Unterstützte Datentypen und Werte - Amazon Quick Suite
Zeichenfolge- und TextdatenDatums- und Uhrzeit-DatenNumerische DatenUnterstützte Datentypen aus anderen externen Datenquellen

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.

Unterstützte Datentypen und Werte

Amazon Quick Sight unterstützt derzeit die folgenden primitiven Datentypen: DateDecimal,Integer, undString. Die folgenden Datentypen werden in SPICE unterstützt: Date, Decimal-fixed, Decimal-float, Integer und String. Quick Sight akzeptiert boolesche Werte, indem es sie zu ganzen Zahlen hochstuft. Es kann auch Geodatentypen ableiten. Raumbezogene Datentypen verwenden Metadaten, um den physischen Datentyp zu interpretieren. Breiten- und Längengrade sind numerische Daten. Alle anderen raumbezogenen Kategorien sind Zeichenfolgen.

Stellen Sie sicher, dass alle von Ihnen als Datenquelle verwendeten Tabellen oder Dateien nur Felder enthalten, die implizit in diese Datentypen konvertiert werden können. Amazon Quick Sight überspringt alle Felder oder Spalten, die nicht konvertiert werden können. Wenn Sie die Fehlermeldung „Felder wurden übersprungen, weil sie nicht unterstützte Datentypen verwenden“ erhalten, ändern Sie Ihre Abfrage oder Tabelle, um nicht unterstützte Datentypen zu entfernen oder neu zu formulieren.

Zeichenfolge- und Textdaten

Felder oder Spalten, die Zeichen enthalten, werden Zeichenfolgen genannt. Ein Feld mit dem Datentyp STRING kann anfänglich fast jeden Datentyp enthalten. Beispiele hierfür sind Namen, Beschreibungen, Telefonnummern, Kontonummern, JSON-Daten, Städte, Postleitzahlen, Daten und Zahlen, die zur Berechnung verwendet werden können. Diese Typen werden manchmal im allgemeinen Sinne als Textdaten bezeichnet, nicht jedoch im technischen Sinne. Quick Sight unterstützt keine binären und zeichengroßen Objekte (BLOBs) in Datensatzspalten. In der Quick Sight-Dokumentation bedeutet der Begriff „Text“ immer „Zeichenkettendaten“.

Wenn Sie die Daten zum ersten Mal abfragen oder importieren, versucht Quick Sight, die identifizierten Daten als andere Typen zu interpretieren, beispielsweise Datumsangaben und Zahlen. Es empfiehlt sich, zu überprüfen, ob die Ihren Feldern oder Spalten zugewiesenen Datentypen korrekt sind.

Für jedes Zeichenkettenfeld in importierten Daten verwendet Quick Sight eine Feldlänge von 8 Byte zuzüglich der UTF-8-kodierten Zeichenlänge. Amazon Quick Sight unterstützt UTF-8-Dateikodierung, aber nicht UTF-8 (mit BOM).

Datums- und Uhrzeit-Daten

Felder mit dem Datentyp Date enthalten auch Zeitdaten und werden auch als Datetime-Felder bezeichnet. Quick Sight unterstützt Datums- und Uhrzeitangaben, die unterstützte Datumsformate verwenden.

Quick Sight verwendet die UTC-Zeit zum Abfragen, Filtern und Anzeigen von Datumsdaten. Wenn Datumsdaten keine Zeitzone angeben, geht Quick Sight von UTC-Werten aus. Wenn Datumsdaten eine Zeitzone angeben, konvertiert Quick Sight sie so, dass sie in UTC-Zeit angezeigt werden. Beispielsweise 2015-11-01T03:00:00-08:00 wird ein Datumsfeld mit einem Zeitzonen-Offset wie in UTC konvertiert und in Amazon Quick Sight als angezeigt2015-11-01T15:30:00.

Für jedes DATE Feld in importierten Daten verwendet Quick Sight eine Feldlänge von 8 Byte. Quick Sight unterstützt die UTF-8-Dateikodierung, aber nicht UTF-8 (mit BOM).

Numerische Daten

Numerische Daten umfassen ganze Zahlen und Dezimalzahlen. Ganzzahlen mit dem Datentyp INT sind negative oder positive Zahlen, die keine Nachkommastelle haben. Quick Sight unterscheidet nicht zwischen großen und kleinen Ganzzahlen. Ganzzahlen über einem Wert von 9007199254740991 oder 2^53 - 1 werden in einem Bildmaterial möglicherweise nicht genau oder korrekt angezeigt.

Dezimalzahlen mit dem Datentyp Decimal sind negative oder positive Zahlen, die mindestens eine Vorkommastelle oder Nachkommastelle enthalten. Wenn Sie den Direktabfragemodus wählen, werden alle nicht-ganzzahligen Dezimaltypen als Decimal markiert, und die zugrunde liegende Engine behandelt die Genauigkeit des Datenpunkts auf der Grundlage der von der Datenquelle unterstützten Verhaltensweisen. Weitere Informationen zu den unterstützten Datenquellentypen finden Sie unter Unterstützte Datentypen und Werte.

Wenn Sie Ihren Datensatz in speichern, können Sie wählenSPICE, ob Sie Ihre Dezimalwerte als Dezimalwerte fixed oder float Dezimaltypen speichern möchten. Decimal-fixedDatentypen verwenden das Format decimal (18,4), das insgesamt 18 Ziffern und bis zu 4 Stellen nach dem Dezimaltrennzeichen zulässt. Decimal-fixedDatentypen sind eine gute Wahl, um exakte mathematische Operationen durchzuführen, aber Quick Sight rundet den Wert auf die nächste zehntausendste Stelle ab, wenn der Wert aufgenommen wird. SPICE

Decimal-float-Datentypen bieten eine Genauigkeit von etwa 16 signifikanten Ziffern für einen Wert. Die signifikanten Ziffern können sich auf beiden Seiten des Dezimalpunkts befinden, um Zahlen mit vielen Dezimalstellen und höhere Zahlen gleichzeitig zu unterstützen. Beispielsweise unterstützt der Decimal-float-Datentyp die Zahl 12345.1234567890 oder die Zahl 1234567890.12345. Wenn Sie mit sehr kleinen Zahlen arbeiten, die in der Nähe von 0 liegen, unterstützt der Datentyp Decimal-float bis zu 15 Stellen rechts vom Dezimalpunkt, zum Beispiel 0.123451234512345. Der maximale Wert, den dieser Datentyp unterstützt, ist 1.8 * 10^308, um die Wahrscheinlichkeit eines Überlauffehlers bei Ihrem Datensatz zu minimieren.

Der Decimal-float-Datentyp ist ungenau und einige Werte werden als Näherungswerte und nicht als realer Wert gespeichert. Dies kann zu leichten Abweichungen beim Speichern und Zurückgeben bestimmter Werte führen. Die folgenden Überlegungen gelten für den Decimal-float-Datentyp.

  • Wenn der Datensatz, den Sie verwenden, aus einer Amazon-S3-Datenquelle stammt, weist SPICE allen numerischen Dezimalwerten den Dezimaltyp Decimal-float zu.

  • Wenn der Datensatz, den Sie verwenden, aus einer Datenbank stammt, verwendet SPICE den Dezimaltyp, dem der Wert in der Datenbank zugewiesen ist. Wenn dem Wert in der Datenbank beispielsweise ein numerischer Festkommawert zugewiesen wird, ist der Wert in SPICE vom Typ Decimal-fixed.

Bei vorhandenen SPICE-Datensätzen, die Felder enthalten, die in den Decimal-float-Datentyp konvertiert werden können, wird auf der Seite Datensatz bearbeiten ein Pop-up angezeigt. Um Felder eines vorhandenen Datensatzes in den Decimal-float-Datentyp zu konvertieren, wählen Sie FELDER AKTUALISIEREN. Wenn Sie sich nicht anmelden möchten, wählen Sie FELDER NICHT AKTUALISIEREN. Das Popup-Fenster Felder aktualisieren erscheint jedes Mal, wenn Sie die Seite Datensatz bearbeiten öffnen, bis der Datensatz gespeichert und veröffentlicht ist.

Unterstützte Datentypen aus anderen externen Datenquellen

In der folgenden Tabelle sind Datentypen aufgeführt, die bei der Verwendung der folgenden Datenquellen mit Amazon Quick Sight unterstützt werden.

Datenbank-Engine oder -Quelle Numerische Datentypen Zeichenfolgen-Datentypen Daten vom Typ Datum/Uhrzeit Boolesche Datentypen

Amazon Athena, Presto, Starburst, Trino

  • bigint

  • Dezimalwert

  • double

  • Ganzzahl

  • real

  • smallint

  • tinyint

  • char

  • varchar

  • date

  • timestamp

  • boolean

Amazon Aurora, MariaDB und MySQL

  • bigint

  • Dezimalwert

  • double

  • int

  • integer

  • mediumint

  • numeric

  • smallint

  • tinyint

  • char

  • enum

  • set

  • Text

  • varchar

  • date

  • datetime

  • timestamp

  • Jahr

OpenSearch Amazon-Dienst

  •  Byte

  • Ganzzahl

  • long

  • float

  • double

  • Zeichenfolge (Feldtyp „Schlüsselwort-Zeichenfolge“ in OpenSearch Service)

  • ip

  • Zeitstempel

  • boolean

  • Binary

Oracle

  • bigint

  • Dezimalwert

  • Dezimalwert

  • int

  • money

  • numeric

  • real

  • smallint

  • smallmoney

  • tinyint

  • char

  • nchar

  • nvarchar

  • Text

  • varchar

  • date

  • datetime

  • datetime2

  • datetimeoffset

  • smalldatetime

Bit

PostgreSQL

  • bigint

  • Dezimalwert

  • double

  • Ganzzahl

  • numeric

  • Genauigkeit

  • real

  • smallint

  • char

  • Zeichen

  • Text

  • varchar

  • variierende Zeichen

  • date

  • timestamp

  • boolean

Apache Spark

  • bigint

  • Dezimalwert

  • double

  • Ganzzahl

  • real

  • smallint

  • tinyint

  • varchar

  • date

  • timestamp

  • boolean

Snowflake

  • bigint

  • byteint

  • Dezimalwert

  • double

  • doubleprecision

  • float

  • float4

  • float8

  • int

  • Ganzzahl

  • Zahl

  • numeric

  • real

  • smallint

  • tinyint

  • char

  • Zeichen

  • string

  • Text

  • varchar

  • date

  • datetime

  • variieren

  • timestamp

  • timestamp_*

  • boolesch

Microsoft SQL Server

  • bigint

  • Bit

  • Dezimalwert

  • int

  • money

  • numeric

  • real

  • smallint

  • smallmoney

  • tinyint

  • char

  • nchar

  • nvarchar

  • Text

  • varchar

  • date

  • datetime

  • datetime2

  • smalldatetime

  • Bit

Unterstützte Datumsformate

Amazon Quick Sight unterstützt die in diesem Abschnitt beschriebenen Datums- und Uhrzeitformate. Bevor Sie Daten zu Amazon Quick Sight hinzufügen, überprüfen Sie, ob Ihr Datumsformat kompatibel ist. Wenn Sie ein nicht unterstütztes Format verwenden müssen, siehe Verwenden von nicht unterstützten oder benutzerdefinierten Datumsangaben.

Die unterstützten Formate variieren je nach Datenquellentyp wie folgt:

Datenquelle Uhren Datumsformat

Datei-Uploads

Amazon-S3-Quellen

Athena

Salesforce

Sowohl 24-Stunden-Uhren als auch 12-Stunden-Uhren

Die unterstützten Datums- und Uhrzeitformate sind in der Joda-API-Dokumentation beschrieben.

Eine vollständige Liste der Joda-Datumsformate finden Sie unter Kurs DateTimeFormat auf der Joda-Website.

Für Datensätze, die im Speicher (SPICE) gespeichert sind, unterstützt Amazon Quick Sight Daten im folgenden Bereich: Jan 1, 1400 00:00:00 UTC bisDec 31, 9999, 23:59:59 UTC.

Quellen für relationale Datenbanken

Nur 24-Stunden-Uhr

Die folgenden Daten- und Zeitformate:

  1. dd/MM/yyyy HH:mm:ss, beispielsweise 31/12/2016 15:30:00.

  2. dd/MM/yyyy, beispielsweise 31/12/2016.

  3. dd/MMM/yyyy HH:mm:ss, zum Beispiel 31/Dec/2016 15:30:00.

  4. dd/MMM/yyyy, zum Beispiel 31/Dec/2016.

  5. dd-MMM-yyyy HH:mm:ss, zum Beispiel 31-Dec-2016 15:30:00.

  6. dd-MMM-yyyy, zum Beispiel 31-Dec-2016.

  7. dd-MM-yyyy HH:mm:ss, beispielsweise 31-12-2016 15:30:00.

  8. dd-MM-yyyy, beispielsweise 31-12-2016.

  9. MM/dd/yyyy HH:mm:ss, beispielsweise 12/31/2016 15:30:00.

  10. MM/dd/yyyy, beispielsweise 12/31/2016.

  11. MM-dd-yyyy HH:mm:ss, beispielsweise 12-31-2016 15:30:00.

  12. MM-dd-yyyy, beispielsweise 12-31-2016.

  13. MMM/dd/yyyy HH:mm:ss, zum Beispiel 31.12.2016 15:30:00.

  14. MMM/dd/yyyy, zum Beispiel 31.12.2016.

  15. MMM-dd-yyyy HH:mm:ss, zum Beispiel 31.12.2016 15:30:00.

  16. MMM-dd-yyyy, zum Beispiel 31.12.2016.

  17. yyyy/MM/dd HH:mm:ss, beispielsweise 2016/12/31 15:30:00.

  18. yyyy/MM/dd, beispielsweise 2016/12/31.

  19. yyyy/MMM/dd HH:mm:ss, zum Beispiel 2016/Dec/31 15:30:00.

  20. yyyy/MMM/dd, zum Beispiel 2016/Dec/31.

  21. yyyy-MM-dd HH:mm:ss, beispielsweise 2016-12-31 15:30:00.

  22. yyyy-MM-dd, beispielsweise 2016-12-31.

  23. yyyy-MMM-dd HH:mm:ss, zum Beispiel 2016-Dec-31 15:30:00.

  24. yyyy-MMM-dd, zum Beispiel 2016-Dec-31.

  25. yyyyMMdd'T'HHmmss, z. B. 20161231T153000.

  26. yyyy-MM-dd'T'HH:mm:ss, z. B. 2016-12-31T15:30:00.

  27. yyyyMMdd'T'HHmmss.SSS, zum Beispiel 20161231T153000.123.

  28. MM/dd/yyyy HH:mm:ss.SSS, beispielsweise 31.12.2016 15:30:00.123.

  29. dd/MM/yyyy HH:mm:ss.SSS, beispielsweise 31.12.2016 15:30:00.123.

  30. yyyy/MM/dd HH:mm:ss.SSS, beispielsweise 31.12.2016 15:30:00.123.

  31. MMM/dd/yyyy HH:mm:ss.SSS, zum Beispiel Dec/31/2016 15:30:00.123.

  32. dd/MMM/yyyy HH:mm:ss.SSS, zum Beispiel 31/Dec/2016 15:30:00.123.

  33. yyyy/MMM/dd HH:mm:ss.SSS, zum Beispiel 2016/Dec/31 15:30:00.123.

  34. yyyy-MM-dd'T'HH:mm:ss.SSS, beispielsweise 2016-12-31T15:30:00.123.

  35. MM-dd-yyyy HH:mm:ss.SSS, beispielsweise 31.12.2016 15:30:00.123.

  36. dd-MM-yyyy HH:mm:ss.SSS, beispielsweise 31.12.2016 15:30:00.123.

  37. yyyy-MM-dd HH:mm:ss.SSS, beispielsweise 31.12.2016 15:30:00.123.

  38. MMM-dd-yyyy HH:mm:ss.SSS, zum Beispiel 31.12.2016 15:30:00.123.

  39. dd-MMM-yyyy HH:mm:ss.SSS, zum Beispiel 31-Dec-2016 15:30:00.123.

  40. yyyy-MMM-dd HH:mm:ss.SSS, zum Beispiel 2016-Dec-31 15:30:00.123.

Nicht unterstützte Werte in Daten

Wenn ein Feld Werte enthält, die nicht dem Datentyp entsprechen, den Amazon Quick Sight dem Feld zuweist, werden die Zeilen mit diesen Werten übersprungen. Gehen wir von folgenden Quelldaten aus.

Sales ID    Sales Date    Sales Amount
--------------------------------------
001        10/14/2015        12.43
002        5/3/2012          25.00
003        Unknown           18.17
004        3/8/2009          86.02

Amazon Quick Sight interpretiert es Sales Date als Datumsfeld und löscht die Zeile, die einen Wert enthält, der kein Datum ist, sodass nur die folgenden Zeilen importiert werden.

Sales ID    Sales Date    Sales Amount
--------------------------------------
001        10/14/2015        12.43
002        5/3/2012          25.00
004        3/8/2009          86.02

In einigen Fällen kann ein Datenbankfeld Werte enthalten, die der JDBC-Treiber für das Quelldatenbankmodul nicht interpretieren kann. In solchen Fällen werden die nicht interpretierbaren Werte durch null ersetzt, so dass die Zeilen importiert werden können. Dieses Problem tritt nur bei den MySQL-Feldern Date, Datetime und Timestamp auf, die alle Null-Werte enthalten, beispielsweise 0000-00-00 00:00:00. Gehen wir von folgenden Quelldaten aus.

Sales ID    Sales Date                Sales Amount
---------------------------------------------------
001        2004-10-12 09:14:27        12.43
002        2012-04-07 12:59:03        25.00
003        0000-00-00 00:00:00        18.17
004        2015-09-30 01:41:19        86.02

In diesem Fall werden die folgenden Daten importiert.

Sales ID    Sales Date                Sales Amount
---------------------------------------------------
001        2004-10-12 09:14:27        12.43
002        2012-04-07 12:59:03        25.00
003        (null)                     18.17
004        2015-09-30 01:41:19        86.02