Analysera dina data med bärbara datorer

Den här självstudiekursen fokuserar på hur du använder Jupyter Notebooks, byggda i Data Science Workspace, för att få tillgång till, utforska och visualisera dina data. I slutet av den här självstudiekursen bör du känna till några av de funktioner som Jupyter Notebooks erbjuder för att bättre förstå dina data.

Följande koncept har introducerats:

Utforska bärbara datorer i Data Science Workspace

I det här avsnittet utforskas data som tidigare har hämtats till försäljningsschemat för butik.

Med Data Science Workspace kan användare skapa Jupyter Notebooks via plattformen JupyterLab där de kan skapa och redigera maskininlärningsarbetsflöden. JupyterLab är ett verktyg för samarbete mellan server och klient som gör att användare kan redigera anteckningsboksdokument via en webbläsare. De här anteckningsböckerna kan innehålla både körbar kod och RTF-element. För våra syften använder vi Markdown för analysbeskrivning och körbar Python-kod för att utföra datautforskande och -analys.

Välj arbetsyta

När JupyterLab startas visas ett webbaserat gränssnitt för Jupyter-anteckningsböcker. Beroende på vilken typ av anteckningsbok vi väljer startas en motsvarande kärna.

När vi jämför vilken miljö vi ska använda måste vi ta hänsyn till varje tjänsts begränsningar. Om vi till exempel använder biblioteket pandas med Python är RAM-gränsen 2 GB som vanlig användare. Även som kraftfull användare är vi begränsade till 20 GB RAM. Om du hanterar större beräkningar är det bra att använda Spark som erbjuder 1,5 TB som delas med alla instanser av anteckningsboken.

Som standard fungerar Tensorflow-receptet i ett GPU-kluster och Python körs i ett CPU-kluster.

Skapa en ny anteckningsbok

I användargränssnittet för Adobe Experience Platform väljer du Data Science på den översta menyn för att ta dig till Data Science Workspace. På den här sidan väljer du JupyterLab för att öppna JupyterLab-startprogrammet. Du bör se en sida som liknar denna.

I vår självstudiekurs kommer vi att använda Python 3 i den bärbara Jupyter-datorn för att visa hur du får åtkomst till och utforskar data. På startsidan finns exempelanteckningsböcker. Vi kommer att använda recept för butiksförsäljning för Python 3.

Koden för butiksförsäljning är ett fristående exempel som använder samma datauppsättning för butiksförsäljning för att visa hur data kan utforskas och visualiseras i Jupyter Notebook. Dessutom går den bärbara datorn vidare i detalj med utbildning och verifiering. Mer information om den här specifika anteckningsboken finns i den här genomgången.

Åtkomstdata

Vi kommer att gå igenom åtkomsten till data internt från Adobe Experience Platform och externt. Vi kommer att använda biblioteket data_access_sdk_python för att komma åt interna data som datauppsättningar och XDM-scheman. För externa data kommer vi att använda pandonabiblioteket Python.

Externa data

När butiksförsäljningsjournalen är öppen hittar du rubriken"Läs in data". I följande Python-kod används pandas DataFrame-datastruktur och funktionen read_csv() för att läsa CSV-filen som finns på Github i DataFrame:

Pandornas DataFrame-datastruktur är en tvådimensionell datastruktur med etiketter. Vi kan använda df.shape för att snabbt se datamåtten. Detta returnerar en tuppel som representerar dimensionaliteten för DataFrame:

Slutligen kan vi ta en titt på hur våra data ser ut. Vi kan använda df.head(n) för att visa de första n raderna i DataFrame:

Experience Platform data

Nu kommer vi att gå igenom åtkomsten till Experience Platform data.

Efter datauppsättnings-ID

I det här avsnittet använder vi datauppsättningen Detaljhandel, som är samma datauppsättning som används i exempelanteckningsboken för detaljhandelsförsäljning.

I Jupyter Anteckningsbok kan du komma åt dina data från fliken Data till vänster. När du väljer fliken visas två mappar. Markera mappen Datasets.

I katalogen Datasets kan du nu se alla inkapslade datauppsättningar. Observera att det kan ta en minut att läsa in alla poster om din katalog är mycket ifylld med datauppsättningar.

Eftersom datauppsättningen är densamma vill vi ersätta inläsningsdata från föregående avsnitt som använder externa data. Markera kodblocket under Läs in data och tryck två gånger på 'd' på tangentbordet. Se till att fokus ligger på blocket och inte på texten. Du kan trycka på 'esc' för att undvika textfokus innan du trycker på 'd' två gånger.

Nu kan vi högerklicka på datauppsättningen Retail-Training-<your-alias> och välja alternativet Utforska data i anteckningsbok i listrutan. En körbar kodpost visas i anteckningsboken.

from data_access_sdk_python.reader import DataSetReader
from datetime import date
reader = DataSetReader()
df = reader.load(data_set_id="xxxxxxxx", ims_org="xxxxxxxx@AdobeOrg")
df.head()

Om du arbetar med andra kärnor än Python kan du läsa den här sidan för att få åtkomst till data på Adobe Experience Platform.

Om du väljer den körbara cellen och sedan trycker på uppspelningsknappen i verktygsfältet körs den körbara koden. Utdata för head() blir en tabell med datamängdens nycklar som kolumner och de första n raderna i datamängden. head() accepterar ett heltalsargument för att ange hur många rader som ska skrivas ut. Som standard är detta 5.

Om du startar om kärnan och kör alla celler igen bör du få samma utdata som tidigare.

Utforska era data

Nu när vi har tillgång till era data kan vi fokusera på själva data genom att använda statistik och visualisering. Den datauppsättning som vi använder är en detaljhandelsdatamängd som ger övrig information om 45 olika butiker en viss dag. Vissa egenskaper för en given date och store innehåller följande:

Statistisk sammanfattning

Vi kan utnyttja Python’s pandabibliotek för att hämta datatypen för varje attribut. Utdata från följande anrop ger oss information om antalet poster och datatypen för var och en av kolumnerna:

df.info()

Den här informationen är användbar eftersom du vet vilken datatyp varje kolumn har, så att vi kan veta hur vi ska behandla data.

Låt oss titta på den statistiska sammanfattningen. Endast de numeriska datatyperna visas, så date, storeType och isHoliday kommer inte att skrivas ut:

df.describe()

Här ser vi att det finns 6 435 förekomster för varje egenskap. Dessutom ges statistiska uppgifter som medelvärde, standardavvikelse (std), min, max och interkvartilter. Detta ger oss information om avvikelsen för data. I nästa avsnitt ska vi gå igenom visualisering som fungerar tillsammans med denna information för att ge oss en god förståelse för våra data.

Om vi tittar på minimi- och maximivärdena för store ser vi att det finns 45 unika lagringsplatser som representerar data. Det finns också storeTypes som skiljer ut vad en butik är. Vi kan se distributionen av storeTypes genom att göra följande:

Det innebär att 22 butiker är av storeType A, 17 är storeType B och 6 är storeType C.

Datavisualisering

Nu när vi känner till våra dataramvärden vill vi komplettera detta med visualiseringar för att göra det tydligare och lättare att identifiera mönster. Diagram är också användbara när du förmedlar resultat till en målgrupp. Några av Python-biblioteken som är användbara för visualisering är:

I det här avsnittet går vi snabbt igenom några fördelar med att använda varje bibliotek.

Matplotlib är det äldsta Python-visualiseringspaketet. Deras mål är att göra"enkla saker enkla och hårda saker möjliga". Detta brukar vara sant eftersom paketet är extremt kraftfullt men också innehåller komplexitet. Det är inte alltid lätt att få en bra bild utan att behöva lägga en hel del tid och kraft på.

Pandor används främst för DataFrame-objektet, som tillåter datamanipulering med integrerad indexering. Pandor har dock även en inbyggd plottningsfunktion som är baserad på matplotlib.

seaborn är ett paket som byggs ovanpå matplotlib. Det främsta målet är att göra standarddiagram mer visuellt tilltalande och att förenkla skapandet av komplicerade diagram.

ggplot är ett paket som också är byggt ovanpå matplotlib. Men den största skillnaden är att verktyget är en port av gplott2 för R. Precis som sjöborn är målet att förbättra på matplotlib. Användare som känner till gplott2 för R bör överväga detta bibliotek.

Univariata diagram

Univariata diagram är diagram av en enskild variabel. En vanlig univariat diagram används för att visualisera dina data är rutan och morrhårsritt.

Med hjälp av vår detaljhandelsdatamängd från tidigare kan vi generera lådan och morrhårstecknet för var och en av de 45 butikerna och deras veckoförsäljning. Ritytan genereras med funktionen seaborn.boxplot.

En låda och morrhårsteckning används för att visa fördelningen av data. De yttre raderna i ritytan visar de övre och nedre kvartilarna, medan rutan sträcker sig över interkvartilsintervallet. Linjen i rutan anger medianen. Alla datapunkter som är mer än 1,5 gånger den övre eller nedre kanten markeras som en cirkel. Dessa punkter betraktas som avvikelser.

Multivariata diagram

Multivariata diagram används för att se interaktionen mellan variabler. Med visualiseringen kan datavetare se om det finns några samband eller mönster mellan variablerna. Ett vanligt multivariatdiagram är en korrelationsmatris. Med en korrelationsmatris kvantifieras beroenden mellan flera variabler med korrelationskoefficienten.

Med samma butiksdatauppsättning kan vi generera en korrelationsmatris.

Observera diagonalen för 1 är nedåt i mitten. Detta visar att en variabel har en fullständig positiv korrelation när den jämförs med sig själv. Stark positiv korrelation kommer att ha en storlek närmare 1 medan svaga korrelationer kommer närmare 0. Negativ korrelation visas med en negativ koefficient som visar en omvänd trend.

Nästa steg

Den här självstudiekursen gick igenom hur du skapar en ny Jupyter-anteckningsbok i Data Science Workspace och hur du får åtkomst till data externt samt från Adobe Experience Platform. Mer specifikt gick vi igenom följande steg:

Nu kan du gå vidare till nästa avsnitt för att paketera ett recept och importera det till Data Science Workspace.