Jupyter Notebook의 쿼리 서비스
Adobe Experience Platform 에서 SQL(Structured Query Language)을 사용할 수 있습니다. Data Science Workspace 를 통합함으로써 Query Service 대상 JupyterLab 를 표준 기능으로 사용하십시오.
이 자습서에서는 탐색, 변환 및 분석을 위한 일반적인 사용 사례에 대한 샘플 SQL 쿼리를 보여 줍니다 Adobe Analytics 데이터.
시작하기
이 자습서를 시작하기 전에 다음 사전 요구 사항이 있어야 합니다.
-
액세스 대상: Adobe Experience Platform. 에서 조직에 대한 액세스 권한이 없는 경우 Experience Platform계속하려면 시스템 관리자에게 문의하십시오.
-
An Adobe Analytics 데이터 세트
-
이 자습서에서 사용되는 다음 주요 개념에 대한 작업 이해:
액세스 JupyterLab 및 Query Service
-
위치 Experience Platform, 다음으로 이동 노트북 왼쪽 탐색 열에서 참조할 수 있습니다. JupyterLab이 로드될 때까지 잠시 기다려 주십시오.
노트새 Launcher 탭이 자동으로 나타나지 않으면 클릭하여 새 Launcher 탭을 엽니다. 파일 그런 다음 선택 새 런처.
-
런처 탭에서 비어 있음 아이콘을 클릭하여 Python 3 환경에서 빈 전자 필기장을 엽니다.
노트Python 3은 현재 Notebooks에서 쿼리 서비스에 대해 유일하게 지원되는 환경입니다.
-
왼쪽 선택 레일에서 데이터 아이콘을 클릭하고 데이터 세트 모든 데이터 세트를 나열할 디렉터리입니다.
-
찾기 Adobe Analytics 탐색할 데이터 세트 및 목록을 마우스 오른쪽 단추로 클릭하고 Notebook의 데이터 쿼리 빈 전자 필기장에 SQL 쿼리를 생성합니다.
-
함수가 들어 있는 처음 생성된 셀을 클릭합니다
qs_connect()재생 버튼을 클릭하여 실행합니다. 이 기능은 노트북 인스턴스와 Query Service.
-
아래로 복사 Adobe Analytics 두 번째로 생성된 SQL 쿼리의 데이터 세트 이름이며 다음 값 이후입니다.
FROM.
-
다음을 클릭하여 새 전자 필기장 셀을 삽입합니다. + 단추를 클릭합니다.
-
새 셀에서 다음 가져오기 구문을 복사, 붙여넣기 및 실행합니다. 다음 문은 데이터를 시각화하는 데 사용됩니다.
import plotly.plotly as py import plotly.graph_objs as go from plotly.offline import iplot -
그런 다음 다음 다음 변수를 복사하여 새 셀에 붙여넣습니다. 필요에 따라 값을 수정한 다음 실행합니다.
target_table = "your Adobe Analytics dataset name" target_year = "2019" target_month = "04" target_day = "01"target_table: 의 이름 Adobe Analytics 데이터 세트.target_year: 대상 데이터의 출처 연도 지정.target_month: 타겟이 속한 특정 월입니다.target_day: 대상 데이터의 출처가 지정되는 날짜입니다.
노트언제든지 이러한 값을 변경할 수 있습니다. 그렇게 할 때는 변경 사항을 적용할 변수 셀을 실행해야 합니다.
데이터 쿼리
개별 전자 필기장 셀에 다음 SQL 쿼리를 입력합니다. 셀에서 을 선택한 다음 을 선택하여 쿼리를 실행합니다. play 단추를 클릭합니다. 성공한 쿼리 결과 또는 오류 로그는 실행된 셀 아래에 표시됩니다.
노트북이 오랫동안 비활성 상태인 경우 노트북과 Query Service 깨질지도 몰라 이 경우 다시 시작합니다. JupyterLab 을(를) 선택하여 다시 시작 단추 
전원 단추 옆에 있는 오른쪽 상단 모서리에 있습니다.
노트북 커널은 재설정되지만 셀은 남아 있다가 모든 셀을 다시 실행하여 중지된 위치에서 계속 진행합니다.
시간별 방문자 수
다음 쿼리는 지정된 날짜에 대한 시간별 방문자 수를 반환합니다.
쿼리
%%read_sql hourly_visitor -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10) AS Day,
Substring(timestamp, 12, 2) AS Hour,
Count(DISTINCT concat(enduserids._experience.aaid.id,
_experience.analytics.session.num)) AS Visit_Count
FROM {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY Day, Hour
ORDER BY Hour;
위의 쿼리에서 WHERE 절이 값으로 설정되어 있습니다. target_year. 중괄호( )에 변수를 포함하여 SQL 쿼리에 변수를 포함합니다.{}).
쿼리의 첫 번째 줄에는 선택적 변수가 포함되어 있습니다 hourly_visitor. 쿼리 결과는 이 변수에 Pandas 데이터 프레임으로 저장됩니다. 결과를 데이터 프레임에 저장하면 나중에 원하는 항목을 사용하여 쿼리 결과를 시각화할 수 있습니다 Python 패키지. 다음을 실행합니다 Python 새 셀에 코드를 추가하여 막대 그래프를 생성합니다.
trace = go.Bar(
x = hourly_visitor['Hour'],
y = hourly_visitor['Visit_Count'],
name = "Visitor Count"
)
layout = go.Layout(
title = 'Visit Count by Hour of Day',
width = 1200,
height = 600,
xaxis = dict(title = 'Hour of Day'),
yaxis = dict(title = 'Count')
)
fig = go.Figure(data = [trace], layout = layout)
iplot(fig)
시간별 활동 수
다음 쿼리는 지정된 날짜에 대한 시간별 작업 수를 반환합니다.
쿼리
%%read_sql hourly_actions -d -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10) AS Day,
Substring(timestamp, 12, 2) AS Hour,
Count(concat(enduserids._experience.aaid.id,
_experience.analytics.session.num,
_experience.analytics.session.depth)) AS Count
FROM {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY Day, Hour
ORDER BY Hour;
위의 쿼리를 실행하면 결과가 다음에 저장됩니다. hourly_actions 데이터 프레임입니다. 새 셀에서 다음 함수를 실행하여 결과를 미리 봅니다.
hourly_actions.head()
위의 쿼리는 의 논리 연산자를 사용하여 지정된 날짜 범위에 대한 시간별 작업 수를 반환하도록 수정할 수 있습니다. 위치 절:
쿼리
%%read_sql hourly_actions_date_range -d -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10) AS Day,
Substring(timestamp, 12, 2) AS Hour,
Count(concat(enduserids._experience.aaid.id,
_experience.analytics.session.num,
_experience.analytics.session.depth)) AS Count
FROM {target_table}
WHERE timestamp >= TO_TIMESTAMP('2019-06-01 00', 'YYYY-MM-DD HH')
AND timestamp <= TO_TIMESTAMP('2019-06-02 23', 'YYYY-MM-DD HH')
GROUP BY Day, Hour
ORDER BY Hour;
수정된 쿼리를 실행하면에서 결과가 저장됩니다. hourly_actions_date_range 데이터 프레임입니다. 새 셀에서 다음 함수를 실행하여 결과를 미리 봅니다.
hourly_actions_date_rage.head()
방문자 세션당 이벤트 수
다음 쿼리는 지정된 날짜에 대한 방문자 세션당 이벤트 수를 반환합니다.
쿼리
%%read_sql events_per_session -c QS_CONNECTION
SELECT concat(enduserids._experience.aaid.id,
'-#',
_experience.analytics.session.num) AS aaid_sess_key,
Count(timestamp) AS Count
FROM {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY aaid_sess_key
ORDER BY Count DESC;
다음을 실행합니다 Python 방문 세션당 이벤트 수에 대한 히스토그램을 생성하는 코드:
data = [go.Histogram(x = events_per_session['Count'])]
layout = go.Layout(
title = 'Histogram of Number of Events per Visit Session',
xaxis = dict(title = 'Number of Events'),
yaxis = dict(title = 'Count')
)
fig = go.Figure(data = data, layout = layout)
iplot(fig)
주어진 날의 인기 페이지
다음 쿼리는 지정된 날짜에 대해 가장 방문 빈도가 높은 10개의 페이지를 반환합니다.
쿼리
%%read_sql popular_pages -c QS_CONNECTION
SELECT web.webpagedetails.name AS Page_Name,
Sum(web.webpagedetails.pageviews.value) AS Page_Views
FROM {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY web.webpagedetails.name
ORDER BY page_views DESC
LIMIT 10;
지정된 날의 활성 사용자
다음 쿼리는 지정된 날짜 동안 가장 활동적인 사용자 10명을 반환합니다.
쿼리
%%read_sql active_users -c QS_CONNECTION
SELECT enduserids._experience.aaid.id AS aaid,
Count(timestamp) AS Count
FROM {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY aaid
ORDER BY Count DESC
LIMIT 10;
사용자 활동별 활성 도시
다음 쿼리는 지정된 날짜에 대한 사용자 활동의 대부분을 생성하는 10개 도시를 반환합니다.
쿼리
%%read_sql active_cities -c QS_CONNECTION
SELECT concat(placeContext.geo.stateProvince, ' - ', placeContext.geo.city) AS state_city,
Count(timestamp) AS Count
FROM {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY state_city
ORDER BY Count DESC
LIMIT 10;
다음 단계
이 튜토리얼에서는 을 활용하는 몇 가지 샘플 사용 사례를 보여 주었습니다 Query Service 위치: Jupyter 전자 필기장. 다음 Jupyter Notebooks를 사용하여 데이터 분석 데이터 액세스 SDK를 사용하여 유사한 작업을 수행하는 방법을 알아보는 자습서입니다.
