ドキュメント Experience Platform データサイエンスワークスペースガイド

Jupyter Notebookのクエリサービス

最終更新日： 2025年10月16日

トピック：
Data Science Workspace

作成対象：

{"id":"b69b2659-1057-424e-8fc5-ed9e016dc554"},{"id":"ff6a42d2-313e-452e-93a6-792e4fad9ff8"}

NOTE

Data Science Workspaceは購入できなくなりました。

このドキュメントは、Data Science Workspaceの使用権限を以前に持つ既存のお客様向けです。

Adobe Experience Platformでは、Query ServiceをJupyterLabに標準機能として統合することで、Data Science Workspaceで構造化クエリ言語（SQL）を使用できます。

このチュートリアルでは、Adobe Analytics データを検索、変換、分析するための一般的なユースケースのサンプル SQL クエリを示します。

はじめに

このチュートリアルを開始する前に、次の前提条件を満たす必要があります。

Adobe Experience Platformへのアクセス。 Experience Platformの組織にアクセスできない場合は、続行する前にシステム管理者に相談してください
Adobe Analytics データセット
このチュートリアルで使用する次の主要概念に対する十分な理解
- Experience Data Model (XDM) and XDM System
- Query Service
- Query Service SQL Syntax
- Adobe Analytics

JupyterLabおよびQuery Serviceへのアクセス access-jupyterlab-and-query-service

Experience Platformで、左側のナビゲーション列から Notebooks に移動します。 JupyterLab が読み込まれるまで、しばらく待ちます。

note
NOTE
新しい「ランチャー」タブが自動的に表示されない場合は、ファイルをクリックして新しい「ランチャー」タブを開き、新しいランチャーを選択します。

「ランチャー」タブで、Python 3環境の空白アイコンをクリックして、空のノートブックを開きます。

note
NOTE
Python 3は現在、ノートブックのクエリサービスでサポートされている唯一の環境です。

左側の選択パネルで、データ アイコンをクリックし、データセット ディレクトリをダブルクリックしてすべてのデータセットを一覧表示します。
リストを検索して右クリックするAdobe Analytics データセットを見つけ、「ノートブックのデータをクエリ」をクリックして、空のノートブックでSQL クエリを生成します。
qs_connect() 関数が含まれる最初の生成済みセルをクリックし、再生ボタンをクリックして実行します。この関数は、ノートブックインスタンスとQuery Serviceとの間に接続を作成します。
2番目に生成されたSQL クエリからAdobe Analytics データセット名をコピーし、FROMの後の値になります。
「+」ボタンをクリックして、ノートブックの新しいセルを挿入します。

次のインポートステートメントをコピーし、新しいセルに貼り付けて実行します。これらのステートメントは、データを視覚化するために使用されます。

code language-python
`import plotly.plotly as py import plotly.graph_objs as go from plotly.offline import iplot`

次に、以下の変数をコピーし、新しいセルに貼り付けます。必要に応じて値を変更してから、値を実行します。

code language-python
`target_table = "your Adobe Analytics dataset name" target_year = "2019" target_month = "04" target_day = "01"`

target_table: Adobe Analytics データセットの名前。
target_year：対象データの元となる特定の年。
target_month: ターゲットの元の特定の月。
target_day：対象データの取得元となる特定の日。

note
NOTE
これらの値はいつでも変更できます。値を変更する場合は、変数セルを実行して、変更を適用する必要があります。

データのクエリ query-your-data

個々のノートブックセルに次の SQL クエリを入力します。クエリを実行するには、そのセルを選択し、続いて「再生」ボタンを選択します。成功したクエリの結果またはエラーログは、実行されたセルの下に表示されます。

長期間ノートブックが非アクティブな場合、ノートブックとQuery Serviceの間の接続が切断される可能性があります。このような場合は、電源ボタンの横の右上隅にある再起動 ボタンを選択して、JupyterLabを再起動します。

ノートブックのカーネルがリセットされますが、セルは残ります。すべてのセルを再実行して、中断したところから続行します。

1 時間ごとの訪問者数 hourly-visitor-count

次のクエリは、指定した日付の 1 時間ごとの訪問者数を返します。

クエリ

%%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;

上記のクエリでは、WHERE句のタイムスタンプはtarget_yearの値に設定されています。変数を中括弧（{}）で囲んで、SQL クエリに含めます。

オプションの変数 hourly_visitor は、クエリの最初の行に含まれます。クエリの結果は、この変数に Pandas データフレームとして保存されます。結果をデータフレームに保存すると、後で目的のPython パッケージを使用してクエリ結果を視覚化できます。新しいセルで次のPython コードを実行して、棒グラフを生成します。

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)

1 時間ごとのアクティビティ数 hourly-activity-count

次のクエリは、指定した日付の 1 時間ごとのアクション数を返します。

クエリ

%%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;

上記のクエリを実行すると、結果が hourly_actions にデータフレームとして保存されます。新しいセルで次の関数を実行し、結果をプレビューします。

hourly_actions.head()

上記のクエリを変更し、WHERE 句で論理演算子を使用して、指定した日付範囲の 1 時間ごとのアクション数を返すことができます。

クエリ

%%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;

変更されたクエリを実行すると、結果はhourly_actions_date_rangeにデータフレームとして保存されます。新しいセルで次の関数を実行し、結果をプレビューします。

hourly_actions_date_rage.head()

訪問者セッションごとのイベント数 number-of-events-per-visitor-session

次のクエリは、指定した日付の訪問者セッションごとのイベント数を返します。

クエリ

%%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;

次のPython コードを実行して、訪問セッションあたりのイベント数のヒストグラムを生成します。

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)

特定の日の人気ページ popular-pages-for-a-given-day

次のクエリは、指定した日付の最も人気の高い 10 ページを返します。

クエリ

%%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;

特定の日のアクティブユーザー active-users-for-a-given-day

次のクエリは、指定した日付の最もアクティブな 10 人のユーザーを返します。

クエリ

%%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;

ユーザアクティビティごとのアクティブな都市 active-cities-by-user-activity

次のクエリは、指定した日付のユーザーアクティビティの大部分を生成している 10 都市を返します。

クエリ

%%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;

次の手順

このチュートリアルでは、Jupyter個のノートブックでQuery Serviceを利用するための使用例をいくつか紹介しました。「Jupyter ノートブックによるデータの分析」のチュートリアルに従って、Data Access SDK を使用して同様の操作がどのように実行されるかを確認します。

recommendation-more-help

experience-platform-help-data-science-workspace