Datentypen und semantische Typen

Wenn Sie einen Community Connector erstellen, ist für jedes Feld, das Sie im Schema definieren, ein Datentyp erforderlich. Der Datentyp definiert den primitiven Typ des Felds, z. B. BOOLEAN, STRING oder NUMBER.

Neben Datentypen werden in Data Studio auch semantische Typen verwendet. Semantische Typen helfen, die Art der Informationen zu beschreiben, die die Daten darstellen. Ein Feld mit dem Datentyp NUMBER kann beispielsweise semantisch einen Währungsbetrag oder Prozentsatz darstellen und ein Feld mit dem Datentyp STRING kann semantisch eine Stadt darstellen. Welche semantischen Typen verfügbar sind, erfahren Sie in der Dokumentation zu semantischen Typen.

Community Connector-Schema und Data Studio-Felder

Wenn Sie das Schema für Ihren Community Connector definieren, gibt es für jedes Feld verschiedene Eigenschaften, die bestimmen, wie das Feld in Data Studio dargestellt und verwendet wird. Beispiel:

  • Der conceptType wird in Ihrem Connectorschema mit dem Attribut conceptType definiert. Mit dieser Eigenschaft wird festgelegt, ob das Feld als Dimension oder Messwert behandelt wird. Eine Erklärung zum Unterschied zwischen Messwerten und Dimensionen finden Sie unter Dimensionen und Messwerte.
  • Der semantische Typ kann entweder im Connector-Schema definiert oder von Data Studio automatisch anhand des Attributs Datentyp, das in Ihrem Connector definiert ist, und der von Ihrem Connector zurückgegebenen Datenwerte erkannt werden. Weitere Informationen zur Funktionsweise finden Sie unter Automatische Erkennung semantischer Typen.
  • Der Zusammenfassungstyp bestimmt, ob die Messwerte (Dimensionen werden ignoriert) neu zusammengefasst werden können. Wenn Sie die Eigenschaft semantics.isReaggregatable auf true setzen, wird standardmäßig die Aggregation SUM verwendet. Andernfalls wird sie auf Auto gesetzt. Sie können den Standardaggregationstyp für Felder, die neu aggregiert werden können, auch manuell mit der Eigenschaft defaultAggregationType festlegen.

Wenn Sie einen Connector in Data Studio konfigurieren und eine Verbindung damit herstellen, wird im Feldeditor das vollständige Schema für den Connector angezeigt, das auf den oben definierten Eigenschaften basiert. Wenn Sie die semantischen Typen angegeben haben, werden sie so angezeigt, wie Sie sie definiert haben. Wenn Sie die automatische Erkennung semantischer Typen verwenden, werden die Felder so angezeigt, wie sie erkannt wurden. Bildschirm „Felder“

Semantische Informationen festlegen

Es gibt zwei Möglichkeiten, semantische Informationen festzulegen. Sie können die Semantik von Feldern entweder manuell festlegen oder Data Studio die automatische Erkennung überlassen.

Wenn Sie beispielsweise eine Zahl haben, die semantisch US-Dollar darstellt, kann Data Studio diesen semantischen Typ nicht automatisch erkennen. Außerdem sind für die automatische semantische Erkennung Datenabrufe für jedes Feld Ihres Schemas erforderlich. Wenn Sie das Schema stattdessen manuell angeben, werden keine Datenabrufaufrufe ausgeführt. Wenn Sie den semantischen Typ Ihrer Daten kennen (z. B. Währung, Prozent, Datum), empfehlen wir, ihn aus Gründen der Genauigkeit und Leistung explizit im Schema festzulegen.

Semantische Typen manuell festlegen (empfohlen)

Wenn Sie Ihre semantischen Typen kennen, können Sie semantics für jedes Schemefeld manuell definieren. Hier finden Sie eine vollständige Liste der verfügbaren Eigenschaften. Wenn Sie manuelle semantische Typen definieren, sollten Sie für jedes Feld semanticType und semanticGroup definieren. Wenn Sie diese Eigenschaften manuell angeben, wird die automatische Erkennung semantischer Typen nicht ausgeführt. Wenn Sie einige, aber nicht alle Felder manuell festlegen, wird für die Felder, die Sie nicht angeben, standardmäßig Text, Number oder Boolean verwendet, je nach dem für das Feld angegebenen dataType.

Das folgende Beispiel zeigt ein einfaches Schema, in dem semantische Typen manuell festgelegt werden. Income ist als Währung und Filing Year als Datum festgelegt.

data-studio/semantics.gs
const schema = [
  {
    name: "Income",
    label: "Income (in USD)",
    dataType: "NUMBER",
    semantics: {
      conceptType: "METRIC",
      semanticGroup: "CURRENCY",
      semanticType: "CURRENCY_USD",
    },
  },
  {
    name: "Filing Year",
    label: "Year in which you filed the taxes.",
    dataType: "STRING",
    semantics: {
      conceptType: "METRIC",
      semanticGroup: "DATE_OR_TIME",
      semanticType: "YEAR",
    },
  },
];

Fehlerbehebung bei manuellen semantischen Typen

Wenn Sie die semantischen Typen für die zugrunde liegenden Daten falsch festlegen, funktionieren sie nicht richtig. Das ist möglicherweise schwierig zu testen, aber es gibt einige Dinge, die Sie tun können, um Probleme zu finden.

  1. Geben Sie nur 2 oder 3 Zeilen Ihrer Daten zurück und prüfen Sie sie dann manuell.
  2. Erstellen Sie in Looker Studio eine Tabelle, in der nur das Feld verwendet wird, das Sie prüfen möchten.
  3. Achten Sie besonders auf die Felder Geo und Date, da sie das strengste Format haben.

Automatische Erkennung semantischer Typen

Wenn Sie in Ihrem Schema keine semantischen Typen definiert haben, versucht Data Studio, sie automatisch anhand der Eigenschaft Datentyp und des Formats der von Ihrem Connector zurückgegebenen Datenwerte zu erkennen.

Der automatische Erkennungsprozess umfasst die folgenden Schritte:

  1. Fordern Sie das Schema an, indem Sie die Funktion getSchema Ihres Community-Connectors ausführen.
  2. Durchlaufen Sie Batches von Feldern, die im Connector-Schema definiert sind, und senden Sie getData-Anfragen für die Felder. Die getData-Anfragen werden mit dem Parameter sampleExtraction ausgeführt, der auf true gesetzt ist, um anzugeben, dass die Datenanfragen für die semantische Erkennung bestimmt sind.
  3. Ermitteln Sie anhand des Datentyps des Felds und des Formats des von der getData-Anfrage zurückgegebenen Werts den semantischen Typ des Felds.

Optionen für die automatische Erkennung semantischer Typen

Wenn Data Studio die getData-Funktion eines Community-Connectors zur semantischen Erkennung ausführt, enthält die eingehende Anfrage das Attribut sampleExtraction, das auf true festgelegt ist. Die von Ihrem Connector zurückgegebenen Daten werden nur von Data Studio verwendet, um den semantischen Typ des Felds zu ermitteln. Da der Wert nicht für andere Zwecke verwendet wird, sind keine tatsächlichen Daten aus Ihrer externen Quelle erforderlich.

Es gibt mehrere Möglichkeiten, die Erkennung semantischer Typen in Ihrem Code zu verbessern:

  • Empfohlen: Vordefinierte Werte übergeben
    Geben Sie für jedes Feld einen vordefinierten Wert zurück, der den semantischen Typ für das Feld am besten repräsentiert und von Data Studio richtig erkannt wird. Wenn der semantische Typ für ein Feld beispielsweise Land ist, geben Sie einen Wert wie IT für Italien zurück. Ein weiterer Vorteil dieses Ansatzes ist, dass er viel schneller ist, da Sie keine HTTP-Anfragen an den Drittanbieterdienst für Daten senden müssen.

  • Nur n Datensätze zurückgeben
    Wenn der Drittanbieterdienst, aus dem Sie Daten abrufen, Zeilenlimits beim Anfordern von Daten unterstützt, geben Sie an Data Studio nur eine kleine Teilmenge von Zeilen anstelle des vollständigen Datasets zurück. Dadurch wird die Datenmenge begrenzt, die Sie für jede Anfrage zur semantischen Erkennung an Data Studio übergeben müssen.

  • Alle Spalten anfordern und Antwort im Cache speichern
    Wenn es möglich ist, alle Spalten für den Drittanbieterdienst anzufordern, von dem Sie Daten abrufen, rufen Sie bei der ersten semantischen Erkennungsanfrage, die von Data Studio empfangen wird, alle Spalten ab und speichern Sie die Ergebnisse im Cache. Bei nachfolgenden semantischen Erkennungsanfragen werden Spaltenwerte aus dem Cache abgerufen, anstatt zusätzliche HTTP-Anfragen an den Drittanbieterdienst zu senden.

  • Nichts ändern
    Sie können Anfragen, bei denen sampleExtraction auf true gesetzt ist, unverändert lassen. Dadurch wird die semantische Erkennung verlangsamt, da Data Studio alle Daten für diesen Prozess abrufen muss. Außerdem wirkt sich dies auf die Anfragerate an Ihre externe Datenquelle aus, da viele semantische Erkennungsanfragen parallel ausgeführt werden.

Erkannte Formate für die automatische Erkennung semantischer Typen

Datum und Uhrzeit
  • YYYY/MM/DD-HH:MM:SS
  • YYYY-MM-DD [HH:MM:SS[.uuuuuu]]
  • YYYY/MM/DD [HH:MM:SS[.uuuuuu]]
  • YYYYMMDD [HH:MM:SS[.uuuuuu]]
  • Sat, 24 May 2008 20:09:47 GMT
  • 2008-05-24T20:09:47Z
  • Zeit: Epoche für Sekunde, Mikrosekunde, Millisekunde und Nanosekunde.
Geo