Samouczek w języku Python: przygotowywanie danych do kategoryzowania klientów przy użyciu uczenia maszynowego SQL

Dotyczy: SQL Server 2017 (14.x) i nowsze wersje usługi Azure SQL Managed Instance

W drugiej części tej czteroczęściowej serii samouczków przywrócisz i przygotujesz dane z bazy danych przy użyciu języka Python. W dalszej części tej serii użyjesz tych danych do trenowania i wdrażania modelu klastrowania w języku Python przy użyciu usług SQL Server Machine Learning Services lub klastrów danych big data.

W tym artykule dowiesz się, jak:

• Oddzielaj klientów wzdłuż różnych wymiarów przy użyciu języka Python
• Ładowanie danych z bazy danych do ramki danych języka Python

W części 1 zainstalowano wymagania wstępne i przywrócono przykładową bazę danych.

W trzeciej części dowiesz się, jak utworzyć i wytrenować model klastrowania K-Średnich w języku Python.

W czwartej części dowiesz się, jak utworzyć procedurę składowaną w bazie danych, która może wykonywać klastrowanie w języku Python na podstawie nowych danych.

Prerequisites

• W drugiej części tego samouczka założono, że spełniono wymagania wstępne części 1.

Oddzielni klienci

Aby przygotować się do klastrowania klientów, najpierw rozdzielisz klientów następującymi wymiarami:

• orderRatio = współczynnik zamówienia zwrotnego (łączna liczba zamówień częściowo lub w pełni zwrócona w porównaniu z łączną liczbą zamówień)
• itemsRatio = współczynnik elementów zwracanych (łączna liczba zwróconych elementów w porównaniu z liczbą zakupionych elementów)
• monetaryRatio = stosunek kwoty zwrotu (łączna kwota pieniężna elementów zwróconych w porównaniu do zakupionej kwoty)
• frequency = częstotliwość zwrotu

Otwórz nowy notes w narzędziu Azure Data Studio i wprowadź następujący skrypt.

W parametrach połączenia zastąp szczegóły połączenia zgodnie z potrzebami.

# Load packages.
import pyodbc
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from scipy.spatial import distance as sci_distance
from sklearn import cluster as sk_cluster

################################################################################################

## Connect to DB and select data

################################################################################################

# Connection string to connect to SQL Server named instance.
conn_str = pyodbc.connect('DRIVER={ODBC Driver 17 for SQL Server}; SERVER=<server>; DATABASE=tpcxbb_1gb; UID=<username>; PWD=<password>')

input_query = '''SELECT
ss_customer_sk AS customer,
ROUND(COALESCE(returns_count / NULLIF(1.0*orders_count, 0), 0), 7) AS orderRatio,
ROUND(COALESCE(returns_items / NULLIF(1.0*orders_items, 0), 0), 7) AS itemsRatio,
ROUND(COALESCE(returns_money / NULLIF(1.0*orders_money, 0), 0), 7) AS monetaryRatio,
COALESCE(returns_count, 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'''


# Define the columns we wish to import.
column_info = {
    "customer": {"type": "integer"},
    "orderRatio": {"type": "integer"},
    "itemsRatio": {"type": "integer"},
    "frequency": {"type": "integer"}
}

Ładowanie danych do ramki danych

Wyniki zapytania są zwracane do języka Python przy użyciu funkcji pandas read_sql . W ramach procesu użyjesz definicji kolumny zdefiniowanej w poprzednim skrypcie.

customer_data = pd.read_sql(input_query, conn_str)

Teraz wyświetl początek ramki danych, aby sprawdzić, czy wygląda poprawnie.

print("Data frame:", customer_data.head(n=5))

Oto zestaw wyników.

Rows Read: 37336, Total Rows Processed: 37336, Total Chunk Time: 0.172 seconds
Data frame:     customer  orderRatio  itemsRatio  monetaryRatio  frequency
0    29727.0    0.000000    0.000000       0.000000          0
1    97643.0    0.068182    0.078176       0.037034          3
2    57247.0    0.000000    0.000000       0.000000          0
3    32549.0    0.086957    0.068657       0.031281          4
4     2040.0    0.000000    0.000000       0.000000          0

Uprzątnij zasoby

Jeśli nie zamierzasz kontynuować pracy z tym samouczkiem, usuń bazę danych tpcxbb_1gb.

Dalsze kroki

W drugiej części tej serii samouczków wykonano następujące kroki:

• Oddzielaj klientów wzdłuż różnych wymiarów przy użyciu języka Python
• Ładowanie danych z bazy danych do ramki danych języka Python

Aby utworzyć model uczenia maszynowego, który korzysta z tych danych klienta, wykonaj trzy części tej serii samouczków:

Samouczek dla języka Python: tworzenie modelu predykcyjnego