Notebooki Jupyter

Notebooki Jupyter i Jupyter Lab zapewniają znakomite interaktywne możliwości analizowania, eksplorowania, objaśniania i raportowania danych. PlaidCloud umożliwia korzystanie z informacji bezpośrednio w notebookach.

PlaidCloud udostępnia JupyterHub w każdym obszarze roboczym dzierżawy, jeśli został on aktywowany. Poniższa dokumentacja pomaga skonfigurować Jupyter osobno na komputerze stacjonarnym lub oddzielnym serwerze.

Instalacja Jupyter Notebook

Zakłada się, że masz działającą instalację Jupyter Notebook.

Instalacja samodzielnego Jupyter Notebook

Więcej informacji o lokalnej instalacji Jupyter Notebook znajdziesz w dokumentacji instalacji Jupyter.

Dodawanie do VS Code

VS Code udostępnia również rozszerzenie, które pozwala uruchamiać notebooki bezpośrednio w VS Code. Zainstaluj rozszerzenie z Visual Studio Marketplace

Instalacja narzędzi PlaidCloud Utilities

Chociaż dostęp do PlaidCloud jest możliwy za pomocą standardowych żądań OAuth i JSON-RPC, zalecamy korzystanie z naszych gotowych bibliotek, które upraszczają dostęp. Ponadto biblioteka PlaidCloud Utilities zawiera przydatne funkcje pomocnicze do pracy z ramkami danych Pandas.

Aby zainstalować PlaidCloud Utilities, wykonaj następujące instalacje pip:

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

Uzyskiwanie tokenu OAuth

Więcej informacji o uzyskiwaniu tokenu OAuth i konfigurowaniu systemu do zautomatyzowanego uwierzytelniania znajdziesz w sekcji Konfiguracja OAuth.

Otwieranie interfejsu użytkownika Jupyter Notebook

Uruchom serwer notebooków, aby rozpocząć.

Po zalogowaniu do serwera notebooków Jupyter utwórz nowy notebook z poziomu interfejsu.

Otworzy się pusty notebook.

Utwórz połączenie do komunikacji z PlaidCloud przez punkty końcowe API

from plaidcloud.utilities.connect import PlaidConnection

conn = PlaidConnection()

Utwórz lokalny obiekt tabeli, a następnie zapytaj go, aby wyniki trafiły automatycznie do ramki danych 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

Za pomocą tego samego obiektu tabeli możesz też pisać bardziej zaawansowane zapytania w standardowej składni SQLAlchemy.

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
    )
)