Azure SQL Veritabanı’ndan içeri aktarma

Bu makalede, Azure Machine Learning Studio'daki (klasik) Verileri İçeri Aktarma modülünü kullanarak bir Azure SQL Veritabanı veya Azure SQL Data Warehouse.

Not

Uygulama hedefi: Machine Learning Studio (klasik)

Bu içerik yalnızca Studio (klasik) ile ilgilidir. Benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısına eklenmiştir. Bu makalede iki sürümü karşılaştırandaha fazla bilgi edinin.

Veritabanından verileri içeri aktaracak şekilde hem sunucu adını hem de veritabanı adını hem de tablo, görünüm veya sorguyu tanımlayan bir SQL deyimi belirtmeniz gerekir.

Genel olarak verileri Azure veritabanlarında depolamak, Azure'da tablo veya blob kullanmaya göre daha pahalıdır. Abonelik türünüze bağlı olarak veritabanında depolandırabilirsiniz veri miktarıyla ilgili sınırlar da olabilir. Ancak, SQL Azure Veritabanı'nın hiçbir işlem ücreti yoktur; bu nedenle seçenek, veri arama tabloları veya veri sözlükleri gibi daha az miktarda sık kullanılan bilgilere hızlı erişim için idealdir.

Verileri okumadan önce filtrelemeniz veya tahminleri veya ölçümleri raporlama için veritabanına geri kaydetmek istemeniz gerekirse verileri bir Azure veritabanında depolamak da tercih edilir.

Azure SQL Veritabanı veya SQL Data Warehouse

Veri İçeri Aktarma Sihirbazı'nı kullanma

Modülde depolama seçeneği seçmenize, mevcut abonelikler ve hesaplar arasından seçim yaptınız ve tüm seçenekleri hızlıca yapılandırmanıza yardımcı olan yeni bir sihirbaz bulunur.

  1. Denemenize Veri İçeri Aktarma modülünü ekleyin. Modülü Studio'da (klasik) Veri Girişi ve Çıktı kategorisinde bulabilirsiniz.

  2. Verileri İçeri Aktarma Sihirbazı'nı Başlat'a tıklayın ve yönergeleri izleyin.

  3. Yapılandırma tamamlandığında, verileri denemenize gerçekten kopyalamak için modüle sağ tıklayın ve Seçili Çalıştır'ı seçin.

Mevcut bir veri bağlantısını düzenlemeniz gerekirse sihirbaz, sıfırdan yeniden başlamanız gerekmamak için önceki tüm yapılandırma ayrıntılarını yükler

Verileri İçeri Aktarma modülünde özellikleri el ile ayarlama

Aşağıdaki adımlarda, içeri aktarma kaynağının el ile nasıl yapılandırılması açık bir şekilde anlatılacaktır.

  1. Veri alma modülünü denemenize ekleyin. Bu modülü, veri girişi ve çıkış kategorisinde Studio 'da (klasik) bulabilirsiniz.

  2. Veri kaynağı IÇIN Azure SQL veritabanı' nı seçin.

  3. Azure SQL veritabanı veya Azure SQL veri ambarı 'na özgü aşağıdaki seçenekleri ayarlayın.

    Veritabanı sunucusu adı: Azure tarafından oluşturulan sunucu adını yazın. Genellikle formu vardır <generated_identifier>.database.windows.net .

    Veritabanı adı: yeni belirttiğiniz sunucuda var olan bir veritabanının adını yazın.

    Sunucu Kullanıcı hesabı adı: veritabanı için erişim izinlerine sahip olan bir hesabın kullanıcı adını yazın.

    Sunucu Kullanıcı hesabı parolası: belirtilen kullanıcı hesabı için parola belirtin.

    Veritabanı sorgusu: okumak istediğiniz verileri açıklayan bir SQL ifadesini yazın veya yapıştırın. Visual Studio Sunucu Gezgini veya SQL Server Veri Araçları gibi bir araç kullanarak SQL ifadesini her zaman doğrulayın ve sorgu sonuçlarını önceden doğrulayın.

    Not

    Veri alma modülü, kimlik bilgileri olarak yalnızca veritabanı adını, Kullanıcı hesabı adını ve parolayı giriş olarak destekler.

  4. Azure Machine Learning ' a okunan veri kümesinin denemenin çalıştırmaları arasında değiştirilmesi beklenmiyorsa, önbelleğe alınmış sonuçları kullan seçeneğini belirleyin.

    Bu seçildiğinde, modül parametrelerinde başka değişiklik yoksa, deneme, verileri modül ilk kez çalıştırıldığında yükler ve bundan sonra veri kümesinin önbelleğe alınmış bir sürümünü kullanır.

    Her deneme yinelemesinde veri kümesini yeniden yüklemek istiyorsanız bu seçeneğin seçimini kaldırın. Veri kümesi, Içeri aktarma verilerindeherhangi bir parametre değiştirildiğinde kaynaktan yeniden yüklenir.

  5. Denemeyi çalıştırın.

    Veri Içeri aktarma verileri Studio 'ya (klasik) yüklendiğinde, kaynak veritabanında kullanılan veri türlerine bağlı olarak bazı örtük tür dönüştürme da gerçekleştirilebilir.

Sonuçlar

İçeri aktarma tamamlandığında, çıktı veri kümesine tıklayın ve verilerin başarıyla içeri aktarılmadığını görmek için Görselleştir ' i seçin.

İsteğe bağlı olarak, Studio'daki araçları kullanarak veri kümesi ve meta verilerini değiştirebilirsiniz (klasik):

Örnekler

Makine öğrenmesinde Azure veritabanlarından verileri kullanma örneği için şu makalelere ve denemelere bakın:

  • Perakende Tahmin Adımı 1/6 -veri ön işleme: Perakende tahmin şablonu, analiz için Azure SQLDB'de depolanan verileri kullanan tipik bir senaryoyu göstermektedir.

    Ayrıca farklı hesaplarda denemeler arasında veri kümelerini geçirme, tahminleri kaydetme ve birleştirme ve makine öğrenmesi için Azure SQLDB oluşturma gibi bazı yararlı teknikler de gösterebilirsiniz.

  • SQL Azure Machine Learning ile Data Warehousekullanın: Bu makalede, verileri kullanarak fiyatları tahmin etmek için bir regresyon modelinin nasıl Azure SQL Data Warehouse.

  • Azure ML'iAzure SQL Data Warehouse kullanma: Bu makalede, AdventureWorks'te veri içeri aktarma ve veri dışarı aktarma kullanarak bir kümeleme modeli Azure SQL Data Warehouse.

Teknik notlar

Bu bölümde uygulama ayrıntıları, ipuçları ve sık sorulan soruların yanıtları yer almaktadır.

Sık sorulan sorular

Kaynaktan okunan verileri filtreleye miyim?

Verileri İçeri Aktarma modülü, veriler okundu olarak filtrelemeyi desteklemez. Bir görünüm oluşturmanızı veya yalnızca ihtiyacınız olan satırları oluşturan bir sorgu tanımlamanızı öneririz.

Not

Size gerekenden daha fazla veri yüklemiş olduğunu bulursanız, yeni bir veri kümesi okuyarak ve daha eski ve daha büyük verilerle aynı adla kaydederek önbelleğe alınmış veri kümesi üzerine yazabilirsiniz.

Neden "Tür Ondalık desteklenmiyor" hatasını alıyorum?

Bir SQL veritabanından veri okurken desteklenmeyen bir veri türünü bildiren bir hata iletisiyle karşılaşabilirsiniz.

SQL veritabanından aldığınız veriler Azure Machine Learning ' de desteklenmeyen veri türleri içeriyorsa, verileri okumadan önce ondalık sayıları desteklenen bir verilere dönüştürmelisiniz veya dönüştürmeniz gerekir. Içeri aktarma verileri , duyarlık kaybına neden olacak dönüştürmeleri otomatik olarak gerçekleştiremez.

Desteklenen veri türleri hakkında daha fazla bilgi için bkz. Modül veri türleri.

Veritabanı farklı bir coğrafi bölgedeyse ne olur? Verilerin Içeri aktarılması hala veritabanına erişebilsin mi? Veriler nerede depolanıyor?

Veritabanı, Machine Learning hesabından farklı bir bölgedeyse veri erişimi daha yavaş olabilir. Ayrıca, işlem düğümü depolama hesabından farklı bir bölgedeyse, aboneliğin veri girişi ve çıkışı için ücretlendirilirsiniz.

Bir deneme için çalışma alanınıza okunan veriler, deneimiyle ilişkili depolama hesabına kaydedilir.

Neden bazı karakterler doğru görüntülenmiyor?

Azure Machine Learning UTF-8 kodlamasını destekler. Veritabanınızdaki dize sütunları farklı bir kodlama kullanıyorsa, karakterler doğru şekilde içeri aktarılmayabilir.

Tek bir seçenek, verileri Azure Storage 'da bir CSV dosyasına dışarı aktarmak ve CSV seçeneğini kodlama ile birlikte kullanarak özel sınırlayıcılar, kod sayfası vb. parametreleri belirtir.

Modül parametreleri

Name Aralık Tür Varsayılan Description
Veri kaynağı Liste Veri kaynağı veya havuz Azure Blob Depolama Veri kaynağı, Azure BLOB depolama, Azure tablosu, Azure SQL veritabanı, şirket içi SQL Server veritabanı, Hive tablosu veya bir OData uç noktası olmak üzere HTTP, FTP, anonim HTTPS veya FTPS olabilir.
Sunucu URI 'SI herhangi biri Dize yok Kalan REST uç noktası
Veritabanı sunucusu adı herhangi biri Dize yok Azure depolama hesabı adı
Veritabanı adı herhangi biri SecureString yok Azure depolama anahtarı
Sunucu kullanıcı hesabı adı herhangi biri Dize yok Azure kapsayıcı adı
Sunucu kullanıcı hesabı adı Liste (alt küme) Url İçeriği OData Veri biçimi türü
Veritabanı sorgusu herhangi biri Dize yok Veri biçimi türü
Önbelleğe alınmış sonuçları kullanma TRUE/FALSE Boole FALSE açıklama

Çıkışlar

Ad Tür Description
Sonuç veri kümesi Veri Tablosu İndirilen verileri olan veri kümesi

Özel durumlar

Özel durum Description
Hata 0027 İki nesne aynı boyutta olması gerektir ancak aynı boyutta değil olduğunda özel durum oluşur.
Hata 0003 Bir veya daha fazla giriş null veya boşsa özel durum oluşur.
Hata 0029 Geçersiz bir URI geçir geldiğinde özel durum oluşur.
Hata 0030 bir dosya indirmek mümkün olmadığında içinde bir özel durum oluşur.
Hata 0,0002 Bir veya daha fazla parametre ayrıştırılamadıysanız veya belirtilen türden hedef yöntem tarafından istenen türe dönüştürülemiyorsa bir özel durum oluşur.
Hata 0009 Azure depolama hesabı adı veya kapsayıcı adı yanlış belirtilirse bir özel durum oluşur.
Hata 0048 Bir dosya açmak mümkün olmadığında bir özel durum oluşur.
Hata 0015 Veritabanı bağlantısı başarısız olursa bir özel durum oluşur.
Hata 0046 Belirtilen yolda bir dizin oluşturmak mümkün olmadığında bir özel durum oluşur.
Hata 0049 Bir dosya ayrıştırılmaya mümkün olmadığında bir özel durum oluşur.

Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.

API özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.

Ayrıca bkz.

Verileri içeri aktar
Verileri dışarı aktar
HTTP aracılığıyla Web URL 'sinden içeri aktarma
Hive sorgusundan içeri aktar
Azure tablosundan içeri aktar
Dosyadan içeri Azure Blob Depolama
Veri Akışı Sağlayıcılarından içeri aktarma
Şirket İçi Veritabanı'SQL Server aktarma