翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
Studio で SQL を使用してデータを準備する
Amazon SageMaker Studio には、SQL 拡張機能が組み込まれています。この拡張機能により、データサイエンティストはサンプリング、探索分析、特徴量エンジニアリングなどのタスクを JupyterLab ノートブック内で直接実行できます。 AWS Glue 接続を活用して、一元化されたデータソースカタログを維持します。カタログには、さまざまなデータソースに関するメタデータが保存されます。この SQL 環境を通じて、データサイエンティストはデータカタログを参照し、データを調べ、複雑な SQL クエリを作成し、Python で結果をさらに処理できます。
このセクションでは、Studio で SQL 拡張機能を設定する方法について説明します。この SQL 統合で有効になっている機能について説明し、 JupyterLab ノートブックで SQL クエリを実行する手順を示します。
SQL データ分析を有効にするには、管理者はまずデータソースを選択するように接続を設定 AWS Glue する必要があります。これらの接続により、データサイエンティストは 内から認可されたデータセットにシームレスにアクセスできます JupyterLab。アクセスをセットアップすると、 JupyterLab ユーザーは次のことができます。
-
事前設定されたデータソースを表示および参照します。
-
テーブル、スキーマ、列などのデータベース情報要素を検索、フィルタリング、検査します。
-
接続パラメータをデータソースに自動生成します。
-
拡張機能の SQL エディタの構文強調表示、自動補完、および SQL フォーマット機能を使用して、複雑な SQL クエリを作成します。
-
JupyterLab ノートブックセルから SQL ステートメントを実行します。
-
SQL クエリの結果を として取得して、pandas DataFrames 処理、視覚化、その他の機械学習タスクをさらに進めます。
Studio の JupyterLab アプリケーションの左側のナビゲーションペインにある アイコンを選択すると、拡張機能にアクセスできます。アイコンにカーソルを合わせると、データ検出ツールのヒントが表示されます。
重要
-
SageMaker Studio の JupyterLab イメージには、ディスSageMakerトリビューション
1.6 以降、デフォルトで SQL 拡張機能が含まれています。拡張機能は Python と SparkMagic カーネルでのみ動作します。 -
接続とデータを探索するための拡張機能のユーザーインターフェイスは、Studio JupyterLab 内の でのみ使用できます。Amazon Redshift
、Amazon Athena 、および Snowflake と互換性があります。
-
SQL 拡張機能のデータソースへの接続を設定しようとしている管理者の場合は、次の手順に従います。
-
Studio ドメインと で接続するデータソース間のネットワーク通信を有効にします管理者のネットワークを設定する。
-
この通信を有効にしたら、データソース AWS Glue への接続を作成し、 SageMaker ドメインまたはユーザープロファイルの実行ロールに で必要なアクセス許可を付与します管理者のデータソースへの SQL 拡張機能接続を設定する。
-
-
SQL 拡張機能を使用してデータソースを参照およびクエリしようとしているデータサイエンティストの場合は、管理者がデータソースへの接続を設定していることを確認し、次のステップに従います。
-
SageMaker ディストリビューションイメージバージョン 1.6 以降を使用して Studio で JupyterLab アプリケーションを起動するプライベートスペースを作成します。
-
SageMaker ディストリビューションイメージバージョン 1.6 のユーザーの場合は、 JupyterLab ノートブックセルで を実行して、ノートブック
%load_ext amazon_sagemaker_sql_magic
に SQL 拡張機能をロードします。SageMaker ディストリビューションイメージバージョン 1.7 以降のユーザーの場合、アクションは必要ありません。SQL 拡張機能は自動的にロードされます。
-
の SQL 拡張機能の機能を理解しますSQL 拡張機能の機能と使用方法。
-