Python 教程：准备数据以通过 SQL 机器学习训练线性回归模型

适用于： SQL Server 2017 (14.x) 及更高版本 Azure SQL 托管实例

此教程系列包括四个部分，在第二部分中，你将使用 Python 从数据库准备数据。 在本系列的后面部分，你将在 SQL Server 机器学习服务中或 SQL Server 2019 大数据群集上通过 Python 使用此数据训练并部署线性回归模型。

本文将指导如何进行以下操作：

• 将数据库中的数据加载到 pandas 数据帧中
• 通过删除某些列，在 Python 中准备数据

在第一部分中，你了解了如何还原示例数据库。

第三部分中已介绍如何在 Python 中定型线性回归机器学习模型。

在第四部分中，你将了解如何将模型存储到数据库中，然后根据你在第二和第三部分中开发的 Python 脚本来创建存储过程。 存储过程将在服务器上运行，以便基于新数据进行预测。

先决条件

• 本教程的第二部分假设你已完成第一部分且满足其必备条件。

浏览和准备数据

若要在 Python 中使用数据，需要将数据库中的数据加载到 pandas 数据帧中。

在 Azure Data Studio 中创建新的 Python 笔记本，并运行以下脚本。

下面的 Python 脚本将数据库中 dbo.rental_data 表中的数据集导入到 pandas 数据帧 df。

在连接字符串中，根据需要替换连接详细信息。 若要将 Windows 身份验证与 ODBC 连接字符串一起使用，请指定 Trusted_Connection=Yes; 而不是 UID 和 PWD 参数。

import pyodbc
import pandas
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

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

query_str = 'SELECT Year, Month, Day, Rentalcount, Weekday, Holiday, Snow FROM dbo.rental_data'

df = pandas.read_sql(sql=query_str, con=conn_str)
print("Data frame:", df)

可得到类似于下面的结果。

Data frame:      Year  Month  Day  Rentalcount  WeekDay  Holiday  Snow
0    2014      1   20          445        2        1     0
1    2014      2   13           40        5        0     0
2    2013      3   10          456        1        0     0
3    2014      3   31           38        2        0     0
4    2014      4   24           23        5        0     0
..    ...    ...  ...          ...      ...      ...   ...
448  2013      2   19           57        3        0     1
449  2015      3   18           26        4        0     0
450  2015      3   24           29        3        0     1
451  2014      3   26           50        4        0     1
452  2015     12    6          377        1        0     1

[453 rows x 7 columns]

筛选数据帧中的列以移除我们不想在训练中使用的列。 Rentalcount 不应包含在内，因为它是预测的目标。

columns = df.columns.tolist()
columns = [c for c in columns if c not in ["Year", "Rentalcount"]]

print("Training set:", df[columns])

请注意训练集有权访问的数据：

Training set:      Month  Day  Weekday  Holiday  Snow
1        2   13        5        0     0
3        3   31        2        0     0
7        3    8        7        0     0
15       3    4        2        0     1
22       1   18        1        0     0
..     ...  ...      ...      ...   ...
416      4   13        1        0     1
421      1   21        3        0     1
438      2   19        4        0     1
441      2    3        3        0     1
447      1    4        6        0     1

[91 rows x 5 columns]

后续步骤

在本教程系列的第二部分中，你已完成这些步骤：

• 将数据库中的数据加载到 pandas 数据帧中
• 通过删除某些列，在 Python 中准备数据

若要对使用 TutorialDB 数据库中数据的机器学习模型进行训练，请按照本教程系列的第三部分进行操作：

Python 教程：定型线性回归模型