Share via

Importación desde Azure SQL Database

  • Artículo

Importante

El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.

A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.

La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.

En este artículo se describe cómo usar el módulo Importar datos en Machine Learning Studio (clásico) para obtener datos de un Azure SQL Database o Azure SQL Data Warehouse.

Nota:

Solo se aplica a: Machine Learning Studio (clásico)

Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.

Para importar datos de una base de datos, debe especificar el nombre del servidor y el nombre de la base de datos, así como una instrucción SQL que defina la tabla, la vista o la consulta.

En general, el almacenamiento de datos en bases de datos de Azure es más caro que el uso de tablas o blobs en Azure. También puede haber límites en la cantidad de datos que puede almacenar en una base de datos, en función del tipo de suscripción. Sin embargo, no hay cuotas de transacciones en Azure SQL Database, por lo que esta opción es idónea para un acceso rápido a cantidades más pequeñas de información usada con frecuencia, como tablas de búsqueda de datos o diccionarios de datos.

También se prefiere almacenar datos en una base de datos de Azure si es necesario poder filtrar los datos antes de leerlos, o si se desea guardar las predicciones o las métricas en la base de datos para la creación de informes.

Cómo importar datos desde Azure SQL Database o SQL Data Warehouse

Usar el Asistente para importación de datos

El módulo incluye un nuevo asistente para ayudarle a elegir una opción de almacenamiento, seleccionar entre las suscripciones y cuentas existentes y configurar rápidamente todas las opciones.

  1. Agregue el módulo Importación de datos al experimento. Puede encontrar el módulo en Studio (clásico), en la categoría Entrada y salida de datos.

  2. Haga clic en Iniciar asistente para importar datos y siga las indicaciones.

  3. Una vez completada la configuración, para copiar realmente los datos en el experimento, haga clic con el botón derecho en el módulo y seleccione Ejecutar seleccionado.

Si necesita editar una conexión de datos existente, el asistente carga todos los detalles de configuración anteriores para que no tenga que volver a empezar desde cero.

Establecer manualmente las propiedades en el módulo Importar datos

En los pasos siguientes se describe cómo configurar manualmente el origen de la importación.

  1. Agregue el módulo Importación de datos al experimento. Puede encontrar este módulo en Studio (clásico), en la categoría Entrada y salida de datos.

  2. En Data source (Origen de datos), seleccione Azure SQL Database.

  3. Establezca las siguientes opciones específicas de Azure SQL Database o Azure SQL Data Warehouse.

    Nombre del servidor de base de datos: escriba el nombre del servidor generado por Azure. Normalmente tiene el formato <generated_identifier>.database.windows.net.

    Nombre de la base de datos: escriba el nombre de una base de datos existente en el servidor que acaba de especificar.

    Nombre de la cuenta de usuario del servidor: escriba el nombre de usuario de una cuenta que tenga permisos de acceso para la base de datos.

    Contraseña de la cuenta de usuario del servidor: proporcione la contraseña de la cuenta de usuario especificada.

    Consulta de base de datos: escriba o pegue SQL instrucción que describe los datos que desea leer. Valide siempre la instrucción SQL y compruebe los resultados de la consulta con antelación, mediante una herramienta como el Explorador de servidores de Visual Studio o SQL Server Data Tools.

    Nota:

    El módulo Importar datos solo admite la entrada nombre de base de datos, nombre de cuenta de usuario y contraseña como credenciales.

  4. Si no se espera que el conjunto de Machine Learning que lea en el experimento cambie entre las ejecuciones del experimento, seleccione la opción Usar resultados almacenados en caché.

    Cuando se selecciona, si no hay ningún otro cambio en los parámetros del módulo, el experimento carga los datos la primera vez que se ejecuta el módulo y, a continuación, usa una versión almacenada en caché del conjunto de datos.

    Si desea volver a cargar el conjunto de datos en cada iteración del experimento, anule la selección de esta opción. El conjunto de datos se recarga desde el origen cada vez que se cambia cualquier parámetro en Import Data (Importar datos).

  5. Ejecute el experimento.

    A medida que Importar datos carga los datos en Studio (clásico), también se puede realizar alguna conversión implícita de tipos, en función de los tipos de datos usados en la base de datos de origen.

Results

Cuando haya terminado la importación, haga clic en el conjunto de datos de salida y seleccione Visualize (Visualizar) para ver si los datos se han importado correctamente.

Opcionalmente, puede cambiar el conjunto de datos y sus metadatos mediante las herramientas de Studio (clásico):

  • Use Edit Metadata (Editar metadatos) para cambiar los nombres de columna, para convertir una columna en un tipo de datos diferente, o para indicar qué columnas son etiquetas o características.

  • Use Select Columns in Dataset (Seleccionar columnas de conjunto de datos) para seleccionar un subconjunto de columnas.

  • Use Partition and Sample (Partición y muestra) para separar el conjunto de datos por criterios u obtener las primeras n filas.

Ejemplos

Para obtener un ejemplo de cómo usar datos de bases de datos de Azure en aprendizaje automático, consulte estos artículos y experimentos:

  • Retail Forecasting Step 1 of 6 - data preprocessing ( Preprocesamiento de datos: la plantilla de previsión de minoristas muestra un escenario típico que usa los datos almacenados en Azure SQLDB para el análisis).

    También se muestran algunas técnicas útiles, como el uso de Azure SQLDB para pasar conjuntos de datos entre experimentos en diferentes cuentas, guardar y combinar previsiones y cómo crear una instancia de Azure SQLDB para el aprendizaje automático.

  • Uso Machine Learning con SQL Data Warehouse: en este artículo se muestra cómo crear un modelo de regresión para predecir los precios mediante Azure SQL Data Warehouse.

  • Uso de Azure ML con Azure SQL Data Warehouse: en este artículo se crea un modelo de agrupación en clústeres en AdventureWorks, mediante importar datos y exportar datos con Azure SQL Data Warehouse.

Notas técnicas

Esta sección contiene detalles de implementación, sugerencias y respuestas a las preguntas más frecuentes.

Preguntas frecuentes

¿Puedo filtrar los datos mientras se leen desde el origen?

El módulo Importar datos no admite el filtrado a medida que se leen los datos. Se recomienda crear una vista o definir una consulta que genere solo las filas que necesita.

Nota:

Si descubre que ha cargado más datos de los que necesita, puede sobrescribir el conjunto de datos en caché. Para ello, lea un nuevo conjunto de datos y guárdelo con el mismo nombre que los datos más antiguos y más grandes.

¿Por qué aparece el error "Type Decimal is not supported"?

Al leer datos de una base SQL datos, es posible que encuentre un mensaje de error que informa de un tipo de datos no admitido.

Si los datos que obtiene de la base de datos SQL incluyen tipos de datos que no se admiten en Machine Learning, debe convertir o convertir los decimales en datos admitidos antes de leer los datos. Importar datos no puede realizar automáticamente ninguna conversión que provocaría una pérdida de precisión.

Para obtener más información sobre los tipos de datos admitidos, vea Tipos de datos de módulo.

¿Qué ocurre si la base de datos está en una región geográfica diferente? ¿Puede importar datos seguir teniendo acceso a la base de datos? ¿Dónde se guardan los datos?

Si la base de datos se encuentra en una región diferente de la cuenta de aprendizaje automático, el acceso a los datos puede ser más lento. Además, se le cobrará por la entrada y salida de datos en la suscripción si el nodo de proceso se encuentra en una región diferente de la cuenta de almacenamiento.

Los datos leídos en el área de trabajo de un experimento se guardan en la cuenta de almacenamiento asociada al experimento.

¿Por qué algunos caracteres no se muestran correctamente?

Machine Learning admite la codificación UTF-8. Si las columnas de cadena de la base de datos usan una codificación diferente, es posible que los caracteres no se importen correctamente.

Una opción es exportar los datos a un archivo CSV en Azure Storage y usar la opción CSV con codificación para especificar parámetros para delimitadores personalizados, la página de códigos, etc.

Parámetros del módulo

Nombre Intervalo Tipo Valor predeterminado Descripción
Origen de datos Lista Origen de datos o receptor Azure Blob Storage El origen de datos puede ser HTTP, FTP, HTTPS anónimo o FTPS, un archivo en Azure BLOB Storage, una tabla de Azure, un Azure SQL Database, una base de datos SQL Server local, una tabla de Hive o un punto de conexión de OData.
URI del servidor de HDFS cualquiera String ninguno Punto de conexión de rest de HDFS
Nombre del servidor de base de datos cualquiera String ninguno Nombre de la cuenta de almacenamiento de Azure
Nombre de la base de datos cualquiera SecureString ninguno Claves de Azure Storage
Nombre de cuenta de usuario del servidor cualquiera String ninguno Nombre del contenedor de Azure
Nombre de cuenta de usuario del servidor Lista (subconjunto) Contenido de la dirección URL OData Tipo de formato de datos
Consulta de base de datos cualquiera String ninguno Tipo de formato de datos
Uso de resultados almacenados en caché TRUE/FALSE Boolean FALSE description

Salidas

Nombre Tipo Descripción
Conjunto de datos de resultados Tabla de datos Conjunto de datos con datos descargados

Excepciones

Excepción Descripción
Error 0027 Se produce una excepción cuando dos objetos tienen que ser del mismo tamaño pero no lo son.
Error 0003 Se produce una excepción si una o varias de las entradas son nulas o están vacías.
Error 0029 Se produce una excepción cuando se pasa un URI no válido.
Error 0030 Se produce una excepción cuando no es posible descargar un archivo.
Error 0002 Se produce una excepción si uno o más parámetros no se pudieron analizar o convertir del tipo especificado al tipo requerido por el método de destino.
Error 0009 Se produce una excepción si se especifica incorrectamente el nombre de la cuenta de almacenamiento de Azure o el nombre del contenedor.
Error 0048 Se produce una excepción cuando no es posible abrir un archivo.
Error 0015 Se produce una excepción si se ha producido un error en la conexión de base de datos.
Error 0046 Se produce una excepción si no es posible crear el directorio en la ruta de acceso especificada.
Error 0049 Se produce una excepción cuando no es posible analizar un archivo.

Para obtener una lista de errores específicos de los módulos de Studio (clásico), consulte Machine Learning códigos de error.

Para obtener una lista de excepciones de API, consulte Machine Learning códigos de error de la API REST.

Consulte también

Import Data
Export Data
Importar desde una dirección web mediante HTTP
Importar desde una consulta de Hive
Importar desde una tabla de Azure
Importación desde Azure Blob Storage
Importar desde los proveedores de fuentes de distribución de datos
Importar desde la base de datos de SQL Server local