本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。

# 域数据集组入门 (SDK for Python (Boto3))
<a name="getting-started-domain-python"></a>

本教程向您展示如何使用 SDK for Python (Boto3) 为 VIDEO\$1ON\$1DEMAND 域创建域数据集组。在本教程中，您将为*热门精选* 使用案例创建推荐器。

完成入门练习后，为避免产生不必要的费用，请删除您创建的资源。有关更多信息，请参阅 [删除 Amazon Personalize 资源的要求](deleting-resources.md)。

**Topics**
+ [先决条件](#gs-sdk-domain-prerequisites)
+ [教程](#gs-python-tutorial)
+ [开始使用 Jupyter（iPython） APIs 笔记本电脑的 Amazon Personalize](#gs-jupyter-domain-notebook)

## 先决条件
<a name="gs-sdk-domain-prerequisites"></a>

以下是使用本指南中的 Python 示例的先决条件步骤：
+ 完成[入门先决条件](gs-prerequisites.md)，设置所需权限并创建训练数据。如果您使用自己的源数据，请确保按照先决条件中的步骤设置数据格式。
+ 按照中的说明设置您的 适用于 Python (Boto3) 的 Amazon SDK 环境[设置 Amazon SDKs](aws-personalize-set-up-sdks.md)。

## 教程
<a name="gs-python-tutorial"></a>

在以下步骤中，您将验证您的环境并为 Amazon Personalize 创建 SDK for Python (Boto3) 客户端。然后，导入数据，为*热门精选* 使用案例创建推荐器，并获得建议。

### 步骤 1：验证您的 Python 环境并创建 boto3 客户端
<a name="gs-python-domain-verify-environment"></a>

在完成先决条件之后，请运行以下 Python 示例，以确认您的环境已正确配置。此代码还会创建您在本教程中使用的 Amazon Personalize boto3 客户端。如果已正确配置环境，则会显示可用食谱列表，您现在可以运行本教程中的其他示例。

```
import boto3

personalizeRt = boto3.client('personalize-runtime')
personalize = boto3.client('personalize')

response = personalize.list_recipes()

for recipe in response['recipes']:
    print (recipe)
```

### 步骤 2：导入数据
<a name="getting-started-python-domain-import-dataset"></a>

创建 Amazon Personalize boto3 客户端并验证您的环境后，导入您在完成[入门先决条件](gs-prerequisites.md)时创建的历史数据。要将历史数据导入 Amazon Personalize，请执行以下操作：

1. 使用以下代码创建 Amazon Personalize 架构。将 `gs-domain-interactions-schema` 替换为架构的名称。

   ```
   import json
   schema = {
     "type": "record",
     "name": "Interactions",
     "namespace": "com.amazonaws.personalize.schema",
     "fields": [
         {
             "name": "USER_ID",
             "type": "string"
         },
         {
             "name": "ITEM_ID",
             "type": "string"
         },
         {
             "name": "EVENT_TYPE",
             "type": "string"
         },
         {
             "name": "TIMESTAMP",
             "type": "long"
         }
     ],
     "version": "1.0"
   }
   
   create_interactions_schema_response = personalize.create_schema(
       name='gs-domain-interactions-schema',
       schema=json.dumps(schema),
       domain='VIDEO_ON_DEMAND'
   )
   
   interactions_schema_arn = create_interactions_schema_response['schemaArn']
   print(json.dumps(create_interactions_schema_response, indent=2))
   ```

1. 使用以下代码创建数据集组。将 `dataset group name` 替换为数据集组的名称。

   ```
   response = personalize.create_dataset_group(
     name = 'dataset group name',
     domain = 'VIDEO_ON_DEMAND'
   )
   dsg_arn = response['datasetGroupArn']
   
   description = personalize.describe_dataset_group(datasetGroupArn = dsg_arn)['datasetGroup']
   
   print('Name: ' + description['name'])
   print('ARN: ' + description['datasetGroupArn'])
   print('Status: ' + description['status'])
   ```

1. 使用以下代码在新数据集组中创建物品交互数据集。为数据集命名，并提供前面步骤中的`schema_arn`和`dataset_group_arn`。

   ```
   response = personalize.create_dataset(
       name = 'interactions-dataset-name',
       schemaArn = interactions_schema_arn,
       datasetGroupArn = dsg_arn,
       datasetType = 'INTERACTIONS'
   )
   
   dataset_arn = response['datasetArn']
   ```

1. 使用以下代码通过数据集导入作业导入数据。代码使用 describe\$1dataset\$1import\$1job 方法来跟踪作业的状态。

   将以下内容作为参数传递：作业名称、上一步中的 `dataset_arn`、存储训练数据的 Amazon S3 存储桶路径 (`s3://bucket name/folder name/ratings.csv`) 以及您的 IAM 服务角色的 ARN。您在[入门先决条件](gs-prerequisites.md)期间创建了此角色。Amazon Personalize 需要权限才能访问存储桶。有关授予访问权限的信息，请参阅[向 Amazon Personalize 授予访问 Amazon S3 资源的权限](granting-personalize-s3-access.md)。

   ```
   import time
   response = personalize.create_dataset_import_job(
       jobName = 'JobName',
       datasetArn = 'dataset_arn',
       dataSource = {'dataLocation':'s3://amzn-s3-demo-bucket/filename.csv'},
       roleArn = 'role_arn'
   )
   
   dataset_interactions_import_job_arn = response['datasetImportJobArn']
   
   description = personalize.describe_dataset_import_job(
       datasetImportJobArn = dataset_interactions_import_job_arn)['datasetImportJob']
   
   print('Name: ' + description['jobName'])
   print('ARN: ' + description['datasetImportJobArn'])
   print('Status: ' + description['status'])
   
   max_time = time.time() + 3*60*60 # 3 hours
   while time.time() < max_time:
       describe_dataset_import_job_response = personalize.describe_dataset_import_job(
           datasetImportJobArn = dataset_interactions_import_job_arn
       )
       status = describe_dataset_import_job_response["datasetImportJob"]['status']
       print("Interactions DatasetImportJob: {}".format(status))
       
       if status == "ACTIVE" or status == "CREATE FAILED":
           break
           
       time.sleep(60)
   ```

### 步骤 4：创建推荐器
<a name="domain-gs-py-create-recommender"></a>

数据集导入作业完成后，您就可以创建推荐器了。使用以下代码创建推荐器。将以下内容作为参数传递：推荐器的名称、数据集组的 Amazon 资源名称 (ARN) 以及食谱 ARN 的 `arn:aws:personalize:::recipe/aws-vod-top-picks`。代码使用 describe\$1recommender 方法来跟踪推荐器的状态。

```
import time
create_recommender_response = personalize.create_recommender(
  name = 'gs-python-top-picks',
  recipeArn = 'arn:aws:personalize:::recipe/aws-vod-top-picks',
  datasetGroupArn = dsg_arn     
)
recommender_arn = create_recommender_response['recommenderArn']

print('Recommender ARN:' + recommender_arn)
max_time = time.time() + 3*60*60 # 3 hours
while time.time() < max_time:

    version_response = personalize.describe_recommender(
        recommenderArn = recommender_arn
    )
    status = version_response["recommender"]["status"]

    if status == "ACTIVE":
        print("Creation succeeded for {}".format(recommender_arn))
        
    elif status == "CREATE FAILED":
        print("Creation failed for {}".format(recommender_arn))

    if status == "ACTIVE":
        break
    else:
        print("Recommender creation is still in progress")
        
    time.sleep(60)
```

### 步骤 5：获得建议
<a name="domain-gs-py-get-recommendations"></a>

创建推荐器后，您可以使用它，通过以下代码获取建议。将您在上一步中创建的推荐器的 Amazon 资源名称 (ARN) 和用户 ID（例如 `123`）作为参数传递。方法会打印推荐物品列表。

```
response = personalizeRt.get_recommendations(
    recommenderArn = "arn:aws:personalize:us-west-2:014025156336:recommender/gs-python-top-picks-89",
    userId = '123'
)
print("Recommended items")
for item in response['itemList']:
    print (item['itemId'])
```

## 开始使用 Jupyter（iPython） APIs 笔记本电脑的 Amazon Personalize
<a name="gs-jupyter-domain-notebook"></a>

 要开始使用 Jupyter 笔记本创建域数据集组，请克隆或下载在 [Amazon Personalize 示例](https://github.com/aws-samples/amazon-personalize-samples)存储库的 [notebooks\$1managed\$1domains](https://github.com/aws-samples/amazon-personalize-samples/tree/master/getting_started/notebooks_managed_domains) 文件夹中找到的一系列笔记本。笔记本将引导您使用 Amazon Personalize 导入训练数据、创建推荐器以及获取建议。

**注意**  
 在开始使用笔记本之前，请务必按照 [README.md](https://github.com/aws-samples/amazon-personalize-samples/blob/master/getting_started/README.md) 中的步骤构建您的环境