Notebooks Jupyter

Jupyter Notebook et Jupyter Lab offrent des capacités interactives remarquables pour analyser, explorer, expliquer et présenter des données. PlaidCloud permet d’utiliser vos informations directement dans les notebooks.

PlaidCloud fournit JupyterHub dans chaque espace de travail tenant, s’il est activé. La documentation ci-dessous vous aide à configurer Jupyter séparément, sur un poste de travail ou sur un serveur distinct.

Installer Jupyter Notebook

Cette section suppose que vous disposez d’une installation de Jupyter Notebook fonctionnelle.

Installer un Jupyter Notebook autonome

Pour en savoir plus sur l’installation locale d’un Jupyter Notebook, consultez la documentation d’installation de Jupyter.

Ajouter à VS Code

VS Code propose également une extension qui permet d’exécuter des notebooks directement dans VS Code. Installez l’extension depuis le Visual Studio Marketplace

Installer les utilitaires PlaidCloud

Bien que PlaidCloud soit accessible avec des requêtes OAuth et JSON-RPC standard, nous vous recommandons d’utiliser nos bibliothèques préconçues pour un accès simplifié. De plus, la bibliothèque d’utilitaires PlaidCloud inclut des outils pratiques pour manipuler les dataframes Pandas.

Pour installer les utilitaires PlaidCloud, exécutez les installations pip suivantes :

pip install plaidcloud-rpc@git+https://github.com/PlaidCloud/plaid-rpc.git@v1.4.0#egg=plaidcloud-rpc

pip install plaidcloud-utilities@git+https://github.com/PlaidCloud/plaid-utilities.git@v1.5.2#egg=plaidcloud-utilities

Obtenir un jeton OAuth

Consultez Configuration d’OAuth pour savoir comment obtenir un jeton OAuth et configurer le système pour l’authentification automatisée.

Ouvrir l’interface utilisateur de Jupyter Notebook

Lancez votre serveur de notebooks pour commencer.

Une fois connecté à votre serveur de notebooks Jupyter, créez un nouveau notebook depuis l’interface.

Un notebook vierge s’ouvre.

Créez une connexion pour communiquer avec PlaidCloud via les points de terminaison de l’API

from plaidcloud.utilities.connect import PlaidConnection

conn = PlaidConnection()

Établissez un objet table local, puis interrogez-le ; les résultats sont placés automatiquement dans un dataframe Pandas.

tbl_sf_cust_master = conn.get_table('Salesforce_Customer_Master') # This gets a table object
df_sf_cust_master = conn.get_data(tbl_sf_cust_master) # This retrieves all the data into a dataframe

Avec ce même objet table, vous pouvez aussi écrire des requêtes plus avancées en syntaxe SQLAlchemy standard.

df_sf_cust_master_w_sales = conn.get_data(
    tbl_sf_cust_master.select().with_only_columns(
        [tbl_sf_cust_master.c.Id, tbl_sf_cust_master.c.CurrencyIsoCode, tbl_sf_cust_master.c.SyDSalesRegion]
    ).where(
        tbl_sf_cust_master.c.TotalSalesPast3Years > 0
    )
)