As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Processar dados e importá-los para o Amazon Personalize
<a name="dw-export-data"></a>

 Quando terminar de analisar e transformar seus dados, você poderá processá-los e importá-los para o Amazon Personalize. 
+  **[Processamento de dados](#dw-process-data)** — O processamento dos dados aplica sua transformação a todo o conjunto de dados e os envia para um destino especificado por você. Nesse caso, você especifica um bucket do Amazon S3. 
+ **[Importação de dados para o Amazon](#dw-import-into-personalize)** Personalize — Para importar dados processados para o Amazon Personalize, você executa um notebook Jupyter fornecido no AI Studio Classic. SageMaker Esse caderno cria seus conjuntos de dados do Amazon Personalize e importa seus dados para eles. 

## Processar dados
<a name="dw-process-data"></a>

 Antes de importar dados para o Amazon Personalize, você deverá aplicar sua transformação em todo o conjunto de dados e enviá-lo para um bucket do Amazon S3. Para fazer isso, crie um nó de destino com o destino definido como um bucket do Amazon S3 e, em seguida, inicie uma tarefa de processamento para a transformação.

Para step-by-step obter instruções sobre como especificar um destino e iniciar um trabalho de processo, consulte [Iniciar trabalhos de processamento com alguns cliques usando o Amazon SageMaker AI Data Wrangler](https://aws.amazon.com/blogs/machine-learning/launch-processing-jobs-with-a-few-clicks-using-amazon-sagemaker-data-wrangler/). Ao adicionar um destino, selecione **Amazon S3**. Você usará esse local ao importar os dados processados para o Amazon Personalize.

Ao terminar de processar seus dados, você poderá importá-los do bucket do Amazon S3 para o Amazon Personalize.

## Importar dados para o Amazon Personalize
<a name="dw-import-into-personalize"></a>

Depois de processar seus dados, você poderá importá-los para o Amazon Personalize. Para importar dados processados para o Amazon Personalize, você executa um notebook Jupyter fornecido no SageMaker AI Studio Classic. Esse caderno cria seus conjuntos de dados do Amazon Personalize e importa seus dados para eles.

**Para importar dados processados para o Amazon Personalize**

1. Para a transformação que você deseja exportar, selecione **Exportar para** e selecione **Amazon Personalize (via caderno Jupyter)**.

1. Modifique o caderno para especificar o bucket do Amazon S3 que você usou como destino de dados para a tarefa de processamento. Opcionalmente, especifique o domínio do seu grupo de conjuntos de dados. Por padrão, o caderno cria um grupo de conjuntos de dados personalizado.

1. Examine as células do caderno que criam o esquema. Verifique se os campos do esquema têm os tipos e atributos esperados antes de executar a célula. 
   +  Verifique se, nos campos que oferecem suporte a dados nulos, há `null` na lista de tipos. O exemplo a seguir mostra como adicionar `null` para um campo. 

     ```
     {
       "name": "GENDER",
       "type": [
         "null",
         "string"
       ],
       "categorical": true
     }
     ```
   +  Verifique se os campos categóricos têm o atributo categórico definido como verdadeiro. O exemplo a seguir mostra como marcar um campo como categórico. 

     ```
     {
               "name": "SUBSCRIPTION_MODEL",
               "type": "string",
               "categorical": true
     }
     ```
   + Verifique se os campos textuais têm o atributo textual definido como verdadeiro. O exemplo a seguir mostra como marcar um campo como textual.

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

1. Execute o caderno para criar um esquema, criar um conjunto de dados e importar seus dados para o conjunto de dados do Amazon Personalize. Você executa o notebook da mesma forma que faria com um notebook fora do SageMaker AI Studio Classic. Para obter informações sobre como executar cadernos Jupyter, consulte [Execução de código](https://jupyter-notebook.readthedocs.io/en/stable/examples/Notebook/Running Code.html). Para obter informações sobre notebooks no SageMaker AI Studio Classic, consulte [Use Amazon SageMaker AI Notebooks](https://docs.aws.amazon.com/sagemaker/latest/dg/notebooks.html) no *Amazon SageMaker AI Developer Guide*.

    Depois de concluir o caderno, se você tiver importado dados de interações, poderá criar recomendadores ou atributos personalizados. Ou você pode repetir o processo com um conjunto de dados de itens ou de usuários.
   + Para obter informações sobre como criar recomendadores de domínio, consulte [Recomendadores de domínio no Amazon Personalize](creating-recommenders.md). 
   + Para obter informações sobre como criar e implantar recursos personalizados, consulte [Recursos personalizados para treinamento e implantação de modelos do Amazon Personalize](create-custom-resources.md).