Icono de datos (resaltado abajo) en la navegación izquierda de JupyterLab. La variable Conjuntos de datos y Esquemas aparecen los directorios. Select Conjuntos de datos y haga clic con el botón derecho y, a continuación, seleccione la Escribir datos en un bloc de notas en el menú desplegable del conjunto de datos que desea utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.

  • Uso Explorar datos en el bloc de notas para generar una celda de lectura.
  • Uso Escribir datos en un bloc de notas para generar una celda de escritura.

Crear un datafame local

Para crear un dataframe local utilizando 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)
SUGERENCIA

También puede especificar una muestra de origen opcional, como un booleano con Sustitución, fracción doble o una semilla larga.

Filtro ExperienceEvent data

Acceso y filtrado de una ExperienceEvent conjunto de datos en un bloc de notas de PySpark requiere que proporcione la identidad del conjunto de datos ({DATASET_ID}), la identidad 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 celdas siguientes filtran un ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y finales 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()

Portátiles escalares

La documentación siguiente contiene ejemplos de los siguientes conceptos:

Inicialización de SparkSession

Todos los blocs de notas Scala requieren que inicialice la sesión con el siguiente código repetitivo:

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

Leer un conjunto de datos

En Scala, puede importar clientContext para obtener y devolver valores de Platform, esto elimina la necesidad de definir variables como var userToken. En el ejemplo de Scala siguiente, clientContext se utiliza para obtener y devolver todos los valores necesarios para leer un conjunto de datos.

IMPORTANTE

Almacenamiento en caché de datos mediante df.cache() antes de escribir los datos, puede mejorar considerablemente el rendimiento del bloc de notas. Esto puede ayudarle si está recibiendo cualquiera de los siguientes errores:

  • Trabajo anulado debido a un error en la etapa … Solo puede comprimir RDD con el mismo número de elementos en cada partición.
  • Cliente RPC remoto desasociado y otros errores de memoria.
  • Rendimiento deficiente al leer y escribir conjuntos de datos.

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 dataframe de Pandas utilizado para leer y escribir datos.
user-token El token de usuario que se obtiene automáticamente mediante clientContext.getUserToken().
service-token Su token de servicio que se recupera automáticamente mediante clientContext.getServiceToken().
ims-org El ID de organización de IMS que se obtiene automáticamente mediante clientContext.getOrgId().
api-key La clave de API que se recupera automáticamente mediante clientContext.getApiKey().
SUGERENCIA

Revise las tablas Scala dentro de la variable límites de datos del bloc de notas sección para determinar si mode debe configurarse como interactive o batch.

Puede generar automáticamente el ejemplo anterior en JupyterLab buy utilizando el siguiente método:

Seleccione la pestaña Icono de datos (resaltado abajo) en la navegación izquierda de JupyterLab. La variable Conjuntos de datos y Esquemas aparecen los directorios. Select Conjuntos de datos y haga clic con el botón derecho y, a continuación, seleccione la Explorar datos en el bloc de notas en el menú desplegable del conjunto de datos que desea utilizar. Aparece una entrada de código ejecutable en la parte inferior del bloc de notas.
Y

  • Uso Explorar datos en el bloc de notas para generar una celda de lectura.
  • Uso Escribir datos en un bloc de notas para generar una celda de escritura.

Escribir en un conjunto de datos

En Scala, puede importar clientContext para obtener y devolver valores de Platform, esto elimina la necesidad de definir variables como var userToken. En el ejemplo de Scala siguiente, clientContext se utiliza para definir y devolver todos los valores necesarios para escribir en un conjunto de datos.

IMPORTANTE

Almacenamiento en caché de datos mediante df.cache() antes de escribir los datos, puede mejorar considerablemente el rendimiento del bloc de notas. Esto puede ayudarle si está recibiendo cualquiera de los siguientes errores:

  • Trabajo anulado debido a un error en la etapa … Solo puede comprimir RDD con el mismo número de elementos en cada partición.
  • Cliente RPC remoto desasociado y otros errores de memoria.
  • Rendimiento deficiente al leer y escribir conjuntos de datos.

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 description
df1 Variable que representa el dataframe de Pandas utilizado para leer y escribir datos.
user-token El token de usuario que se obtiene automáticamente mediante clientContext.getUserToken().
service-token Su token de servicio que se recupera automáticamente mediante clientContext.getServiceToken().
ims-org El ID de organización de IMS que se obtiene automáticamente mediante clientContext.getOrgId().
api-key La clave de API que se recupera automáticamente mediante clientContext.getApiKey().
SUGERENCIA

Revise las tablas Scala dentro de la variable límites de datos del bloc de notas sección para determinar si mode debe configurarse como interactive o batch.

crear un dataframe local

Para crear un dataframe local mediante Scala, se requieren consultas SQL. Por ejemplo:

sparkdf.createOrReplaceTempView("sparkdf")

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

Filtro ExperienceEvent data

Acceso y filtrado de una ExperienceEvent el conjunto de datos de un bloc de notas Scala requiere que proporcione la identidad del conjunto de datos ({DATASET_ID}), la identidad 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 celdas siguientes filtran un ExperienceEvent conjunto de datos a datos existentes exclusivamente entre el 1 de enero de 2019 y finales 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()

Pasos siguientes

Este documento abarcaba las directrices generales para acceder a conjuntos de datos mediante blocs de notas de JupyterLab. Para obtener ejemplos más detallados sobre la consulta de conjuntos de datos, visite la Servicio de consultas en portátiles de JupyterLab documentación. Para obtener más información sobre cómo explorar y visualizar sus conjuntos de datos, visite el documento en análisis de datos mediante portátiles.

Indicadores SQL opcionales para Query Service

Esta tabla describe los indicadores SQL opcionales que se pueden utilizar para Query Service.

Indicador Descripción
-h, --help Mostrar el mensaje de ayuda y salir.
-n, --notify Alterne la opción para notificar los resultados de la consulta.
-a, --async El uso de este indicador ejecuta la consulta asincrónicamente y puede liberar el núcleo mientras se ejecuta la consulta. Tenga cuidado al asignar resultados de consulta a variables, ya que puede no estar definido si la consulta no se ha completado.
-d, --display El uso de este indicador evita que se muestren los resultados.

En esta página