Snowflake Quickstartの「Snowflake入門 - ゼロからはじめるSnowflake」を行いながらSnowsightの新UIを確認してみた

かわばたです。

Snowflake Quickstartの「Snowflake入門 - ゼロからはじめるSnowflake」を試していきます。
このセッションの中に、Snowflakeのユーザーインターフェース（Snowsight）を確認する項目がありますが、直近で新しくなっているので確認しながら進めていきたいと思います。

【Snowflake Quickstartドキュメント】
https://quickstarts.snowflake.com/guide/getting_started_with_snowflake_ja/index.html?index=..%2F..ja#0

アジェンダ

1. 概要
2. ラボ環境の準備
3. Snowflakeのユーザーインターフェイスとラボストーリー
4. データロードの準備
5. データのロード
6. クエリ、結果キャッシュ、クローンの操作
7. 半構造化データ、ビュー、結合の操作
8. タイムトラベルの使用
9. ロール、アカウント管理者、アカウント使用状況の操作
10. データの安全な共有とマーケットプレイス
11. Snowflake環境のリセット
12. まとめ

概要

前提条件

• Snowflakeトライアル環境の使用
  • かわばたはEnterprise版を使用しています。
• SQL、データベース構想、オブジェクトについての基本知識
• CSVカンマ区切りのファイルおよびJSON半構造化データに精通していること

とドキュメントに記載があります。

学習内容

• ステージ、データベース、テーブル、ビュー、仮想ウェアハウスの作成方法
• 構造化データおよび半構造化データのロード方法
• テーブル間の結合を含む、Snowflake内のデータに対する分析クエリの実行方法
• オブジェクトのクローン方法
• タイムトラベルを使用してユーザーエラーを元に戻す方法
• ロールおよびユーザーを作成し、権限を付与する方法
• 他のアカウントと安全かつ簡単にデータを共有する方法
• Snowflakeマーケットプレイスでデータセットを利用する方法

ラボ環境の準備

こちらのセクションではトライアルアカウントの登録方法となります。

https://signup.snowflake.com/developers?_fsi=uqbrIqYR&_fsi=uqbrIqYR

上記URLから該当項目を入力し進めていきます。
Snowflakeエディションは最も人気のあるEnterprise版をQuickstartでは推奨しています。

Snowflakeのユーザーインターフェイスとラボストーリー

このセクションではSnowflakeのUIについて説明を行っていきます。
※各項目でどのようなことが可能か記載していきますが、かわばたが把握していない項目もあるため簡単な解説となります。

1. ログイン画面のUI。登録時に指定したユーザー名とパスワードを入力します。
   

2. Snowflakeのホーム画面。ドキュメント時とUIに差異があります、2025年9月17日時点のものです。

各項目について簡単に解説します。

プロジェクト

1. データベース・ワークシート：データベース等のオブジェクトを確認したり、ワークシートを管理したりできます。
   ※ワークシート名は、ワークシート作成時のタイムスタンプとなります。

2. クエリおよびその他のSQLステートメントを入力および実行する一般的な作業領域です。

3. 使用するロールとウェアハウスの設定できます。

4. クエリの実行。すべて実行することも可能です。

5. クエリ結果を確認できます。チャートタブではワークシートデータの視覚化を行うことができます。

【チャートに関するドキュメント】
https://docs.snowflake.com/ja/user-guide/ui-snowsight-visualizations

6. クエリ結果の詳細を確認できる画面。

• クエリ実行の期間。
• 結果内の行数。
• 実行が完了した時刻。
• クエリによってスキャンされたデータの量。
• クエリの実行に使用されるロール。
• クエリの実行に使用されるウェアハウス。
  一部のクエリの詳細は、14日間のみ利用できます。

1. ノートブックとバージョン管理を行うGitリポジトリを接続することが可能です。

【ノートブックとGitリポジトリの同期】

https://docs.snowflake.com/ja/user-guide/ui-snowsight/notebooks-snowgit

2. パッケージをインストールすることができます。
3. ノートブックをアクティブ化できます。ウェアハウスを起動させることになるので、使用しないときはセッションを終了することを推奨しています。
4. Python,SQL,Markdownについて、セルベースで実行することが可能です。

1. ワークシートと同様にGitリポジトリとの連携やファイル管理をする画面です。
2. 実際にエディタでコードを作成する画面です。
3. 作成したアプリを実行し確認する画面です。

詳細なダッシュボードの使用方法については、下記記事を参考にいただくと幸いです。

https://dev.classmethod.jp/articles/snowflake-exploratory-data-analysis-sample/

1. ワークスペース: ファイルやフォルダを1つの領域で管理できます。
2. ワークシート:ワークシートを開いて編集できます。
3. オブジェクトエクスプローラ: アカウント内のすべてのデータベース、各データベースのスキーマ、その他のオブジェクトをタイプ別に階層表示します。
4. エディター: クエリを編集し、横に分割して複数のファイルを同時に表示します。
5. 結果: 結果を横に並べたり、ピン留めして簡単に比較できます。
6. クエリの履歴: 実行したクエリの履歴を表示します。

取り込み

変換

Snowflake AI & ML Studio

モニタリング

Snowflake Marketplace

カタログ

データ共有

ガバナンスとセキュリティ

コンピュート

管理者

管理者の項目にある、管理者連絡先・請求・規約・統合の項目は割愛させていただきます。

データロードの準備

このセクションでは下記内容を行います。

• データベースとテーブルを作成する。
• 外部ステージを作成する。
• データのファイル形式を作成する。

使用するデータは、Citi Bike（NYC）によって提供された自転車シェアのデータとなります。

データベースとテーブルの作成

1. 画面左側最下部から「ロールの切り替え」→「SYSADMIN」を選択し、ロールを切り替えます。

2. 「カタログ」→「データベースエクスプローラー」から、右上側の「＋データベース」をクリックし、出てきたポップアップにCITIBIKEと名称をつけデータベースを作成します。
   

3. ワークシートを作成するために、 「プロジェクト」→「ワークシート」から、右上側の「＋データベース」をクリックします。

4. ワークシート画面で、「ロール」→「SYSADMIN」、「ウェアハウス」→「SNOWFLAKE_LEARNING_WH」、「データベース」→「CITIBIKE」、「スキーマ」→「PUBLIC」に設定します。

5. カンマ区切りのデータのロードに使用するTRIPSという名前のテーブルを作成します。
   以下のコードをワークシートにコピーし実行します。

			
			
create or replace table trips
(tripduration integer,
starttime timestamp,
stoptime timestamp,
start_station_id integer,
start_station_name string,
start_station_latitude float,
start_station_longitude float,
end_station_id integer,
end_station_name string,
end_station_latitude float,
end_station_longitude float,
bikeid integer,
membership_type string,
usertype string,
birth_year integer,
gender integer);


		

6. 以下のようにテーブルが作成できていることが確認できました。

外部ステージの作成

さきほど作成したテーブルにデータをロードするためにステージを作成します。今回は公開されている外部のS3からデータをロードしたいので、外部ステージを作成します。

1. 「データベースエクスプローラー」→「CITIBIKE」データベース→「PUBLIC」スキーマを選択し、右上側の作成タブからステージを選択し、プルダウンメニューからAmazon S3をクリックします。

2. ポップアップした画面を下記のように記載し、外部ステージを作成します。
   

			
			## ステージ名
citibike_trips

## URL
s3://snowflake-workshop-lab/japan/citibike-trips/


		

3. ワークシートで下記コマンドを実行するとステージ内のファイルのリストが確認できます。

			
			list @citibike_trips;

		

ファイル形式の作成

ここでは、データをロードする前にデータ構造をfile formatとして指定するフェーズです。

1. 以下コマンドを実行します。

			
			--create file format

create or replace file format csv type='csv'
  compression = 'auto' field_delimiter = ',' record_delimiter = '\n'
  skip_header = 0 field_optionally_enclosed_by = '\042' trim_space = false
  error_on_column_count_mismatch = false escape = 'none' escape_unenclosed_field = '\134'
  date_format = 'auto' timestamp_format = 'auto' null_if = ('') comment = 'file format for ingesting data for zero to snowflake';

		

2. ファイル形式が正しい設定で作成されていることを確認します。

			
			--verify file format is created

show file formats in database citibike;

		

データのロード

このセクションでは、仮想ウェアハウスとCOPYコマンドを使用して、前のセクションで作成したSnowflakeテーブルへの構造化データの一括ロードを開始します。

ウェアハウスのサイズ変更

1. 「コンピュート」→「ウェアハウス」→「SNOWFLAKE_LEARNING_WH」を選択し、右上側の三点コードから編集を選択します。

2. ポップアップした内容をサイズをSmallに変更し、ウェアハウスを保存します。
   

データのロード

1. ワークシートで下記クエリを実行し、データをロードしていきます。

			
			copy into trips from @citibike_trips file_format=csv PATTERN = '.*csv.*' ;


		

実行時間は38秒でした。

2. ウェアハウスのサイズを変更して実行時間が変わるか確認していきます。

			
			-- テーブルからデータおよびメタデータの削除
truncate table trips;

--テーブルが空となっているか確認
select * from trips limit 10;

--ウェアハウスのサイズを変更
alter warehouse SNOWFLAKE_LEARNING_WH set warehouse_size='large';

--ウェアハウスの変更を確認
show warehouses;

		

3. 再度1を実行します。「モニタリング」→「クエリ履歴」→直近のクエリIDを選択します。
   実行時間が13秒となっており、およそ1/3となっていました。
   

注意点として、ウェアハウスのサイズが1つ上がるとクレジットが倍になるので、実行時間とコストとの兼ね合いを考える必要があります。
この場合は60秒以下は60秒としてクレジットがかかるので、コストは4倍で実行時間が1/3となります。

データアナリティクス用の新しいウェアハウスの作成

以下のようにデータアナリティクス用にウェアハウスを作成しておきます。

クエリ、結果キャッシュ、クローンの操作

クエリの実行

1. ワークシート画面で、「ロール」→「SYSADMIN」、「ウェアハウス」→「ANALYTICS_WH」、「データベース」→「CITIBIKE」、「スキーマ」→「PUBLIC」に設定します。
   以下クエリを実行しデータを確認します。

			
			select * from trips limit 20;

		

2. それぞれの時間の走行回数、平均走行時間、平均走行距離を以下クエリで確認します。

			
			select date_trunc('hour', starttime) as "date",
count(*) as "num trips",
avg(tripduration)/60 as "avg duration (mins)",
avg(haversine(start_station_latitude, start_station_longitude, end_station_latitude, end_station_longitude)) as "avg distance (km)"
from trips
group by 1 order by 1;


		

結果キャッシュの使用

Snowflakeには、過去24時間に実行されたすべてのクエリの結果を保持する結果キャッシュがあります。これはウェアハウスをまたいで利用可能であるため、あるユーザーに返されたクエリ結果を、基礎データが変更されていない限り、同じクエリを実行したシステム上の他のどのユーザーでも利用することができます。このようにクエリ結果を繰り返し返すことで、クエリの実行が非常に高速になるだけでなく、コンピュートクレジットの消費も回避できます。

上記のとおり結果キャッシュの動作を確認するため、先ほどのクエリを再度実行します。

スキャンが0と記載があるため、元のテーブルを参照せずに結果を出力することが出来ています。

クローン

実際にクローンを試していきます。以下クエリを実行します。

			
			create table trips_dev clone trips;

		

上記のとおりクローンを作成することが出来ました。

半構造化データ、ビュー、結合の操作

このセクションでは以下の内容を確認します。

• 公開されているS3バケットにある半構造化JSON形式の気象データをロードする。
• ビューを作成し、SQLドット表記を使用してJSONデータをクエリする。
• 前にロードしたTRIPSデータにJSONデータを結合するクエリを実行する。
• 気象データと自転車の利用回数データを分析し、それらの関係を見極める。

新しいデータベースとテーブルを作成

1. 新しくWEATHERデータベースを作成します。

			
			create database weather;

		

2. 以下クエリを実行し、使用する項目を指定します。

			
			use role sysadmin;

use warehouse SNOWFLAKE_LEARNING_WH;

use database weather;

use schema public;

		

3. 半構造化データを扱うため、VARIANTというデータ型の列でテーブルを作成します。

			
			create table json_weather_data (v variant);

		

外部ステージの作成

先ほどと同様に外部ステージを作成します。今回はコマンドで作成をしていきます。

			
			create stage nyc_weather
url = 's3://snowflake-workshop-lab/zero-weather-nyc';

		

半構造化データのロード

1. 以下コマンドで、テーブルへデータをロードします。

			
			copy into json_weather_data
from @nyc_weather 
    file_format = (type = json strip_outer_array = true);

		

2. 実際にロードされた結果を確認します。

			
			select * from json_weather_data limit 10;

		

JSON形式でデータが格納されていることが確認できました。

ビューの作成と半構造化データのクエリ

Snowflakeでビューを作成し、SQLを使用してJSONデータを直接クエリする方法を確認していきます。

1. 以下のコマンドを実行して、半構造化JSON気象データの列ビューを作成します。
   SQLドット表記であるv:tempを使用してJSONオブジェクト階層内の下位レベルの値を取得しています。

			
			// 半構造化データに構造を与えるビューを作成する
create or replace view json_weather_data_view as
select
    v:obsTime::timestamp as observation_time,
    v:station::string as station_id,
    v:name::string as city_name,
    v:country::string as country,
    v:latitude::float as city_lat,
    v:longitude::float as city_lon,
    v:weatherCondition::string as weather_conditions,
    v:coco::int as weather_conditions_code,
    v:temp::float as temp,
    v:prcp::float as rain,
    v:tsun::float as tsun,
    v:wdir::float as wind_dir,
    v:wspd::float as wind_speed,
    v:dwpt::float as dew_point,
    v:rhum::float as relative_humidity,
    v:pres::float as pressure
from
    json_weather_data
where
    station_id = '72502';

		

2. 実際にクエリでビューを作成していきます。

			
			select * from json_weather_data_view
where date_trunc('month',observation_time) = '2018-01-01'
limit 20;

		

上記のように、構造化されてデータが作成されていることが確認できました。

結合処理

JSON形式の気象データをCITIBIKE.PUBLIC.TRIPSデータに結合します。

以下のクエリを実行して、WEATHERをTRIPSに結合し、特定の天候条件に関連する走行回数をカウントします。

			
			select weather_conditions as conditions
,count(*) as num_trips
from citibike.public.trips
left outer join json_weather_data_view
on date_trunc('hour', observation_time) = date_trunc('hour', starttime)
where conditions is not null
group by 1 order by 2 desc;

		

上記のとおり、天候に応じた自転車に乗る回数を確認することができました。

タイムトラベルの使用

テーブルのドロップとドロップ解除

1. 実際にタイムトラベルを使用するために、意図的にテーブルを削除します。

			
			drop table json_weather_data;

		

			
			select * from json_weather_data limit 10;

		

上記のように削除されたことが確認できました。

2. テーブルを復元します。

			
			undrop table json_weather_data;

		

セレクト文で確認すると以下のように、テーブルが復元されていることが確認できました。

テーブルのロールバック

タイムトラベルでは以前の状態にロールバックすることができます。

1. 以下のコマンドを実行し使用する項目を指定します。

			
			use role sysadmin;

use warehouse SNOWFLAKE_LEARNING_WH;

use database citibike;

use schema public;

		

2. 意図的にテーブル内の駅名をすべてoopsとします。

			
			update trips set start_station_name = 'oops';

		

3. 自転車の利用回数の上位20ステーションを返すクエリを実行します。当然先ほどすべての駅名がoopsなので1行しか結果は返ってきません。

			
			select
start_station_name as "station",
count(*) as "rides"
from trips
group by 1
order by 2 desc
limit 20;

		

4. 直近のUPDATEコマンドのクエリIDを見つけ、それを$QUERY_IDという名前の変数に格納します。

			
			set query_id =
(select query_id from table(information_schema.query_history_by_session (result_limit=>5))
where query_text like 'update%' order by start_time desc limit 1);

		

そのクエリIDを使用し、以前の状態へ復元させます。

			
			create or replace table trips as
(select * from trips before (statement => $query_id));

		

再び3を実行すると以下のように復元できていることが確認できました。

ロール、アカウント管理者、アカウント使用状況の操作

このセクションでは、ロールの作成やロールへの特定の権限の付与など、Snowflakeのアクセス制御セキュリティモデルについて確認します。

新しいロールの作成とユーザーの追加

1. accountadmin権限を利用するため、下記コマンドを実行します。

			
			use role accountadmin;

		

※強力な権限をもつロールなので使用の際は注意してください。

2. junior_dbaロールを作成し、自分に割り当てます。

			
			create role junior_dba;

-- YOUR_USERNAME_GOES_HEREにはご自身のユーザー名を記載してください
grant role junior_dba to user YOUR_USERNAME_GOES_HERE;

		

3. junior_dbaロールを使用します。

			
			use role junior_dba;

		

ここでウェアハウスやデータベースを確認して、先ほど作成したものが表示されていなければ成功ですが、最近のSnowflakeでは、DEFAULT_SECONDARY_ROLESがデフォルトで'ALL'に設定されています。
そのため、セカンダリーロールが機能してjunior_dbaに権限がなくても確認できてしまう可能性があります。

			
			-- 現在のセカンダリロールを確認
SELECT CURRENT_SECONDARY_ROLES();

		

ALLだったため、セカンダリロールを無効にします。

			
			-- セカンダリロールを無効
USE SECONDARY ROLES NONE;

		

権限のないものが確認できなくなりました。

4. junior_dbaロールへ各種権限を付与します。

			
			use role accountadmin;

grant usage on warehouse SNOWFLAKE_LEARNING_WH to role junior_dba;

grant usage on database citibike to role junior_dba;

grant usage on database weather to role junior_dba;

		

junior_dbaロールへ切り替えます。

			
			use role junior_dba;

		

CITIBIKEおよびWEATHERデータベースが権限が付与されたことにより確認することができます。

データの安全な共有とマーケットプレイス

既存の共有を表示

「カタログ」→「データベースエクスプローラー」を選択すると下記のような画面が表示されます。
ソース部分で「共有」となっている部分が、プロバイダーから共有されている既存のものです。

アウトバウンド共有の作成

安全なデータシェアリングを使って、パートナーがこの情報にアクセスできるようにしていきます。

1. 「データ共有」→「プライベート共有」へ進み、右上側の「共有」から「直接共有の作成」を選択します。

2. ポップアップした画面から「+データの選択」をクリックし、CITIBIKEデータベースとPUBLICスキーマから記載のテーブルを選択します。
   

3. 名称をZERO_TO_SNOWFLAKE_SHARED_DATAとし、共有を作成します。

以下のように共有ページが作成されます。コンシューマーを追加することで、対象のアカウントに共有することができます。

Snowflakeマーケットプレイス

ACCOUNTADMINロールでマーケットプレイスへ移動します。検索ボックスに「COVID」と入力し検索します。

以下のように、「COVID-19疫学データ（提供：Starschema）」を選択します。

ポップアップした画面で「取得」をクリックします。

インストール完了画面で「開く」を選択すると下記ワークシートが作成されます。

1. コンテキストの設定
2. 実行したいクエリを選択します。
3. 「実行/再生」ボタンをクリックします。
4. 最下部でデータ結果を確認できます。

Snowflakeマーケットプレイスの共有データを検索し、アクセスするだけで世界的なCOVIDのデータを取得することができます。

Snowflake環境のリセット

以下コマンドを実行すると、Quickstartで作成したデータベース等を削除することができます。

			
			drop share if exists zero_to_snowflake_shared_data;
-- If necessary, replace "zero_to_snowflake-shared_data" with the name you used for the share

drop database if exists citibike;

drop database if exists weather;

drop warehouse if exists analytics_wh;

drop role if exists junior_dba;

		

最後に

個人的にはQuickstartに記載のUIと現在のSnowsightのUIが変わっており苦慮しましたが、この機会に確認することができてよかったです。特に「AI＆ML」の項目や現在プレビューの項目はまだ試せていないものが多いので実際に試してみようと思います。
「ゼロからはじめるSnowflake」2025年9月版として、実施する際の参考になれば幸いです。