sp_execute_external_script (Transact-SQL)
適用対象: SQL Server 2016 (13.x) 以降 Azure SQL Managed Instance
ストアド プロシージャはsp_execute_external_script
、プロシージャの入力引数として指定されたスクリプトを実行し、Machine ラーニング Services および Language Extensions で使用されます。
Machine ラーニング Services では、Python と R がサポートされている言語です。 言語拡張の場合、Java はサポートされていますが、CREATE EXTERNAL LANGUAGE で定義する必要があります。
実行sp_execute_external_script
するには、まず Machine ラーニング Services または言語拡張機能をインストールする必要があります。 詳細については、「Windows および Linux に SQL Server Machine ラーニング Services (Python と R) をインストールする」または「Windows および Linux に SQL Server 言語拡張機能をインストールする」を参照してください。
ストアド プロシージャはsp_execute_external_script
、プロシージャの入力引数として指定されたスクリプトを実行し、SQL Server 2017 (14.x) 上の Machine ラーニング Services で使用されます。
Machine ラーニング Services では、Python と R がサポートされている言語です。
実行sp_execute_external_script
するには、まず Machine ラーニング Services をインストールする必要があります。 詳細については、「Windows に SQL Server マシン ラーニング Services (Python および R) をインストールする」を参照してください。
ストアド プロシージャはsp_execute_external_script
、プロシージャの入力引数として指定されたスクリプトを実行し、SQL Server 2016 (13.x) の R Services で使用されます。
R Services の場合、 R はサポートされている言語です。
実行 sp_execute_external_script
するには、最初に R Services をインストールする必要があります。 詳細については、「Windows に SQL Server マシン ラーニング Services (Python および R) をインストールする」を参照してください。
ストアド プロシージャはsp_execute_external_script
、プロシージャへの入力引数として指定されたスクリプトを実行し、Azure SQL Managed Instance の Machine ラーニング Services で使用されます。
Machine ラーニング Services では、Python と R がサポートされている言語です。
実行sp_execute_external_script
するには、まず Machine ラーニング Services を有効にする必要があります。 詳細については、Azure SQL Managed Instance のマシン ラーニング サービスに関するドキュメントを参照してください。
構文
sp_execute_external_script
[ @language = ] N'language'
, [ @script = ] N'script'
[ , [ @input_data_1 = ] N'input_data_1' ]
[ , [ @input_data_1_name = ] N'input_data_1_name' ]
[ , [ @input_data_1_order_by_columns = ] N'input_data_1_order_by_columns' ]
[ , [ @input_data_1_partition_by_columns = ] N'input_data_1_partition_by_columns' ]
[ , [ @output_data_1_name = ] N'output_data_1_name' ]
[ , [ @parallel = ] { 0 | 1 } ]
[ , [ @params = ] N'@parameter_name data_type [ OUT | OUTPUT ] [ , ...n ]' ]
[ , [ @parameter1 = ] 'value1' [ OUT | OUTPUT ] [ , ...n ] ]
[ ; ]
SQL Server 2017 以前のバージョンの構文
EXEC sp_execute_external_script
@language = N'language'
, @script = N'script'
[ , [ @input_data_1 = ] N'input_data_1' ]
[ , [ @input_data_1_name = ] N'input_data_1_name' ]
[ , [ @output_data_1_name = ] N'output_data_1_name' ]
[ , [ @parallel = ] { 0 | 1 } ]
[ , [ @params = ] N'@parameter_name data_type [ OUT | OUTPUT ] [ ,...n ]' ]
[ , [ @parameter1 = ] 'value1' [ OUT | OUTPUT ] [ ,...n ] ]
引数
[ @language = ] N'language'
スクリプト言語を示します。 言語 は sysname です。 有効な値は、R、Python、CREATE EXTERNAL LANGUAGE (Java など) で定義されている任意の言語です。
スクリプト言語を示します。 言語 は sysname です。 SQL Server 2017 (14.x) では、有効な値は R と Python です。
スクリプト言語を示します。 言語 は sysname です。 SQL Server 2016 (13.x) では、有効な値は R のみです。
スクリプト言語を示します。 言語 は sysname です。 Azure SQL Managed Instance では、有効な値は R と Python です。
[ @script = ] N'script'
リテラルまたは変数の入力として指定された外部言語スクリプト。 スクリプト は nvarchar(max)です。
[ @input_data_1 = ] N'input_data_1'
Transact-SQL クエリの形式で外部スクリプトによって使用される入力データを指定します。 input_data_1のデータ型は nvarchar(max)です。
[ @input_data_1_name = ] N'input_data_1_name'
で定義 @input_data_1されたクエリを表すために使用する変数の名前を指定します。 外部スクリプトの変数のデータ型は、言語によって異なります。 R の場合、入力変数はデータ フレームです。 Python の場合、入力は表形式である必要があります。 input_data_1_nameは sysname です。 既定値は InputDataSet です。
[ @input_data_1_order_by_columns = ] N'input_data_1_order_by_columns'
パーティションごとのモデルを構築するために使用されます。 結果セットの順序付けに使用する列の名前を指定します (製品名など)。 外部スクリプトの変数のデータ型は、言語によって異なります。 R の場合、入力変数はデータ フレームです。 Python の場合、入力は表形式である必要があります。
[ @input_data_1_partition_by_columns = ] N'input_data_1_partition_by_columns'
パーティションごとのモデルを構築するために使用されます。 地理的リージョンや日付など、データのセグメント化に使用する列の名前を指定します。 外部スクリプトの変数のデータ型は、言語によって異なります。 R の場合、入力変数はデータ フレームです。 Python の場合、入力は表形式である必要があります。
[ @output_data_1_name = ] N'output_data_1_name'
ストアド プロシージャ呼び出しが完了したときに SQL Server に返されるデータを含む外部スクリプト内の変数の名前を指定します。 外部スクリプトの変数のデータ型は、言語によって異なります。 R の場合、出力はデータ フレームである必要があります。 Python の場合、出力は pandas データ フレームである必要があります。 output_data_1_nameは sysname です。 既定値は OutputDataSet です。
[ @parallel = ] { 0 | 1 }
パラメーターを に設定して、R スクリプトの並列実行を@parallel
1
有効にします。 このパラメーターの既定値は 0
(並列処理なし) です。 出力がクライアント コンピューターに直接ストリーミングされる場合 @parallel = 1
は、句が必要であり、 WITH RESULT SETS
出力スキーマを指定する必要があります。
RevoScaleR 関数を使用しない R スクリプトの場合、このパラメーターを
@parallel
使用すると、スクリプトを簡単に並列化できる場合に、大規模なデータセットを処理する場合に役立ちます。 たとえば、モデルで Rpredict
関数を使用して新しい予測を生成する場合は、クエリ エンジンへのヒントとして設定@parallel = 1
します。 クエリを並列化できる場合、MAXDOP 設定に従って行が分散されます。RevoScaleR 関数を使用する R スクリプトの場合、並列処理は自動的に処理されるため、呼び出しには
sp_execute_external_script
指定@parallel = 1
しないでください。
[ @params = ] N'@parameter_name data_type' [ OUT |OUTPUT ] [ ,...n ]
外部スクリプトで使用される入力パラメーター宣言の一覧。
[ @parameter1 = ] 'value1' [ OUT |OUTPUT ] [ ,...n ]
外部スクリプトで使用される入力パラメーターの値の一覧。
解説
重要
クエリ ツリーは SQL 機械学習によって制御され、ユーザーはクエリに対して任意の操作を実行できません。
サポートされている言語で記述されたスクリプトを実行するために使用 sp_execute_external_script
します。 サポートされている言語は、Machine ラーニング Services で使用される Python と R、および言語拡張機能で使用される CREATE EXTERNAL LANGUAGE (Java など) で定義されている言語です。
サポートされている言語で記述されたスクリプトを実行するために使用 sp_execute_external_script
します。 サポートされている言語は、SQL Server 2017 (14.x) Machine ラーニング Services の Python と R です。
サポートされている言語で記述されたスクリプトを実行するために使用 sp_execute_external_script
します。 サポートされている言語は、SQL Server 2016 (13.x) R Services の R のみです。
サポートされている言語で記述されたスクリプトを実行するために使用 sp_execute_external_script
します。 サポートされている言語は、Azure SQL Managed Instance Machine ラーニング Services の Python と R です。
既定では、このストアド プロシージャによって返される結果セットは、名前のない列を含む出力です。 スクリプト内で使用される列名はスクリプト環境に対してローカルであり、出力された結果セットには反映されません。 結果セットの列に名前を付けるには、次のEXECUTE
句をWITH RESULT SET
使用します。
結果セットを返すだけでなく、OUTPUT パラメーターを使用してスカラー値を返すことができます。
外部リソース プールを構成することで、外部スクリプトで使用されるリソースを制御できます。 詳細については、「CREATE EXTERNAL RESOURCE POOL (Transact-SQL)」を参照してください。 ワークロードに関する情報は、リソース ガバナー カタログ ビュー、DMV、カウンターから取得できます。 詳細については、 リソース ガバナー カタログ ビュー (Transact-SQL)、 リソース ガバナー関連の動的管理ビュー (Transact-SQL)、および SQL Server の外部スクリプト オブジェクトに関するページを参照してください。
スクリプトの実行を監視する
sys.dm_external_script_requestsとsys.dm_external_script_execution_statsを使用してスクリプトの実行を監視します。
パーティション モデリングのパラメーター
パーティション分割されたデータのモデリングを有効にする 2 つの追加パラメーターを設定できます。パーティションは、データ セットを論理的なパーティションに自然に分割する 1 つ以上の列に基づいており、スクリプトの実行中にのみ作成および使用されます。 年齢、性別、地理的地域、日付または時刻の繰り返し値を含む列は、パーティション分割されたデータ セットに適した例です。
2 つのパラメーターは input_data_1_partition_by_columns と input_data_1_order_by_columnsで、2 番目のパラメーターを使用して結果セットを並べ替えます。 パラメーターは、パーティションごとに 1 回実行される外部スクリプトとの入力 sp_execute_external_script
として渡されます。 詳細と例については、「チュートリアル: パーティション ベースのモデルを作成する」を参照してください。
を指定することで、スクリプトを @parallel = 1
並列で実行できます。 入力クエリを並列化できる場合は、 @parallel = 1
引数 sp_execute_external_script
の一部として . 既定では、クエリ オプティマイザーは 256 行を超えるテーブルで動作 @parallel = 1
しますが、これを明示的に処理する場合、このスクリプトにはデモとしてパラメーターが含まれます。
ヒント
トレーニング ワークロードの場合、Microsoft-rx 以外のアルゴリズムを使用している場合でも、任意のトレーニング スクリプトで @parallel
を使用できます。 通常、SQL Server のトレーニング シナリオで並列処理が提供されるのは、RevoScaleR アルゴリズム (rx プレフィックスが付いたもの) だけです。 ただし、SQL Server 2019 (15.x) 以降のバージョンの新しいパラメーターを使用すると、その機能で特別に設計されていない関数を呼び出すスクリプトを並列化できます。
Python および R スクリプトのストリーミング実行
ストリーミングを使用すると、Python または R スクリプトでメモリに収まるよりも多くのデータを操作できます。 ストリーミング中に渡される行数を制御するには、コレクション内のパラメーター @r_rowsPerRead
に整数値を @params
指定します。 たとえば、非常に広いデータを使用するモデルをトレーニングする場合は、すべての行を 1 つのデータ チャンクで送信できるように、読み取る行数を減らすように値を調整できます。 このパラメーターを使用して、サーバーのパフォーマンスの問題を軽減するために、一度に読み取りおよび処理される行の数を管理することもできます。
ストリーミングの @r_rowsPerRead
パラメーターと引数の両方を @parallel
ヒントと見なす必要があります。 ヒントを適用するには、並列処理を含む SQL クエリ プランを生成できる必要があります。 これが不可能な場合は、並列処理を有効にできません。
Note
ストリーミングと並列処理は、Enterprise Edition でのみサポートされます。 エラーを発生させずに Standard Edition のクエリにパラメーターを含めることができますが、パラメーターに影響はなく、R スクリプトは 1 つのプロセスで実行されます。
制限事項
データ型
次のデータ型は、入力クエリまたはプロシージャの sp_execute_external_script
パラメーターで使用する場合はサポートされず、サポートされていない型エラーが返されます。
回避策として、外部スクリプトに送信する前に、 CAST
Transact-SQL でサポートされている型の列または値を指定します。
- cursor
- timestamp
- datetime2、 datetimeoffset、 time
- sql_variant
- text, image
- xml
- hierarchyid、 geometry、 geography
- CLR ユーザー定義型
一般に、Transact-SQL データ型にマップできない結果セットは、次のように NULL
出力されます。
R に固有の制限事項
入力に R の値の許容範囲に適合しない datetime 値が含まれている場合、値は NA
. これは、SQL 機械学習で R 言語でサポートされている値よりも大きな範囲の値が許可されるために必要です。
両方の言語で I Enterprise Edition E 754 が使用されている場合でも、+Inf
FLOAT 値 (例: , -Inf
, NaN
) は SQL 機械学習ではサポートされていません。 現在の動作では、値が SQL に直接送信されます。その結果、SQL クライアントはエラーをスローします。 したがって、これらの値は NULL
.
アクセス許可
EXECUTE ANY EXTERNAL SCRIPT データベース権限が必要です。
例
このセクションでは、このストアド プロシージャを使用して Transact-SQL を使用して R または Python スクリプトを実行する方法の例を示します。
A. R データ セットを SQL Server に返す
次の例では、R に含まれる Iris データセットを返すために使用 sp_execute_external_script
するストアド プロシージャを作成します。
DROP PROCEDURE IF EXISTS get_iris_dataset;
GO
CREATE PROCEDURE get_iris_dataset
AS
BEGIN
EXEC sp_execute_external_script @language = N'R',
@script = N'iris_data <- iris;',
@input_data_1 = N'',
@output_data_1_name = N'iris_data'
WITH RESULT SETS((
"Sepal.Length" FLOAT NOT NULL,
"Sepal.Width" FLOAT NOT NULL,
"Petal.Length" FLOAT NOT NULL,
"Petal.Width" FLOAT NOT NULL,
"Species" VARCHAR(100)
));
END;
GO
B. Python モデルを作成し、それからスコアを生成する
この例では、単純な Python モデルでスコアを生成するために使用 sp_execute_external_script
する方法を示します。
CREATE PROCEDURE [dbo].[py_generate_customer_scores]
AS
BEGIN
-- Input query to generate the customer data
DECLARE @input_query NVARCHAR(MAX) = N'SELECT customer, orders, items, cost FROM dbo.Sales.Orders'
EXEC sp_execute_external_script @language = N'Python',
@script = N'
import pandas as pd
from sklearn.cluster import KMeans
# Get data from input query
customer_data = my_input_data
# Define the model
n_clusters = 4
est = KMeans(n_clusters=n_clusters, random_state=111).fit(customer_data[["orders","items","cost"]])
clusters = est.labels_
customer_data["cluster"] = clusters
OutputDataSet = customer_data
',
@input_data_1 = @input_query,
@input_data_1_name = N'my_input_data'
WITH RESULT SETS((
"CustomerID" INT,
"Orders" FLOAT,
"Items" FLOAT,
"Cost" FLOAT,
"ClusterResult" FLOAT
));
END;
GO
Python コードで使用される列見出しは SQL Server に出力されません。そのため、WITH RESULT ステートメントを使用して、SQL で使用する列名とデータ型を指定します。
C: SQL Server からのデータに基づいて R モデルを生成する
次の例では、あやめのモデルを生成してモデルを返すために使用 sp_execute_external_script
するストアド プロシージャを作成します。
Note
この例では、e1071 パッケージを事前にインストールする必要があります。 詳細については、「SQL Server に追加の R パッケージをインストールする」を参照してください。
DROP PROCEDURE IF EXISTS generate_iris_model;
GO
CREATE PROCEDURE generate_iris_model
AS
BEGIN
EXEC sp_execute_external_script @language = N'R',
@script = N'
library(e1071);
irismodel <-naiveBayes(iris_data[,1:4], iris_data[,5]);
trained_model <- data.frame(payload = as.raw(serialize(irismodel, connection=NULL)));
',
@input_data_1 = N'select "Sepal.Length", "Sepal.Width", "Petal.Length", "Petal.Width", "Species" from iris_data',
@input_data_1_name = N'iris_data',
@output_data_1_name = N'trained_model'
WITH RESULT SETS((model VARBINARY(MAX)));
END;
GO
Python を使って似たモデルを生成するには、言語識別子を @language=N'R'
から @language = N'Python'
に変更し、@script
引数を必要に応じて修正します。 そうしないと、すべてのパラメーターが R と同じように機能します。
スコアリングには、ネイティブな PREDICT 関数を使うこともできます。通常、これは Python や R のランタイムを呼び出さないので高速です。
関連するコンテンツ
- SQL 機械学習
- SQL Server 言語拡張機能
- システム ストアド プロシージャ (Transact-SQL)
- CREATE EXTERNAL LIBRARY (Transact-SQL)
- sp_prepare (Transact SQL)
- sp_configure (Transact-SQL)
- external scripts enabled サーバー構成オプション
- SERVERPROPERTY (Transact-SQL)
- SQL Server のExternal Scripts オブジェクト
- sys.dm_external_script_requests
- sys.dm_external_script_execution_stats
フィードバック
https://aka.ms/ContentUserFeedback」を参照してください。
以下は間もなく提供いたします。2024 年を通じて、コンテンツのフィードバック メカニズムとして GitHub の issue を段階的に廃止し、新しいフィードバック システムに置き換えます。 詳細については、「フィードバックの送信と表示