Accesso ai dati nei Jupyterlab blocchi appunti

Ogni kernel supportato fornisce funzionalità integrate che consentono di leggere i dati della piattaforma da un dataset all'interno di un blocco appunti. Attualmente JupyterLab in Adobe Experience Platform Data Science Workspace supporta i notebook per Python, R, PySpark e Scala. Tuttavia, il supporto per l'impaginazione dei dati è limitato ai notebook Python e R. Questa guida è incentrata su come utilizzare i notebook JupyterLab per accedere ai dati.

Introduzione

Prima di leggere questa guida, consulta la guida JupyterLab utente per un’introduzione di alto livello a JupyterLab e il suo ruolo in Data Science Workspace.

Limiti dei dati per notebook

IMPORTANTE

Per i notebook PySpark e Scala se viene visualizzato un errore con il motivo "Client RPC remoto non associato". In genere significa che il driver o l'esecutore non dispongono di memoria sufficiente. Prova a passare alla modalità "batch" per risolvere questo errore.

Le informazioni seguenti definiscono la quantità massima di dati leggibili, il tipo di dati utilizzato e il periodo di tempo stimato necessario per la lettura dei dati.

Per Python e R, per i benchmark è stato utilizzato un server notebook configurato a 40 GB di RAM. Per PySpark e Scala, un cluster di database configurato a 64 GB di RAM, 8 core, 2 DBU con un massimo di 4 dipendenti è stato utilizzato per i benchmark indicati di seguito.

I dati dello schema ExperienceEvent utilizzati variavano nelle dimensioni a partire da mille (1K) righe fino a un miliardo di righe (1B). Per le metriche PySpark e Spark , per i dati XDM è stato utilizzato un intervallo di date di 10 giorni.

I dati dello schema ad hoc sono stati pre-elaborati utilizzando Query Service Crea tabella come Seleziona (CTAS). Questi dati sono anche variati in dimensioni a partire da mille (1K) righe che vanno fino a un miliardo (1B) righe.

Quando utilizzare la modalità batch e la modalità interattiva

Quando si leggono i set di dati con i notebook PySpark e Scala, è possibile utilizzare la modalità interattiva o la modalità batch per leggere il set di dati. Interattivo è fatto per risultati veloci, mentre la modalità batch è per set di dati di grandi dimensioni.

  • Per i notebook PySpark e Scala, la modalità batch deve essere utilizzata per la lettura di almeno 5 milioni di righe di dati. Per ulteriori informazioni sull'efficienza di ciascuna modalità, vedi le tabelle dei limiti di dati PySpark o Scala riportate di seguito.

Python limiti dei dati del notebook

Schema ExperienceEvent XDM: È necessario essere in grado di leggere un massimo di 2 milioni di righe (circa 6,1 GB di dati su disco) di dati XDM in meno di 22 minuti. L'aggiunta di righe aggiuntive potrebbe causare errori.

Numero di righe 1K 10K 100K 1M 2M
Dimensioni su disco (MB) 18.73 187.5 308 3000 6050
SDK (in secondi) 20.3 86.8 63 659 1315

schema ad hoc: È necessario essere in grado di leggere un massimo di 5 milioni di righe (circa 5,6 GB di dati su disco) di dati non XDM (ad hoc) in meno di 14 minuti. L'aggiunta di righe aggiuntive potrebbe causare errori.

Numero di righe 1K 10K 100K 1M 2M 3M 5M
Dimensioni su disco (in MB) 1.21 11.72 115 1120 2250 3380 5630
SDK (in secondi) 7.27 9.04 27.3 180 346 487 819

Limiti dei dati del notebook R

Schema ExperienceEvent XDM: In meno di 13 minuti è possibile leggere al massimo 1 milione di righe di dati XDM (3 GB di dati su disco).

Numero di righe 1K 10K 100K 1M
Dimensioni su disco (MB) 18.73 187.5 308 3000
R Kernel (in secondi) 14.03 69.6 86.8 775

schema ad hoc: Dovrebbe essere possibile leggere un massimo di 3 milioni di righe di dati ad hoc (293 MB di dati su disco) in circa 10 minuti.

Numero di righe 1K 10K 100K 1M 2M 3M
Dimensioni su disco (in MB) 0.082 0.612 9.0 91 188 293
SDK R (in sec) 7.7 4.58 35.9 233 470.5 603

Limiti dei dati del notebook PySpark (Python kernel):

Schema ExperienceEvent XDM: In modalità interattiva è necessario essere in grado di leggere un massimo di 5 milioni di righe (circa 13,42 GB di dati su disco) di dati XDM in circa 20 minuti. La modalità interattiva supporta solo fino a 5 milioni di righe. Se si desidera leggere set di dati più grandi, è consigliabile passare alla modalità batch. In modalità batch è necessario essere in grado di leggere un massimo di 500 milioni di righe (circa 1,31 TB di dati su disco) di dati XDM in circa 14 ore.

Numero di righe 1K 10K 100K 1M 2M 3M 5M 10M 50M 100M 500M
Dimensioni su 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 (modalità interattiva) 33s 32.4s 55.1s 253.5s 489.2s 729.6s 1206.8s - - - -
SDK (modalità batch) 815.8s 492.8s 379.1s 637.4s 624.5s 869.2s 1104.1s 1786s 5387.2s 10624.6s 50547s

schema ad hoc: In modalità interattiva è necessario essere in grado di leggere un massimo di 5 milioni di righe (circa 5,36 GB di dati su disco) di dati non XDM in meno di 3 minuti. In modalità Batch dovreste essere in grado di leggere un massimo di 1 miliardo di righe (circa 1,05 TB di dati su disco) di dati non XDM in circa 18 minuti.

Numero di righe 1K 10K 100K 1M 2M 3M 5M 10M 50M 100M 500M 1B
Dimensioni su 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
Modalità interattiva SDK (in secondi) 28.2s 18.6s 20.8s 20.9s 23.8s 21.7s 24.7s - - - - -
Modalità batch SDK (in secondi) 428.8s 578.8s 641.4s 538.5s 630.9s 467.3s 411s 675s 702s 719.2s 1022.1s 1122.3s

Spark Limiti dei dati del notebook (kernel Scala):

Schema ExperienceEvent XDM: In modalità interattiva è necessario essere in grado di leggere un massimo di 5 milioni di righe (circa 13,42 GB di dati su disco) di dati XDM in circa 18 minuti. La modalità interattiva supporta solo fino a 5 milioni di righe. Se si desidera leggere set di dati più grandi, è consigliabile passare alla modalità batch. In modalità batch è necessario essere in grado di leggere un massimo di 500 milioni di righe (circa 1,31 TB di dati su disco) di dati XDM in circa 14 ore.

Numero di righe 1K 10K 100K 1M 2M 3M 5M 10M 50M 100M 500M
Dimensioni su 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
Modalità interattiva SDK (in secondi) 37.9s 22.7s 45.6s 231.7s 444.7s 660.6s 1100s - - - -
Modalità batch SDK (in secondi) 374.4s 398.5s 527s 487.9s 588.9s 829s 939.1s 1441s 5473.2s 10118.8 49207.6

schema ad hoc: In modalità interattiva è necessario essere in grado di leggere un massimo di 5 milioni di righe (circa 5,36 GB di dati su disco) di dati non XDM in meno di 3 minuti. In modalità batch è necessario essere in grado di leggere un massimo di 1 miliardo di righe (circa 1,05 TB di dati su disco) di dati non XDM in circa 16 minuti.

Numero di righe 1K 10K 100K 1M 2M 3M 5M 10M 50M 100M 500M 1B
Dimensioni su 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
Modalità interattiva SDK (in secondi) 35.7s 31s 19.5s 25.3s 23s 33.2s 25.5s - - - - -
Modalità batch SDK (in secondi) 448.8s 459.7s 519s 475.8s 599.9s 347.6s 407.8s 397s 518.8s 487.9s 760.2s 975.4s

Notebook Python

Python i notebook consentono di impaginare i dati quando si accede ai set di dati. Di seguito è illustrato il codice di esempio per leggere i dati con e senza impaginazione. Per ulteriori informazioni sui notebook Python di avvio disponibili, visitare la sezione JupyterLab Launcher nella guida utente di JupyterLab.

La documentazione Python riportata di seguito illustra i seguenti concetti:

Leggi da un set di dati in Python

Senza impaginazione:

L'esecuzione del codice seguente consente di leggere l'intero set di dati. Se l'esecuzione ha esito positivo, i dati verranno salvati come fotogramma dati Pandas a cui fa riferimento la variabile 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 impaginazione:

L'esecuzione del codice seguente consente di leggere i dati dal set di dati specificato. La paginazione si ottiene limitando e compensando i dati attraverso le funzioni limit() e offset() rispettivamente. I dati limitati si riferiscono al numero massimo di punti dati da leggere, mentre l'offset fa riferimento al numero di punti dati da ignorare prima della lettura dei dati. Se l'operazione di lettura viene eseguita correttamente, i dati verranno salvati come fotogramma dati Pandas a cui fa riferimento la variabile 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()

Scrivere in un set di dati in Python

Per scrivere in un set di dati nel notebook JupyterLab, seleziona la scheda Icona dati (evidenziata di seguito) nella barra di navigazione a sinistra di JupyterLab. Vengono visualizzate le Datasets e Schemas le directory. Selezionare Datasets e fare clic con il pulsante destro del mouse, quindi selezionare l' Write Data in Notebook opzione dal menu a discesa del set di dati che si desidera utilizzare. Nella parte inferiore del blocco appunti viene visualizzata una voce di codice eseguibile.

  • Utilizzare Write Data in Notebook per generare una cella di scrittura con il set di dati selezionato.
  • Utilizzare Explore Data in Notebook per generare una cella di lettura con il set di dati selezionato.
  • Utilizzare Query Data in Notebook per generare una cella di query di base con il set di dati selezionato.

In alternativa, è possibile copiare e incollare la seguente cella di codice. Sostituire sia l' {DATASET_ID} oggetto e {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')

Dati query con Query Service in Python

JupyterLab on Platform consente di utilizzare SQL in un Python blocco appunti per accedere ai dati tramite Adobe Experience Platform Query Service. L'accesso ai dati Query Service può essere utile per gestire i set di dati di grandi dimensioni a causa dei suoi tempi di esecuzione superiori. Tenere presente che l’esecuzione di query sui dati che utilizzano Query Service ha un limite di tempo di elaborazione di dieci minuti.

Prima di utilizzare Query Service in JupyterLab, è necessario avere una conoscenza approfondita della sintassi Query Service SQL.

La query dei dati mediante Query Service richiede di fornire il nome del set di dati di destinazione. È possibile generare le celle di codice necessarie individuando il set di dati desiderato utilizzando l' Data explorer. Fare clic con il pulsante destro del mouse sull'elenco dei set di dati e scegliere Query Data in Notebook per generare due celle di codice nel blocco appunti. Queste due celle sono descritte più dettagliatamente di seguito.

Per utilizzare Query Service in JupyterLab, è innanzitutto necessario creare una connessione tra il Python blocco appunti e Query Service. Questo può essere ottenuto eseguendo la prima cella generata.

qs_connect()

Nella seconda cella generata, la prima riga deve essere definita prima della query SQL. Per impostazione predefinita, la cella generata definisce una variabile opzionale (df0) che salva i risultati della query come fotogramma dati Pandas.
L' -c QS_CONNECTION argomento è obbligatorio e indica al kernel di eseguire la query SQL con Query Service. Per un elenco degli argomenti aggiuntivi, vedere l’ appendice .

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

Alle variabili Python è possibile fare riferimento direttamente all'interno di una query SQL utilizzando la sintassi in formato stringa e racchiudendo le variabili tra parentesi graffe ({}), come illustrato nell'esempio seguente:

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}

Filter ExperienceEvent data

Per accedere e filtrare un ExperienceEvent set di dati in un Python blocco appunti, è necessario fornire l'ID del set di dati ({DATASET_ID}) insieme alle regole del filtro che definiscono un intervallo di tempo specifico utilizzando gli operatori logici. Quando viene definito un intervallo di tempo, qualsiasi impaginazione specificata viene ignorata e viene considerato l'intero set di dati.

Di seguito è riportato un elenco di operatori di filtraggio:

  • eq(): Uguale a
  • gt(): Maggiore di
  • ge(): Maggiore o uguale a
  • lt(): Minore di
  • le(): Minore o uguale a
  • And(): Operatore logico AND
  • Or(): Operatore OR logico

La cella seguente filtra un ExperienceEvent set di dati a dati esistenti esclusivamente tra il 1 gennaio 2019 e la fine del 31 dicembre 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()

Notebook R

I notebook R consentono di impaginare i dati quando si accede ai set di dati. Di seguito è illustrato il codice di esempio per leggere i dati con e senza impaginazione. Per ulteriori informazioni sui notebook R disponibili, consultare la sezione JupyterLab Launcher nella guida utente di JupyterLab.

La documentazione R seguente delinea i seguenti concetti:

Leggi da un set di dati in R

Senza impaginazione:

L'esecuzione del codice seguente consente di leggere l'intero set di dati. Se l'esecuzione ha esito positivo, i dati verranno salvati come fotogramma dati Pandas a cui fa riferimento la variabile 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 impaginazione:

L'esecuzione del codice seguente consente di leggere i dati dal set di dati specificato. La paginazione si ottiene limitando e compensando i dati attraverso le funzioni limit() e offset() rispettivamente. I dati limitati si riferiscono al numero massimo di punti dati da leggere, mentre l'offset fa riferimento al numero di punti dati da ignorare prima della lettura dei dati. Se l'operazione di lettura viene eseguita correttamente, i dati verranno salvati come fotogramma dati Pandas a cui fa riferimento la variabile 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()

Scrivere in un set di dati in R

Per scrivere in un set di dati nel notebook JupyterLab, seleziona la scheda Icona dati (evidenziata di seguito) nella barra di navigazione a sinistra di JupyterLab. Vengono visualizzate le Datasets e Schemas le directory. Selezionare Datasets e fare clic con il pulsante destro del mouse, quindi selezionare l' Write Data in Notebook opzione dal menu a discesa del set di dati che si desidera utilizzare. Nella parte inferiore del blocco appunti viene visualizzata una voce di codice eseguibile.

  • Utilizzare Write Data in Notebook per generare una cella di scrittura con il set di dati selezionato.
  • Utilizzare Explore Data in Notebook per generare una cella di lettura con il set di dati selezionato.

In alternativa, potete copiare e incollare la seguente cella di codice:

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')

Filter ExperienceEvent data

Per accedere e filtrare un ExperienceEvent set di dati in un blocco appunti R, è necessario fornire l'ID del set di dati ({DATASET_ID}) insieme alle regole del filtro che definiscono un intervallo di tempo specifico utilizzando gli operatori logici. Quando viene definito un intervallo di tempo, qualsiasi impaginazione specificata viene ignorata e viene considerato l'intero set di dati.

Di seguito è riportato un elenco di operatori di filtraggio:

  • eq(): Uguale a
  • gt(): Maggiore di
  • ge(): Maggiore o uguale a
  • lt(): Minore di
  • le(): Minore o uguale a
  • And(): Operatore logico AND
  • Or(): Operatore OR logico

La cella seguente filtra un ExperienceEvent set di dati a dati esistenti esclusivamente tra il 1 gennaio 2019 e la fine del 31 dicembre 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()

Notebook PySpark 3

La documentazione di PySpark riportata di seguito descrive i seguenti concetti:

Inizializzazione di sparkSession

Tutti i notebook Spark 2.4 richiedono l’inizializzazione della sessione con il seguente codice standard.

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

Utilizzo di %dataset per leggere e scrivere con un blocco appunti PySpark 3

Con l'introduzione di Spark 2.4, %dataset la magia personalizzata viene fornita per l'uso nei notebook PySpark 3 (Spark 2.4). Per ulteriori dettagli sui comandi magici disponibili nel kernel IPython, visitare la documentazione magicaIPython.

Utilizzo

%dataset {action} --datasetId {id} --dataFrame {df}`

Descrizione

Comando Data Science Workspace magico personalizzato per la lettura o la scrittura di un dataset da un PySpark blocco appunti (Python 3 kernel).

Nome Descrizione Obbligatorio
{action} Tipo di azione da eseguire sul set di dati. Sono disponibili due azioni: "read" o "write".
--datasetId {id} Utilizzato per fornire l'ID del set di dati da leggere o scrivere.
--dataFrame {df} Il dataframe panda.
  • Quando l'azione è "read", {df} è la variabile in cui sono disponibili i risultati dell'operazione di lettura del dataset.
  • Quando l'azione è "scrivi", il dataframe {df} viene scritto nel dataset.
--mode Un parametro aggiuntivo che modifica il modo in cui i dati vengono letti. I parametri consentiti sono "batch" e "interattivo". Per impostazione predefinita, la modalità è impostata su "interattivo". Si consiglia di utilizzare la modalità "batch" durante la lettura di grandi quantità di dati. No
SUGGERIMENTO

Esaminare le tabelle PySpark all'interno della sezione dei limiti dei dati del blocco appunti per determinare se mode impostare interactive o batch.

Esempi

  • Leggi l'esempio: %dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0
  • Esempio di scrittura: %dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0

Potete generare automaticamente gli esempi di cui sopra in JupyterLab buy utilizzando il seguente metodo:

Selezionate la scheda Icona dati (evidenziata di seguito) nella navigazione a sinistra di JupyterLab. Vengono visualizzate le Datasets e Schemas le directory. Selezionare Datasets e fare clic con il pulsante destro del mouse, quindi selezionare l' Write Data in Notebook opzione dal menu a discesa del set di dati che si desidera utilizzare. Nella parte inferiore del blocco appunti viene visualizzata una voce di codice eseguibile.

  • Utilizzare Explore Data in Notebook per generare una cella di lettura.
  • Utilizzare Write Data in Notebook per generare una cella di scrittura.

Creare un dataframe locale

Per creare un dataframe locale utilizzando PySpark 3, utilizzate le query SQL. Esempio:

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)
SUGGERIMENTO

È inoltre possibile specificare un campione di sementi facoltativo, ad esempio un valore booleano conSostituzione, una doppia frazione o un valore seed lungo.

Filter ExperienceEvent data

Per accedere e filtrare un ExperienceEvent set di dati in un blocco appunti PySpark è necessario fornire l'identità del set di dati ({DATASET_ID}), l'identità IMS dell'azienda e le regole del filtro che definiscono un intervallo di tempo specifico. Un intervallo di tempo di filtraggio è definito utilizzando la funzione spark.sql(), dove il parametro della funzione è una stringa di query SQL.

Le celle seguenti filtrano un ExperienceEvent set di dati a dati esistenti esclusivamente tra il 1 gennaio 2019 e la fine del 31 dicembre 2019.

# PySpark 3 (Spark 2.4)

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

%dataset read --datasetId {DATASET_ID} --dataFrame df

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()

Notebook Scala

La documentazione seguente contiene esempi per i seguenti concetti:

Inizializzazione di SparkSession

Tutti i notebook Scala richiedono l’inizializzazione della sessione con il seguente codice standard:

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

Lettura di un dataset

In Scala, puoi importare clientContext per ottenere e restituire i valori della piattaforma, eliminando così la necessità di definire variabili come var userToken. Nell'esempio di Scala riportato di seguito, clientContext viene utilizzato per ottenere e restituire tutti i valori richiesti necessari per la lettura di un dataset.

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", "interactive")
  .option("dataset-id", "5e68141134492718af974844")
  .load()

df1.printSchema()
df1.show(10)
Elemento Descrizione
df1 Variabile che rappresenta il fotogramma dati Pandas utilizzato per leggere e scrivere i dati.
token utente Token utente recuperato automaticamente tramite clientContext.getUserToken().
service-token Token di servizio recuperato automaticamente tramite clientContext.getServiceToken().
ims-org L’ID organizzazione IMS che viene recuperato automaticamente utilizzando clientContext.getOrgId().
api-key Chiave API recuperata automaticamente tramite clientContext.getApiKey().
SUGGERIMENTO

Esaminare le tabelle Scala nella sezione dei limiti dei dati del blocco appunti per determinare se mode impostare interactive o batch.

È possibile generare automaticamente l'esempio di cui sopra in JupyterLab buy utilizzando il seguente metodo:

Selezionate la scheda Icona dati (evidenziata di seguito) nella navigazione a sinistra di JupyterLab. Vengono visualizzate le Datasets e Schemas le directory. Selezionare Datasets e fare clic con il pulsante destro del mouse, quindi selezionare l' Explore Data in Notebook opzione dal menu a discesa del set di dati che si desidera utilizzare. Nella parte inferiore del blocco appunti viene visualizzata una voce di codice eseguibile.
And

  • Utilizzare Explore Data in Notebook per generare una cella di lettura.
  • Utilizzare Write Data in Notebook per generare una cella di scrittura.

Scrivere in un dataset

In Scala, puoi importare clientContext per ottenere e restituire i valori della piattaforma, eliminando così la necessità di definire variabili come var userToken. Nell'esempio di Scala riportato di seguito, clientContext è utilizzato per definire e restituire tutti i valori richiesti necessari per la scrittura in un dataset.

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", "interactive")
  .option("dataset-id", "5e68141134492718af974844")
  .save()
elemento description
df1 Variabile che rappresenta il fotogramma dati Pandas utilizzato per leggere e scrivere i dati.
token utente Token utente recuperato automaticamente tramite clientContext.getUserToken().
service-token Token di servizio recuperato automaticamente tramite clientContext.getServiceToken().
ims-org L’ID organizzazione IMS che viene recuperato automaticamente utilizzando clientContext.getOrgId().
api-key Chiave API recuperata automaticamente tramite clientContext.getApiKey().
SUGGERIMENTO

Esaminare le tabelle Scala nella sezione dei limiti dei dati del blocco appunti per determinare se mode impostare interactive o batch.

creare un dataframe locale

Per creare un dataframe locale utilizzando Scala, sono necessarie query SQL. Esempio:

sparkdf.createOrReplaceTempView("sparkdf")

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

Filter ExperienceEvent data

Per accedere e filtrare un ExperienceEvent set di dati in un blocco appunti Scala è necessario fornire l'identità del set di dati ({DATASET_ID}), l'identità IMS dell'azienda e le regole del filtro che definiscono un intervallo di tempo specifico. Un intervallo di tempo di filtro è definito utilizzando la funzione spark.sql(), dove il parametro della funzione è una stringa di query SQL.

Le celle seguenti filtrano un ExperienceEvent set di dati a dati esistenti esclusivamente tra il 1 gennaio 2019 e la fine del 31 dicembre 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()

Passaggi successivi

Questo documento ha trattato le linee guida generali per l'accesso ai dataset utilizzando i notebook JupyterLab. Per esempi dettagliati su come eseguire query sui set di dati, visitare il servizio Query nella documentazione dei notebook JupyterLab. Per ulteriori informazioni su come esplorare e visualizzare i set di dati, consultare il documento sull’ analisi dei dati mediante i blocchi appunti.

Flag SQL facoltativi per Query Service

La tabella riportata di seguito illustra i flag SQL facoltativi utilizzabili per Query Service.

Flag Descrizione
-h, --help Visualizza il messaggio della Guida e esci.
-n, --notify Attiva/disattiva l'opzione per la notifica dei risultati della query.
-a, --async L'utilizzo di questo flag consente di eseguire la query in modo asincrono e di liberare il kernel durante l'esecuzione della query. Prestate attenzione quando assegnate i risultati della query alle variabili, in quanto potrebbe essere undefined se la query non è completa.
-d, --display L'utilizzo di questo flag impedisce la visualizzazione dei risultati.

In questa pagina