Oktatóanyag: Adatok előkészítése az R-ben történő fürtözés végrehajtásához AZ SQL Machine Learning használatával

A következőkre vonatkozik: Sql Server 2016 (13.x) és újabb verziók felügyelt Azure SQL-példány

A négyrészes oktatóanyag-sorozat második részében előkészíti az adatokat egy adatbázisból, hogy az R-ben klaszterezést hajtson végre az SQL Server Machine Learning Szolgáltatások vagy a Big Data fürtök használatával.

Ebben a cikkben megtudhatja, hogyan:

• Ügyfelek elkülönítése különböző dimenziók mentén az R használatával
• Az adatok betöltése az adatbázisból egy R-adatkeretbe

Az első részben telepítette az előfeltételeket, és visszaállította a mintaadatbázist.

A harmadik részben megtanulhatja, hogyan hozhat létre és taníthat be K-Means fürtözési modellt az R-ben.

A negyedik részben megtanulhatja, hogyan hozhat létre tárolt eljárást egy olyan adatbázisban, amely új adatok alapján képes fürtözést végezni az R-ben.

Előfeltételek

• Az oktatóanyag második része feltételezi, hogy elvégezte az első részt.

Ügyfelek elkülönítése

Hozzon létre egy új RScript-fájlt az RStudio-ban, és futtassa a következő szkriptet. Az SQL-lekérdezésben az ügyfeleket a következő dimenziók mentén választja el:

• orderRatio = visszatérési rendelés aránya (a részben vagy teljesen visszaadott rendelések teljes száma a rendelések teljes számával szemben)
• itemsRatio = return item ratio (a visszaadott elemek teljes száma és a megvásárolt elemek száma)
• monetaryRatio = visszatérési összeg aránya (a visszaadott tételek teljes pénzügyi összege a megvásárolt összeggel szemben)
• frequency = visszatérési gyakoriság

A connStr függvényben cserélje le a ServerName nevet a saját kapcsolati adataira.

# 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";

Adatok betöltése adatkeretbe

Most a következő szkripttel adja vissza a lekérdezés eredményeit egy R-adatkeretbe.

# 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);

Az alábbihoz hasonló eredményeket kell látnia.

  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

Erőforrások tisztítása

Ha nem folytatja ezt az oktatóanyagot, törölje a tpcxbb_1gb adatbázist.

Következő lépések

Az oktatóanyag-sorozat második részében megtanulta, hogyan:

• Ügyfelek elkülönítése különböző dimenziók mentén az R használatával
• Az adatok betöltése az adatbázisból egy R-adatkeretbe

Az ügyféladatokat használó gépi tanulási modell létrehozásához kövesse az oktatóanyag-sorozat harmadik részét:

Prediktív modell létrehozása az R-ben SQL Machine Learning használatával