翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

# データを処理して Amazon Personalize にインポートする
<a name="dw-export-data"></a>

 データの分析と変換が完了したら、データを処理して Amazon Personalize にインポートする準備が整います。
+  **[データの処理](#dw-process-data)** — データを処理すると、変換がデータセット全体に適用され、指定した宛先に出力されます。この場合は、Amazon S3 バケットを指定します。
+ **[Amazon Personalize へのデータのインポート](#dw-import-into-personalize)** – 処理されたデータを Amazon Personalize にインポートするには、SageMaker AI Studio Classic で提供されている Jupyter Notebook を実行します。このノートブックは Amazon Personalize データセットを作成し、そのデータセットにデータをインポートします。

## データの処理
<a name="dw-process-data"></a>

 Amazon Personalize にデータをインポートする前に、データセット全体に変換を適用して、Amazon S3 バケットに出力する必要があります。これを行うには、送信先を Amazon S3 バケットに設定して宛先ノードを作成し、変換の処理ジョブを起動します。

宛先を指定して処理ジョブを起動する詳細な手順については、「[Launch processing jobs with a few clicks using Amazon SageMaker AI Data Wrangler](https://aws.amazon.com/blogs/machine-learning/launch-processing-jobs-with-a-few-clicks-using-amazon-sagemaker-data-wrangler/)」を参照してください。デスティネーションを追加するときは、**[Amazon S3]** を選択します。この場所は、処理されたデータを Amazon Personalize にインポートするときに使用します。

データの処理が終了すると、Amazon S3 バケットから Amazon Personalize にデータをインポートする準備が整います。

## Amazon Personalize にデータをインポートする
<a name="dw-import-into-personalize"></a>

データを処理したら、Amazon Personalize にインポートする準備が整います。処理されたデータを Amazon Personalize にインポートするには、SageMaker AI Studio Classic で提供されている Jupyter Notebook を実行します。このノートブックは Amazon Personalize データセットを作成し、そのデータセットにデータをインポートします。

**処理されたデータを Amazon Personalize にインポートするには**

1. エクスポートしたいトランスフォーメーションについては、[**エクスポート先]** を選択し、[**Amazon Personalize (Jupyter Notebook 経由)**] を選択します。

1. ノートブックを変更して、処理ジョブのデータ送信先として使用した Amazon S3 バケットを指定します。オプションで、データセットグループのドメインを指定します。デフォルトでは、ノートブックはカスタムデータセットグループを作成します。

1. スキーマを作成しているノートブックのセルを確認してください。セルを実行する前に、スキーマのフィールドが期待どおりのタイプと属性であることを確認してください。
   +  NULL データをサポートするフィールドがタイプのリストに `null` がリストされていることを確認してください。次の例は、フィールドに `null` を追加する方法を示しています。

     ```
     {
       "name": "GENDER",
       "type": [
         "null",
         "string"
       ],
       "categorical": true
     }
     ```
   +  カテゴリフィールドのカテゴリ属性が true に設定されていることを確認します。次の例は、フィールドをカテゴリとしてマークする方法を示しています。

     ```
     {
               "name": "SUBSCRIPTION_MODEL",
               "type": "string",
               "categorical": true
     }
     ```
   + テキストフィールドのテキスト属性が true に設定されていることを確認します。次の例は、フィールドをテキストとしてマークする方法を示しています。

     ```
     {
           "name": "DESCRIPTION",
           "type": [
             "null",
             "string"
           ],
           "textual": true
     }
     ```

1. ノートブックを実行してスキーマを作成し、データセットを作成し、データを Amazon Personalize データセットにインポートします。SageMaker AI Studio Classic の外部でノートブックを実行する場合と同様にノートブックを実行します。Jupyter Notebook の実行について詳しくは、「[コードの実行](https://jupyter-notebook.readthedocs.io/en/stable/examples/Notebook/Running Code.html)」を参照してください。SageMaker AI Studio Classic のノートブックに関する情報については、「*Amazon SageMaker AI デベロッパーガイド*」の「[Use Amazon SageMaker AI Notebooks](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html)」を参照してください。

    ノートブックが完成したら、インタラクションデータをインポートすれば、レコメンダーやカスタムリソースを作成できます。または、アイテムデータセットまたはユーザーデータセットでこのプロセスを繰り返すこともできます。
   + ドメインレコメンダーの作成方法については、「[Amazon Personalize のドメインレコメンダー](creating-recommenders.md)」を参照してください。
   + カスタムリソースの作成およびデプロイの詳細については、「[Amazon Personalize モデルのトレーニングとデプロイのためのカスタムリソース](create-custom-resources.md)」を参照してください。