Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Erstellen eines Schemas und eines Datensatzes Nachdem Sie [eine Datensatzgruppe erstellt](data-prep-ds-group.md) haben, können Sie ein Amazon Personalize und einen Datensatz für jeden Datentyp, den Sie importieren, erstellen. Ein *Schema* informiert Amazon Personalize über die Struktur Ihrer Daten und ermöglicht Amazon Personalize, die Daten zu analysieren. Wenn Sie ein Schema in Amazon Personalize erstellen, verwenden Sie die JSON-Datei, in [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md) der Sie es erstellt haben. Ein *Datensatz* ist ein Container für Trainingsdaten in Amazon Personalize. Verschiedene Datensatztypen haben unterschiedliche Anforderungen. Sie erstellen für jeden Datentyp, den Sie importieren, einen Datensatz. Informationen zu den verschiedenen Arten von Datensätzen und zur Vorbereitung Ihrer Daten finden Sie unter[Vorbereiten von Trainingsdaten für Amazon Personalize](preparing-training-data.md). Sie können Schemas und Datensätze mit der Amazon Personalize Personalize-Konsole, AWS Command Line Interface (AWS CLI) oder erstellen. AWS SDKs Sie können in einer Domain-Datensatzgruppe keine Ressourcen für die nächste beste Aktion, einschließlich der Datensätze „Aktionen“ und „Aktionsinteraktionen“, erstellen. **Wichtig** Nachdem Sie ein Schema erstellt haben, können Sie keine Änderungen am Schema vornehmen. Wenn Sie jedoch neue Spalten hinzufügen, können Sie das Schema eines Datensatzes durch ein neues ersetzen. Weitere Informationen finden Sie unter [Das Schema eines Datensatzes ersetzen, um neue Spalten hinzuzufügen](updating-dataset-schema.md). **Topics** + [Einen Datensatz und ein Schema erstellen (Konsole)](#data-prep-creating-ds-console) + [Einen Datensatz und ein Schema erstellen (AWS CLI)](#data-prep-creating-ds-cli) + [Einen Datensatz und ein Schema erstellen (AWS SDKs)](#data-prep-creating-ds-sdk) ## Einen Datensatz und ein Schema erstellen (Konsole) Wenn dies Ihr erster Datensatz in Ihrer Datensatzgruppe ist, ist Ihr erster Datensatztyp ein Datensatz mit Artikelinteraktionen. Um Ihren Datensatz mit Artikelinteraktionen in der Konsole zu erstellen, geben Sie den Datensatznamen und anschließend ein JSON-Schema im [Avro-Format](https://docs.oracle.com/database/nosql-12.1.3.0/GettingStartedGuide/avroschemas.html) an. Wenn es nicht Ihr erster Datensatz in dieser Datensatzgruppe ist, wählen Sie den Datensatztyp und geben Sie dann einen Namen und ein Schema an. Informationen zu den Anforderungen von Amazon Personalize Personalize-Datensätzen finden Sie unter. [Vorbereiten von Trainingsdaten für Amazon Personalize](preparing-training-data.md) Wenn Sie den Vorgang gerade abgeschlossen haben [Eine Amazon Personalize Personalize-Datensatzgruppe erstellen](data-prep-ds-group.md) und bereits dabei sind, Ihren Datensatz zu erstellen, fahren Sie mit Schritt 4 dieses Verfahrens fort. **Um einen Datensatz und ein Schema zu erstellen** 1. Falls Sie dies noch nicht getan haben, folgen Sie den Anweisungen unter, [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md) um eine Schema-JSON-Datei zu erstellen, die Ihre Daten beschreibt. 1. Öffnen Sie zu [https://console.aws.amazon.com/personalize/Hause](https://console.aws.amazon.com/personalize/home) die Amazon Personalize Personalize-Konsole und melden Sie sich bei Ihrem Konto an. 1. Wählen Sie auf der Seite **Datensatzgruppen** die Datensatzgruppe aus, in [Eine Amazon Personalize Personalize-Datensatzgruppe erstellen](data-prep-ds-group.md) der Sie sie erstellt haben. 1. In **Schritt 1. Datensätze erstellen und Daten importieren**, wählen Sie **Datensatz erstellen** und wählen Sie den Typ des zu erstellenden Datensatzes aus. 1. **Wählen Sie **Daten direkt in Amazon Personalize Personalize-Datensätze importieren** und dann Weiter.** 1. Geben Sie **unter Datensatzdetails** für **Datensatzname** einen Namen für Ihren Datensatz an. 1. Wählen Sie für **Datensatzschema** entweder **Neues Schema erstellen** oder **Bestehendes Schema verwenden** aus. 1. Wenn Sie ein vorhandenes Schema verwenden, wählen Sie das zu verwendende bestehende Schema aus. Wenn Sie ein neues Schema erstellen, geben Sie dem Schema einen Namen und fügen Sie das Schema JSON ein, das Ihren Daten entspricht. Sie haben diese Datei in erstellt[JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md). 1. Fügen Sie für **Tags** optional beliebige Tags hinzu. Weitere Informationen zum Taggen von Amazon Personalize Personalize-Ressourcen finden Sie unter. [Taggen von Amazon Personalize Personalize-Ressourcen](tagging-resources.md) 1. Wählen Sie **Weiter** und folgen Sie den Anweisungen unter, um Ihre [Trainingsdaten in Amazon Personalize Personalize-Datensätze importieren](import-data.md) Daten zu importieren. ## Einen Datensatz und ein Schema erstellen (AWS CLI) Um einen Datensatz und ein Schema mit dem zu erstellen AWS CLI, verwenden Sie den `create-schema` Befehl (der die [CreateSchema](API_CreateSchema.md) API-Operation verwendet) und dann `create-dataset` (der die [CreateDataset](API_CreateDataset.md) API-Operation verwendet). **Um ein Schema und einen Datensatz zu erstellen** 1. Falls Sie dies noch nicht getan haben, folgen Sie den Anweisungen unter, [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md) um eine Schema-JSON-Datei zu erstellen, die Ihre Daten beschreibt. 1. Erstellen Sie ein Schema in Amazon Personalize, indem Sie den folgenden Befehl ausführen. Nachdem Sie ein Schema erstellt haben, können Sie keine Änderungen am Schema vornehmen. `schemaName`Ersetzen Sie es durch den Namen des Schemas und `file://SchemaName.json` ersetzen Sie es durch den Speicherort Ihrer JSON-Datei. Das Beispiel zeigt die Datei als Teil des aktuellen Ordners. Wenn Sie ein Schema für einen Datensatz in einer Domain-Datensatzgruppe erstellen, fügen Sie den `domain` Parameter hinzu und setzen Sie ihn auf `ECOMMERCE` oder`VIDEO_ON_DEMAND`. Weitere Informationen zur API finden Sie unter [CreateSchema](API_CreateSchema.md). ``` aws personalize create-schema \ --name SchemaName \ --schema file://SchemaName.json ``` Das Schema Amazon Resource Name (ARN) wird angezeigt, wie im folgenden Beispiel gezeigt: ``` { "schemaArn": "arn:aws:personalize:us-west-2:acct-id:schema/SchemaName" } ``` 1. Erstellen Sie ein leeres Dataset, indem Sie den folgenden Befehl ausführen. Geben Sie die Datensatzgruppe Amazon Resource Name (ARN) von [Eine Datensatzgruppe erstellen (AWS CLI)](data-prep-ds-group.md#data-prep-creating-ds-group-cli) und den Schema-ARN aus dem vorherigen Schritt an. Die Werte für den Datensatztyp können `Interactions``Users`,`Items`,`Actions`, oder sein`Action_Interactions`. Weitere Informationen zur API finden Sie unter [CreateDataset](API_CreateDataset.md). ``` aws personalize create-dataset \ --name Dataset Name \ --dataset-group-arn Dataset Group ARN \ --dataset-type Dataset Type \ --schema-arn Schema Arn ``` Der Dataset-ARN wird angezeigt, wie im folgenden Beispiel gezeigt. ``` { "datasetArn": "arn:aws:personalize:us-west-2:acct-id:dataset/DatasetName/INTERACTIONS" } ``` 1. Notieren Sie den ARN des Datensatzes für die spätere Verwendung. Nachdem Sie einen Datensatz erstellt haben, können Sie Ihre Trainingsdaten importieren. Siehe [Trainingsdaten in Amazon Personalize Personalize-Datensätze importieren](import-data.md). ## Einen Datensatz und ein Schema erstellen (AWS SDKs) Um einen Datensatz und ein Schema mit dem zu erstellen AWS SDKs, definieren Sie zunächst ein Schema im [Avro-Format](https://docs.oracle.com/database/nosql-12.1.3.0/GettingStartedGuide/avroschemas.html) und fügen es mithilfe der [CreateSchema](API_CreateSchema.md) Operation zu Amazon Personalize hinzu. Nachdem Sie ein Schema erstellt haben, können Sie keine Änderungen am Schema vornehmen. Erstellen Sie dann mithilfe der [CreateDataset](API_CreateDataset.md) Operation einen Datensatz. **Um ein Schema und einen Datensatz zu erstellen** 1. Falls Sie dies noch nicht getan haben, folgen Sie den Anweisungen unter, [JSON-Schema-Dateien für Amazon Personalize Personalize-Schemas erstellen](how-it-works-dataset-schema.md) um eine Schema-JSON-Datei zu erstellen, die Ihre Daten beschreibt. 1. Erstellen Sie ein Schema in Amazon Personalize mit dem folgenden Code. Geben Sie den Namen für Ihr Schema und den Dateipfad für Ihre Schema-JSON-Datei an. Wenn Sie ein Schema für einen Datensatz in einer Domain-Dataset-Gruppe erstellen, fügen Sie den `domain` Parameter hinzu und setzen Sie ihn auf `ECOMMERCE` oder`VIDEO_ON_DEMAND`. Weitere Informationen zur API finden Sie unter [CreateSchema](API_CreateSchema.md). ------ #### [ SDK for Python (Boto3) ] ``` import boto3 personalize = boto3.client('personalize') with open('schemaFile.json') as f: createSchemaResponse = personalize.create_schema( name = 'schema name', schema = f.read() ) schema_arn = createSchemaResponse['schemaArn'] print('Schema ARN:' + schema_arn ) ``` ------ #### [ SDK for Java 2.x ] ``` public static String createSchema(PersonalizeClient personalizeClient, String schemaName, String filePath) { String schema = null; try { schema = new String(Files.readAllBytes(Paths.get(filePath))); } catch (IOException e) { System.out.println(e.getMessage()); } try { CreateSchemaRequest createSchemaRequest = CreateSchemaRequest.builder() .name(schemaName) .schema(schema) .build(); String schemaArn = personalizeClient.createSchema(createSchemaRequest).schemaArn(); System.out.println("Schema arn: " + schemaArn); return schemaArn; } catch(PersonalizeException e) { System.err.println(e.awsErrorDetails().errorMessage()); System.exit(1); } return ""; } ``` ------ #### [ SDK for JavaScript v3 ] ``` // Get service clients module and commands using ES6 syntax. import { CreateSchemaCommand } from "@aws-sdk/client-personalize"; import { personalizeClient } from "./libs/personalizeClients.js"; // Or, create the client here. // const personalizeClient = new PersonalizeClient({ region: "REGION"}); import fs from "node:fs"; const schemaFilePath = "SCHEMA_PATH"; let mySchema = ""; try { mySchema = fs.readFileSync(schemaFilePath).toString(); } catch (err) { mySchema = "TEST"; // For unit tests. } // Set the schema parameters. export const createSchemaParam = { name: "NAME" /* required */, schema: mySchema /* required */, }; export const run = async () => { try { const response = await personalizeClient.send( new CreateSchemaCommand(createSchemaParam), ); console.log("Success", response); return response; // For unit tests. } catch (err) { console.log("Error", err); } }; run(); ``` ------ Amazon Personalize gibt den ARN des neuen Schemas zurück. Notieren Sie es, weil Sie es im nächsten Schritt benötigen werden. 1. Erstellen Sie mithilfe der [CreateDataset](API_CreateDataset.md) Operation einen Datensatz. Der folgende Code zeigt, wie ein Datensatz erstellt wird. Geben Sie den Amazon-Ressourcennamen (ARN) Ihrer Datensatzgruppe, den Schema-ARN aus dem vorherigen Schritt und den Datensatztyp an. Die Werte für den Datensatztyp können `Interactions``Users`,`Items`,`Actions`, oder sein`Action_Interactions`. Hinweise zu den verschiedenen Typen von Datensätzen finden Sie unter[Vorbereiten von Trainingsdaten für Amazon Personalize](preparing-training-data.md). ------ #### [ SDK for Python (Boto3) ] ``` import boto3 personalize = boto3.client('personalize') response = personalize.create_dataset( name = 'dataset_name', schemaArn = 'schema_arn', datasetGroupArn = 'dataset_group_arn', datasetType = 'dataset_type' ) print ('Dataset Arn: ' + response['datasetArn']) ``` ------ #### [ SDK for Java 2.x ] ``` public static String createDataset(PersonalizeClient personalizeClient, String datasetName, String datasetGroupArn, String datasetType, String schemaArn) { try { CreateDatasetRequest request = CreateDatasetRequest.builder() .name(datasetName) .datasetGroupArn(datasetGroupArn) .datasetType(datasetType) .schemaArn(schemaArn).build(); String datasetArn = personalizeClient.createDataset(request).datasetArn(); System.out.println("Dataset " + datasetName + " created. Dataset ARN: " + datasetArn); return datasetArn; } catch(PersonalizeException e) { System.err.println(e.awsErrorDetails().errorMessage()); System.exit(1); } return ""; } ``` ------ #### [ SDK for JavaScript v3 ] ``` // Get service clients module and commands using ES6 syntax. import { CreateDatasetCommand } from "@aws-sdk/client-personalize"; import { personalizeClient } from "./libs/personalizeClients.js"; // Or, create the client here. // const personalizeClient = new PersonalizeClient({ region: "REGION"}); // Set the dataset's parameters. export const createDatasetParam = { datasetGroupArn: "DATASET_GROUP_ARN" /* required */, datasetType: "DATASET_TYPE" /* required */, name: "NAME" /* required */, schemaArn: "SCHEMA_ARN" /* required */, }; export const run = async () => { try { const response = await personalizeClient.send( new CreateDatasetCommand(createDatasetParam), ); console.log("Success", response); return response; // For unit tests. } catch (err) { console.log("Error", err); } }; run(); ``` ------ Nachdem Sie einen Datensatz erstellt haben, können Sie Ihre Trainingsdaten importieren. Siehe [Trainingsdaten in Amazon Personalize Personalize-Datensätze importieren](import-data.md).