Kurz: Příprava dat na clustering v R pomocí strojového učení SQL

Platí pro: SQL Server 2016 (13.x) a novější verze Azure SQL Managed Instance

Ve druhé části této čtyřdílné série kurzů připravíte data z databáze k provádění clusteringu v jazyce R se službami SQL Server Machine Learning Services nebo clustery s velkými objemy dat.

V tomto článku se naučíte:

• Oddělení zákazníků podle různých dimenzí pomocí R
• Načtení dat z databáze do datového rámce R

V první části jste nainstalovali požadavky a obnovili ukázkovou databázi.

Ve třetí části se dozvíte, jak vytvořit a vytrénovat model clusteringu K-Means v R.

Ve 4. části se dozvíte, jak vytvořit uloženou proceduru v databázi, která může provádět clustering v jazyce R na základě nových dat.

Požadavky

• Druhá část tohoto kurzu předpokládá, že jste dokončili první část.

Rozdělení zákazníků

V RStudio vytvořte nový soubor RScript a spusťte následující skript. V dotazu SQL oddělujete zákazníky podle následujících dimenzí:

• orderRatio = poměr vrácených objednávek (celkový počet objednávek částečně nebo zcela vrácených oproti celkovému počtu objednávek)
• itemsRatio = poměr vrácených položek (celkový počet vrácených položek oproti počtu zakoupených položek)
• monetaryRatio = poměr výnosové částky (celková peněžní částka vrácených položek a zakoupená částka)
• frequency = návratová frekvence

Ve funkci connStr nahraďte ServerName vlastními informacemi o připojení.

# Define the connection string to connect to the tpcxbb_1gb database

connStr <- "Driver=SQL Server;Server=ServerName;Database=tpcxbb_1gb;uid=Username;pwd=Password"

#Define the query to select data
input_query <- "
SELECT ss_customer_sk AS customer
    ,round(CASE 
            WHEN (
                       (orders_count = 0)
                    OR (returns_count IS NULL)
                    OR (orders_count IS NULL)
                    OR ((returns_count / orders_count) IS NULL)
                    )
                THEN 0.0
            ELSE (cast(returns_count AS NCHAR(10)) / orders_count)
            END, 7) AS orderRatio
    ,round(CASE 
            WHEN (
                     (orders_items = 0)
                  OR (returns_items IS NULL)
                  OR (orders_items IS NULL)
                  OR ((returns_items / orders_items) IS NULL)
                 )
            THEN 0.0
            ELSE (cast(returns_items AS NCHAR(10)) / orders_items)
            END, 7) AS itemsRatio
    ,round(CASE 
            WHEN (
                     (orders_money = 0)
                  OR (returns_money IS NULL)
                  OR (orders_money IS NULL)
                  OR ((returns_money / orders_money) IS NULL)
                 )
            THEN 0.0
            ELSE (cast(returns_money AS NCHAR(10)) / orders_money)
            END, 7) AS monetaryRatio
    ,round(CASE 
            WHEN (returns_count IS NULL)
            THEN 0.0
            ELSE returns_count
            END, 0) AS frequency
FROM (
    SELECT ss_customer_sk,
        -- return order ratio
        COUNT(DISTINCT (ss_ticket_number)) AS orders_count,
        -- return ss_item_sk ratio
        COUNT(ss_item_sk) AS orders_items,
        -- return monetary amount ratio
        SUM(ss_net_paid) AS orders_money
    FROM store_sales s
    GROUP BY ss_customer_sk
    ) orders
LEFT OUTER JOIN (
    SELECT sr_customer_sk,
        -- return order ratio
        count(DISTINCT (sr_ticket_number)) AS returns_count,
        -- return ss_item_sk ratio
        COUNT(sr_item_sk) AS returns_items,
        -- return monetary amount ratio
        SUM(sr_return_amt) AS returns_money
    FROM store_returns
    GROUP BY sr_customer_sk
    ) returned ON ss_customer_sk = sr_customer_sk";

Načtení dat do datového rámce

Teď pomocí následujícího skriptu vrátíte výsledky z dotazu do datového rámce R.

# Query using input_query and get the results back
# to data frame customer_data

library(RODBC)

ch <- odbcDriverConnect(connStr)

customer_data <- sqlQuery(ch, input_query)

# Take a look at the data just loaded
head(customer_data, n = 5);

Měly by se zobrazit výsledky podobné následujícímu.

  customer orderRatio itemsRatio monetaryRatio frequency
1    29727          0          0      0.000000         0
2    26429          0          0      0.041979         1
3    60053          0          0      0.065762         3
4    97643          0          0      0.037034         3
5    32549          0          0      0.031281         4

Vyčistěte zdroje

Pokud nebudete pokračovat v tomto kurzu, odstraňte tpcxbb_1gb databázi.

Další kroky

V druhé části této série kurzů jste se naučili:

• Oddělení zákazníků podle různých dimenzí pomocí R
• Načtení dat z databáze do datového rámce R

Pokud chcete vytvořit model strojového učení, který používá tato zákaznická data, postupujte podle třetí části této série kurzů:

Vytvoření prediktivního modelu v R pomocí strojového učení SQL