Zelfstudie: Gegevens voorbereiden om clustering uit te voeren in R met SQL Machine Learning

Van toepassing op: SQL Server 2016 (13.x) en latere versies van Azure SQL Managed Instance

In deel twee van deze vierdelige reeks zelfstudies bereidt u de gegevens van een database voor om clustering uit te voeren in R met SQL Server Machine Learning Services of op Big Data-clusters.

In dit artikel leert u het volgende:

• Klanten scheiden langs verschillende dimensies met behulp van R
• De gegevens uit de database laden in een R-gegevensframe

In deel 1 hebt u de vereisten geïnstalleerd en de voorbeelddatabase hersteld.

In deel drie leert u hoe u een K-Means-clusteringmodel maakt en traint in R.

In deel vier leert u hoe u een opgeslagen procedure maakt in een database die clustering in R kan uitvoeren op basis van nieuwe gegevens.

Vereiste voorwaarden

• In deel twee van deze zelfstudie wordt ervan uitgegaan dat u deel één hebt voltooid.

Afzonderlijke klanten

Maak een nieuw RScript-bestand in RStudio en voer het volgende script uit. In de SQL-query scheidt u klanten langs de volgende dimensies:

• orderRatio = retourorderverhouding (totaal aantal orders gedeeltelijk of volledig geretourneerd versus het totale aantal orders)
• itemsRatio = verhouding retouritem (totaal aantal geretourneerde items versus het aantal gekochte artikelen)
• monetaryRatio = retourbedragverhouding (totale monetaire hoeveelheid geretourneerde items versus het aangeschafte bedrag)
• frequency = retourfrequentie

Vervang In de functie connStrServerName door uw eigen verbindingsgegevens.

# 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";

De gegevens in een gegevensframe laden

Gebruik nu het volgende script om de resultaten van de query te retourneren naar een R-gegevensframe.

# 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);

U zou resultaten moeten zien die er ongeveer als volgt uitzien.

  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

De hulpbronnen opschonen

Als u niet verdergaat met deze zelfstudie, verwijdert u de tpcxbb_1gb-database.

Volgende stappen

In deel twee van deze reeks zelfstudies hebt u geleerd hoe u het volgende kunt doen:

• Segmenteer klanten op basis van verschillende dimensies met behulp van R
• De gegevens uit de database laden in een R-gegevensframe

Als u een machine learning-model wilt maken dat gebruikmaakt van deze klantgegevens, volgt u deel drie van deze reeks zelfstudies:

Een voorspellend model maken in R met SQL Machine Learning