Données de chaîne et texte Données de date et d’heure Données numériques Types de données pris en charge à partir de sources de données externes

Valeurs et types de données pris en charge

Amazon Quick Sight prend actuellement en charge les types de données primitifs suivants : Date DecimalInteger,, etString. Les types de données suivants sont pris en charge dans SPICE : Date, Decimal-fixed, Decimal-float, Integer et String. Quick Sight accepte les valeurs booléennes en les transformant en nombres entiers. Il peut également dériver des types de données géospatiales. Les types de données géospatiales utilisent les métadonnées pour interpréter le type de données physique. La latitude et la longitude sont numériques. Toutes les autres catégories géospatiales sont des chaînes.

Vérifiez que les tableaux ou les fichiers que vous utilisez comme sources de données ne contiennent que des champs pouvant être convertis implicitement dans ces types de données. Amazon Quick Sight ignore tous les champs ou colonnes qui ne peuvent pas être convertis. Si le message d’erreur « les champs ont été ignorés car ils utilisent des types de données non pris en charge » s’affiche, modifiez votre requête ou votre tableau pour supprimer ou refondre les types de données non pris en charge.

Données de chaîne et texte

Les champs ou les colonnes qui contiennent des caractères sont appelés chaînes. Un champ de type de données STRING peut initialement contenir presque tous les types de données. Les exemples incluent les noms, les descriptions, les numéros de téléphone, les numéros de compte, les données JSON, les villes, les codes postaux, les dates et les chiffres pouvant être utilisés pour le calcul. Ces types sont parfois appelés données textuelles dans un sens général, mais jamais dans un sens technique. Quick Sight ne prend pas en charge les objets binaires et de grande taille (BLOBs) dans les colonnes d'un ensemble de données. Dans la documentation de Quick Sight, le terme « texte » signifie toujours « chaîne de données ».

La première fois que vous interrogez ou importez les données, Quick Sight essaie d'interpréter les données qu'il identifie comme étant d'autres types, par exemple des dates et des chiffres. Il est conseillé de vérifier que les types de données assignés à vos champs ou colonnes sont corrects.

Pour chaque champ de chaîne des données importées, Quick Sight utilise une longueur de champ de 8 octets plus la longueur des caractères codés en UTF-8. Amazon Quick Sight prend en charge le codage de fichiers UTF-8, mais pas l'UTF-8 (avec BOM).

Données de date et d’heure

Les champs ayant un type de données de Date comprennent également des données temporelles et sont également appelés champs Datetime. Quick Sight prend en charge les dates et heures utilisant les formats de date pris en charge.

Quick Sight utilise l'heure UTC pour interroger, filtrer et afficher les données de date. Lorsque les données de date ne spécifient pas de fuseau horaire, Quick Sight utilise des valeurs UTC. Lorsque les données de date spécifient un fuseau horaire, Quick Sight les convertit pour les afficher en heure UTC. Par exemple, un champ de date dont le fuseau horaire est décalé 2015-11-01T03:00:00-08:00 est converti en UTC et affiché dans Amazon Quick Sight sous la forme2015-11-01T15:30:00.

Pour chaque DATE champ des données importées, Quick Sight utilise une longueur de champ de 8 octets. Quick Sight prend en charge le codage de fichiers UTF-8, mais pas l'UTF-8 (avec BOM).

Données numériques

Les données numériques incluent les nombres entiers et les nombres décimaux. Les nombres entiers dont le type de données est INT sont des nombres négatifs ou positifs qui n’ont pas de décimale. Quick Sight ne fait pas la distinction entre les grands et les petits entiers. Il est possible que les nombres entiers supérieurs à une valeur de 9007199254740991 ou 2^53 - 1 ne s’affichent pas exactement ou correctement dans un visuel.

Les décimales de type de données Decimal sont des nombres négatifs ou positifs qui contiennent au moins une décimale avant ou après la virgule décimale. Lorsque vous choisissez le mode de requête directe, tous les types décimaux non entiers sont marqués comme Decimal ; le moteur sous-jacent gère la précision du point de données en fonction des comportements pris en charge par la source de données. Pour plus d’informations sur les types de sources de données prises en charge, consultez la rubrique Valeurs et types de données pris en charge.

Lorsque vous stockez votre jeu de données dansSPICE, vous pouvez choisir de stocker vos valeurs décimales sous forme de type décimal fixed ou de type float décimal. Decimal-fixedles types de données utilisent le format decimal (18,4) qui autorise un total de 18 chiffres et jusqu'à 4 chiffres après la virgule décimale. Decimal-fixedles types de données constituent un bon choix pour effectuer des opérations mathématiques exactes, mais Quick Sight arrondit la valeur à la dix millième place la plus proche lorsque la valeur est ingérée. SPICE

Les types de données Decimal-float offrent une précision d’environ 16 chiffres significatifs à une valeur donnée. Les chiffres significatifs peuvent être placés de chaque côté de la virgule décimale et traiter tant bien les nombres qui comportent de nombreuses décimales que les nombres plus élevés, simultanément. Par exemple, le type de données Decimal-float prend en charge le nombre 12345.1234567890 ou le nombre 1234567890.12345. Si vous travaillez avec de très petits nombres proches de 0, le type de données Decimal-float prendra en charge jusqu’à 15 chiffres à droite de la virgule décimale, par exemple 0.123451234512345. La valeur maximale prise en charge par ce type de données est 1.8 * 10^308. Cela a pour but de minimiser la probabilité d’une erreur de débordement dans votre jeu de données.

Le type de données Decimal-float est inexact et certaines valeurs sont stockées sous forme d’approximations au lieu de la valeur réelle. Cela peut entraîner de légères variations lorsque vous stockez et renvoyez certaines valeurs spécifiques. Les considérations suivantes s’appliquent au type de données Decimal-float.

Si le jeu de données que vous utilisez provient d’une source de données Amazon S3, SPICE attribue le type décimal Decimal-float à toutes les valeurs décimales numériques.
Si le jeu de données que vous utilisez provient d’une base de données, SPICE utilise le type décimal attribué à la valeur dans la base de données. Par exemple, si une valeur numérique à virgule fixe est attribuée à la valeur dans la base de données, la valeur sera un type Decimal-fixed dans SPICE.

Pour les jeux de données SPICE existants qui contiennent des champs pouvant être convertis au type de données Decimal-float, une fenêtre contextuelle apparaît sur la page Modifier le jeu de données. Pour convertir les champs d’un jeu de données existant en type de données Decimal-float, choisissez METTRE À JOUR LES CHAMPS. Si vous ne souhaitez pas vous inscrire, sélectionnez NE PAS METTRE À JOUR LES CHAMPS. La fenêtre contextuelle Mettre à jour les champs apparaît chaque fois que vous ouvrez la page Modifier le jeu de données jusqu’à ce que le jeu de données soit enregistré et publié.

Types de données pris en charge à partir de sources de données externes

Le tableau suivant répertorie les types de données pris en charge lors de l'utilisation des sources de données suivantes avec Amazon Quick Sight.

Moteur de base de données ou source	Types de données numériques	Types de données chaîne	Types de données Date et heure	Types de données booléennes
Amazon Athena, Presto, Starburst, Trino	bigint decimal double integer real smallint tinyint	char varchar	date timestamp	boolean
Amazon Aurora, MariaDB et MySQL	bigint decimal double int integer mediumint numeric smallint tinyint	char enum set text varchar	date datetime timestamp year
Amazon OpenSearch Service	octet entier long float double	chaîne (type de champ de chaîne de mots clés dans OpenSearch Service) ip	timestamp	boolean binary
Oracle	bigint decimal decimal int money numeric real smallint smallmoney tinyint	char nchar nvarchar text varchar	date datetime datetime2 datetimeoffset smalldatetime	bit
PostgreSQL	bigint decimal double integer numeric precision real smallint	char character text varchar varying character	date timestamp	boolean
Apache Spark	bigint decimal double integer real smallint tinyint	varchar	date timestamp	boolean
Snowflake	bigint byteint decimal double doubleprecision float float4 float8 int integer number numeric real smallint tinyint	char character chaîne text varchar	date datetime time timestamp timestamp_*	boolean
Microsoft SQL Server	bigint bit decimal int money numeric real smallint smallmoney tinyint	char nchar nvarchar text varchar	date datetime datetime2 smalldatetime	bit

Formats de date pris en charge

Amazon Quick Sight prend en charge les formats de date et d'heure décrits dans cette section. Avant d'ajouter des données à Amazon Quick Sight, vérifiez si votre format de date est compatible. Si vous devez utiliser un format non pris en charge, consultez la rubrique Utilisation de dates personnalisées ou non prises en charge.

Les formats pris en charge varient en fonction du type de source de données, comme indiqué ci-après :

Source de données Horloges Format de la date

Source de données	Horloges	Format de la date
Chargements de fichiers Sources Amazon S3 Athena Salesforce	Horloges 24 heures et 12 heures	Les formats de date et d’heure pris en charge sont décrits dans la documentation de l’API Joda. Pour une liste complète des formats de date Joda, voir Class DateTimeFormat sur le site Web de Joda. Pour les ensembles de données stockés en mémoire (SPICE), Amazon Quick Sight prend en charge les dates comprises dans la plage suivante : `Jan 1, 1400 00:00:00 UTC` jusqu'à`Dec 31, 9999, 23:59:59 UTC`.
Sources de bases de données relationnelles	Horloge 24 heures uniquement	Les formats de données et d’heure suivants : `dd/MM/yyyy HH:mm:ss`, par exemple 31/12/2016 15:30:00. `dd/MM/yyyy`, par exemple 31/12/2016. `dd/MMM/yyyy HH:mm:ss`, par exemple 31/Dec/2016 15:30:00. `dd/MMM/yyyy`, par exemple le 31/Dec/2016. `dd-MMM-yyyy HH:mm:ss`, par exemple 31-Dec-2016 15:30:00. `dd-MMM-yyyy`, par exemple le 31 décembre 2016. `dd-MM-yyyy HH:mm:ss`, par exemple 31-12-2016 15:30:00. `dd-MM-yyyy`, par exemple 31-12-2016. `MM/dd/yyyy HH:mm:ss`, par exemple 12/31/2016 15:30:00. `MM/dd/yyyy`, par exemple 12/31/2016. `MM-dd-yyyy HH:mm:ss`, par exemple 12-31-2016 15:30:00. `MM-dd-yyyy`, par exemple 12-31-2016. `MMM/dd/yyyy HH:mm:ss`, par exemple le 31 décembre 2016 15:30:00. `MMM/dd/yyyy`, par exemple le 31 décembre 2016. `MMM-dd-yyyy HH:mm:ss`, par exemple 31 décembre 2016 15:30:00. `MMM-dd-yyyy`, par exemple le 31 décembre 2016. `yyyy/MM/dd HH:mm:ss`, par exemple 2016/12/31 15:30:00. `yyyy/MM/dd`, par exemple 2016/12/31. `yyyy/MMM/dd HH:mm:ss`, par exemple 2016/Dec/31 15:30:00. `yyyy/MMM/dd`, par exemple 2016/Dec/31. `yyyy-MM-dd HH:mm:ss`, par exemple 2016-12-31 15:30:00. `yyyy-MM-dd`, par exemple 2016-12-31. `yyyy-MMM-dd HH:mm:ss`, par exemple 2016-Dec-31 15:30:00. `yyyy-MMM-dd`, par exemple le 31 décembre 2016. `yyyyMMdd'T'HHmmss`, par exemple 20161231T153000. `yyyy-MM-dd'T'HH:mm:ss`, par exemple 2016-12-31T15:30:00. `yyyyMMdd'T'HHmmss.SSS`, par exemple 20161231T153000.123. `MM/dd/yyyy HH:mm:ss.SSS`, par exemple 12/31/2016 15:30:00.123. `dd/MM/yyyy HH:mm:ss.SSS`, par exemple 31/12/2016 15:30:00.123. `yyyy/MM/dd HH:mm:ss.SSS`, par exemple 2016/12/31 15:30:00.123. `MMM/dd/yyyy HH:mm:ss.SSS`, par exemple 31 décembre 2016 15:30:00.123. `dd/MMM/yyyy HH:mm:ss.SSS`, par exemple 31/Dec/2016 15:30:00.123. `yyyy/MMM/dd HH:mm:ss.SSS`, par exemple 2016/Dec/31 15:30:00.123. `yyyy-MM-dd'T'HH:mm:ss.SSS`, par exemple 2016-12-31T15:30:00.123. `MM-dd-yyyy HH:mm:ss.SSS`, par exemple 12-31-2016 15:30:00.123. `dd-MM-yyyy HH:mm:ss.SSS`, par exemple 31-12-2016 15:30:00.123. `yyyy-MM-dd HH:mm:ss.SSS`, par exemple 2016-12-31 15:30:00.123. `MMM-dd-yyyy HH:mm:ss.SSS`, par exemple 31 décembre 2016 15:30:00.123. `dd-MMM-yyyy HH:mm:ss.SSS`, par exemple 31-Dec-2016 15:30:00.123. `yyyy-MMM-dd HH:mm:ss.SSS`, par exemple 2016-Dec-31 15:30:00.123.

Chargements de fichiers

Sources Amazon S3

Athena

Salesforce

Horloges 24 heures et 12 heures

Les formats de date et d’heure pris en charge sont décrits dans la documentation de l’API Joda.

Pour une liste complète des formats de date Joda, voir Class DateTimeFormat sur le site Web de Joda.

Pour les ensembles de données stockés en mémoire (SPICE), Amazon Quick Sight prend en charge les dates comprises dans la plage suivante : Jan 1, 1400 00:00:00 UTC jusqu'àDec 31, 9999, 23:59:59 UTC.

Sources de bases de données relationnelles

Horloge 24 heures uniquement

Les formats de données et d’heure suivants :

dd/MM/yyyy HH:mm:ss, par exemple 31/12/2016 15:30:00.
dd/MM/yyyy, par exemple 31/12/2016.
dd/MMM/yyyy HH:mm:ss, par exemple 31/Dec/2016 15:30:00.
dd/MMM/yyyy, par exemple le 31/Dec/2016.
dd-MMM-yyyy HH:mm:ss, par exemple 31-Dec-2016 15:30:00.
dd-MMM-yyyy, par exemple le 31 décembre 2016.
dd-MM-yyyy HH:mm:ss, par exemple 31-12-2016 15:30:00.
dd-MM-yyyy, par exemple 31-12-2016.
MM/dd/yyyy HH:mm:ss, par exemple 12/31/2016 15:30:00.
MM/dd/yyyy, par exemple 12/31/2016.
MM-dd-yyyy HH:mm:ss, par exemple 12-31-2016 15:30:00.
MM-dd-yyyy, par exemple 12-31-2016.
MMM/dd/yyyy HH:mm:ss, par exemple le 31 décembre 2016 15:30:00.
MMM/dd/yyyy, par exemple le 31 décembre 2016.
MMM-dd-yyyy HH:mm:ss, par exemple 31 décembre 2016 15:30:00.
MMM-dd-yyyy, par exemple le 31 décembre 2016.
yyyy/MM/dd HH:mm:ss, par exemple 2016/12/31 15:30:00.
yyyy/MM/dd, par exemple 2016/12/31.
yyyy/MMM/dd HH:mm:ss, par exemple 2016/Dec/31 15:30:00.
yyyy/MMM/dd, par exemple 2016/Dec/31.
yyyy-MM-dd HH:mm:ss, par exemple 2016-12-31 15:30:00.
yyyy-MM-dd, par exemple 2016-12-31.
yyyy-MMM-dd HH:mm:ss, par exemple 2016-Dec-31 15:30:00.
yyyy-MMM-dd, par exemple le 31 décembre 2016.
yyyyMMdd'T'HHmmss, par exemple 20161231T153000.
yyyy-MM-dd'T'HH:mm:ss, par exemple 2016-12-31T15:30:00.
yyyyMMdd'T'HHmmss.SSS, par exemple 20161231T153000.123.
MM/dd/yyyy HH:mm:ss.SSS, par exemple 12/31/2016 15:30:00.123.
dd/MM/yyyy HH:mm:ss.SSS, par exemple 31/12/2016 15:30:00.123.
yyyy/MM/dd HH:mm:ss.SSS, par exemple 2016/12/31 15:30:00.123.
MMM/dd/yyyy HH:mm:ss.SSS, par exemple 31 décembre 2016 15:30:00.123.
dd/MMM/yyyy HH:mm:ss.SSS, par exemple 31/Dec/2016 15:30:00.123.
yyyy/MMM/dd HH:mm:ss.SSS, par exemple 2016/Dec/31 15:30:00.123.
yyyy-MM-dd'T'HH:mm:ss.SSS, par exemple 2016-12-31T15:30:00.123.
MM-dd-yyyy HH:mm:ss.SSS, par exemple 12-31-2016 15:30:00.123.
dd-MM-yyyy HH:mm:ss.SSS, par exemple 31-12-2016 15:30:00.123.
yyyy-MM-dd HH:mm:ss.SSS, par exemple 2016-12-31 15:30:00.123.
MMM-dd-yyyy HH:mm:ss.SSS, par exemple 31 décembre 2016 15:30:00.123.
dd-MMM-yyyy HH:mm:ss.SSS, par exemple 31-Dec-2016 15:30:00.123.
yyyy-MMM-dd HH:mm:ss.SSS, par exemple 2016-Dec-31 15:30:00.123.

Valeurs non prises en charge dans les données

Si un champ contient des valeurs non conformes au type de données attribué par Amazon Quick Sight au champ, les lignes contenant ces valeurs sont ignorées. Prenez par exemple les données sources suivantes.


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 l'interprète Sales Date comme un champ de date et supprime la ligne contenant une valeur autre que la date, de sorte que seules les lignes suivantes sont importées.


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

Dans certains cas, un champ de base de données peut contenir des valeurs que le pilote JDBC ne peut pas interpréter pour le moteur de base de données source. Dans de tels cas, les valeurs non interprétables sont remplacées par null afin que les lignes puissent être importées. La seule occurrence connue de ce problème concerne les champs date, datetime et timestamp MySQL qui ont des valeurs contenant uniquement des zéros, par exemple 0000-00-00 00:00:00. Prenez par exemple les données sources suivantes.


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

Dans ce cas, les données suivantes sont importées.


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

Avertissement JavaScript est désactivé ou n'est pas disponible dans votre navigateur.

Pour que vous puissiez utiliser la documentation AWS, Javascript doit être activé. Vous trouverez des instructions sur les pages d'aide de votre navigateur.

Conventions de rédaction

Quotas de source de données

Travailler avec des ensembles de données