Dela via

Importera från lokal SQL Server databas

  • Artikel

Viktigt

Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.

Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.

Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.

Den här artikeln beskriver hur du använder modulen Importera data i Machine Learning Studio (klassisk) för att importera data från en lokal SQL Server-databas till ett maskininlärningsexperiment.

Anteckning

Gäller endast för: Machine Learning Studio (klassisk)

Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.

Machine Learning kan komma åt en lokal SQL Server databas om data tillhandahålls med hjälp av en Microsoft Datahantering Gateway. Innan du använder Importera data måste du därför uppfylla följande krav:

När gatewayanslutningen har upprättats kan du ange ytterligare egenskaper, till exempel server- och databasnamn, autentiseringsmetod och en databasfråga.

Så här installerar du en Microsoft Datahantering Gateway

För att få åtkomst till en lokal SQL Server-databas i Machine Learning måste du ladda ned och installera Microsoft Datahantering Gateway och sedan registrera gatewayen i Machine Learning Studio (klassisk).

Mer information om hur du installerar och registrerar gatewayen finns i följande artiklar:

Så här importerar du data från en SQL Server databas

När en Datahantering Gateway har installerats på en dator där den kan komma åt din SQL Server-databas och du har registrerat gatewayen i Machine Learning Studio (klassisk) måste du konfigurera modulen Importera data.

Innan du börjar inaktiverar du webbläsarens blockering av popup-fönster för webbplatsen, studio.azureml.net.

Om du använder webbläsaren Google Chrome måste du ladda ned och installera något av de plugin-program som är tillgängliga i Google Chrome WebStore: Klicka på När apptillägget.

Använd guiden Importera data

Modulen innehåller en ny guide som hjälper dig att välja ett lagringsalternativ, välja bland befintliga prenumerationer och konton och snabbt konfigurera alla alternativ.

  1. Lägg till modulen Importera data i experimentet. Du hittar modulen i Studio (klassisk) i kategorin Indata och utdata .

  2. Klicka på Starta guiden Importera data och följ anvisningarna.

  3. När konfigurationen är klar kopierar du data till experimentet genom att högerklicka på modulen och välja Kör valda.

Om du behöver redigera en befintlig dataanslutning läser guiden in all tidigare konfigurationsinformation så att du inte behöver börja om från början.

Ange egenskaper manuellt i modulen Importera data

  1. Lägg till modulen Importera data i experimentet. Du hittar modulen i Studio (klassisk) i kategorin Indata och utdata .

  2. För Datakälla väljer du Lokal SQL Database.

  3. Ange följande alternativ som är specifika för SQL Server databasen.

    • Datagateway: Välj den gateway som du skapade. Gatewayen måste vara registrerad eller så visas den inte i listan.

    • Databasservernamn: Ange namnet på den SQL Server instansen.

    • Databasnamn: Ange namnet på databasen.

    • Klicka på Ange värden under Användarnamn och lösenord och ange dina autentiseringsuppgifter för databasen. Du kan använda Windows integrerad autentisering SQL Server autentisering beroende på hur din lokala SQL Server är konfigurerad.

      Viktigt

      Hanteraren för autentiseringsuppgifter måste startas inifrån samma nätverk som SQL Server instansen och gatewayklienten. Autentiseringsuppgifter kan inte skickas mellan domäner.

    • Skriv eller klistra in en SQL databasfråga som beskriver de data som du vill läsa. Verifiera alltid SQL-instruktionen och kontrollera frågeresultatet i förväg med hjälp av ett verktyg som Visual Studio Server Explorer eller SQL Server Data Tools.

    • Om datauppsättningen inte förväntas ändras mellan körningar av experimentet väljer du alternativet Använd cachelagrade resultat. Om inga andra ändringar av modulparametrarna väljs läser experimentet in data första gången modulen körs och använder sedan en cachelagrad version av datauppsättningen.

  4. Kör experimentet.

Resultat

När importdata läser in data i Studio (klassisk) kan viss implicit typkonvertering utföras, beroende på vilka datatyper som används i källdatabasen. Mer information om datatyper finns i Moduldatatyper.

När du är klar klickar du på utdatauppsättningen och väljer Visualisera för att se om data har importerats.

Du kan också ändra datauppsättningen och dess metadata med hjälp av verktygen i Studio (klassisk):

Teknisk information

Det här avsnittet innehåller implementeringsinformation, tips och svar på vanliga frågor.

Vanliga frågor

Kan jag filtrera data när de läses från källan?

Själva modulen Importera data stöder inte filtrering eftersom data läses. Vi rekommenderar att du skapar en vy eller definierar en fråga som endast genererar de rader du behöver.

Anteckning

Om du upptäcker att du har läst in mer data än du behöver kan du skriva över den cachelagrade datauppsättningen genom att läsa in en ny datauppsättning och spara den med samma namn som äldre, större data.

Varför får jag felmeddelandet "Typen decimal stöds inte"

När du läser data från SQL databas kan du stöta på ett felmeddelande som rapporterar en datatyp som inte stöds.

Om de data som du får från SQL-databasen innehåller datatyper som inte stöds i Machine Learning bör du konvertera decimalerna till en datatyp som stöds innan du läser data. Orsaken är att importdata inte automatiskt kan utföra några konverteringar som skulle leda till förlust av precision.

Varför visas vissa tecken inte korrekt

Machine Learning stöder UTF-8-kodning. Om strängkolumner i databasen använder en annan kodning kanske tecknen inte importeras korrekt.

Ett alternativ för att bevara dessa tecken är att exportera data till en CSV-fil i Azure Storage och använda alternativet CSV med kodning för att ange parametrar för anpassade avgränsare, teckensidan och så vidare.

Jag konfigurerade en Datahantering Gateway på min lokala server. Kan jag dela samma gateway mellan arbetsytor?

Nej. Du måste skapa en separat gateway för varje arbetsyta.

Du kan konfigurera flera Datahantering Gateways på en enda arbetsyta (till exempel en för utveckling, testning, produktion osv.), men en gateway kan inte delas mellan arbetsytor.

Jag har ställt in en Datahantering Gateway på min lokala server som jag använder för Power BI eller Azure Data Factory och vill använda samma gateway för Machine Learning

Varje tjänst kräver en separat Datahantering Gateway. Om du redan har en gateway som används för Power BI eller Azure Data Factory måste du konfigurera en separat server och installera en gateway för maskininlärning.

Du kan inte installera flera gateways på en enda server.

Jag vill kunna exportera data till min lokala SQL server. Kan jag använda gatewayen med modulen Exportera data för att skriva data till min lokala SQL server?

För närvarande Machine Learning endast import av data. Vi utvärderar om du kommer att kunna skriva till din lokala databas i framtiden. Under tiden kan du använda Azure Data Factory för att kopiera data från molnet till din lokala databas.

Jag har en datakälla som inte är Microsoft SQL Server (Oracle, Teradata osv.). Kan jag läsa data i Machine Learning med hjälp av det lokala alternativet i modulen Importera data?

För närvarande Machine Learning Import Data-modulen endast stöd Microsoft SQL Server.

Som en tillfällig lösning kan du använda Azure Data Factory för att kopiera dina lokala data till molnlagring, till exempel Azure Blob Storage eller Azure Database, och sedan använda din molndatakälla i modulen Importera data.

Modulparametrar

Name Intervall Typ Standardvärde Description
Datakälla Lista Datakälla eller mottagare Azure Blob Storage Datakällan kan vara HTTP, FTP, anonym HTTPS eller FTPS, en fil i Azure BLOB Storage, en Azure-tabell, en Azure SQL Database, en lokal SQL Server-databas, en Hive-tabell eller en OData-slutpunkt.
Datagateway valfri DataGatewayName inget Namn på datagateway
Databasservernamn valfri Sträng inget Lokala SQL Server
Databasnamn valfri Sträng inget Lokal databasinstans SQL Server databas
Användarnamn och lösenord valfri SecureString inget Användarnamn och lösenord
Databasfråga valfri StreamReader inget Lokal SQL fråga

Utdata

Namn Typ Description
Resultatdatauppsättning Datatabell Datauppsättning med nedladdade data

Undantag

Undantag Description
Fel 0027 Ett undantag inträffar när två objekt måste ha samma storlek, men de inte är det.
Fel 0003 Ett undantag inträffar om en eller flera indata är null eller tomma.
Fel 0029 Ett undantag inträffar när en ogiltig URI skickas.
Fel 0030 ett undantag inträffar i när det inte går att ladda ned en fil.
Fel 0002 Ett undantag inträffar om en eller flera parametrar inte kunde parsas eller konverteras från den angivna typen till den typ som krävs av målmetoden.
Fel 0048 Ett undantag inträffar när det inte går att öppna en fil.
Fel 0015 Ett undantag inträffar om databasanslutningen har misslyckats.
Fel 0046 Ett undantag inträffar när det inte går att skapa en katalog på den angivna sökvägen.
Fel 0049 Ett undantag inträffar när det inte går att parsa en fil.

En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.

En lista över API-undantag finns i Machine Learning REST API felkoder.

Se även

Importera data
Exportera data
Importera från webb-URL via HTTP
Importera från Hive-fråga
Importera från Azure SQL Database
Importera från Azure Table
Importera från Azure Blob Storage
Importera från dataflödesproviders