中的数据访问 Jupyterlab notebooks

每个受支持的内核都提供了内置功能，允许您从笔记本内的数据集读取Platform数据。 目前，Adobe Experience Platform Data Science Workspace中的JupyterLab支持 Python、 R 、 PySpark和Scala。 但是，对分页数据的支持仅限于 Python 和R笔记本。 本指南重点介绍如何使用JupyterLab笔记本访问您的数据。

快速入门

在阅读本指南之前，请查阅 JupyterLab 用户指南 ，了解关于 JupyterLab 以及它在数据科学工作区中的角色。

笔记本数据限制

以下信息定义了可读取的最大数据量、使用的数据类型以及读取数据所用的估计时间范围。

对象 Python 和R，使用配置为40GB RAM的笔记本电脑服务器进行基准测试。 对于PySpark和Scala，在64GB RAM、8核、2个DBU（最多4个工作程序）配置的数据块群集用于下面列出的基准。

使用的ExperienceEvent架构数据大小不一，从1,000行(1K)到最多10亿(1B)行。 请注意，对于PySpark和 Spark 量度时，XDM数据使用的日期跨度为10天。

使用对临时架构数据进行预处理 Query Service 创建表作为选择(CTAS)。 这些数据大小也各不相同，从1,000行(1K)到最多10亿(1B)行。

何时使用批处理模式与交互模式

在读取包含PySpark和Scala笔记本的数据集时，您可以选择使用交互模式或批处理模式来读取数据集。 交互模式适用于快速结果，而批处理模式适用于大型数据集。

• 对于PySpark和Scala笔记本，在读取500万行或更多数据时应使用批处理模式。 有关每种模式效率的更多信息，请参见 PySpark 或 Scala 数据限制表如下。

Python 笔记本数据限制

XDM ExperienceEvent架构： 您应能够在22分钟内最多读取200万行（磁盘上约6.1 GB的数据）的XDM数据。 添加其他行可能会导致错误。

临时架构： 在14分钟内，您最多可以读取500万行非XDM (ad-hoc)数据（磁盘上大约5.6 GB的数据）。 添加其他行可能会导致错误。

R笔记本数据限制

XDM ExperienceEvent架构： 在13分钟内，您最多可以读取100万行XDM数据（磁盘上的3GB数据）。

临时架构： 您最多可以在10分钟内读取300万行临时数据（磁盘上有293MB数据）。

PySpark (Python 内核)笔记本数据限制：

XDM ExperienceEvent架构： 在交互模式下，您应该能够在大约20分钟内最多读取500万行（磁盘上大约13.42GB的数据）的XDM数据。 交互模式最多仅支持500万行。 如果要读取更大的数据集，建议切换到批处理模式。 在批处理模式下，您应该能够在大约14小时内读取最多5亿行（磁盘上大约1.31TB的数据）的XDM数据。

临时架构： 在交互模式中，您应该能够在3分钟内最多读取非XDM数据的500万行（磁盘上大约5.36GB的数据）。 在批处理模式下，您应该能够在大约18分钟内读取最多10亿行（磁盘上大约1.05TB的数据）的非XDM数据。

Spark （Scala内核）笔记本数据限制：

XDM ExperienceEvent架构： 在交互模式下，您应该能够在大约18分钟内最多读取500万行（磁盘上大约13.42GB的数据）的XDM数据。 交互模式最多仅支持500万行。 如果要读取更大的数据集，建议切换到批处理模式。 在批处理模式下，您应该能够在大约14小时内读取最多5亿行（磁盘上大约1.31TB的数据）的XDM数据。

临时架构： 在交互模式下，您应该能够在3分钟内读取最多500万行非XDM数据（磁盘上大约5.36GB的数据）。 在批处理模式下，您应该能够在大约16分钟内读取最多10亿行（磁盘上大约1.05TB的数据）的非XDM数据。

Python笔记本

Python 笔记本允许您在访问数据集时分页数据。 下面演示了使用分页和不使用分页读取数据的示例代码。 有关可用的入门Python笔记本的更多信息，请访问 JupyterLab 启动器 部分。

以下Python文档概述了以下概念：

• 从数据集中读取
• 写入数据集
• 查询数据
• 筛选ExperienceEvent数据

从Python中的数据集中读取

无分页：

执行以下代码将读取整个数据集。 如果执行成功，则数据将另存为变量引用的Pandas数据流 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()

分页：

执行以下代码将从指定的数据集中读取数据。 通过限制和偏移函数中的数据来实现分页 limit() 和 offset() 的量度。 限制数据是指要读取的数据点的最大数量，而偏移是指在读取数据之前要跳过的数据点数量。 如果读取操作执行成功，则数据将另存为变量引用的Pandas数据流 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()

写入Python中的数据集

要写入JupyterLab笔记本中的数据集，请在JupyterLab的左侧导航中选择“数据”图标选项卡（突出显示如下）。 此 数据集 和 架构 目录出现。 选择 数据集 并右键单击，然后选择 在笔记本中写入数据 选项。 笔记本底部会显示一个可执行代码条目。

• 使用 在笔记本中写入数据 以使用所选数据集生成写单元格。
• 使用 浏览笔记本中的数据 以使用所选数据集生成读取单元格。
• 使用 在笔记本中查询数据 以使用所选数据集生成基本查询单元格。

或者，您可以复制并粘贴以下代码单元格。 将两者 {DATASET_ID} 和 {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')

查询数据，使用 Query Service 在 Python

JupyterLab 日期 Platform 允许您在中使用SQL Python 笔记本访问数据 Adobe Experience Platform查询服务. 通过访问数据 Query Service 由于其卓越的运行时间，可用于处理大型数据集。 请注意，使用查询数据 Query Service 具有十分钟的处理时间限制。

使用前 Query Service 在 JupyterLab，确保您实际了解 Query Service SQL语法.

使用查询数据 Query Service 需要您提供目标数据集的名称。 您可以使用查找所需的数据集来生成必要的代码单元格。 数据资源管理器. 右键单击数据集列表并单击 在笔记本中查询数据 在笔记本中生成两个代码单元格。 下面将更详细地概述这两个单元格。

为了利用 Query Service 在 JupyterLab，您必须首先创建工作流程之间的连接 Python 笔记本和 Query Service. 这可以通过执行第一个生成的单元来实现。

qs_connect()

在第二个生成的单元格中，必须在SQL查询之前定义第一行。 默认情况下，生成的单元格定义一个可选变量(df0)将查询结果保存为Pandas数据流。
此 -c QS_CONNECTION 参数是必需的，用于告知内核执行SQL查询 Query Service. 请参阅 附录 以获取其他参数的列表。

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

通过使用字符串格式语法并将变量换成大括号({})，如以下示例所示：

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}

筛选条件 ExperienceEvent 数据

要访问和筛选 ExperienceEvent 数据集在 Python 笔记本，您必须提供数据集的ID ({DATASET_ID})以及使用逻辑运算符定义特定时间范围的过滤器规则。 定义时间范围后，将忽略任何指定的分页，并会考虑整个数据集。

筛选运算符列表如下所述：

• eq(): 等于
• gt(): 大于
• ge(): 大于或等于
• lt(): 小于
• le(): 小于或等于
• And()：逻辑AND运算符
• Or()：逻辑OR运算符

以下单元格筛选 ExperienceEvent 数据集中的数据，这些数据在2019年1月1日至2019年12月31日终了期间专门存在。

# Python

from platform_sdk.dataset_reader import DatasetReader

dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.\
    where(dataset_reader["timestamp"].gt("2019-01-01 00:00:00").\
    And(dataset_reader["timestamp"].lt("2019-12-31 23:59:59"))\
).read()

R笔记本

R笔记本允许您在访问数据集时分页数据。 下面演示了使用分页和不使用分页读取数据的示例代码。 有关可用的入门R笔记本电脑的详细信息，请访问 JupyterLab 启动器 部分。

下面的R文档概述了以下概念：

• 从数据集中读取
• 写入数据集
• 筛选ExperienceEvent数据

从R中的数据集读取

无分页：

执行以下代码将读取整个数据集。 如果执行成功，则数据将另存为变量引用的Pandas数据流 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)

分页：

执行以下代码将从指定的数据集中读取数据。 通过限制和偏移函数中的数据来实现分页 limit() 和 offset() 的量度。 限制数据是指要读取的数据点的最大数量，而偏移是指在读取数据之前要跳过的数据点数量。 如果读取操作执行成功，则数据将另存为变量引用的Pandas数据流 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()

写入R中的数据集

要写入JupyterLab笔记本中的数据集，请在JupyterLab的左侧导航中选择“数据”图标选项卡（突出显示如下）。 此 数据集 和 架构 目录出现。 选择 数据集 并右键单击，然后选择 在笔记本中写入数据 选项。 笔记本底部会显示一个可执行代码条目。

• 使用 在笔记本中写入数据 以使用所选数据集生成写单元格。
• 使用 浏览笔记本中的数据 以使用所选数据集生成读取单元格。

或者，您可以复制并粘贴以下代码单元格：

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')

筛选条件 ExperienceEvent 数据

要访问和筛选 ExperienceEvent 数据集时，您必须提供数据集的ID ({DATASET_ID})以及使用逻辑运算符定义特定时间范围的过滤器规则。 定义时间范围后，将忽略任何指定的分页，并会考虑整个数据集。

筛选运算符列表如下所述：

• eq(): 等于
• gt(): 大于
• ge(): 大于或等于
• lt(): 小于
• le(): 小于或等于
• And()：逻辑AND运算符
• Or()：逻辑OR运算符

以下单元格筛选 ExperienceEvent 数据集中的数据，这些数据在2019年1月1日至2019年12月31日终了期间专门存在。

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")

client_context <- py$PLATFORM_SDK_CLIENT_CONTEXT
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")

df0 <- dataset_reader$
    where(dataset_reader["timestamp"]$gt("2019-01-01 00:00:00")$
    And(dataset_reader["timestamp"]$lt("2019-12-31 23:59:59"))
)$read()

PySpark 3笔记本

下面的PySpark文档概述了以下概念：

• 初始化sparkSession
• 读取和写入数据
• 创建本地数据流
• 筛选ExperienceEvent数据

初始化sparkSession

全部 Spark 2.4 notebooks要求您使用以下样板代码初始化会话。

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

使用%dataset对PySpark 3笔记本进行读取和写入

随着 Spark 2.4， %dataset 提供了自定义魔术以用于PySpark 3 (Spark 2.4)笔记本。 有关IPython内核中可用的幻数命令的更多详细信息，请访问 IPython魔法文档.

用法

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

描述

自定义 Data Science Workspace 用于从读取或写入数据集的magic命令 PySpark 笔记本(Python 3个内核)。

示例

• 阅读示例： %dataset read --datasetId 5e68141134492718af974841 --dataFrame pd0 --mode batch
• 写入示例： %dataset write --datasetId 5e68141134492718af974842 --dataFrame pd0 --mode batch

您可以使用以下方法在JupyterLab buy中自动生成上述示例：

在JupyterLab的左侧导航中，选择数据图标选项卡（突出显示如下）。 此 数据集 和 架构 目录出现。 选择 数据集 并右键单击，然后选择 在笔记本中写入数据 选项。 笔记本底部会显示一个可执行代码条目。

• 使用 浏览笔记本中的数据 以生成读取单元格。
• 使用 在笔记本中写入数据 以生成写入单元格。

创建本地数据流

要使用PySpark 3创建本地数据流，请使用SQL查询。 例如：

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)

筛选条件 ExperienceEvent 数据

访问和筛选 ExperienceEvent PySpark笔记本中的数据集要求您提供数据集标识({DATASET_ID})、贵组织的IMS身份以及定义特定时间范围的过滤器规则。 使用函数定义过滤时间范围 spark.sql()，其中函数参数是SQL查询字符串。

以下单元格筛选 ExperienceEvent 数据集中的数据，这些数据在2019年1月1日至2019年12月31日终了期间专门存在。

# PySpark 3 (Spark 2.4)

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

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

df.createOrReplaceTempView("event")
timepd = spark.sql("""
    SELECT *
    FROM event
    WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
    AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timepd.show()

Scala笔记本

以下文档包含以下概念的示例：

• 初始化sparkSession
• 读取数据集
• 写入数据集
• 创建本地数据流
• 筛选ExperienceEvent数据

初始化SparkSession

所有Scala笔记本都要求您使用以下样板代码初始化会话：

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

读取数据集

在Scala中，您可以导入 clientContext 要获取并返回Platform值，无需定义变量，例如 var userToken. 在下面的Scala示例中， clientContext 用于获取和返回读取数据集所需的所有值。

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)

您可以使用以下方法在JupyterLab buy中自动生成上述示例：

在JupyterLab的左侧导航中，选择数据图标选项卡（突出显示如下）。 此 数据集 和 架构 目录出现。 选择 数据集 并右键单击，然后选择 浏览笔记本中的数据 选项。 笔记本底部会显示一个可执行代码条目。
和

• 使用 浏览笔记本中的数据 以生成读取单元格。
• 使用 在笔记本中写入数据 以生成写入单元格。

写入数据集

在Scala中，您可以导入 clientContext 要获取并返回Platform值，无需定义变量，例如 var userToken. 在下面的Scala示例中， clientContext 用于定义并返回写入数据集所需的所有值。

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()

创建本地数据流

要使用Scala创建本地数据流，需要SQL查询。 例如：

sparkdf.createOrReplaceTempView("sparkdf")

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

筛选条件 ExperienceEvent 数据

访问和筛选 ExperienceEvent scala笔记本中的数据集要求您提供数据集标识({DATASET_ID})、贵组织的IMS身份以及定义特定时间范围的过滤器规则。 使用函数定义过滤时间范围 spark.sql()，其中函数参数是SQL查询字符串。

以下单元格筛选 ExperienceEvent 数据集中的数据，这些数据在2019年1月1日至2019年12月31日终了期间专门存在。

// 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()

后续步骤

本文档介绍了使用JupyterLab Notebooks访问数据集的一般准则。 有关查询数据集的更深入示例，请访问 JupyterLab笔记本中的查询服务 文档。 有关如何浏览和可视化数据集的更多信息，请访问 使用笔记本分析数据.

的可选SQL标记 Query Service

此表概述了可用于的可选SQL标记 Query Service.

Business.Adobe.com 资源