Jupyter Notebook中的查詢服務

Adobe Experience Platform 可讓您使用結構化查詢語言(SQL)於 Data Science Workspace 透過整合 Query Service 到 JupyterLab 作為標準特徵。

本教學課程示範常見使用案例的範例SQL查詢，以探索、轉換和分析 Adobe Analytics 資料。

快速入門

開始進行本教學課程之前，您必須具備下列必要條件：

存取 JupyterLab 和 Query Service

  1. 在 Experience Platform，導覽至 Notebooks 左側導覽欄中的。 等待JupyterLab載入。

    注意

    如果新的啟動器標籤未自動顯示，請按一下以開啟新的啟動器標籤 檔案 然後選取 新增啟動器.

  2. 在「啟動器」標籤中，按一下 空白 圖示開啟Python 3環境中的空白筆記本。

    注意

    Python 3目前是Notebooks中唯一支援查詢服務的環境。

  3. 在左側選取範圍邊欄中，按一下 資料 圖示並連按兩下 資料集 目錄，列出所有資料集。

  4. 尋找 Adobe Analytics 要探索的資料集並在清單上按一下右鍵，請按一下 在筆記本中查詢資料 以在空白筆記本中產生SQL查詢。

  5. 按一下第一個產生且包含函式的儲存格 qs_connect() 並按一下播放按鈕來執行它。 此函式會在您的Notebook執行個體與 Query Service.

  6. 向下複製 Adobe Analytics 資料集名稱來自第二個產生的SQL查詢，將是之後的值 FROM.

  7. 按一下「 」，插入新的筆記本儲存格 + 按鈕。

  8. 在新儲存格中複製、貼上及執行下列匯入陳述式。 這些陳述式將用於視覺化您的資料：

    import plotly.plotly as py
import plotly.graph_objs as go
from plotly.offline import iplot

  9. 接下來，複製下列變數，並將其貼到新的儲存格中。 視需要修改其值，然後執行它們。

    target_table = "your Adobe Analytics dataset name"
target_year = "2019"
target_month = "04"
target_day = "01"
    • target_table：您的名稱 Adobe Analytics 資料集。
    • target_year：目標資料來自的特定年份。
    • target_month：目標來自的特定月份。
    • target_day：目標資料來自的特定日期。
    注意

    您可以隨時變更這些值。 執行此操作時，請務必執行變數儲存格以套用變更。

查詢您的資料

在個別筆記本儲存格中輸入下列SQL查詢。 在查詢的儲存格上選取，然後選取 play 按鈕。 成功的查詢結果或錯誤記錄檔會顯示在執行的儲存格下方。

當筆記型電腦長時間處於非使用中狀態時，筆記型電腦與電腦之間的連線 Query Service 可能會中斷。 在這種情況下，請重新啟動 JupyterLab 藉由選取 重新啟動 按鈕 重新啟動按鈕 位於電源按鈕旁的右上角。

筆記型電腦核心會重設，但儲存格仍會保留，請重新執行所有儲存格，以繼續處理您中斷的儲存格。

每小時訪客計數

下列查詢會傳回指定日期的每小時訪客計數：

查詢

%%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;

在上述查詢中， WHERE 子句設為下列專案的值 target_year. 將變數包含在大括弧({})。

查詢的第一行包含選擇性變數 hourly_visitor. 查詢結果將作為Pandas資料流儲存在此變數中。 將結果儲存在資料流中可讓您稍後使用所需的視覺化查詢結果 Python 封裝。 執行下列動作 Python 在新儲存格中產生橫條圖的程式碼：

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)

每小時活動計數

下列查詢會傳回指定日期的每小時動作計數：

查詢 

%%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;

執行上述查詢會將結果儲存在 hourly_actions 作為資料流。 在新儲存格中執行以下函式以預覽結果：

hourly_actions.head()

您可以修改上述查詢，以使用中的邏輯運運算元傳回指定日期範圍的每小時動作計數 位置 子句：

查詢 

%%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;

執行修改的查詢會將結果儲存在 hourly_actions_date_range 作為資料流。 在新儲存格中執行以下函式以預覽結果：

hourly_actions_date_rage.head()

每個訪客工作階段的事件數

以下查詢會傳回指定日期內每個訪客工作階段的事件數：

查詢 

%%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;

執行下列動作 Python 產生每次造訪工作階段事件數長條圖的程式碼：

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)

下列查詢會傳回指定日期前十個最受歡迎的頁面：

查詢 

%%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;

指定日的作用中使用者

以下查詢會傳回指定日期最活躍的十位使用者：

查詢 

%%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;

依使用者活動列出的活躍城市

下列查詢會傳回在指定日期產生大部分使用者活動的十個城市：

查詢 

%%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;

後續步驟

本教學課程示範利用的一些範例使用案例 Query Service 在 Jupyter 筆記本。 請遵循 使用Jupyter Notebooks分析您的資料 教學課程，以瞭解如何使用Data Access SDK執行類似操作。

本頁內容