Snowflakeのトライアル環境を作りました。
ワークスペースを開いたら
チュートリアルを始めましょう
ノートブックデモ
上位10人の顧客を検索
というリンクがあるじゃないですか。
リンクをクリックすると「demo_notebook.ipynb」が開きました。
すぐ実行しても「ふーん」で終わってしまうので、読み解いてみます。
読み解く
※今回、ノートブックに表示されたMarkdownをそのまま貼り付けているため、
このQiitaページの目次的なところにもMarkdownの「#」が反映されちゃってます。
セル1（Markdown）
Welcome to Snowflake Notebooks in Workspaces! 🌟
Snowflake Notebooks are fully-managed Jupyter-powered notebook built for end-to-end DS and ML development on Snowflake data.
This includes:
- 🐍 Familiar Jupyter experience - Directly connected to the governed Snowflake data.
- 💻 Inside Snowflake Workspaces - Organize and run notebooks alongside your other files.
- 🧠 Powerful for AI/ML - Runs in our pre-built Container Runtime (CPU or GPU) with popular DS/ML packages pre-installed.
- 🏛️ Governed collaboration - Enable multiple users to collaborate via Git-backed Workspaces or Shared Workspaces.
Snowflake Notebooks が Jupyter ベースであること、Container Runtime（CPU/GPU）で動くこと、Git 連携やコラボレーションが可能なことが説明されています。
セル2（Markdown）
1. Connect and run the notebook
Press [Run all] or [Connect] to create and connect your notebook to a service.
Optionally, run the below Python cell to inspect all pre-installed packages. To use a package, run import <package_name>. See example in "4. Visualize customer patterns". Learn more about Managing packages and runtime
[Run all] または [Connect] を押して、ノートブックをサービスに作成・接続します。
ということでそのままなんですが、補足をすると
Snowflake ノートブックは、裏側でContainer Runtime（コンテナサービス）が動いています。
ノートブック単体ではコードを実行できず、まずコンテナに接続する必要があります。
- [Run all] か [Connect] をクリック → サービス（コンテナ）が起動し、ノートブックと繋がる
- 接続完了後 → Pythonセルや SQLセルが実行可能になる
こんな感じ。
セル3（Python）
!pip freeze # Shows all pre-installed packages
pip freeze でランタイムにプリインストールされているパッケージ一覧を表示します。
セル4（Markdown）
2. Create some customer data
This query generates a random table of customer data to explore
この下にあるセル5のクエリ説明です。
セル5（SQL）
select
seq4() as customer_id,
'customer_' || (customer_id + 1) as name,
'customer_' || (customer_id + 1) || '@example.com' as email,
dateadd(day, -uniform(0, 3650, random()), current_date()) as signup_date,
round(uniform(100, 100000, random()) / 100, 2) as lifetime_value
from table(generator(rowcount => 1000));
generator() を使って 1,000 件のダミー顧客データ（ID、名前、メール、登録日、LTV）を生成します。
セル6（Markdown）
3. Find high value customers
This will show customers worth $800 or more. As you'll see, we're referencing the dataframe created above.
これも先ほどと同様、この下にあるセル7のクエリ説明です。
セル7（SQL）
SELECT * FROM {{dataframe_1}} WHERE "LIFETIME_VALUE" > 800;
LTVが$800超データを取ってくるクエリです。
{{dataframe_1}}
これ、jinjaテンプレートですね。
dbtじゃなくても使えるの知らなかった。
CoCo in Snowsightで聞いてみたら、ノートブックではjinjaテンプレートは変数としてのみ使えるみたいです。
セル8（Markdown）
4. Visualize customer patterns
View the chart to see the distribution of customer tenure vs spend. Again, we're using the dataframe that was generated above.
この下にあるセル9のPythonコードの説明ですね。
チャートを見て、顧客のtenureと支出額の分布を確認しましょう。
tenureという見たことない単語が出てきました。
Googleさんによると「在職期間」ということなのですが、お客さんとして登録されている期間という意味合いでしょう、たぶん。
「客である期間」と「支出額」の分布を見てみよう。
昔からのお客さんは今までの支出額が多いはずだよね、という仮説に対する検証です。
セル9（Python）
import matplotlib.pyplot as plt
import pandas as pd
from snowflake.snowpark import DataFrame as SnowparkDataFrame
# On runtime >=2.6 SQL cell results are returned as Snowpark DataFrames that need to be converted to pandas DataFrames
# On runtime <2.6 SQL cell results are directly returned as pandas DataFrames
# For more details, see https://docs.snowflake.com/en/developer-guide/snowflake-ml/container-runtime/releases
df = dataframe_1.to_pandas() if isinstance(dataframe_1, SnowparkDataFrame) else dataframe_1.copy()
df['SIGNUP_DATE'] = pd.to_datetime(df['SIGNUP_DATE'])
df['days_since_signup'] = (pd.Timestamp.today() - df['SIGNUP_DATE']).dt.days
df = df.sort_values('days_since_signup')
plt.figure(figsize=(10, 6))
plt.scatter(df['days_since_signup'], df['LIFETIME_VALUE'], alpha=0.3)
plt.plot(df['days_since_signup'], df['LIFETIME_VALUE'].rolling(100).mean(), color='red', linewidth=2, label='Rolling Avg')
plt.xlabel("Days Since Signup")
plt.ylabel("Lifetime Value")
plt.title("Customer Tenure vs Spend")
plt.legend()
plt.show()
- dataframe_1 を pandas に変換
- 登録日から「何日経過したか」を計算
- 散布図（各顧客を点でプロット）＋ ローリング平均（赤い線）を描画
をやってます。
セル10（Markdown）
Congrats! Now create your own! ✅
Click "Create file" in a workspace and select Notebooks.
Resources to help you get started
- YouTube Video Overview
- ML Quickstart using GPUs - just download the .ipynb and upload to your Workspace!
- Documentation
おめでとう！あとは自分で作ってみてね。という締めのお言葉。
実行
いよいよ左上の実行ボタンを押します。
セル3（Python）
!pip freeze # Shows all pre-installed packages
結果出力はめちゃくちゃたくさんあるので畳んでおきます。
出力結果
absl-py==2.4.0 accelerate==1.14.0 aiobotocore==2.26.0 aiohappyeyeballs==2.6.2 aiohttp==3.14.1 aiohttp-cors==0.8.1 aioitertools==0.13.0 aiosignal==1.4.0 annotated-doc==0.0.4 annotated-types==0.7.0 anyio==4.14.0 anywidget==0.11.0 appdirs==1.4.4 argon2-cffi==25.1.0 argon2-cffi-bindings==25.1.0 arrow==1.4.0 arviz==1.2.0 arviz-base==1.2.0 arviz-plots==1.2.0 arviz-stats==1.2.0 asn1crypto==1.5.1 asttokens==3.0.1 async-lru==2.3.0 attrs==26.1.0 babel==2.18.0 bayesian-optimization==1.5.1 beautifulsoup4==4.15.0 better_optimize==0.4.2 bleach==6.4.0 blinker==1.9.0 boto3==1.41.5 botocore==1.41.5 cachetools==5.5.2 CausalPy==0.8.0 certifi==2026.5.20 cffi==2.0.0 charset-normalizer==3.4.7 click==8.2.1 clikit==0.6.2 cloudpickle==3.1.1 cmdstanpy==1.3.0 colorama==0.4.6 colorful==0.5.8 comm==0.2.3 cons==0.4.7 contourpy==1.3.3 crashtest==0.3.1 cryptography==49.0.0 cycler==0.12.1 datasets==5.0.0 datasketches==5.2.0 debugpy==1.8.21 decorator==5.3.1 deepdiff==8.6.2 defusedxml==0.7.1 dill==0.4.1 distlib==0.4.3 etuples==0.3.10 evaluate==0.4.6 executing==2.2.1 fastapi==0.137.1 fastjsonschema==2.21.2 filelock==3.29.4 FLAML==2.6.0 Flask==3.1.3 fonttools==4.63.0 fqdn==1.5.1 frozenlist==1.8.0 fsspec==2025.12.0 gcsfs==2025.12.0 geojson==3.3.0 google-api-core==2.31.0 google-auth==2.55.0 google-auth-oauthlib==1.4.0 google-cloud-core==2.6.0 google-cloud-storage==3.12.0 google-cloud-storage-control==1.12.0 google-crc32c==1.8.0 google-resumable-media==2.10.0 googleapis-common-protos==1.75.0 graphviz==0.21 grpc-google-iam-v1==0.14.4 grpcio==1.78.0 grpcio-status==1.78.0 gunicorn==25.0.3 h11==0.16.0 h2==4.3.0 hf-xet==1.5.1 holidays==0.99 hpack==4.1.0 httpcore==1.0.9 httpstan==4.13.0 httpx==0.28.1 huggingface_hub==0.36.2 hyperframe==6.1.0 idna==3.18 importlib_resources==6.5.2 inflection==0.5.1 ipykernel==7.3.0 ipython==9.14.1 ipython_pygments_lexers==1.1.1 ipywidgets==8.1.8 isoduration==20.11.0 itsdangerous==2.2.0 jedi==0.20.0 Jinja2==3.1.6 jmespath==1.1.0 joblib==1.5.3 jpype1==1.7.1 json5==0.14.0 jsonpointer==3.1.1 jsonschema==4.26.0 jsonschema-specifications==2025.9.1 jupyter-events==0.12.1 jupyter_client==8.9.1 jupyter_core==5.9.1 jupyter_server==2.19.0 jupyter_server_terminals==0.5.4 jupyterlab==4.5.8 jupyterlab_pygments==0.3.0 jupyterlab_server==2.28.0 jupyterlab_widgets==3.0.16 kiwisolver==1.5.0 lark==1.3.1 lazy-loader==0.5 lightgbm==4.6.0 lightgbm-ray==0.1.9 llvmlite==0.47.0 logical-unification==0.4.7 markdown-it-py==4.2.0 MarkupSafe==3.0.3 marshmallow==3.26.2 matplotlib==3.11.0 matplotlib-inline==0.2.2 mdurl==0.1.2 miniKanren==1.0.5 mistune==3.2.1 mlruntimes_service==2.7.35 modin==0.37.1 mpmath==1.3.0 msgpack==1.2.0 multidict==6.7.1 multipledispatch==1.0.0 multiprocess==0.70.19 mypy_extensions==1.1.0 narwhals==2.22.1 nbclient==0.11.0 nbconvert==7.17.1 nbformat==5.10.4 nest-asyncio2==1.7.2 networkx==3.6.1 nltk==3.9.4 nodeenv==1.10.0 nodejs-wheel-binaries==24.16.0 notebook==7.5.7 notebook_shim==0.2.4 numba==0.65.1 numpy==2.3.5 nvidia-nccl-cu12==2.30.7 oauthlib==3.3.1 opencensus==0.11.4 opencensus-context==0.1.3 openfe==0.0.12 opentelemetry-api==1.42.1 opentelemetry-exporter-otlp-proto-common==1.42.1 opentelemetry-exporter-otlp-proto-grpc==1.42.1 opentelemetry-exporter-prometheus==0.63b1 opentelemetry-proto==1.42.1 opentelemetry-sdk==1.42.1 opentelemetry-semantic-conventions==0.63b1 orderly-set==5.5.0 packaging==25.0 pandapower==3.4.0 pandas==2.3.3 pandera==0.26.1 pandocfilters==1.5.1 parso==0.8.7 pastel==0.2.1 patsy==1.0.2 pexpect==4.9.0 pillow==12.2.0 platformdirs==4.10.0 plotly==6.8.0 polars==1.41.2 polars-runtime-32==1.41.2 preliz==0.26.0 prometheus_client==0.22.1 prompt_toolkit==3.0.52 propcache==0.5.2 prophet==1.3.0 proto-plus==1.28.0 protobuf==6.33.6 psutil==7.2.2 psygnal==0.15.1 ptyprocess==0.7.0 pure_eval==0.2.3 py-spy==0.4.2 py4j==0.10.9.9 pyarrow==24.0.0 pyasn1==0.6.3 pyasn1_modules==0.4.2 pycparser==3.0 pydantic==2.13.4 pydantic_core==2.46.4 Pygments==2.20.0 PyJWT==2.13.0 pylev==1.4.0 pymc==6.0.1 pymc-extras==0.12.1 pyOpenSSL==26.3.0 pyparsing==3.3.2 pyright==1.1.410 pysimdjson==7.0.2 pystan==3.10.1 pytensor==3.0.7 pytensor-distributions==0.2.0 python-dateutil==2.9.0.post0 python-discovery==1.4.2 python-json-logger==4.1.0 pytimeparse==1.1.8 pytz==2026.2 PyYAML==6.0.3 pyzmq==27.1.0 ray==2.55.1 referencing==0.37.0 regex==2026.5.9 requests==2.34.2 requests-oauthlib==2.0.0 retrying==1.4.2 rfc3339-validator==0.1.4 rfc3986-validator==0.1.1 rfc3987-syntax==1.1.0 rich==15.0.0 rpds-py==2026.5.1 s3fs==2025.12.0 s3transfer==0.15.0 safetensors==0.8.0 scikit-learn==1.7.2 scipy==1.15.3 seaborn==0.13.2 Send2Trash==2.1.0 sentencepiece==0.2.1 server-extensions @ file:///extensions/server_extensions setuptools==82.0.1 shap==0.52.0 six==1.17.0 slicer==0.0.8 smart_open==7.6.1 snowflake==1.12.1 snowflake-connector-python==4.6.0 snowflake-ml-python==1.42.0 snowflake-notebook-utils @ file:///extensions/snowflake_notebook_utils snowflake-snowpark-python==1.52.0 snowflake._legacy==1.0.2 snowflake.core==1.12.1 snowpark-connect==1.30.0 snowpark-connect-deps-1==3.56.5 snowpark-connect-deps-2==3.56.5 sortedcontainers==2.4.0 soupsieve==2.8.4 sqlglot==30.11.0 sqlparse==0.5.5 stack-data==0.6.3 stanio==0.5.1 starlette==1.3.1 statsmodels==0.14.6 sympy==1.13.1 terminado==0.18.1 threadpoolctl==3.6.0 tinycss2==1.5.1 tokenizers==0.21.4 tomlkit==0.15.0 toolz==1.1.0 torch==2.6.0+cpu torchvision==0.21.0+cpu tornado==6.5.7 tqdm==4.68.2 traitlets==5.15.1 transformers==4.51.3 typeguard==4.5.2 typing-inspect==0.9.0 typing-inspection==0.4.2 typing_extensions==4.15.0 tzdata==2026.2 tzlocal==5.4 uri-template==1.3.0 urllib3==2.7.0 uvicorn==0.49.0 virtualenv==21.5.0 wcwidth==0.8.1 webargs==8.7.1 webcolors==25.10.0 webencodings==0.5.1 websocket-client==1.9.0 Werkzeug==3.1.8 wheel==0.47.0 widgetsnbextension==4.0.15 wrapt==1.17.3 xarray==2026.4.0 xarray-einstats==0.10.0 xgboost==3.2.0 xgboost-ray==0.1.19 xxhash==3.7.0 yarl==1.24.2セル5（SQL）
select
seq4() as customer_id,
'customer_' || (customer_id + 1) as name,
'customer_' || (customer_id + 1) || '@example.com' as email,
dateadd(day, -uniform(0, 3650, random()), current_date()) as signup_date,
round(uniform(100, 100000, random()) / 100, 2) as lifetime_value
from table(generator(rowcount => 1000));
1,000行のデータ生成結果
セル7（SQL）
SELECT * FROM {{dataframe_1}} WHERE "LIFETIME_VALUE" > 800;
セル5で生成した1,000件が入っているdataframe_1からLTVが800以上のSELECTした結果
197レコード取得できました。
セル9（Python）
import matplotlib.pyplot as plt
import pandas as pd
from snowflake.snowpark import DataFrame as SnowparkDataFrame
# On runtime >=2.6 SQL cell results are returned as Snowpark DataFrames that need to be converted to pandas DataFrames
# On runtime <2.6 SQL cell results are directly returned as pandas DataFrames
# For more details, see https://docs.snowflake.com/en/developer-guide/snowflake-ml/container-runtime/releases
df = dataframe_1.to_pandas() if isinstance(dataframe_1, SnowparkDataFrame) else dataframe_1.copy()
df['SIGNUP_DATE'] = pd.to_datetime(df['SIGNUP_DATE'])
df['days_since_signup'] = (pd.Timestamp.today() - df['SIGNUP_DATE']).dt.days
df = df.sort_values('days_since_signup')
plt.figure(figsize=(10, 6))
plt.scatter(df['days_since_signup'], df['LIFETIME_VALUE'], alpha=0.3)
plt.plot(df['days_since_signup'], df['LIFETIME_VALUE'].rolling(100).mean(), color='red', linewidth=2, label='Rolling Avg')
plt.xlabel("Days Since Signup")
plt.ylabel("Lifetime Value")
plt.title("Customer Tenure vs Spend")
plt.legend()
plt.show()
描画結果
全然相関がないｗｗｗ
1,000件のデータ生成時に、この辺とくに手心加えずにuniform()、random()で作ってましたからね。
データの生成は肝心です。
まとめ
データがランダムすぎて分析としては結果が得られませんでした。
でもSnowflakeのノートブックの使い方は完全に理解した。