Självstudie: Förbereda data för att utföra klustring i R med SQL-maskininlärning

Gäller för: SQL Server 2016 (13.x) och senare versioner Azure SQL Managed Instance

I del två i den här självstudieserien i fyra delar förbereder du data från en databas för att utföra klustring i R med SQL Server Machine Learning Services eller på stordatakluster.

I den här artikeln får du lära dig att:

• Avgränsa kunder längs olika dimensioner med hjälp av R
• Läs in data från databasen i en R-dataram

I del ett installerade du förhandskraven och återställde exempeldatabasen.

I del tre får du lära dig hur du skapar och tränar en K-Means-klustermodell i R.

I del fyra får du lära dig hur du skapar en lagrad procedur i en databas som kan utföra klustring i R baserat på nya data.

Förutsättningar

• Del två i den här självstudien förutsätter att du har slutfört del ett.

Separata kunder

Skapa en ny RScript-fil i RStudio och kör följande skript. I SQL-frågan separerar du kunder längs följande dimensioner:

• orderRatio = returorderförhållande (totalt antal ordrar delvis eller helt returnerade jämfört med det totala antalet beställningar)
• itemsRatio = return item ratio (totalt antal artiklar som returneras jämfört med antalet köpta artiklar)
• monetaryRatio = förhållandet mellan returbelopp (totalt penningbelopp för poster som returneras jämfört med det köpta beloppet)
• frequency = återfrekvens

I funktionen connStr ersätter du ServerName med din egen anslutningsinformation.

# 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";

Läsa in data i en dataram

Använd nu följande skript för att returnera resultatet från frågan till en R-dataram.

# 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);

Du bör se resultat som liknar följande.

  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

Rensa resurser

Om du inte ska fortsätta med den här självstudien tar du bort tpcxbb_1gb-databasen.

Nästa steg

I del två av den här självstudieserien lärde du dig att:

• Avgränsa kunder längs olika dimensioner med hjälp av R
• Läs in data från databasen i en R-dataram

Om du vill skapa en maskininlärningsmodell som använder dessa kunddata följer du del tre i den här självstudieserien:

Skapa en förutsägelsemodell i R med SQL-maskininlärning