Partage via


Démarrage rapide : Structure de données et objets en Python avec le Machine Learning SQL

S’applique à : SQL Server 2017 (14.x) et versions ultérieures Azure SQL Managed Instance

Dans ce guide de démarrage rapide, vous allez découvrir comment utiliser des structures de données et des types de données quand vous utilisez Python dans SQL Server Machine Learning Services, dans Machine Learning Services d’Azure SQL Managed Instance ou sur des clusters Big Data SQL Server. Vous en apprendrez plus sur le transfert de données entre Python et SQL Server, ainsi que les problèmes courants qui peuvent se produire.

Le Machine Learning SQL s’appuie sur le package Python Pandas, qui est idéal pour travailler avec des données tabulaires. Toutefois, vous ne pouvez pas vous contenter de transmettre un scalaire de Python à votre base de données pour que tout fonctionne. Dans ce démarrage rapide, vous allez passer en revue la définition de certaines structures de données de base pour vous préparer à d’autres problèmes que vous pourriez rencontrer en transmettant des données tabulaires entre Python et la base de données.

Voici les concepts à connaître :

  • Une trame de données est une table avec plusieurs colonnes.
  • Une colonne d’une trame de données est un objet de type liste appelé « série ».
  • Une valeur d’une trame de données est appelée une cellule et est accessible par index.

Comment exposeriez-vous le résultat d’un calcul en tant que trame de données, si un élément data.frame requiert une structure tabulaire ? Une solution pourrait être de représenter la valeur scalaire en tant que série, qui est facilement convertible en trame de données.

Notes

Lorsque les dates sont renvoyées, Python dans SQL utilise DATETIME qui a une plage de dates limitée de 1753-01-01(-53690) à 9999-12-31(2958463).

Prérequis

Pour effectuer ce démarrage rapide, vous avez besoin de ce qui suit.

Valeur scalaire en tant que série

Cet exemple effectue une simple opération mathématique et convertit un scalaire en une série.

  1. Une série requiert un index, que vous pouvez assigner manuellement, comme illustré ici, ou par programmation.

    EXECUTE sp_execute_external_script @language = N'Python'
        , @script = N'
    a = 1
    b = 2
    c = a/b
    print(c)
    s = pandas.Series(c, index =["simple math example 1"])
    print(s)
    '
    

    Étant donné que la série n’a pas été convertie en élément data.frame, les valeurs sont renvoyées dans la fenêtre Messages, mais vous pouvez voir que les résultats sont dans un format tabulaire plus grand.

    Résultats

    STDOUT message(s) from external script: 
    0.5
    simple math example 1    0.5
    dtype: float64
    
  2. Pour augmenter la longueur de la série, vous pouvez ajouter de nouvelles valeurs à l’aide d’un tableau.

    EXECUTE sp_execute_external_script @language = N'Python'
        , @script = N'
    a = 1
    b = 2
    c = a/b
    d = a*b
    s = pandas.Series([c,d])
    print(s)
    '
    

    Si vous ne spécifiez pas d’index, un index avec des valeurs comprises entre 0 et la longueur du tableau est généré.

    Résultats

    STDOUT message(s) from external script:
    0    0.5
    1    2.0
    dtype: float64
    
  3. Si vous augmentez le nombre de valeurs de l’index, mais que vous n’ajoutez pas de nouvelles valeurs de données, les valeurs de données sont répétées pour remplir la série.

    EXECUTE sp_execute_external_script @language = N'Python'
        , @script = N'
    a = 1
    b = 2
    c = a/b
    s = pandas.Series(c, index =["simple math example 1", "simple math example 2"])
    print(s)
    '
    

    Résultats

    STDOUT message(s) from external script:
    0.5
    simple math example 1    0.5
    simple math example 2    0.5
    dtype: float64
    

Convertir une série en trame de données

La conversion mathématique du scalaire permet d’obtenir une structure tabulaire. Il reste néanmoins à la convertir dans un format géré par le Machine Learning SQL.

  1. Pour convertir une série en élément data.frame, appelez la méthode DataFrame pandas.

    EXECUTE sp_execute_external_script @language = N'Python'
        , @script = N'
    import pandas as pd
    a = 1
    b = 2
    c = a/b
    d = a*b
    s = pandas.Series([c,d])
    print(s)
    df = pd.DataFrame(s)
    OutputDataSet = df
    '
    WITH RESULT SETS((ResultValue FLOAT))
    

    Le résultat est illustré ci-dessous. Même si vous utilisez l’index pour récupérer des valeurs spécifiques à partir de l’élément data.frame, les valeurs d’index ne font pas partie de la sortie.

    Résultats

    ResultValue
    0.5
    2

Valeurs de sortie dans l’élément data.frame

À présent, vous allez générer des valeurs spécifiques à partir de deux séries de résultats mathématiques dans un élément data.frame. La première a un index de valeurs séquentielles générées par Python. La seconde utilise un index arbitraire de valeurs de chaîne.

  1. L’exemple suivant obtient une valeur de la série à l’aide d’un index d’entiers.

    EXECUTE sp_execute_external_script @language = N'Python'
        , @script = N'
    import pandas as pd
    a = 1
    b = 2
    c = a/b
    d = a*b
    s = pandas.Series([c,d])
    print(s)
    df = pd.DataFrame(s, index=[1])
    OutputDataSet = df
    '
    WITH RESULT SETS((ResultValue FLOAT))
    

    Résultats

    ResultValue
    2.0

    N’oubliez pas que l’index généré automatiquement commence à 0. Essayez d’utiliser une valeur d’index hors de la plage pour voir ce qui se passe.

  2. À présent, récupérez une valeur de l’autre trame de données à l’aide d’un index de chaîne.

    EXECUTE sp_execute_external_script @language = N'Python'
        , @script = N'
    import pandas as pd
    a = 1
    b = 2
    c = a/b
    s = pandas.Series(c, index =["simple math example 1", "simple math example 2"])
    print(s)
    df = pd.DataFrame(s, index=["simple math example 1"])
    OutputDataSet = df
    '
    WITH RESULT SETS((ResultValue FLOAT))
    

    Résultats

    ResultValue
    0.5

    Si vous essayez d’utiliser un index numérique pour obtenir une valeur de cette série, vous recevez une erreur.

Étapes suivantes

Pour savoir comment écrire des fonctions Python avancées avec le Machine Learning SQL, suivez ce démarrage rapide :