中的数据访问 Jupyterlab 笔记本

每个受支持的内核都提供内置功能，允许您从笔记本内的数据集中读取平台数据。 目前，Adobe Experience Platform Data Science Workspace中的JupyterLab支持适用于 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笔记本访问数据。

快速入门

在阅读本指南之前，请查看 JupyterLab 用户指南 对 JupyterLab 及其在数据科学工作区中的角色。

笔记本数据限制

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

对于 Python 和R，配置为40GB RAM的笔记本电脑服务器用于基准。 对于PySpark和Scala ，以64GB RAM、8个内核、2个DBU（最多4个工作程序）配置的数据库群集用于下面概述的基准。

使用的ExperienceEvent架构数据的大小从1000(1K)行(范围最多为10亿(1B)行)开始。 请注意，对于PySpark和 Spark 量度，则XDM数据的日期范围为10天。

临时架构数据已使用 Query Service 以选择方式创建表(CTAS)。 此数据的大小也从1,000行(1K)(范围高达10亿(1B)行)开始。

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。 交互式用于获取快速结果，而批量模式用于大数据集。

• 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，请参阅 PySpark 或 斯卡拉 下面的数据限制表。

Python 笔记本数据限制

XDM ExperienceEvent架构： 在22分钟内，您应该能够读取XDM数据的最多200万行（磁盘上的数据约为6.1 GB）。 添加其他行可能会导致错误。

临时架构： 在14分钟内，您应该能够读取最多500万行非XDM（临时）数据（磁盘上的数据约为5.6 GB）。 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，您应该能够读取最多100万行XDM数据（磁盘上有3GB数据）。

临时架构： 您应该能够在大约10分钟内读取最多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分钟内读取XDM数据的最多500万行（磁盘上的数据约为13.42GB）。 交互式模式最多仅支持500万行。 如果您想要读取较大的数据集，建议您切换到批处理模式。 在批处理模式下，您应该能够在大约14小时内读取XDM数据的最多5亿行（磁盘上的数据约为1.31TB）。

临时架构： 在交互模式下，您最多应在3分钟内读取非XDM数据的500万行（磁盘上的数据约为5.36GB）。 在批处理模式下，您应该能够在大约18分钟内读取非XDM数据的最多10亿行（磁盘上的数据约为1.05TB）。

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XDM数据（磁盘上的数据约为13.42GB）。 交互式模式最多仅支持500万行。 如果您想要读取较大的数据集，建议您切换到批处理模式。 在批处理模式下，您应该能够在大约14小时内读取XDM数据的最多5亿行（磁盘上的数据约为1.31TB）。

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

Python笔记本

Python 通过笔记本，您可以在访问数据集时对数据进行分页。 下面演示了用于读取数据（包括分页和不分页）的示例代码。 有关可用的Python入门笔记本的更多信息，请访问 JupyterLab 启动器 JupyterLab用户指南中的章节。

以下Python文档概述了以下概念：

• 从数据集读取
• 写入数据集
• 查询数据
• 过滤ExperienceEvent数据

从Python中的数据集读取

不分页：

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Pantics数据帧 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。 通过函数限制和偏移数据来实现分页 limit() 和 offset() 分别进行。 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的数量。 如果读取操作成功执行，则数据将另存为变量引用的Pantics数据帧 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()

在Python中写入数据集

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（如下所示）。 的 数据集 和 模式 目录。 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。 可执行代码条目显示在笔记本的底部。

• 使用 在笔记本中写入数据 生成包含选定数据集的写入单元格。
• 使用 在笔记本中浏览数据 生成包含选定数据集的读取单元格。
• 使用 在笔记本中查询数据 生成包含选定数据集的基本查询单元格。

或者，您也可以复制并粘贴以下代码单元格。 将 {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 in Python

JupyterLab on Platform 允许您在 Python 通过 Adobe Experience Platform查询服务. 通过访问数据 Query Service 运行时间优越，对于处理大型数据集非常有用。 请注意，使用 Query Service 处理时间限制为10分钟。

使用之前 Query Service in JupyterLab，请确保您对 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。 您可以通过使用 数据资源管理器. 右键单击数据集列表，然后单击 在笔记本中查询数据 以在笔记本中生成两个代码单元格。 下面将详细介绍这两个单元格。

为了利用 Query Service in JupyterLab，则必须先在工作环境之间创建连接 Python 笔记本和 Query Service. 这可以通过执行第一生成的单元来实现。

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)，将查询结果另存为Dataframe。
的 -c QS_CONNECTION 参数是必选参数，并告知内核对执行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})*/

Python变量可以在SQL查询中直接引用，方法是使用字符串格式的语法并将变量包装在大括号({})，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}

过滤器 ExperienceEvent 数据

要访问和过滤 ExperienceEvent 数据集 Python 笔记本，则必须提供数据集({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

以下单元格过滤 ExperienceEvent 数据集，以统称2019年1月1日至2019年12月31日终了期间存在的数据。

# 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对数据进行分页。 下面演示了用于读取数据（包括分页和不分页）的示例代码。 有关可用入门R笔记本的更多信息，请访问 JupyterLab 启动器 JupyterLab用户指南中的章节。

以下R文档概述了以下概念：

• 从数据集读取
• 写入数据集
• 过滤ExperienceEvent数据

从R中的数据集读取

不分页：

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Pantics数据帧 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。 通过函数限制和偏移数据来实现分页 limit() 和 offset() 分别进行。 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的数量。 如果读取操作成功执行，则数据将另存为变量引用的Pantics数据帧 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()

在R中写入数据集

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（如下所示）。 的 数据集 和 模式 目录。 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。 可执行代码条目显示在笔记本的底部。

• 使用 在笔记本中写入数据 生成包含选定数据集的写入单元格。
• 使用 在笔记本中浏览数据 生成包含选定数据集的读取单元格。

或者，您也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')

过滤器 ExperienceEvent 数据

要访问和过滤 ExperienceEvent 数据集，则必须提供数据集({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

以下单元格过滤 ExperienceEvent 数据集，以统称2019年1月1日至2019年12月31日终了期间存在的数据。

# 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

以下PySpark文档概述了以下概念：

• 初始化sparkSession
• 读取和写入数据
• 创建本地数据帧
• 过滤ExperienceEvent数据

初始化sparkSession

全部 Spark 2.4笔记本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通过PySpark 3笔记本进行读写

通过 Spark 2.4, %dataset 提供了自定义幻灯，用于PySpark 3(Spark 2.4)笔记本。 有关IPython内核中可用的magic命令的更多详细信息，请访问 IPython魔术文档.

用法

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

描述

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

示例

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

您可以在JupyterLab购买中使用以下方法自动生成上述示例：

在JupyterLab的左侧导航中选择数据图标选项卡（在下面突出显示）。 的 数据集 和 模式 目录。 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。 可执行代码条目显示在笔记本的底部。

• 使用 在笔记本中浏览数据 生成读取单元格。
• 使用 在笔记本中写入数据 生成写单元格。

创建本地数据帧

要使用PySpark 3创建本地数据帧，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)

过滤器 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标识以及定义特定时间范围的过滤器规则。 过滤时间范围通过使用函数来定义 spark.sql()，其中函数参数是SQL查询字符串。

以下单元格过滤 ExperienceEvent 数据集，以统称2019年1月1日至2019年12月31日终了期间存在的数据。

# 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
• 创建本地数据帧
• 过滤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 要获取和返回平台值，无需定义变量，例如 var userToken. 在下面的Scala示例中， clientContext 用于获取并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)

您可以在JupyterLab购买中使用以下方法自动生成上述示例：

在JupyterLab的左侧导航中选择数据图标选项卡（在下面突出显示）。 的 数据集 和 模式 目录。 选择 数据集 并右键单击，然后选择 在笔记本中浏览数据 选项。 可执行代码条目显示在笔记本的底部。
和

• 使用 在笔记本中浏览数据 生成读取单元格。
• 使用 在笔记本中写入数据 生成写单元格。

写入数据集

在Scala中，您可以导入 clientContext 要获取和返回平台值，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()

创建本地数据帧

要使用Scala创建本地数据帧，需要SQL查询。 例如：

sparkdf.createOrReplaceTempView("sparkdf")

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

过滤器 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标识以及定义特定时间范围的过滤器规则。 过滤时间范围通过使用函数来定义 spark.sql()，其中函数参数是SQL查询字符串。

以下单元格过滤 ExperienceEvent 数据集，以统称2019年1月1日至2019年12月31日终了期间存在的数据。

// 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笔记本访问数据集的一般准则。 有关查询数据集的更多深入示例，请访问 JupyterLab笔记本中的查询服务 文档。 有关如何探索和可视化数据集的更多信息，请访问 使用笔记本分析数据.

可选的SQL标记 Query Service

此表概述了可用于 Query Service.

Business.Adobe.com 资源