使用 Adobe Experience Platform Platform SDK 進行模型創作
此教學課程為您提供了有關在 Python 和 R 中轉換為 data_access_sdk_python 新 Python platform_sdk 的信息。此教學課程提供有關以下操作的信息：
生成身份驗證 build-authentication
Authentication 是調用 Adobe Experience Platform所必需的，由 API 金鑰、組織 ID、用戶 令牌和服務令牌組成。
Python
如果您使用的是 Jupyter Notebook，請使用以下代碼版本編號 client_context：
client_context = PLATFORM_SDK_CLIENT_CONTEXT
如果您沒有使用 Jupyter Notebook 或需要更改組織，請使用以下代碼範例：
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
如果您使用的是 Jupyter Notebook，請使用以下代碼版本編號 client_context：
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$PLATFORM_SDK_CLIENT_CONTEXT
如果您沒有使用 Jupyter Notebook 或需要更改組織，請使用以下代碼範例：
library(reticulate)
use_python("/usr/local/bin/ipython")
psdk <- import("platform_sdk")
client_context <- psdk$client_context$ClientContext(api_key={API_KEY},
org_id={ORG_ID},
user_token={USER_TOKEN},
service_token={SERVICE_TOKEN})
基本讀取數據 basic-reading-of-data
使用新 Platform SDK，最大讀取大小為 32 GB，最長讀取時間為 10 分鐘。
如果讀取時間過長，可以嘗試使用以下篩選選項之一：
client_context。Python
要在 Python 中讀取資料，請使用下面的代碼範例：
from platform_sdk.dataset_reader import DatasetReader
dataset_reader = DatasetReader(client_context, "{DATASET_ID}")
df = dataset_reader.limit(100).read()
df.head()
R
要在 R 中讀取資料，請使用下面的代碼範例：
DatasetReader <- psdk$dataset_reader$DatasetReader
dataset_reader <- DatasetReader(client_context, "{DATASET_ID}")
df <- dataset_reader$read()
df
按偏移量和限制篩選 filter-by-offset-and-limit
由於不再支持按批次 ID 篩選，因此為了範圍讀取數據，需要使用 offset 和 limit。
Python
df = dataset_reader.limit(100).offset(1).read()
df.head
R
df <- dataset_reader$limit(100L)$offset(1L)$read()
df
依日期篩選 filter-by-date
日期篩選的粒度現在由時間戳定義，而不是按日設定。
Python
df = dataset_reader.where(\
dataset_reader['timestamp'].gt('2019-04-10 15:00:00').\
And(dataset_reader['timestamp'].lt('2019-04-10 17:00:00'))\
).read()
df.head()
R
df2 <- dataset_reader$where(
dataset_reader['timestamp']$gt('2018-12-10 15:00:00')$
And(dataset_reader['timestamp']$lt('2019-04-10 17:00:00'))
)$read()
df2
新版 Platform SDK 支援以下操作：
=）eq()>）gt()>=）ge()<）lt()<=）le()&）And()依選取的欄篩選 filter-by-selected-columns
若要進一步優化數據讀取，還可以按列名稱進行篩選。
Python
df = dataset_reader.select(['column-a','column-b']).read()
R
df <- dataset_reader$select(c('column-a','column-b'))$read()
獲取排序結果 get-sorted-results
接收的結果可以分別按目標 資料集的指定列和順序（asc/desc）排序。
在以下示例中，數據幀首先按「列-a」升序排序。 具有相同「列-a」值的行然後按「列-b」降序排序。
Python
df = dataset_reader.sort([('column-a', 'asc'), ('column-b', 'desc')])
R
df <- dataset_reader$sort(c(('column-a', 'asc'), ('column-b', 'desc')))$read()
數據的基本寫入 basic-writing-of-data
client_context。要在 Python 和 R 中寫入數據，請使用以下範例之一：
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')
後續步驟
配置 platform_sdk 數據載入程式後，將進行數據準備工作，然後將其拆分為AND train val 數據集。 要了解數據準備和特徵工程，請造訪使用筆記本創建JupyterLab方式教學課程中有關數據準備和特徵工程🔗的部分。