Azure SQL Veritabanı’ndan içeri aktarma
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- Makine öğrenmesi projelerini ML Studio'dan (klasik) Azure Machine Learning.
- Daha fazla bilgi Azure Machine Learning.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Bu makalede, Machine Learning Studio'da (klasik) veri içeri aktarma modülünü kullanarak bir Azure SQL Veritabanı veya Azure SQL Data Warehouse.
Not
Uygulama: Machine Learning Studio (yalnızca klasik)
Benzer sürükle ve bırak modülleri tasarımcıda da Azure Machine Learning kullanılabilir.
Veritabanından verileri içeri aktaracak şekilde hem sunucu adını hem de veritabanı adını hem de tabloyu, görünümü veya sorguyu tanımlayan SQL deyimini belirtmeniz gerekir.
Genel olarak verileri Azure veritabanlarında depolamak, Azure'da tablo veya blob kullanmaya göre daha pahalıdır. Ayrıca 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.
Veri kaynağından veya Azure SQL Veritabanı içeri 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.
Denemenize Veri İçeri Aktarma modülünü ekleyin. Modülü Studio'da (klasik) Veri Girişi ve Çıktı kategorisinde bulabilirsiniz.
Verileri İçeri Aktarma Sihirbazı'nı Başlat'a tıklayın ve yönergeleri izleyin.
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 yapılandırılacakları açıkmektedir.
Denemenize Veri İçeri Aktarma modülünü ekleyin. Bu modülü Studio'da (klasik) Veri Girişi ve Çıkışı kategorisinde bulabilirsiniz.
Veri kaynağı için Veri kaynağı'Azure SQL Veritabanı.
Aşağıdaki seçenekleri belirli bir Azure SQL Veritabanı veya Azure SQL Data Warehouse.
Veritabanı sunucusu adı: Azure tarafından oluşturulan sunucu adını yazın. Genellikle şeklindedir
<generated_identifier>.database.windows.net.Veritabanı adı: Az önce belirttiğiniz sunucuda var olan bir veritabanının adını yazın.
Sunucu kullanıcı hesabı adı: Veritabanı için erişim izinleri olan bir hesabın kullanıcı adını yazın.
Sunucu kullanıcı hesabı parolası: Belirtilen kullanıcı hesabının parolasını girin.
Veritabanı sorgusu: Okumak SQL deyimini yazın veya yapıştırın. Her zaman SQL deyimini doğrulayın ve sorgu sonuçlarını önceden doğrulayın; örneğin, Visual Studio Sunucu Gezgini veya SQL Server Veri Araçları.
Not
Verileri İçeri Aktarma modülü yalnızca kimlik bilgileri olarak Veritabanı adı, kullanıcı hesabı adı ve parola girişini destekler.
Machine Learning'da okuduğun veri kümesi denemenin çalıştırmaları arasında değişmesi beklenmiyorsa Önbelleğe alınmış sonuçları kullan seçeneğini belirleyin.
Bu seçildiğinde, modül parametrelerinde başka değişiklik yoksa, deneme modülü ilk kez çalıştır ilk kez yükler ve bundan sonra veri kümesi önbelleğe alınmış bir sürümünü kullanır.
Denemenin her yinelemesinde veri kümesini yeniden yüklemek için bu seçeneğin seçimini kaldırın. Verileri İçeri Aktarma'da her parametre değiştir kullanıldığında veri kümesi kaynaktan yeniden yüklenir.
Denemeyi çalıştırın.
Verileri İçeri Aktar studio'ya (klasik) veri yüklerken, kaynak veritabanında kullanılan veri türlerine bağlı olarak bazı örtülü tür dönüştürmeleri de yapılabilir.
Sonuçlar
İçeri aktarma tamamlandığında, çıktı veri kümesine tıklayın ve verilerin başarıyla içeri aktarılmış olup olduğunu görmek için Görselleştir'i seçin.
İsteğe bağlı olarak, Studio'daki araçları kullanarak veri kümesi ve meta verilerini değiştirebilirsiniz (klasik):
Sütun adlarını değiştirmek , sütunu farklı bir veri türüne dönüştürmek veya hangi sütunların etiket veya özellik olduğunu belirtmek için Meta Verileri Düzenle'yi kullanın.
Sütunların bir alt kümesini seçmek için Veri Kümesinde Sütun Seç'i kullanın.
Veri kümelerini ölçütlere göre ayırmak veya ilk n satırı almak için Bölüm ve Örnek kullanın.
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.
Machine Learning ile SQL Data Warehouse kullanma: Bu makalede, Azure SQL Data Warehouse kullanarak fiyatları tahmin etmek için regresyon modelinin nasıl oluşturul Azure SQL Data Warehouse.
Azure ML'ı Azure 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 eski, daha büyük verilerle aynı adla kaydederek önbelleğe alınmış veri kümesi üzerine yazabilirsiniz.
Neden "Tür Ondalık desteklenmiyor" hatasını alıyorum?
SQL veritabanından veri okurken, desteklenmeyen bir veri türünü bildiren bir hata iletisiyle karşılaşabilirsiniz.
SQL veritabanından elde Machine Learning veri türleri varsa, verileri okumadan önce ondalık basamakları desteklenen verilere dönüştürmeli veya dönüştürmelisiniz. Verileri İçeri Aktar, duyarlık kaybına neden olacak dönüştürmeleri otomatik olarak gerçekleştiramaz.
Desteklenen veri türleri hakkında daha fazla bilgi için bkz. Modül Veri Türleri.
Veritabanı farklı bir coğrafi bölgede olduğunda ne olur? Verileri İçeri Aktarma veritabanına erişmeye devam ediyor mu? Veriler nerede depolanır?
Veritabanı makine öğrenmesi hesabından farklı bir bölgede yer aldısa veri erişimi daha yavaş olabilir. Ayrıca, işlem düğümü depolama hesabından farklı bir bölgede bulunuyorsa abonelikte veri giriş ve çıkış için ücret ödemeniz gerekir.
Bir deneme için çalışma alanınıza okuduğunız veriler, denemeyle ilişkili depolama hesabına kaydedilir.
Bazı karakterler neden doğru görüntülenmiyor?
Machine Learning UTF-8 kodlamasını destekler. Veritabanınız içinde dize sütunları farklı bir kodlama kullanıyorsa, karakterler doğru şekilde içe aktarılamayabilirsiniz.
Seçeneklerden biri, verileri Azure depolamada bir CSV dosyasına dışarı aktarma ve özel sınırlayıcılar, kod sayfası vb. parametrelerini belirtmek için KODLAMA ile CSV seçeneğini kullanmaktır.
Modül parametreleri
| Name | Aralık | Tür | Varsayılan | Description |
|---|---|---|---|---|
| Veri kaynağı | Liste | Veri kaynağı veya havuz | Azure Blob Depolama | Veri kaynağı HTTP, FTP, anonim HTTPS veya FTPS, Azure BLOB depolamadaki bir dosya, Azure tablosu, Azure SQL Veritabanı, şirket içi SQL Server veritabanı, Hive tablosu veya OData uç noktası olabilir. |
| HDFS sunucu URI'si | herhangi biri | Dize | yok | HDFS 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 olduğunda özel durum oluşur. |
| Hata 0030 | içinde bir dosya indirilenemay olduğunda özel durum oluşur. |
| Hata 0002 | Bir veya daha fazla parametre ayrıştırılana veya belirtilen türden hedef yöntemin gerekli türüne dönüştürülememesi bir özel durum oluşur. |
| Hata 0009 | Azure depolama hesabı adı veya kapsayıcı adı yanlış belirtilirse özel durum oluşur. |
| Hata 0048 | Bir dosyanın açılması mümkün değilken bir özel durum oluşur. |
| Hata 0015 | Veritabanı bağlantısı başarısız olursa bir özel durum oluşur. |
| Hata 0046 | Belirtilen yolda dizin oluşturulamaysa özel durum oluşur. |
| Hata 0049 | Bir dosyayı ayrıştırmak mümkün değilken bir özel durum oluşur. |
Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning kodları.
API özel durumlarının listesi için bkz. Machine Learning REST API Kodları.
Ayrıca bkz.
Verileri İçeri Aktarma
Verileri Dışarı Aktarma
HTTP aracılığıyla Web URL’sinden içeri aktarma
Hive Sorgusundan içeri aktarma
Azure Tablosundan içeri aktarma
Dosyadan içeri Azure Blob Depolama
Veri Akışı Sağlayıcılarından içeri aktarma
Şirket İçi Veritabanı'SQL Server aktarma