Redshift データをR で分析

こんにちは！ウェブ担当の加藤です。マーケ関連のデータ分析や整備もやっています。

Pure R スクリプトおよび 標準SQL を使って、R およびJava をインストール可能なあらゆるマシン上でRedshift にアクセス。CData JDBC Driver for Redshift とRJDBC package を使って、R でリモートRedshift データ を利用できます。CData Driver を使うことで、業界が認めた基準で書かれたドライバーを活用して、オープンソースでポピュラーなR 言語のデータにアクセスできます。この記事では、ドライバーを使ってRedshift にSQL クエリを実行する方法、および標準R 関数を呼び出してRedshift をビジュアライズする方法について説明します。

R をインストール

マルチスレッドのMicrosoft R Open を実行すること、またはBLAS/LAPACK ライブラリにリンクされたオープン R を実行することによって、マルチスレッドおよびマネージドコードから利益を得られたドライバーのパフォーマンスにマッチできます。ここでは、Microsoft R Open 3.2.3 を使用します。CRAN レポジトリのJan. 1, 2016 snapshot からパッケージをインストールするために事前設定されています。このsnapshot は再現性を保証します。

RJDBC パッケージをロード

ドライバーを使うにはRJDBC パッケージをダウンロードします。RJDBC パッケージをインストールしたら、次のコードを入力してパッケージをロードします。

JDBC データソースとしてRedshift に接続

下記の情報を使いRedshift にJDBC データソースとして接続します。

• Driver Class：cdata.jdbc.redshift.RedshiftDriver に設定。
• Classpath：Driver JAR の場所を設定します。デフォルトではインストールディレクトリの［lib］サブフォルダです。

dbConnect やdbSendQuery のようなDBI 関数は、R にデータアクセスコードを書くための統一インターフェースを提供します。

これで、DBI 関数を使ってRedshift に接続しSQL クエリを実行する準備が整いました。dbConnect 関数を使ってJDBC 接続を初期化します。一般的なJDBC 接続文字列は次のとおりです。

Redshift への接続には次を設定します：

• Server: 接続するデータベースをホストしているクラスタのホスト名およびIP アドレス。
• Port: クラスタのポート。
• Database: データベース名、ブランクの場合ユーザーのデフォルトデータベースになります。
• User: ユーザー名。
• Password: ユーザーのパスワード。

Server およびPort の値はAWS の管理コンソールで取得可能です：

1. Amazon Redshift console (http://console.aws.amazon.com/redshift) を開く。
2. Clusters ページで、クラスタ名をクリック。
3. クラスタのConfiguration タブで、表示された接続文字列からクラスタのURL をコピーします。

   スキーマ Discovery

   ドライバーはRedshift API をリレーショナルデータベース、ビュー、ストアドプロシージャとしてモデルします。次のコードを使ってテーブルリストを検出します。

   dbListTables(conn)

   SQL クエリの実行

   dbGetQuery 関数を使ってRedshift API がサポートするすべてのSQL クエリを実行できます：

   orders <- dbGetQuery(conn,"SELECT ShipName, ShipCity FROM Orders")

   次のコマンドを使って、結果を［data viewer］ウィンドウで見ることができます。

   View(orders)

   Redshift データ をプロット

   CRAN レポジトリで利用可能なあらゆるデータ初期化パッケージを使ってRedshift を分析する準備が整いました。ビルトインバーのplot 関数を使って簡単なバーを作成できます。

   par(las=2,ps=10,mar=c(5,15,4,2)) barplot(orders$ShipCity, main="Redshift Orders", names.arg = orders$ShipName, horiz=TRUE)