使用笔记本分析数据
本教程重点介绍如何使用在数据科学工作区中构建的Jupyter Notebooks来访问、探索和可视化您的数据。 在本教程的结尾，您应该了解Jupyter Notebooks优惠的一些功能，以便更好地了解您的数据。
以下概念介绍：
- JupyterLab: JupyterLab 是Project Jupyter的下一代基于Web的界面，并紧密集成到其中 Adobe Experience Platform。
- Batches: 数据集由批组成。批是在一段时间内收集的一组数据，并作为单个单元一起处理。 将数据添加到数据集时会创建新批。
- Data Access SDK（已弃用）： Data Access SDK现在已弃用。请使用Platform SDK指南。
在数据科学工作区中探索笔记本
在本节中，将探索之前引入零售销售模式的数据。
Data Science Workspace允许用户通过JupyterLab平台创建Jupyter Notebooks，在该平台中，他们可以创建和编辑机器学习工作流。 JupyterLab 是一种服务器 — 客户端协作工具，允许用户通过Web浏览器编辑笔记本文档。这些笔记本电脑可同时包含可执行代码和富文本元素。 出于我们的目的，我们将使用Markdown进行分析描述和可执行Python代码，以执行数据探索和分析。
选择工作区
启动JupyterLab时，将为Jupyter Notebooks提供一个基于Web的界面。 根据我们选择的笔记本类型，将启动相应的内核。
在比较要使用的环境时，我们必须考虑每项服务的限制。 例如，如果我们将pactis库与Python一起使用，则作为普通用户，RAM限制为2 GB。 即使是高级用户，我们也将仅限20 GB的RAM。 如果处理较大的计算，则使用与所有笔记本实例共享的Spark优惠1.5 TB是有意义的。
默认情况下，Tensorflow菜谱在GPU群集中工作，Python在CPU群集中运行。
创建新笔记本
在Adobe Experience Platform UI中，单击顶部菜单中的“数据科学”选项卡，将您带到数据科学工作区。 在此页中，单击将打开JupyterLab启动程序的JupyterLab选项卡。 您应该会看到一个类似于此的页面。
在我们的教程中，我们将使用Jupyter笔记本中的Python 3来显示如何访问和浏览数据。 在“启动器”页面中，提供了示例笔记本。 我们将使用Python 3的零售销售菜谱。
零售销售菜谱是一个独立示例，它使用相同的零售销售数据集来显示如何在Jupyter Notebook中探索和可视化数据。 此外，笔记本还通过培训和验证进一步深入。 有关此特定笔记本的详细信息，请参阅此演练。
访问数据
data_access_sdk_python已弃用，不再建议。 要转换代码，请参阅将数据访问SDK转换为平台SDK教程。 以下相同步骤仍适用于本教程。
我们将从Adobe Experience Platform内部访问数据，从外部访问数据。 我们将使用data_access_sdk_python库访问内部数据，如数据集和XDM模式。 对于外部数据，我们将使用Python库。
外部数据
打开零售销售笔记本后，找到“加载数据”标题。 下面的Python代码使用pantics' DataFrame数据结构和read_csv()函数将Github上托管的CSV读入DataFrame:
熊猫的DataFrame数据结构是一种二维标记数据结构。 要快速查看数据的维度，我们可以使用df.shape。 这返回表示DataFrame的维度的元组：
最后，我们可以一瞥数据的外观。 我们可以使用df.head(n)视图DataFrame的前一行n:
Experience Platform 数据
现在，我们将重点介绍访问Experience Platform数据。
按数据集ID
对于此部分，我们使用零售销售数据集，该数据集与零售销售示例笔记本中使用的数据集相同。
在Jupyter Notebook中，您可以从左侧的数据选项卡
访问数据。 选择该选项卡后，将提供两个文件夹。 选择Datasets文件夹。
现在，在“数据集”目录中，您可以看到所有收录的数据集。 请注意，如果目录中有大量数据集，则加载所有条目可能需要一分钟。
由于数据集是相同的，因此我们希望替换使用外部数据的上一部分中的加载数据。 在加载数据下选择代码块，并在键盘上按两次'd'键。 确保焦点在块上，而不在文本中。 在按两次'd'之前，可以按'esc'以转义文本焦点。
现在，我们可以右键单击Retail-Training-<your-alias>数据集并在下拉列表中选择“浏览笔记本中的数据”选项。 笔记本中将显示一个可执行代码项。
请参阅Platform SDK指南以转换代码。
from data_access_sdk_python.reader import DataSetReader
from datetime import date
reader = DataSetReader()
df = reader.load(data_set_id="xxxxxxxx", ims_org="xxxxxxxx@AdobeOrg")
df.head()
如果您正在使用除Python之外的其他内核，请参阅此页以访问Adobe Experience Platform上的数据。
选择可执行文件单元格，然后在工具栏中按播放按钮将运行可执行文件代码。 head()的输出将是一个表，数据集的键为列，数据集中的前n行为。 head() 接受整数参数以指定要输出的行数。默认情况下，此值为5。
如果重新启动内核并再次运行所有单元格，应获得与以前相同的输出。
浏览数据
现在，我们可以访问您的数据，让我们通过统计和可视化来关注数据本身。 我们使用的数据集是零售数据集，它提供了有关给定日期45个不同商店的杂项信息。 给定date和store的某些特性包括：
storeTypeweeklySalesstoreSizetemperatureregionalFuelPricemarkDowncpiunemploymentisHoliday
统计摘要
我们可以利用Python’s的pantics库来获取每个属性的数据类型。 以下调用的输出将提供有关每个列的条目数和数据类型的信息：
df.info()
此信息非常有用，因为了解每列的数据类型将使我们能够了解如何处理数据。
现在，让我们看一下统计摘要。 只显示数字数据类型，因此不输出date、storeType和isHoliday:
df.describe()
通过这个，我们可以看到每个特征有6435个实例。 同时，给出了平均、标准偏差(std)、最小、最大和中间等统计信息。 这给了我们有关数据偏差的信息。 在下一节中，我们将重点介绍可视化功能，这些功能与这些信息一起使用，以便我们更好地了解我们的数据。
查看store的最小值和最大值，我们可以看到有45个数据表示的唯一存储。 还有storeTypes可区分存储区。 通过执行以下操作，可以看到storeTypes的分布：
这意味着22个存储区storeType A,17个存储区storeType B,6个存储区storeType C。
数据可视化
既然我们了解了数据框架值，我们想用可视化来补充，让事情变得更清晰、更容易地识别模式。 在将结果传送到受众时，图形也很有用。 对可视化有用的Python库包括：
在本节中，我们将快速介绍使用每个库的一些优势。
Matplotlibis是 最古老的 Python 可视化包。他们的目标是让“简单易事和困难事情成为可能”。 这往往是事实，因为这个包非常强大，但也带有复杂性。 在不花费大量时间和精力的情况下，获得合理的外观图并不总是件容易的事。
Pandasis 主要用于其DataFrame对象，该对象允许使用集成索引进行数据操作。不过，熊猫还包括一个基于matplotlib的内置绘图功能。
西 博尼斯在matplotlib上构建一个包。其主要目标是使默认图形在视觉上更具吸引力，并简化复杂图形的创建。
ggplotis 也构建在matplotlib上的包。但主要区别在于该工具是ggplot2的端口。与西博恩类似，其目标是改进matplotlib。 熟悉ggplot2 for R的用户应考虑此库。
单变量图
单变量图是单个变量的图。 通常的单变量图用于直观地显示您的数据是框图和晶须图。
利用我们以前的零售数据集，我们可以为45家商店及其每周销售量中的每家生成包装盒和晶须图。 图是使用seaborn.boxplot函数生成的。
用方框图和晶须图显示数据的分布。 图的外线显示上和下四分位，而框跨越四分位范围。 框中的线标记中间值。 超过上或下四分之一的1.5倍的数据点将标记为圆。 这些点被视为异常值。
多变量图
多变量图用于查看变量之间的交互。 通过可视化，数据科学家可以发现变量之间是否存在关联或模式。 常用的多变量图是相关矩阵。 利用相关矩阵，利用相关系数量化多变量之间的相关性。
使用相同的零售数据集，可以生成相关矩阵。
注意中心下方1的对角线。 这表明，在比较变量本身时，它具有完全正相关性。 强正相关度将接近1，弱关联度将接近0。 负相关与负系数呈反趋势。
后续步骤
本教程详细介绍了如何在数据科学工作区中创建新的Jupyter笔记本，以及如何从外部以及从Adobe Experience Platform访问数据。 具体而言，我们完成了以下步骤：
- 创建新的Jupyter笔记本
- 访问数据集和模式
- 浏览数据集
现在，您可以继续访问下一节来打包菜谱并导入到数据科学工作区。
