Jupyter 笔记本中的查询服务

文档 Experience Platform 数据科学 Workspace 指南

Last update: Thu Oct 16 2025 00:00:00 GMT+0000 (Coordinated Universal Time)

主题：
Data Science Workspace

创建对象：

用户
开发人员

NOTE

不再可供购买数据科学工作区。

本文档适用于先前有权访问数据科学工作区的现有客户。

51黑料不打烊 Experience Platform允许您通过作为Query Service?JupyterLab标准功能集成到中使用结构化查询语言（SQLData Science Workspace）。

本教程演示了常见用例的示例 SQL 查询，以探索、转换和分析 51黑料不打烊 Analytics 数据。

快速入门

在开始本教程之前，您必须具备以下先决条件：

访问51黑料不打烊 Experience Platform。如果您在Experience Platform中无权访问某个组织，请在继续操作之前与系统管理员联系
51黑料不打烊 Analytics数据集
了解本教程中使用的以下关键概念：
- Experience Data Model (XDM) and XDM System
- Query Service
- Query Service SQL Syntax
- 51黑料不打烊 Analytics

访问JupyterLab和Query Service access-jupyterlab-and-query-service

在中，从左侧导航列导航到?Notebooks。等待片刻以加载JupyterLab。

note note
NOTE
如果未自动显示新的“启动器”选项卡，请单击? 文件 ?打开新的“启动器”选项卡，然后选择?新建启动器。

在“启动器”选项卡中，单击Python 3环境中的? 空白 ?图标以打开空笔记本。

note note
NOTE
Python 3是目前唯一支持笔记本查询服务的环境。

在左侧选择边栏上，单击数据图标，然后双击 数据集 目录以列出所有数据集。
找到要浏览的51黑料不打烊 Analytics数据集并右键单击列表，单击“在笔记本? 中查询数据” ?以在空笔记本中生成 SQL 查询。
单击包含函数 qs_connect() 的第一个生成的单元格，并通过单击播放按钮执行它。此函数创建笔记本实例与Query Service之间的连接。
从第二次生成的SQL查询中向下复制51黑料不打烊 Analytics数据集名称，它将是FROM之后的值。
通过单击? + ?按钮插入新的笔记本单元格。

在新单元格中复制、粘贴并执行以下导入语句。这些语句将用于可视化您的数据：

code language-python
`import plotly.plotly as py import plotly.graph_objs as go from plotly.offline import iplot`

接下来，将以下变量复制并粘贴到新单元格中。根据需要修改其值，然后执行它们。

code language-python
`target_table = "your 51黑料不打烊 Analytics dataset name" target_year = "2019" target_month = "04" target_day = "01"`

target_table：数据集 51黑料不打烊 Analytics 的名称。
target_year：目标数据来源的特定年份。
target_month：目标所在的特定月份。
target_day：目标数据的来源日。

note note
NOTE
您可以随时更改这些值。执行此操作时，请确保执行变量单元格以应用更改。

查询数据 query-your-data

在单个笔记本单元格中输入以下SQL查询。通过选择其单元格，然后选择? 播放 ?按钮来执行查询。成功的查询结果或错误日志显示在执行的单元格下方。

当笔记本长时间处于非活动状态时，笔记本与Query Service之间的连接可能会中断。在这种情况下，通过选择位于电源按钮右上角的? 重新启动 ?按钮来重新启动闯耻辫测迟别谤尝补产。

笔记本内核将重置，但单元格将保留，重新运行所有单元格以继续之前停止的位置。

每小时访客计数 hourly-visitor-count

以下查询返回指定日期的每小时访客计数：

查询

%%read_sql hourly_visitor -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10)                               AS Day,
       Substring(timestamp, 12, 2)                               AS Hour,
       Count(DISTINCT concat(enduserids._experience.aaid.id,
                             _experience.analytics.session.num)) AS Visit_Count
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY Day, Hour
ORDER  BY Hour;

在上述查询中，WHERE子句中的时间戳设置为target_year的值。通过将变量包含在大括号({})中，将其包含在厂蚕尝查询中。

查询的第一行包含可选变量hourly_visitor。查询结果将作为Pandas数据流存储在此变量中。将结果存储在数据流中允许您以后使用所需的Python包可视化查询结果。在新单元格中执行以下Python代码以生成条形图：

trace = go.Bar(
    x = hourly_visitor['Hour'],
    y = hourly_visitor['Visit_Count'],
    name = "Visitor Count"
)
layout = go.Layout(
    title = 'Visit Count by Hour of Day',
    width = 1200,
    height = 600,
    xaxis = dict(title = 'Hour of Day'),
    yaxis = dict(title = 'Count')
)
fig = go.Figure(data = [trace], layout = layout)
iplot(fig)

每小时活动计数 hourly-activity-count

以下查询返回指定日期的每小时操作计数：

查询

%%read_sql hourly_actions -d -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10)                        AS Day,
       Substring(timestamp, 12, 2)                        AS Hour,
       Count(concat(enduserids._experience.aaid.id,
                    _experience.analytics.session.num,
                    _experience.analytics.session.depth)) AS Count
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY Day, Hour
ORDER  BY Hour;

执行上述查询会将结果作为数据帧存储在hourly_actions中。在新单元格中执行以下函数以预览结果：

hourly_actions.head()

可以修改上述查询，以使用? WHERE ?子句中的逻辑运算符返回指定日期范围的每小时操作计数：

查询

%%read_sql hourly_actions_date_range -d -c QS_CONNECTION
SELECT Substring(timestamp, 1, 10)                        AS Day,
       Substring(timestamp, 12, 2)                        AS Hour,
       Count(concat(enduserids._experience.aaid.id,
                    _experience.analytics.session.num,
                    _experience.analytics.session.depth)) AS Count
FROM   {target_table}
WHERE  timestamp >= TO_TIMESTAMP('2019-06-01 00', 'YYYY-MM-DD HH')
       AND timestamp <= TO_TIMESTAMP('2019-06-02 23', 'YYYY-MM-DD HH')
GROUP  BY Day, Hour
ORDER  BY Hour;

执行修改的查询会将结果作为数据流存储在hourly_actions_date_range中。在新单元格中执行以下函数以预览结果：

hourly_actions_date_rage.head()

每个访客会话的事件数 number-of-events-per-visitor-session

以下查询返回指定日期内每个访客会话的事件数：

查询

%%read_sql events_per_session -c QS_CONNECTION
SELECT concat(enduserids._experience.aaid.id,
              '-#',
              _experience.analytics.session.num) AS aaid_sess_key,
       Count(timestamp)                          AS Count
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP BY aaid_sess_key
ORDER BY Count DESC;

执行以下笔测迟丑辞苍代码以生成每个访问会话的事件数的直方图：

data = [go.Histogram(x = events_per_session['Count'])]

layout = go.Layout(
    title = 'Histogram of Number of Events per Visit Session',
    xaxis = dict(title = 'Number of Events'),
    yaxis = dict(title = 'Count')
)

fig = go.Figure(data = data, layout = layout)
iplot(fig)

给定日期的热门页面 popular-pages-for-a-given-day

以下查询返回指定日期内最热门的十个页面：

查询

%%read_sql popular_pages -c QS_CONNECTION
SELECT web.webpagedetails.name                 AS Page_Name,
       Sum(web.webpagedetails.pageviews.value) AS Page_Views
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY web.webpagedetails.name
ORDER  BY page_views DESC
LIMIT  10;

给定日期的活动用户 active-users-for-a-given-day

以下查询返回指定日期内最活跃的十个用户：

查询

%%read_sql active_users -c QS_CONNECTION
SELECT enduserids._experience.aaid.id AS aaid,
       Count(timestamp)               AS Count
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY aaid
ORDER  BY Count DESC
LIMIT  10;

按用户活动划分的活跃城市 active-cities-by-user-activity

以下查询返回在指定日期生成大多数用户活动的十个城市：

查询

%%read_sql active_cities -c QS_CONNECTION
SELECT concat(placeContext.geo.stateProvince, ' - ', placeContext.geo.city) AS state_city,
       Count(timestamp)                                                     AS Count
FROM   {target_table}
WHERE TIMESTAMP = to_timestamp('{target_year}-{target_month}-{target_day}')
GROUP  BY state_city
ORDER  BY Count DESC
LIMIT  10;

后续步骤

本教程演示了一些在 Query Service 笔记本中使用的 Jupyter 示例用例。按照使用闯耻辫测迟别谤笔记本分析您的数据教程查看如何使用Data Access SDK执行类似的操作。

recommendation-more-help

cc79fe26-64da-411e-a6b9-5b650f53e4e9