Modellen ontwerpen met de Adobe Experience Platform Platform SDK

Deze zelfstudie biedt u informatie over het omzetten van data_access_sdk_python in de nieuwe Python platform_sdk in zowel Python als R. Deze zelfstudie biedt informatie over de volgende bewerkingen:

Verificatie opbouwen build-authentication

Verificatie is vereist om aanroepen uit te voeren naar Adobe Experience Platform en bestaat uit API-sleutel, organisatie-id, een gebruikerstoken en een servicetoken.

Python

Als u Jupyter-laptop gebruikt, gebruikt u de onderstaande code om de client_context samen te stellen:

client_context = PLATFORM_SDK_CLIENT_CONTEXT

Als u geen Jupyter-laptop gebruikt of als u de organisatie moet wijzigen, gebruikt u het onderstaande codevoorbeeld:

from platform_sdk.client_context import ClientContext
client_context = ClientContext(api_key={API_KEY},
              org_id={ORG_ID},
              user_token={USER_TOKEN},
              service_token={SERVICE_TOKEN})

R

Als u Jupyter-laptop gebruikt, gebruikt u de onderstaande code om de client_context samen te stellen:

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")

py_run_file("../.ipython/profile_default/startup/platform_sdk_context.py")
client_context <- py$PLATFORM_SDK_CLIENT_CONTEXT

Als u geen Jupyter-laptop gebruikt of als u een andere organisatie wilt gebruiken, gebruikt u het onderstaande codevoorbeeld:

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
client_context <- psdk$client_context$ClientContext(api_key={API_KEY},
              org_id={ORG_ID},
              user_token={USER_TOKEN},
              service_token={SERVICE_TOKEN})

Basislezen van gegevens basic-reading-of-data

Met de nieuwe Platform SDK is de maximale leesgrootte 32 GB, met een maximale leestijd van 10 minuten.

Als de leestijd te lang duurt, kunt u een van de volgende filteropties gebruiken:

Python

Gebruik het onderstaande codevoorbeeld om gegevens in Python te lezen:

from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(client_context, "{DATASET_ID}")
df = dataset_reader.limit(100).read()
df.head()

R

Gebruik het onderstaande codevoorbeeld om gegevens in R te lezen:

DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(client_context, "{DATASET_ID}")
df <- dataset_reader$read()
df

Filteren op verschuiving en beperken filter-by-offset-and-limit

Omdat filteren op batch-id niet meer wordt ondersteund, moet u offset en limit gebruiken om het lezen van gegevens in bereik te houden.

Python

df = dataset_reader.limit(100).offset(1).read()
df.head

R

df <- dataset_reader$limit(100L)$offset(1L)$read()
df

Filteren op datum filter-by-date

De korreligheid van datum het filtreren wordt nu bepaald door timestamp, eerder dan wordt geplaatst tegen de dag.

Python

df = dataset_reader.where(\
    dataset_reader['timestamp'].gt('2019-04-10 15:00:00').\
    And(dataset_reader['timestamp'].lt('2019-04-10 17:00:00'))\
).read()
df.head()

R

df2 <- dataset_reader$where(
    dataset_reader['timestamp']$gt('2018-12-10 15:00:00')$
    And(dataset_reader['timestamp']$lt('2019-04-10 17:00:00'))
)$read()
df2

De nieuwe Platform SDK ondersteunt de volgende bewerkingen:

Filteren op geselecteerde kolommen filter-by-selected-columns

Als u het lezen van gegevens verder wilt verfijnen, kunt u ook filteren op kolomnaam.

Python

df = dataset_reader.select(['column-a','column-b']).read()

R

df <- dataset_reader$select(c('column-a','column-b'))$read()

Gesorteerde resultaten ophalen get-sorted-results

De ontvangen resultaten kunnen door gespecificeerde kolommen van de doeldataset en in hun orde (asc/desc) respectievelijk worden gesorteerd.

In het volgende voorbeeld wordt dataframe eerst in oplopende volgorde gesorteerd op "column-a". Rijen met dezelfde waarden voor "column-a" worden vervolgens in aflopende volgorde gesorteerd op "column-b".

Python

df = dataset_reader.sort([('column-a', 'asc'), ('column-b', 'desc')])

R

df <- dataset_reader$sort(c(('column-a', 'asc'), ('column-b', 'desc')))$read()

Basisschrijven van gegevens basic-writing-of-data

Gebruik een van de volgende voorbeelden om gegevens in Python en R te schrijven:

Python

from platform_sdk.models import Dataset
from platform_sdk.dataset_writer import DatasetWriter

dataset = Dataset(client_context).get_by_id("{DATASET_ID}")
dataset_writer = DatasetWriter(client_context, dataset)
write_tracker = dataset_writer.write({PANDA_DATAFRAME}, file_format='json')

R

dataset <- psdk$models$Dataset(client_context)$get_by_id("{DATASET_ID}")
dataset_writer <- psdk$dataset_writer$DatasetWriter(client_context, dataset)
write_tracker <- dataset_writer$write({PANDA_DATAFRAME}, file_format='json')

Volgende stappen

Nadat u de platform_sdk gegevenslader hebt geconfigureerd, worden de gegevens voorbereid en vervolgens gesplitst naar de gegevenssets train en val . Om over gegevensvoorbereiding en eigenschaptechniek te leren gelieve de sectie over te bezoeken gegevens voorbereiding en eigenschapengineeringin het leerprogramma voor het creëren van een recept gebruikend JupyterLab laptops.