OJ Sales Simulated

Article
09/03/2024

Ce jeu de données est dérivé du jeu de données OJ de Dominick et inclut notamment des données simulées supplémentaires dans le but de fournir un jeu de données qui facilite la formation simultanée de milliers de modèles sur Azure Machine Learning.

Notes

Microsoft fournit Azure Open Datasets « en l’état ». Microsoft n’offre aucune garantie, expresse ou implicite, ni de conditions relatives à votre utilisation des jeux de données. Dans la mesure autorisée par votre droit local, Microsoft décline toute responsabilité pour les dommages ou pertes, y compris directs, consécutifs, spéciaux, indirects ou punitifs, résultant de votre utilisation des jeux de données.

Ce jeu de données est fourni selon les conditions initiales par lesquelles Microsoft a reçu les données sources. Le jeu de données peut inclure des données provenant de Microsoft.

Les données portent sur les ventes hebdomadaires de jus d’orange réfrigéré sur 121 semaines. 3 991 magasins sont inclus avec trois marques de jus d’orange par magasin, de sorte que 11 973 modèles peuvent être formés.

Affichez la description du jeu de données d’origine ou téléchargez le jeu de données.

Colonnes

Nom	Type de données	Valeurs (exemple)	Description
Publication	int	1	Valeur indiquant s’il existe des publications pour ce jus orange au cours de la semaine 0 : Aucune publication 1 : Publications
Marque	string	dominicks tropicana	Marque de jus d’orange
Price	double	2,6 2,09	Prix du jus d’orange (en USD)
Quantité	int	10 939 11 638	Quantité de jus d’orange vendue pendant cette semaine
Chiffre d’affaires	double	38 438,4 36 036,0	Revenus des ventes de jus d’orange pendant cette semaine (en USD)
Magasin	int	2 658 1 396	Nombre de magasins où le jus d’orange a été vendu
WeekStarting	timestamp	09-08-1990 00:00:00 20-02-1992 00:00:00	Date indiquant à quelle semaine les ventes sont liées

Préversion

WeekStarting	Magasin	Marque	Quantité	Publication	Price	Chiffre d’affaires
01/10/1992 12:00:00 AM	3 571	minute.maid	13 247	1	2,42	32 057,74
01/10/1992 12:00:00 AM	2999	minute.maid	18461	1	2.69	49 660,09
01/10/1992 12:00:00 AM	1198	minute.maid	13222	1	2.64	34 906,08
01/10/1992 12:00:00 AM	3916	minute.maid	12 923	1	2.45	31 661,35
01/10/1992 12:00:00 AM	1688	minute.maid	9 380	1	2.46	23 074,8
01/10/1992 12:00:00 AM	1040	minute.maid	18 841	1	2,31	43 522,71
01/10/1992 12:00:00 AM	1938	minute.maid	14202	1	2.19	31 102,38
01/10/1992 12:00:00 AM	2 405	minute.maid	16 326	1	2.05	33 468,3
01/10/1992 12:00:00 AM	1972	minute.maid	16 380	1	2.12	34 725,6

Accès aux données

Azure Notebooks

azureml-opendatasets

from azureml.core.workspace import Workspace
ws = Workspace.from_config()
datastore = ws.get_default_datastore()

from azureml.opendatasets import OjSalesSimulated

Lire les données à partir d’Azure Open Datasets

# Create a Data Directory in local path
import os

oj_sales_path = "oj_sales_data"

if not os.path.exists(oj_sales_path):
    os.mkdir(oj_sales_path)

# Pull all of the data
oj_sales_files = OjSalesSimulated.get_file_dataset()

# or pull a subset of the data
oj_sales_files = OjSalesSimulated.get_file_dataset(num_files=10)

oj_sales_files.download(oj_sales_path, overwrite=True)

Charger les jeux de données individuels vers Stockage Blob

Nous chargeons les données vers Blob et allons créer le FileDataset à partir de ce dossier de fichiers CSV.

target_path = 'oj_sales_data'

datastore.upload(src_dir = oj_sales_path,
                target_path = target_path,
                overwrite = True, 
                show_progress = True)

Créer le jeu de données du fichier

Nous devons définir le chemin d’accès des données pour créer le FileDataset.

from azureml.core.dataset import Dataset

ds_name = 'oj_data'
path_on_datastore = datastore.path(target_path + '/')

input_ds = Dataset.File.from_files(path=path_on_datastore, validate=False)

Inscrire le jeu de données du fichier dans l’espace de travail

Nous souhaitons inscrire le jeu de données dans notre espace de travail pour pouvoir l’appeler en tant qu’entrée dans notre pipeline pour prévision.

registered_ds = input_ds.register(ws, ds_name, create_new_version=True)
named_ds = registered_ds.as_named_input(ds_name)

Azure Databricks

azureml-opendatasets

# This is a package in preview.
# You need to pip install azureml-opendatasets in Databricks cluster. https://learn.microsoft.com/azure/data-explorer/connect-from-databricks#install-the-python-library-on-your-azure-databricks-cluster
# Download or mount OJ Sales raw files Azure Machine Learning file datasets.
# This works only for Linux based compute. See https://learn.microsoft.com/azure/machine-learning/service/how-to-create-register-datasets to learn more about datasets.

from azureml.opendatasets import OjSalesSimulated

ojss_file = OjSalesSimulated.get_file_dataset()
ojss_file

ojss_file.to_path()

# Download files to local storage
import os
import tempfile

mount_point = tempfile.mkdtemp()
ojss_file.download(mount_point, overwrite=True)

# Mount files. Useful when training job will run on a remote compute.
import gzip
import struct
import pandas as pd
import numpy as np

# load compressed OJ Sales Simulated gz files and return numpy arrays
def load_data(filename, label=False):
    with gzip.open(filename) as gz:
        gz.read(4)
        n_items = struct.unpack('>I', gz.read(4))
        if not label:
            n_rows = struct.unpack('>I', gz.read(4))[0]
            n_cols = struct.unpack('>I', gz.read(4))[0]
            res = np.frombuffer(gz.read(n_items[0] * n_rows * n_cols), dtype=np.uint8)
            res = res.reshape(n_items[0], n_rows * n_cols)
        else:
            res = np.frombuffer(gz.read(n_items[0]), dtype=np.uint8)
            res = res.reshape(n_items[0], 1)
    return pd.DataFrame(res)

import sys
mount_point = tempfile.mkdtemp()
print(mount_point)
print(os.path.exists(mount_point))
print(os.listdir(mount_point))

if sys.platform == 'linux':
  print("start mounting....")
  with ojss_file.mount(mount_point):
    print(os.listdir(mount_point))  
    train_images_df = load_data(os.path.join(mount_point, 'train-tabular-oj-ubyte.gz'))
    print(train_images_df.info())

Étapes suivantes

Consultez les autres jeux de données du catalogue Open Datasets.

Partager via