製品概要

プロダクト概要

製品の強み

適用シーン

購入ガイド

課金概要

返金説明

支払い期限切れ説明

設定調整費用の説明

クイックスタート

新規ユーザー開通フルプロセス

DLC データインポートガイド

DLCデータ分析の1分間入門

DLC権限管理の1分間入門

パーティションテーブル1分間入門

データ最適化をオンにする

クロスソース分析 EMR Hive データ

標準エンジン構成ガイド

操作ガイド

コンソール操作紹介

開発ガイド

実行環境

SparkJar ジョブ開発ガイド

PySparkジョブ開発ガイド

「クエリパフォーマンス最適化ガイド」

UDF 関数開発ガイド

システム制約

クライアントアクセス

JDBCアクセス

TDLC コマンドラインツールにアクセス

サードパーティソフトウェア連携

Python にアクセス

実践チュートリアル

DLC を Power BI に接続

テーブル作成の実践

Apache Airflowを使用してDLCエンジンのタスクをスケジュールして送信する

StarRocks は DLC 内部ストレージを直接クエリします

Spark の計算コスト最適化プラクティス

DATA + AI

ロールSSOを使用してDLCにアクセスする

SQL構文

SuperSQL構文

標準 Spark 構文概要

標準 Presto 構文の概要

予約語

API Documentation

History

Introduction

API Category

Making API Requests

Data Table APIs

Task APIs

Metadata APIs

Service Configuration APIs

Permission Management APIs

Database APIs

Data Source Connection APIs

Data Optimization APIs

Data Engine APIs

Resource Group for the Standard Engine APIs

Data Types

Error Codes

一般クラスリファレンス

エラーコード

クォータと制限

サードパーティソフトウェアでDLCに接続する操作ガイド

よくあるご質問

権限に関するよくあるご質問

エンジン類のよくある質問

機能に関するよくあるご質問

Sparkジョブクラスに関するよくある質問

DLC ポリシー

プライバシーポリシー

データプライバシーとセキュリティ契約

お問い合わせ

付録

PDF

フォーカスモード

フォントサイズ

最終更新日: 2025-12-25 11:27:55

マジック構文
Magic 構文は Jupyter Notebook の機能の1つで、特定のコマンドを使用して特別な操作を実行できます。通常、% または %% で始まります。Magic コマンドは一般的なタスクを簡素化し、作業効率を向上させるために使用できます。
Jupyter Notebook ネイティブマジックコマンド
行マジックコマンド（Line Magics）は通常 % で始まり、現在の行に作用します。
例を挙げて説明
マジックコマンド
意味説明
使用例
%run
指定されたPythonスクリプトまたはNotebookファイルを実行
%run example.ipynb
%pip
指定されたPythonパッケージをインストール
%pip install <package name>
セルマジックコマンド（Cell Magics）は通常%%で始まり、セル全体に作用します。
例を挙げて説明
マジックコマンド
意味説明
使用例
%%python
現在のセルをPython構文で実行します（通常は不要で、デフォルトはPythonです）
%%python
print('hello world')
%%markdown
セル内でMarkdownテキストをレンダリングします
%%markdown
# これは見出しです
## これは見出し2です
その他のMagicコマンドについては、Magic公式サイトをご覧ください。
WeData Notebook 特殊マジックコマンド
多言語切り替え
デフォルトでは、NotebookはPython構文を使用してコードを記述します。現在のセルの構文を切り替えたい場合は、セルの前に%%<言語>を追加できます。
以下の magic コードを実行するには、まず以下の初期化コマンドを実行する必要があります：
%load_ext dlcmagic.kyuubikernel.magics.dlcenginemagics
%load_ext dlcmagic.pythonkernel.magics
例を挙げて説明
マジックコマンド
意味説明
使用例
%%py
現在のセルをPySpark構文で実行します。使用前に以下の初期化コマンドを実行する必要があります
%%py
# サンプルデータの作成
data = [("Alice", 1), ("Bob", 2), ("Cathy", 3)]
columns = ["Name", "Id"]
# DataFrameの作成
df = spark.createDataFrame(data, columns)
# DataFrameの表示
df.show()
%%scala
現在のセルをScala構文で実行
%%scala
println("Hello, World!")
%%sql
現在のセルをSpark SQL構文で実行
%%sql
SELECT * FROM example_table_1;
注意：
上記のWeData Notebookの特殊魔法コマンドは、DLCエンジンの機械学習リソースグループに接続して使用する場合にのみ適用されます。
DLC Utilities（dlcutils）
dlcutilsは、WeDataがDLCエンジンに基づいて提供するユーティリティライブラリであり、主にNotebook環境でのさまざまな操作を簡素化するために使用されます。データ処理、パラメータの受け渡し、環境設定などの関連タスクをユーザーが実行するのに役立ちます。
Data utility（dlcutils.notebook）
関数名
意味説明
使用例
summarize(df: Object): void
DataFrameの統計指標を計算および表示し、データ構造を理解しやすくします。
Pythonコード、PySparkコードに適用されます。
# サンプルデータの作成
data = [("Alice", 1), ("Bob", 2), ("Cathy", 3)]columns = ["Name", "Id"]
# DataFrameの作成
df = spark.createDataFrame(data, columns)
# データフレームの概要
dlcutils.data.summarize(df)
Notebook utility（dlcutils.notebook）
関数名
意味説明
使用例
exit(value: String): void
現在のnotebookを終了し、指定された戻り値を出力します。この方法でnotebookのパラメータを下流のタスクに渡すことができます。
dlcutils.notebook.exit('this is output  parameter values')
#  DLCNotebook exited: this is output  parameter values.
run(path: String, timeoutSeconds: int, arguments: Map): String
ノートブックファイルを実行する
path：notebookファイルのパスを指定します
timeoutSeconds：タイムアウト時間
arguments：変数
res = dlcutils.notebook.run("nb.ipynb", timeout_seconds=60, arguments={'key1':8, 'key2':'value'})
Parameters utility（dlcutils.params）
関数名
意味説明
使用例
text(name: String, defaultValue: String, label: String): void
変数の値を設定
dlcutils.params.text(
  name='your_name_text',
  defaultValue='Ricky',
  label='Your name'
)
﻿
print(dlcutils.params.get("your_name_text"))
﻿
# Ricky
get(name: String): String
指定変数を取得
dlcutils.params.text(
  name='your_name_text',
  defaultValue='Ricky',
  label='Your name'
)
﻿
print(dlcutils.params.get("your_name_text"))
﻿
# Ricky
remove(name: String): void
指定変数をクリア
dlcutils.params.remove('fruits_combobox')
removeAll(): void
現在のコンテキストに設定された変数をクリア
dlcutils.params.removeAll()
注意：
上記のdlcutils関数は、DLCエンジンの機械学習リソースグループに接続して使用する場合にのみ適用されます。
MLFlow関数
MLFlowはオープンソースの機械学習プラットフォームで、データサイエンスライフサイクル全体（実験管理、モデルバージョン管理、モデルデプロイ、モデルモニタリングなど）を包括的にサポートしています。
テンセントクラウド WeData は MLFlow に基づいて機械学習実験管理とモデル管理機能を提供しています。Notebook ワークスペースで MLFlow サービスを有効にすると、実験中に MLFlow の関連関数を呼び出して各実験のパラメータ、指標、結果を記録し、WeData 機械学習モジュール > 実験管理とモデル管理で確認できるようになり、実験の追跡と再現性を実現します。
一般的なMLFlow関数には以下が含まれます：
﻿MLFlow関数
関数名
関数の機能と使用方法
実験管理
mlflow.create_experiment(name)
新しい実験を作成します。
実験名の一意性を保証する必要があります。実験名が既に存在する場合、create_experimentは例外を発生させます。
﻿
mlflow.set_experiment(name)
現在の実験を設定します。
既存の実験名に直接使用でき、後続の実行でパラメータとメトリクスを記録することができます。
指定された実験が存在しない場合、新しい実験が自動的に作成されます。
﻿
mlflow.start_run()
新しい実行を開始します。
現在の実行コンテキストを表すRunオブジェクトを返します。
start_run() は通常、with ステートメントと一緒に使用され、実行終了時に自動的に end_run() が呼び出されるようにします。
パラメータと指標を記録する
mlflow.log_param(key, value)
パラメータとその値を記録する
key (str): パラメータの名前。
value (str, int, float): パラメータの値。文字列、整数、または浮動小数点数を指定できます。
﻿
mlflow.log_metric(key, value, step=None)
指標とその値を記録する。
﻿
mlflow.log_artifact(local_path, artifact_path=None)
ローカルファイルまたはディレクトリ（モデルの設定ファイル、データファイル、結果ファイルなど）を記録する。
local_path：記録するローカルファイルまたはディレクトリのパス；
artifact_path：MLflowサーバー上でこのファイルまたはディレクトリを保存するパス。
モデル管理
mlflow.sklearn.log_model(model, artifact_path)
Scikit-learnモデルを記録します。
﻿
mlflow.pyfunc.log_model(artifact_path, python_model)
カスタムPythonモデルを記録します。
﻿
mlflow.register_model(model_uri, name)
モデルをモデルレジストリに登録します。モデルレジストリはMLflowが提供するモデル管理とバージョン管理機能で、モデルの共有、デプロイ、管理を容易にします。
モデルデプロイ
mlflow.pyfunc.serve(model_uri)
モデルをREST APIサービスとしてデプロイします。登録されたMLflowモデルの予測サービスを提供するために、ローカルでHTTPサーバーを起動します。サーバー起動後、HTTP Postリクエストでデータを送信して予測を行うことができます。
model_uri：登録済みモデルを指すURIで、モデルレジストリ内のURIまたは記録済みモデルのパスを指定できます。
MLFlowのその他の関数については、MLflow Overviewをご参照ください。
Notebookパラメータの使用例
Notebookでプロジェクトパラメータを使用する
1. プロジェクト管理 > パラメータ設定画面に移動し、追加をクリックして、プロジェクトパラメータの新規作成を完了します。
﻿
﻿
﻿
2. プロジェクト管理のパラメータで既にパラメータが定義されている場合、例えばパラメータ名 test_parameter で値が100の場合、notebook で直接プロジェクトパラメータを試用できます。
# print project parameters  
print(dlcutils.params.get("test_parameter"))
# output 100
Notebookでワークフローパラメータまたはタスクパラメータを使用する
NotebookスペースでNotebookファイルをデバッグ実行する場合、Notebookはまだタスクやワークフローに関連付けられていないため、テスト中にデフォルト値を設定できます。Notebookの定期スケジュール時には、ワークフローとタスクで設定された値を使用します。
ワークフローパラメータはワークフローの共通設定で構成できます。
タスクパラメータはタスクのタスク属性で構成できます。
例えば、タスクにはタスクパラメータtask_test_paramが構成され、タスクのワークフローにはworkflow_test_paramが構成されています。
﻿
﻿
﻿
﻿
﻿
﻿
# get task_test_param value
# When testing and running in the notebook space, 
# default values need to be set because the notebook file has not yet been associated with a task.
﻿
try:
    task_test_param_value = dlcutils.params.get("task_test_param")
    if not task_test_param_value:  # 取得した値が空文字列の場合
        task_test_param_value = 'task_default_value'
except Exception:  # パラメータを完全に取得できない場合
    task_test_param_value = 'task_default_value'
﻿
print(f"Using toy value: {task_test_param_value}")
# get workflow_test_param value
# When testing and running in the notebook space, 
# default values need to be set because the notebook file has not yet been associated with a workflow.
try:
    workflow_test_param_value = dlcutils.params.get("workflow_test_param")
    if not workflow_test_param_value:  # 取得した値が空文字列の場合
        workflow_test_param_value = 'workflow_default_value'
except Exception:  # パラメータを完全に取得できない場合
    workflow_test_param_value = 'workflow_default_value'
﻿
print(f"Using toy value: {workflow_test_param_value}")
notebook間のパラメータ受け渡し
1. Notebookスペースで、parameter_test_up.ipynbとparameter_test_down.ipynbの2つのNotebookファイルを作成し、ファイルの内容は次のとおりです：
parameter_test_up.ipynb
# Exit the notebook and output parameters
dlcutils.notebook.exit('this is output  parameter values')
parameter_test_down.ipynb
# get task_input_param value
# When testing and running in the notebook space, 
# default values need to be set because the notebook file has not yet been associated with a task.
try:
    task_input_param = dlcutils.params.get("task_input_param")
    if not task_input_param:  # 取得した値が空文字列の場合
        task_input_param = 'task_input_default_value'
except Exception:  # パラメータを完全に取得できない場合
    task_input_param = 'task_input_default_value'
﻿
print(f"Using toy value: {task_input_param}")
2. また、オーケストレーションスペースで2つのタスク「notebook_upstream_01」と「notebook_downstream_01」を作成し、それぞれ上記の2つのノートブックファイルを選択します。
﻿
﻿
﻿
3. タスク notebook_upstream_01 のスケジュール設定で、現在のタスクパラメータ task_output_param を$[0]に設定します。
﻿
﻿
﻿
4. タスク notebook_downstream_01 のスケジュール設定で、現在のタスクパラメータ task_output_param を$[0]に設定します。
﻿
﻿
﻿
5. 最後に、ワークフローのデバッグ実行またはスケジュール実行で、notebook_downstream_01 の出力が「this is output parameter values」であることを確認できます。
﻿
﻿
﻿
﻿

ヘルプとサポート

この記事はお役に立ちましたか？

営業担当者にお問い合わせいただくかチケットを提出してサポートを求めることができます。

フィードバック

tencent cloud

Data Lake Compute

付録

マジック構文

Jupyter Notebook ネイティブマジックコマンド

WeData Notebook 特殊マジックコマンド

DLC Utilities（dlcutils）

Data utility（dlcutils.notebook）

Notebook utility（dlcutils.notebook）

Parameters utility（dlcutils.params）

MLFlow関数

Notebookパラメータの使用例

Notebookでプロジェクトパラメータを使用する

Notebookでワークフローパラメータまたはタスクパラメータを使用する

notebook間のパラメータ受け渡し

ヘルプとサポート

マジックコマンド	意味説明	使用例
%run	指定されたPythonスクリプトまたはNotebookファイルを実行	%run example.ipynb
%pip	指定されたPythonパッケージをインストール	%pip install <package name>

関数名	意味説明	使用例
exit(value: String): void	現在のnotebookを終了し、指定された戻り値を出力します。この方法でnotebookのパラメータを下流のタスクに渡すことができます。	dlcutils.notebook.exit('this is output parameter values') # DLCNotebook exited: this is output parameter values.
run(path: String, timeoutSeconds: int, arguments: Map): String	ノートブックファイルを実行する path：notebookファイルのパスを指定します timeoutSeconds：タイムアウト時間 arguments：変数	res = dlcutils.notebook.run("nb.ipynb", timeout_seconds=60, arguments={'key1':8, 'key2':'value'})

MLFlow関数	関数名	関数の機能と使用方法
実験管理	mlflow.create_experiment(name)	新しい実験を作成します。実験名の一意性を保証する必要があります。実験名が既に存在する場合、create_experimentは例外を発生させます。
		mlflow.set_experiment(name)	現在の実験を設定します。既存の実験名に直接使用でき、後続の実行でパラメータとメトリクスを記録することができます。指定された実験が存在しない場合、新しい実験が自動的に作成されます。
		mlflow.start_run()	新しい実行を開始します。現在の実行コンテキストを表すRunオブジェクトを返します。 start_run() は通常、with ステートメントと一緒に使用され、実行終了時に自動的に end_run() が呼び出されるようにします。
パラメータと指標を記録する	mlflow.log_param(key, value)	パラメータとその値を記録する key (str): パラメータの名前。 value (str, int, float): パラメータの値。文字列、整数、または浮動小数点数を指定できます。
		mlflow.log_metric(key, value, step=None)	指標とその値を記録する。
		mlflow.log_artifact(local_path, artifact_path=None)	ローカルファイルまたはディレクトリ（モデルの設定ファイル、データファイル、結果ファイルなど）を記録する。 local_path：記録するローカルファイルまたはディレクトリのパス； artifact_path：MLflowサーバー上でこのファイルまたはディレクトリを保存するパス。
モデル管理	mlflow.sklearn.log_model(model, artifact_path)	Scikit-learnモデルを記録します。
		mlflow.pyfunc.log_model(artifact_path, python_model)	カスタムPythonモデルを記録します。
		mlflow.register_model(model_uri, name)	モデルをモデルレジストリに登録します。モデルレジストリはMLflowが提供するモデル管理とバージョン管理機能で、モデルの共有、デプロイ、管理を容易にします。
モデルデプロイ	mlflow.pyfunc.serve(model_uri)	モデルをREST APIサービスとしてデプロイします。登録されたMLflowモデルの予測サービスを提供するために、ローカルでHTTPサーバーを起動します。サーバー起動後、HTTP Postリクエストでデータを送信して予測を行うことができます。 model_uri：登録済みモデルを指すURIで、モデルレジストリ内のURIまたは記録済みモデルのパスを指定できます。