Jupyterlab笔记本中的数据访问

每个受支持的内核都提供内置功能，允许您从笔记本中的数据集读取平台数据。 目前，Adobe Experience Platform Data Science Workspace 中的 JupyterLab 支持 、R、PySpark 和 Scala 的 Python笔记本。 但是，对分页数据的支持仅限于Python和R笔记本。 本指南重点介绍如何使用JupyterLab笔记本访问您的数据。

快速入门

在阅读本指南之前，请查看JupyterLab 用户指南，以详细了解JupyterLab及其在数据科学Workspace中的角色。

笔记本数据限制 notebook-data-limits

以下信息定义了可以读取的最大数据量、使用的数据类型以及读取数据的估计时间范围。

对于Python和R，使用配置为40GB RAM的笔记本服务器进行基准测试。 对于PySpark和Scala，配置为64GB RAM、8核、2个DBU且最多4个工作线程的数据库群集用于下面列出的基准。

使用的ExperienceEvent架构数据大小不一，从1,000行(1K)到十亿(1B)行。 请注意，对于PySpark和Spark量度，XDM数据使用了10天的日期范围。

使用Query Service创建表作为选择(CTAS)预处理了临时架构数据。 这些数据也各不相同，从1,000行（1,000行）到最多10亿（1,000行）不等。

何时使用批处理模式与交互模式 mode

读取包含PySpark和Scala笔记本的数据集时，您可以选择使用交互模式或批处理模式来读取数据集。 交互模式用于快速结果，而批处理模式用于大型数据集。

Python笔记本数据限制

XDM ExperienceEvent架构： ​您最多可以在22分钟内读取200万行（磁盘上约6.1 GB的数据）的XDM数据。 添加其他行可能会导致错误。

临时架构： ​您应该能够在14分钟内读取非XDM （临时）数据的最多500万行（磁盘上约5.6 GB的数据）。 添加其他行可能会导致错误。

R笔记本数据限制

XDM ExperienceEvent架构： ​您在13分钟内最多可读取100万行XDM数据（磁盘上的3GB数据）。

临时架构： ​您最多可以在10分钟内读取300万行临时数据（磁盘上为293MB数据）。

PySpark （Python内核）笔记本数据限制： pyspark-data-limits

XDM ExperienceEvent架构： ​在交互模式下，您应该能够在大约20分钟内最多读取500万行（磁盘上大约13.42GB的数据）的XDM数据。 交互式模式最多只支持500万行。 如果希望读取更大的数据集，建议切换到批处理模式。 在批处理模式下，您应该能够在大约14小时内读取最多5亿行（磁盘上大约1.31TB的数据）的XDM数据。

临时架构： ​在交互模式下，您最多应可在3分钟内读取500万行非XDM数据（磁盘上大约5.36GB的数据）。 在批处理模式下，您应该能够在大约18分钟内最多读取10亿行（磁盘上大约1.05TB的数据）非XDM数据。

Spark （Scala内核）笔记本数据限制： scala-data-limits

XDM ExperienceEvent架构： ​在交互模式下，您应该能够在大约18分钟内最多读取500万行（磁盘上大约13.42GB的数据）的XDM数据。 交互式模式最多只支持500万行。 如果希望读取更大的数据集，建议切换到批处理模式。 在批处理模式下，您应该能够在大约14小时内读取最多5亿行（磁盘上大约1.31TB的数据）的XDM数据。

临时架构： ​在交互模式下，您最多应可在3分钟内读取500万行非XDM数据（磁盘上的数据约为5.36GB）。 在批处理模式下，您应该能够在大约16分钟内最多读取10亿行（磁盘上大约1.05TB的数据）非XDM数据。

Python笔记本 python-notebook

Python笔记本允许您在访问数据集时分页数据。 下面演示了使用分页和不使用分页读取数据的示例代码。 有关可用入门Python笔记本的更多信息，请访问JupyterLab用户指南中的JupyterLab 启动器部分。

以下Python文档概述了以下概念：

从Python中的数据集读取 python-read-dataset

没有分页：

执行以下代码将读取整个数据集。 如果执行成功，则数据将保存为变量df引用的熊猫数据流。

# Python

from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.read()
df.head()

分页：

执行以下代码将从指定的数据集中读取数据。 通过分别通过函数limit()和offset()限制和偏移数据来实现分页。 限制数据是指要读取的最大数据点数，而偏移是指在读取数据之前要跳过的数据点数。 如果读取操作执行成功，则数据将保存为变量df引用的Pandas数据流。

# Python

from platform_sdk.dataset_reader import DatasetReader

dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.limit(100).offset(10).read()

写入Python中的数据集 write-python

要写入JupyterLab笔记本中的数据集，请选择JupyterLab左侧导航栏中的“数据”图标选项卡（如下所示）。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并单击右键，然后从要使用的数据集上的下拉菜单中选择​ 在笔记本中写入数据 ​选项。 笔记本底部会出现一个可执行代码项。

或者，可以复制并粘贴以下代码单元格。 同时替换{DATASET_ID}和{PANDA_DATAFRAME}。

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

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

使用Python中的Query Service查询数据 query-data-python

Platform上的JupyterLab允许您使用Python笔记本中的SQL通过Adobe Experience Platform查询服务访问数据。 通过Query Service访问数据对于处理大型数据集很有用，因为其运行时间较长。 请注意，使用Query Service查询数据的处理时间限制为10分钟。

在JupyterLab中使用Query Service之前，请确保您对Query Service SQL语法有一定的了解。

使用Query Service查询数据需要您提供目标数据集的名称。 您可以使用​ 数据资源管理器 ​查找所需的数据集来生成必要的代码单元格。 右键单击数据集列表并单击​ 在笔记本中查询数据 ​以在笔记本中生成两个代码单元格。 下面将更详细地概述这两个单元格。

为了在JupyterLab中利用Query Service，您必须首先在正在处理的Python笔记本和Query Service之间创建连接。 这可以通过执行第一个生成的单元格来实现。

qs_connect()

在第二个生成的单元格中，必须在SQL查询之前定义第一行。 默认情况下，生成的单元格定义了一个可选变量(df0)，该变量将查询结果保存为Pandas数据流。
-c QS_CONNECTION参数是必需的，它告知内核对Query Service执行SQL查询。 有关其他参数的列表，请参阅附录。

%%read_sql df0 -c QS_CONNECTION
SELECT *
FROM name_of_the_dataset
LIMIT 10
/* Querying table "name_of_the_dataset" (datasetId: {DATASET_ID})*/

通过使用字符串格式语法并将变量括在大括号({})中，可以直接在SQL查询中引用Python变量，如以下示例所示：

table_name = 'name_of_the_dataset'
table_columns = ','.join(['col_1','col_2','col_3'])

%%read_sql demo -c QS_CONNECTION
SELECT {table_columns}
FROM {table_name}

筛选ExperienceEvent数据 python-filter

要访问和筛选Python笔记本中的ExperienceEvent数据集，您必须提供数据集({DATASET_ID})的ID以及使用逻辑运算符定义特定时间范围的筛选规则。 定义时间范围后，将忽略任何指定的分页，并会考虑整个数据集。

筛选运算符列表如下所述：

以下单元格筛选ExperienceEvent数据集，使其包含在2019年1月1日至2019年12月31日结束期间仅存在的数据。

# Python

from platform_sdk.dataset_reader import DatasetReader

dataset_reader = DatasetReader(get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df = dataset_reader.\
    where(dataset_reader["timestamp"].gt("2019-01-01 00:00:00").\
    And(dataset_reader["timestamp"].lt("2019-12-31 23:59:59"))\
).read()

R笔记本 r-notebooks

R笔记本允许您在访问数据集时分页数据。 下面演示了使用分页和不使用分页读取数据的示例代码。 有关可用入门R笔记本的更多信息，请访问JupyterLab用户指南中的JupyterLab 启动器部分。

以下R文档概述了以下概念：

从R中的数据集中读取 r-read-dataset

无分页：

执行以下代码将读取整个数据集。 如果执行成功，则数据将保存为变量df0引用的Pandas数据帧。

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$read()
head(df0)

分页：

执行以下代码将从指定的数据集中读取数据。 分页通过分别通过函数limit()和offset()限制和偏移数据来实现。 限制数据是指要读取的最大数据点数，而偏移是指在读取数据之前要跳过的数据点数。 如果读取操作成功执行，则数据将保存为变量df0引用的Pandas数据帧。

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")

DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")
df0 <- dataset_reader$limit(100L)$offset(10L)$read()

写入R中的数据集 write-r

要写入JupyterLab笔记本中的数据集，请在JupyterLab的左侧导航中选择“数据”图标选项卡（下面高亮显示）。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并右键单击，然后从要使用的数据集上的下拉菜单中选择​ 在笔记本中写入数据 ​选项。 笔记本底部会显示一个可执行代码条目。

或者，可以复制并粘贴以下代码单元格：

psdk <- import("platform_sdk")
dataset <- psdk$models$Dataset(py$get_platform_sdk_client_context())$get_by_id(dataset_id="{DATASET_ID}")
dataset_writer <- psdk$dataset_writer$DatasetWriter(py$get_platform_sdk_client_context(), dataset)
write_tracker <- dataset_writer$write(df, file_format='json')

筛选ExperienceEvent数据 r-filter

为了在R笔记本中访问和筛选ExperienceEvent数据集，您必须提供数据集({DATASET_ID})的ID以及使用逻辑运算符定义特定时间范围的筛选规则。 定义时间范围后，将忽略任何指定的分页，并会考虑整个数据集。

筛选运算符列表如下所述：

以下单元格筛选ExperienceEvent数据集，使其包含在2019年1月1日至2019年12月31日结束期间仅存在的数据。

# R

library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
datetime <- import("datetime", convert = FALSE)
py_run_file("~/.ipython/profile_default/startup/platform_sdk_context.py")

client_context <- py$PLATFORM_SDK_CLIENT_CONTEXT
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(py$get_platform_sdk_client_context(), dataset_id="{DATASET_ID}")

df0 <- dataset_reader$
    where(dataset_reader["timestamp"]$gt("2019-01-01 00:00:00")$
    And(dataset_reader["timestamp"]$lt("2019-12-31 23:59:59"))
)$read()

PySpark 3笔记本 pyspark-notebook

以下PySpark文档概述了以下概念：

初始化sparkSession spark-initialize

所有Spark 2.4笔记本都要求您使用以下样板代码初始化会话。

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

使用%dataset对PySpark 3笔记本进行读取和写入 magic

随着Spark 2.4的引入，提供了%dataset自定义魔术以用于PySpark 3 (Spark 2.4)笔记本。 有关IPython内核中可用的魔术命令的更多详细信息，请访问IPython魔术文档。

用法

%dataset {action} --datasetId {id} --dataFrame {df} --mode batch

描述

用于从PySpark笔记本（Python 3内核）读取或写入数据集的自定义Data Science Workspace魔术命令。

示例

您可以使用以下方法在JupyterLab buy中自动生成上述示例：

选择JupyterLab左侧导航栏中的数据图标选项卡（突出显示如下）。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并单击右键，然后从要使用的数据集上的下拉菜单中选择​ 在笔记本中写入数据 ​选项。 笔记本底部会出现一个可执行代码项。

创建本地数据流 pyspark-create-dataframe

要使用PySpark 3创建本地数据流，请使用SQL查询。 例如：

date_aggregation.createOrReplaceTempView("temp_df")

df = spark.sql('''
  SELECT *
  FROM sparkdf
''')

local_df

df = spark.sql('''
  SELECT *
  FROM sparkdf
  LIMIT limit
''')

sample_df = df.sample(fraction)

筛选ExperienceEvent数据 pyspark-filter-experienceevent

在PySpark笔记本中访问和过滤ExperienceEvent数据集需要您提供数据集标识({DATASET_ID})、组织的IMS标识和定义特定时间范围的过滤规则。 使用函数spark.sql()定义筛选时间范围，其中函数参数是SQL查询字符串。

以下单元格将ExperienceEvent数据集筛选为仅存在于2019年1月1日至2019年12月31日之间的数据。

# PySpark 3 (Spark 2.4)

from pyspark.sql import SparkSession
spark = SparkSession.builder.getOrCreate()

%dataset read --datasetId {DATASET_ID} --dataFrame df --mode batch

df.createOrReplaceTempView("event")
timepd = spark.sql("""
    SELECT *
    FROM event
    WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
    AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timepd.show()

Scala笔记本 scala-notebook

以下文档包含有关以下概念的示例：

初始化SparkSession scala-initialize

所有Scala笔记本都要求您使用以下样板代码初始化会话：

import org.apache.spark.sql.{ SparkSession }
val spark = SparkSession
  .builder()
  .master("local")
  .getOrCreate()

读取数据集 read-scala-dataset

在Scala中，您可以导入clientContext以获取并返回Platform值，这样就无需定义变量，如var userToken。 在下面的Scala示例中，clientContext用于获取和返回读取数据集所需的所有值。

import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()

val clientContext = ClientContext.getClientContext()
val df1 = spark.read.format("com.adobe.platform.query")
  .option("user-token", clientContext.getUserToken())
  .option("ims-org", clientContext.getOrgId())
  .option("api-key", clientContext.getApiKey())
  .option("service-token", clientContext.getServiceToken())
  .option("sandbox-name", clientContext.getSandboxName())
  .option("mode", "batch")
  .option("dataset-id", "5e68141134492718af974844")
  .load()

df1.printSchema()
df1.show(10)

您可以使用以下方法在JupyterLab buy中自动生成上述示例：

选择JupyterLab左侧导航栏中的“数据”图标选项卡（高亮显示如下）。 出现​ 数据集 ​和​ 架构 ​目录。 选择​ 数据集 ​并单击右键，然后从您要使用的数据集上的下拉菜单中选择​ 浏览笔记本中的数据 ​选项。 笔记本底部会出现一个可执行代码项。
和

写入数据集 scala-write-dataset

在Scala中，您可以导入clientContext来获取和返回平台值，这样便无需定义变量，如var userToken。 在下面的Scala示例中，clientContext用于定义和返回写入数据集所需的所有必需值。

import org.apache.spark.sql.{Dataset, SparkSession}
import com.adobe.platform.token.ClientContext
val spark = SparkSession.builder().master("local").config("spark.sql.warehouse.dir", "/").getOrCreate()

val clientContext = ClientContext.getClientContext()
df1.write.format("com.adobe.platform.query")
  .option("user-token", clientContext.getUserToken())
  .option("service-token", clientContext.getServiceToken())
  .option("ims-org", clientContext.getOrgId())
  .option("api-key", clientContext.getApiKey())
  .option("sandbox-name", clientContext.getSandboxName())
  .option("mode", "batch")
  .option("dataset-id", "5e68141134492718af974844")
  .save()

创建本地数据流 scala-create-dataframe

要使用Scala创建本地数据流，需要SQL查询。 例如：

sparkdf.createOrReplaceTempView("sparkdf")

val localdf = spark.sql("SELECT * FROM sparkdf LIMIT 1)

筛选ExperienceEvent数据 scala-experienceevent

在Scala笔记本中访问和筛选ExperienceEvent数据集需要您提供数据集标识({DATASET_ID})、组织的IMS标识和定义特定时间范围的筛选规则。 使用函数spark.sql()定义筛选时间范围，其中函数参数是SQL查询字符串。

以下单元格将ExperienceEvent数据集筛选为2019年1月1日至2019年12月31日终了期间专门存在的数据。

// Spark (Spark 2.4)

// Turn off extra logging
import org.apache.log4j.{Level, Logger}
Logger.getLogger("org").setLevel(Level.OFF)
Logger.getLogger("com").setLevel(Level.OFF)

import org.apache.spark.sql.{Dataset, SparkSession}
val spark = org.apache.spark.sql.SparkSession.builder().appName("Notebook")
  .master("local")
  .getOrCreate()

// Stage Exploratory
val dataSetId: String = "{DATASET_ID}"
val orgId: String = sys.env("IMS_ORG_ID")
val clientId: String = sys.env("PYDASDK_IMS_CLIENT_ID")
val userToken: String = sys.env("PYDASDK_IMS_USER_TOKEN")
val serviceToken: String = sys.env("PYDASDK_IMS_SERVICE_TOKEN")
val mode: String = "batch"

var df = spark.read.format("com.adobe.platform.query")
  .option("user-token", userToken)
  .option("ims-org", orgId)
  .option("api-key", clientId)
  .option("mode", mode)
  .option("dataset-id", dataSetId)
  .option("service-token", serviceToken)
  .load()
df.createOrReplaceTempView("event")
val timedf = spark.sql("""
    SELECT *
    FROM event
    WHERE timestamp > CAST('2019-01-01 00:00:00.0' AS TIMESTAMP)
    AND timestamp < CAST('2019-12-31 23:59:59.9' AS TIMESTAMP)
""")
timedf.show()

后续步骤

本文档介绍了使用JupyterLab笔记本访问数据集的一般准则。 有关查询数据集的更深入示例，请访问JupyterLab notebooks中的查询服务文档。 有关如何浏览和可视化数据集的更多信息，请访问使用笔记本分析数据上的文档。

Query Service的可选SQL标记 optional-sql-flags-for-query-service

此表概述了可用于Query Service的可选SQL标志。