Importera från Azure SQL Database
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.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
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 hämta data från en Azure SQL Database eller Azure SQL Data Warehouse.
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Om du vill importera data från en databas måste du ange både servernamnet och databasnamnet och en SQL-instruktion som definierar tabellen, vyn eller frågan.
I allmänhet är det dyrare att lagra data i Azure-databaser än att använda tabeller eller blobar i Azure. Det kan också finnas begränsningar för mängden data som du kan lagra i en databas, beroende på din prenumerationstyp. Det finns dock inga transaktionsavgifter för SQL Azure Database, så det alternativet är idealiskt för snabb åtkomst till mindre mängder information som används ofta, till exempel datauppslagstabeller eller dataordlistor.
Att lagra data i en Azure-databas är också att föredra om du behöver kunna filtrera data innan du läser dem, eller om du vill spara förutsägelser eller mått tillbaka till databasen för rapportering.
Så här importerar du data från Azure SQL Database eller SQL Data Warehouse
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.
Lägg till modulen Importera data i experimentet. Du hittar modulen i Studio (klassisk) i kategorin Indata och utdata .
Klicka på Starta guiden Importera data och följ anvisningarna.
När konfigurationen är klar högerklickar du på modulen för att kopiera data till experimentet och väljer 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
Följande steg beskriver hur du konfigurerar importkällan manuellt.
Lägg till modulen Importera data i experimentet. Du hittar den här modulen i Studio (klassisk) i kategorin Indata och utdata .
För Datakälla väljer du Azure SQL Database.
Ange följande alternativ som är specifika för Azure SQL Database eller Azure SQL Data Warehouse.
Databasservernamn: Ange servernamnet som genereras av Azure. Vanligtvis har den formen
<generated_identifier>.database.windows.net.Databasnamn: Ange namnet på en befintlig databas på den server som du nyss angav.
Namn på serveranvändarkonto: Ange användarnamnet för ett konto som har åtkomstbehörighet för databasen.
Lösenord för serveranvändarkonto: Ange lösenordet för det angivna användarkontot.
Databasfråga: Skriv eller klistra in SQL instruktion 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.
Anteckning
Import Data-modulen stöder endast inmatning av databasnamn, användarkontonamn och lösenord som autentiseringsuppgifter.
Om datauppsättningen som du läser Machine Learning inte förväntas ändras mellan körningar av experimentet väljer du alternativet Använd cachelagrade resultat.
Om inga andra ändringar av modulparametrar har valts läser experimentet in data första gången modulen körs och använder sedan en cachelagrad version av datauppsättningen.
Om du vill läsa in datauppsättningen på nytt vid varje iteration av experimentet avmarkerar du det här alternativet. Datauppsättningen läss in på nytt från källan varje gång som parametrar ändras i Importera data.
Kör experimentet.
När importdata läser in data i Studio (klassisk) kan viss implicit typkonvertering också utföras, beroende på vilka datatyper som används i källdatabasen.
Resultat
När importen 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):
Använd Redigera metadata för att ändra kolumnnamn, konvertera en kolumn till en annan datatyp eller för att ange vilka kolumner som är etiketter eller funktioner.
Använd Välj kolumner i datauppsättning för att välja en delmängd av kolumner.
Använd Partition och Sample för att avgränsa datauppsättningen efter kriterier eller hämta de översta n raderna.
Exempel
Ett exempel på hur du använder data från Azure-databaser i maskininlärning finns i följande artiklar och experiment:
Detaljhandelsprognossteg 1 av 6 – förbearbetning av data: Mallen Detaljhandelsprognoser illustrerar ett typiskt scenario som använder data som lagras i Azure SQLDB för analys.
Den visar också några användbara tekniker, till exempel att använda Azure SQLDB för att skicka datauppsättningar mellan experiment i olika konton, spara och kombinera prognoser och hur du skapar en Azure SQLDB för maskininlärning.
Använd Machine Learning med SQL Data Warehouse: Den här artikeln visar hur du skapar en regressionsmodell för att förutsäga priser med hjälp av Azure SQL Data Warehouse.
Så här använder du Azure ML med Azure SQL Data Warehouse: Den här artikeln skapar en klustringsmodell på AdventureWorks med hjälp av Importera data och Exportera data med Azure SQL Data Warehouse.
Teknisk information
Det här avsnittet innehåller implementeringsinformation, tips och svar på vanliga frågor.
Vanliga frågor
Kan jag filtrera data när de läses från källan?
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 som 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 visas felet "Typen decimal stöds inte"?
När du läser data SQL en databas kan du få 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 data som stöds innan du läser data. Importdata kan inte automatiskt utföra några konverteringar som skulle leda till förlust av precision.
Mer information om datatyper som stöds finns i Moduldatatyper.
Vad händer om databasen finns i en annan geografisk region. Kan import av data fortfarande komma åt databasen? Var lagras data?
Om databasen finns i en annan region än machine learning-kontot kan dataåtkomsten ta längre tid. Dessutom debiteras du för in- och utgående data i prenumerationen om beräkningsnoden finns i en annan region än lagringskontot.
Data som du läser in på arbetsytan för ett experiment sparas i det lagringskonto som är associerat med experimentet.
Varför visas inte vissa tecken korrekt?
Machine Learning har stöd för UTF-8-kodning. Om strängkolumner i databasen använder en annan kodning kanske inte tecknen importeras korrekt.
Ett alternativ 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.
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. |
| URI för HDFS-server | valfri | Sträng | inget | HDFS REST-slutpunkt |
| Databasservernamn | valfri | Sträng | inget | Azure Storage-kontonamn |
| Databasnamn | valfri | SecureString | inget | Azure Storage-nyckel |
| Namn på serveranvändarkonto | valfri | Sträng | inget | Azure-containernamn |
| Namn på serveranvändarkonto | Lista (delmängd) | URL-innehåll | OData | Dataformattyp |
| Databasfråga | valfri | Sträng | inget | Dataformattyp |
| Använda cachelagrade resultat | TRUE/FALSE | Boolesk | FALSE | beskrivning |
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 det är de inte. |
| Fel 0003 | Ett undantag inträffar om ett eller flera indata är null eller tomma. |
| Fel 0029 | Ett undantag inträffar när en ogiltig URI skickas. |
| Fel 0030 | ett undantag inträffar 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 0009 | Ett undantag inträffar om namnet på Azure-lagringskontot eller containernamnet har angetts felaktigt. |
| 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 Table
Importera från Azure Blob Storage
Importera från dataflödesproviders
Importera från lokal SQL Server Database