설명서Experience PlatformData Science Workspace 안내서

Jupyter Notebook의 쿼리 서비스

Last update: Tue Jul 16 2024 00:00:00 GMT+0000 (Coordinated Universal Time)

작성 대상:

  • 사용자
  • 개발자

Adobe Experience Platform을(를) 사용하면 Query Service을(를) JupyterLab에 표준 기능으로 통합하여 Data Science Workspace의 SQL(Structured Query Language)을 사용할 수 있습니다.

이 자습서에서는 Adobe Analytics 데이터를 탐색, 변환 및 분석하는 일반적인 사용 사례에 대한 샘플 SQL 쿼리를 보여 줍니다.

시작하기

이 자습서를 시작하기 전에 다음 사전 요구 사항이 있어야 합니다.

JupyterLab 및 Query Service 액세스 access-jupyterlab-and-query-service

  1. Experience Platform의 왼쪽 탐색 열에서 전자 필기장(으)로 이동합니다. JupyterLab이 로드될 때까지 잠시 기다려 주십시오.

    note note
    NOTE
    새 런처 탭이 자동으로 나타나지 않으면 파일 ​을 클릭하여 새 런처 탭을 연 다음 새 런처 ​을(를) 선택하십시오.

  2. 시작 관리자 탭에서 Python 3 환경의 Blank 아이콘을 클릭하여 빈 전자 필기장을 엽니다.

    note note
    NOTE
    Python 3은 현재 Notebooks에서 쿼리 서비스에 대해 유일하게 지원되는 환경입니다.

  3. 왼쪽 선택 레일에서 데이터 아이콘을 클릭하고 데이터 세트 디렉터리를 두 번 클릭하여 모든 데이터 세트를 나열합니다.

  4. 탐색할 Adobe Analytics 데이터 집합을 찾아 목록을 마우스 오른쪽 단추로 클릭하고 전자 필기장의 데이터 쿼리 ​를 클릭하여 빈 전자 필기장에서 SQL 쿼리를 생성합니다.

  5. 함수 qs_connect()을(를) 포함하는 처음 생성된 셀을 클릭하고 재생 단추를 클릭하여 실행합니다. 이 기능을 사용하면 전자 필기장 인스턴스와 Query Service 사이에 연결이 만들어집니다.

  6. 두 번째로 생성된 SQL 쿼리에서 Adobe Analytics 데이터 세트 이름을 복사하십시오. FROM 이후의 값이 됩니다.

  7. + 단추를 클릭하여 새 전자 필기장 셀을 삽입합니다.

  8. 새 셀에서 다음 가져오기 구문을 복사, 붙여넣기 및 실행합니다. 다음 문은 데이터를 시각화하는 데 사용됩니다.

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

  9. 그런 다음 다음 다음 변수를 복사하여 새 셀에 붙여넣습니다. 필요에 따라 값을 수정한 다음 실행합니다.

    code language-python 
    target_table = "your Adobe Analytics dataset name"
target_year = "2019"
target_month = "04"
target_day = "01"
    • target_table: Adobe Analytics 데이터 세트의 이름입니다.
    • target_year: 대상 데이터의 원본 연도를 지정합니다.
    • target_month: 대상이 속한 특정 월입니다.
    • target_day: 대상 데이터의 출처가 특정일입니다.
    note note
    NOTE
    언제든지 이러한 값을 변경할 수 있습니다. 그렇게 할 때는 변경 사항을 적용할 변수 셀을 실행해야 합니다.

데이터 쿼리 query-your-data

개별 전자 필기장 셀에 다음 SQL 쿼리를 입력합니다. 해당 셀에서 을 선택한 다음 재생 버튼을 선택하여 쿼리를 실행합니다. 성공한 쿼리 결과 또는 오류 로그는 실행된 셀 아래에 표시됩니다.

전자 필기장이 오랫동안 비활성 상태이면 전자 필기장과 Query Service 간의 연결이 끊어질 수 있습니다. 이 경우 전원 단추 옆에 있는 오른쪽 상단의 다시 시작 단추 다시 시작 단추 를 선택하여 JupyterLab을(를) 다시 시작합니다.

노트북 커널은 재설정되지만 셀은 남아 있다가 모든 셀을 다시 실행하여 중지된 위치에서 계속 진행합니다.

시간별 방문자 수 hourly-visitor-count

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 절의 타임스탬프가 target_year의 값으로 설정되어 있습니다. 중괄호({})에 변수를 포함하여 SQL 쿼리에 변수를 포함합니다.

쿼리의 첫 줄에 선택적 변수 hourly_visitor이(가) 포함되어 있습니다. 쿼리 결과는 이 변수에 Pandas 데이터 프레임으로 저장됩니다. 결과를 데이터 프레임에 저장하면 나중에 원하는 Python 패키지를 사용하여 쿼리 결과를 시각화할 수 있습니다. 새 셀에서 다음 Python 코드를 실행하여 막대그래프를 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 hourly-activity-count

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 hourly_actions에 데이터 프레임으로 저장됩니다. 새 셀에서 다음 함수를 실행하여 결과를 미리 봅니다.

hourly_actions.head()

WHERE 절의 논리 연산자를 사용하여 지정된 날짜 범위에 대한 시간별 작업 수를 반환하도록 위의 쿼리를 수정할 수 있습니다.

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 실행하면 결과가 hourly_actions_date_range에 데이터 프레임으로 저장됩니다. 새 셀에서 다음 함수를 실행하여 결과를 미리 봅니다.

hourly_actions_date_rage.head()

방문자 세션당 이벤트 수 number-of-events-per-visitor-session

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;

다음 Python 코드를 실행하여 방문당 이벤트 수에 대한 히스토그램을 생성합니다.

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 popular-pages-for-a-given-day

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 active-users-for-a-given-day

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 active-cities-by-user-activity

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 자습서에서는 Jupyter 전자 필기장에서 Query Service을(를) 활용하는 몇 가지 사용 사례를 보여 줍니다. Jupyter Notebooks를 사용하여 데이터 분석 자습서에 따라 Data Access SDK를 사용하여 유사한 작업을 수행하는 방법을 확인하십시오.

recommendation-more-help
cc79fe26-64da-411e-a6b9-5b650f53e4e9