用于 SQL Server Python 和 R 教程的纽约市出租车演示数据

适用于： SQL Server 2016 (13.x) 及更高版本 Azure SQL 托管实例

本文介绍了如何设置一个示例数据库，该数据库包含来自纽约市出租车和轿车委员会的公共数据。 此数据用于多个 R 和 Python 教程，用于 SQL Server 上的数据库内分析。 为了使示例代码运行速度更快，我们创建了一个具有代表性的 1% 采样数据。 在你的系统上，数据库备份文件略大于 90 MB，在主数据表中提供 170 万行。

若要完成此练习，你应该拥有 SQL Server Management Studio (SSMS) 或其他可以还原数据库备份文件并运行 T-SQL 查询的工具。

使用此数据集的教程和快速入门包括以下内容：

• 在 SQL Server 中使用 R 学习数据库内分析
• 在 SQL Server 中使用 Python 学习数据库内分析

下载文件

示例数据库为 Microsoft 托管的 SQL Server 2016 BAK 文件。 可在 SQL Server 2016 及更高版本上还原它。 打开链接后，将立即开始文件下载。

文件大小约为 90 MB。

注意

若要还原 SQL Server 大数据群集上的示例数据库，请下载NYCTaxi_Sample.bak 并遵循将数据库还原到 SQL Server 大数据群集主实例中的说明进行操作。

1. 下载 NYCTaxi_Sample.bak 数据库备份文件。

2. 将文件复制到实例的默认 Backup 文件夹的 C:\Program files\Microsoft SQL Server\MSSQL-instance-name\MSSQL\Backup 或类似路径。

3. 在 SSMS 中，右键单击“数据库”，然后选择“还原文件和文件组”。

4. 输入 NYCTaxi_Sample 作为数据库名称。

5. 选择“从设备”，然后打开文件选择页以选择 NYCTaxi_Sample.bak 备份文件。 选择“添加”以选择 NYCTaxi_Sample.bak。

6. 选中“还原”复选框，然后选择“确定”以还原数据库。

查看数据库对象

使用 SQL Server Management Studio 确认 SQL Server 实例上存在数据库对象。 你可看到数据库、表、函数和存储过程。

NYCTaxi_Sample 数据库中的对象

下表总结了纽约市出租车演示数据库中创建的对象。

对象名称	对象类型	说明
NYCTaxi_Sample	database	创建一个数据库和两个表： dbo.nyctaxi_sample 表：包含纽约市出租车主数据集。 将在表中添加一个聚集列存储索引，改善存储和查询性能。 此表中插入了纽约市出租车数据集的 1% 采样。 dbo.nyc_taxi_models 表：用于保留已定型的高级分析模型。
fnCalculateDistance	标量值函数 (scalar-valued function)	计算搭乘位置和下车位置之间的直接距离。 在创建数据功能、定型和保存模型以及操作 R 模型中使用此功能。
fnEngineerFeatures	表值函数 (table-valued function)	为模型定型创建新的数据功能。 在创建数据功能和操作 R 模型中使用此功能。

使用在各种教程中找到的 R 和 Python 脚本创建存储过程。 下表总结了从不同课程运行脚本时可以选择添加到纽约市出租车演示数据库的存储过程。

存储过程	语言	说明
RxPlotHistogram	R	调用 RevoScaleR rxHistogram 函数绘制变量的直方图，然后将绘图作为二进制对象返回。 在浏览并可视化数据中使用此存储过程。
RPlotRHist	R	使用 Hist 函数创建图形，然后将输出保存为本地 PDF 文件。 在浏览并可视化数据中使用此存储过程。
RxTrainLogitModel	R	通过调用 R 程序包定型逻辑回归模型。 该模型预测 tipped 列的值，并使用随机选择的 70% 的数据进行定型。 存储过程的输出是定型模型，保存在表 dbo.nyc_taxi_models 中。 在定型和保存模型中使用此存储过程。
RxPredictBatchOutput	R	调用已定型模型以便使用模型创建预测。 该存储过程接受查询作为其输入参数，并返回包含输入行分数的数值的列。 在预测潜在结果中使用此存储过程。
RxPredictSingleRow	R	调用已定型模型以便使用模型创建预测。 该存储过程接受一个新观察值作为输入，而传递的单个功能值作为嵌入式参数，并返回一个预测新观察值结果的值。 在预测潜在结果中使用此存储过程。

查询数据

作为验证步骤，运行查询以确认已上传数据。

1. 在“对象资源管理器”中的“数据库”下，右键单击“NYCTaxi_Sample”数据库，然后启动一个新查询。

2. 运行一些简单的查询：

   SELECT TOP(10) * FROM dbo.nyctaxi_sample;
   SELECT COUNT(*) FROM dbo.nyctaxi_sample;
   

数据库包含 170 万行。

3. 数据库内是一个包含数据集的 dbo.nyctaxi_sample 表。 表已针对基于集的计算进行了优化，并且添加了列存储索引。 运行此语句，以生成表的快速摘要。

   SELECT DISTINCT [passenger_count]
       , ROUND (SUM ([fare_amount]),0) as TotalFares
       , ROUND (AVG ([fare_amount]),0) as AvgFares
   FROM [dbo].[nyctaxi_sample]
   GROUP BY [passenger_count]
   ORDER BY  AvgFares DESC
   

结果应类似于以下屏幕截图中显示的结果。

后续步骤

纽约市出租车示例数据现在可用于实践学习。

• 在 SQL Server 中使用 R 学习数据库内分析
• 在 SQL Server 中使用 Python 学习数据库内分析