Anslut till Data Distiller från en Jupyter-anteckningsbok

För att berika dina maskininlärningspipelines med värdefulla kundupplevelsedata måste du först ansluta till Data Distiller från Jupyter Notebooks. Det här dokumentet innehåller stegen för att ansluta till Data Distiller från en Python-anteckningsbok i maskininlärningsmiljön.

Komma igång

Den här handboken förutsätter att du känner till de interaktiva Python bärbara datorerna och har tillgång till en anteckningsboksmiljö. Anteckningsboken kan finnas på en molnbaserad maskininlärningsmiljö, eller lokalt med Jupyter Notebook.

Hämta anslutningsreferenser obtain-credentials

Om du vill ansluta till Data Distiller och andra Adobe Experience Platform-tjänster behöver du en Experience Platform API-autentiseringsuppgift. API-autentiseringsuppgifter kan skapas i Adobe Developer Console av någon med Developer-åtkomst till Experience Platform. Du rekommenderas att skapa en Oauth2 API-autentiseringsuppgift specifikt för arbetsflöden för datavetenskap och att ha en Adobe-systemadministratör från din organisation som tilldelar autentiseringsuppgifterna till en roll med lämplig behörighet.

Mer information om hur du skapar en API-autentiseringsuppgift och får de behörigheter som krävs finns i Autentisera och få åtkomst till Experience Platform API:er.

Rekommenderade tillstånd för datavetenskap är bland annat:

Som standard blockeras en roll (och API-autentiseringsuppgifter som tilldelats den rollen) från att komma åt alla märkta data. I enlighet med organisationens datahanteringsprinciper kan en systemadministratör ge rollen tillgång till vissa märkta data som anses lämpliga för datavetenskapen. Plattformskunder ansvarar för att hantera åtkomsten till etiketter och policyer på lämpligt sätt för att följa relevanta regler och organisationsprofiler.

Lagra autentiseringsuppgifter i en separat konfigurationsfil store-credentials

För att skydda dina autentiseringsuppgifter bör du undvika att skriva autentiseringsuppgifter direkt i koden. I stället ska du spara inloggningsuppgifterna i en separat konfigurationsfil och läsa de värden som behövs för att ansluta till Experience Platform och Data Distiller.

Du kan till exempel skapa en fil med namnet config.ini och inkludera följande information (tillsammans med annan information, som datauppsättnings-ID:n, som kan användas för att spara mellan sessioner):

[Credential]
ims_org_id=<YOUR_IMS_ORG_ID>
sandbox_name=<YOUR_SANDBOX_NAME>
client_id=<YOUR_CLIENT_ID>
client_secret=<YOUR_CLIENT_SECRET>
scopes=openid, AdobeID, read_organizations, additional_info.projectedProductContext, session
tech_acct_id=<YOUR_TECHNICAL_ACCOUNT_ID>

I anteckningsboken kan du sedan läsa informationen om autentiseringsuppgifter i minnet med hjälp av paketet configParser från standardbiblioteket Python:

from configparser import ConfigParser

# Create a ConfigParser object to read and store information from config.ini
config = ConfigParser()
config_path = '<PATH_TO_YOUR_CONFIG.INI_FILE>'
config.read(config_path)

Du kan sedan referera till autentiseringsvärden i koden enligt följande:

org_id = config.get('Credential', 'ims_org_id')

Installera ett epp Python-bibliotek install-python-library

aepp är ett Adobe-hanterat öppen källkodsbibliotek Python som innehåller funktioner för att ansluta till Data Distiller och skicka frågor, som att göra förfrågningar till andra Experience Platform-tjänster. Biblioteket aepp i sin tur är beroende av PostgreSQL-databaskortpaketet psycopg2 för interaktiva Data Distiller-frågor. Det går att ansluta till Data Distiller och skicka frågor med enbart psycopg2, men med aepp blir det enklare och mer funktionellt att göra förfrågningar till alla API-tjänster för Experience Platform.

Om du vill installera eller uppgradera aepp och psycopg2 i din miljö kan du använda det magiska kommandot %pip i din anteckningsbok:

%pip install --upgrade aepp
%pip install --upgrade psycopg2-binary

Du kan sedan konfigurera biblioteket aepp med dina autentiseringsuppgifter med följande kod:

from configparser import ConfigParser

# Create a ConfigParser object to read and store information from config.ini
config = ConfigParser()
config_path = '<PATH_TO_YOUR_CONFIG.INI_FILE>'
config.read(config_path)

# Configure aepp with your credentials
import aepp

aepp.configure(
  org_id=config.get('Credential', 'ims_org_id'),
  sandbox=config.get('Credential', 'sandbox_name'),
  client_id=config.get('Credential', 'client_id'),
  secret=config.get('Credential', 'client_secret'),
  scopes=config.get('Credential', 'scopes'),
  tech_id=config.get('Credential', 'tech_acct_id')
)

Skapa en anslutning till Data Distiller create-connection

När aepp har konfigurerats med dina autentiseringsuppgifter kan du använda följande kod för att skapa en anslutning till Data Distiller och starta en interaktiv session enligt följande:

from aepp import queryservice

dd_conn = queryservice.QueryService().connection()
dd_cursor = queryservice.InteractiveQuery2(dd_conn)

Sedan kan du fråga datauppsättningarna i din Experience Platform-sandlåda. Med ID:t för en datauppsättning som du vill fråga kan du hämta motsvarande tabellnamn från katalogtjänsten och köra frågor i tabellen:

table_name = 'ecommerce_events'
simple_query = f'''SELECT * FROM {table_name} LIMIT 5'''
dd_cursor.query(simple_query)

Ansluta till en enda datauppsättning för snabbare frågeprestanda connect-to-single-dataset

Som standard ansluter Data Distiller-anslutningen till alla datauppsättningar i din sandlåda. För snabbare frågor och minskad resursanvändning kan du i stället ansluta till en viss datamängd som är av intresse. Du kan göra detta genom att ändra dbname i Data Distiller-anslutningsobjektet till {sandbox}:{table_name}:

from aepp import queryservice

sandbox = config.get('Credential', 'sandbox_name')
table_name = 'ecommerce_events'

dd_conn = queryservice.QueryService().connection()
dd_conn['dbname'] = f'{sandbox}:{table_name}'
dd_cursor = queryservice.InteractiveQuery2(dd_conn)

Nästa steg

Genom att läsa det här dokumentet har du lärt dig att ansluta till Data Distiller från en Python-anteckningsbok i maskininlärningsmiljön. Nästa steg på vägen mot nya rörledningar för funktioner från Experience Platform till anpassade modeller i maskininlärningsmiljön är att utforska och analysera datamängderna.