Dela via

Python-självstudie: Förbereda data för att kategorisera kunder med SQL-maskininlärning

Gäller för: SQL Server 2017 (14.x) och senare versioner Azure SQL Managed Instance

I del två av den här självstudieserien i fyra delar återställer och förbereder du data från en databas med Python. Senare i den här serien använder du dessa data för att träna och distribuera en klustringsmodell i Python med SQL Server Machine Learning Services eller i stordatakluster.

I del två av den här självstudieserien i fyra delar återställer och förbereder du data från en databas med Python. Senare i den här serien använder du dessa data för att träna och distribuera en klustermodell i Python med SQL Server Machine Learning Services.

I del två av den här självstudieserien i fyra delar återställer och förbereder du data från en databas med Python. Senare i den här serien använder du dessa data för att träna och distribuera en klustermodell i Python med Azure SQL Managed Instance Machine Learning Services.

I den här artikeln får du lära dig att:

  • Separera kunder längs olika dimensioner med hjälp av Python
  • Läs in data från databasen i en Python-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 Python.

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

Prerequisites

  • Del två i den här självstudien förutsätter att du har uppfyllt förutsättningarna för del ett.

Separata kunder

För att förbereda för kundklustring kommer du först att separera kunderna 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

Öppna en ny notebook-fil i Azure Data Studio och ange följande skript.

Ersätt anslutningsinformationen efter behov i anslutningssträngen.

# Load packages.
import pyodbc
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from scipy.spatial import distance as sci_distance
from sklearn import cluster as sk_cluster

################################################################################################

## Connect to DB and select data

################################################################################################

# Connection string to connect to SQL Server named instance.
conn_str = pyodbc.connect('DRIVER={ODBC Driver 17 for SQL Server}; SERVER=<server>; DATABASE=tpcxbb_1gb; UID=<username>; PWD=<password>')

input_query = '''SELECT
ss_customer_sk AS customer,
ROUND(COALESCE(returns_count / NULLIF(1.0*orders_count, 0), 0), 7) AS orderRatio,
ROUND(COALESCE(returns_items / NULLIF(1.0*orders_items, 0), 0), 7) AS itemsRatio,
ROUND(COALESCE(returns_money / NULLIF(1.0*orders_money, 0), 0), 7) AS monetaryRatio,
COALESCE(returns_count, 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'''


# Define the columns we wish to import.
column_info = {
    "customer": {"type": "integer"},
    "orderRatio": {"type": "integer"},
    "itemsRatio": {"type": "integer"},
    "frequency": {"type": "integer"}
}

Ladda in data i en dataframe

Resultat från frågan returneras till Python med hjälp av funktionen Pandas read_sql . Som en del av processen använder du kolumninformationen som du definierade i föregående skript.

customer_data = pd.read_sql(input_query, conn_str)

Visa nu början av dataramen för att kontrollera att den ser korrekt ut.

print("Data frame:", customer_data.head(n=5))

Här är resultatet.

Rows Read: 37336, Total Rows Processed: 37336, Total Chunk Time: 0.172 seconds
Data frame:     customer  orderRatio  itemsRatio  monetaryRatio  frequency
0    29727.0    0.000000    0.000000       0.000000          0
1    97643.0    0.068182    0.078176       0.037034          3
2    57247.0    0.000000    0.000000       0.000000          0
3    32549.0    0.086957    0.068657       0.031281          4
4     2040.0    0.000000    0.000000       0.000000          0

Rensa resurser

Om du inte tänker fortsätta med den här självstudien, ta bort databasen tpcxbb_1gb.

Nästa steg

I del två av den här självstudieserien har du slutfört följande steg:

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

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

Python-självstudie: Skapa en förutsägelsemodell