Étape 2: importer des données dans SQL Server à l'aide de PowerShell

Dans cette étape, vous exécuterez le script téléchargé RunSQL_SQL_Walkthrough.ps1 pour créer les objets de base de données nécessaires au didacticiel et importer les exemples de données.

Création d'objets et chargement de données

Exécutez le script PowerShell RunSQL_SQL_Walkthrough.ps1 dans les fichiers téléchargés pour préparer l'environnement du didacticiel. Ce script exécute les actions suivantes:

--Installez SQL Native Client et l'utilitaire de ligne de commande SQL s'ils ne sont pas déjà installés. Ceux-ci sont nécessaires pour le chargement de données en masse à l'aide de bcp.

--Créez une base de données et une table dans votre instance SQL Server et chargez-y les données en masse.

--Créez plus de fonctions et de procédures stockées.

Script de lancement

En tant qu'administrateur, ouvrez une invite de commandes PowerShell et exécutez la commande suivante:
```
.\RunSQL_SQL_Walkthrough.ps1
```

Vous serez invité à saisir les informations suivantes:

Le nom ou l'adresse du serveur sur lequel Machine Learning Services (Python) est installé.
Le nom de la base de données à créer
Le nom d'utilisateur et le mot de passe du serveur SQL cible. Cet utilisateur doit avoir l'autorisation de créer des bases de données, des tables, des procédures stockées, des fonctions et de charger des données dans des tables. Si vous omettez le nom d'utilisateur et le mot de passe, vous serez connecté en tant qu'utilisateur Windows actuel.
Le chemin de l'exemple de fichier de données nyctaxi1pct.csv dans les fichiers téléchargés. Par exemple, C: \ tempPythonSQL \ nyctaxi1pct.csv.

Tous les scripts T-SQL ont été modifiés pour remplacer la base de données et les noms d'utilisateur spécifiés dans le cadre des étapes ci-dessus par des espaces réservés.

Assurez-vous que les procédures stockées et les fonctions créées par le script T-SQL sont créées dans la base de données.

T-Fichier de script SQL	Procédure / fonction mémorisée
create-db-tb-upload-data.sql	Créez une base de données et quatre tables. table`nyctaxi_sample`:Le jeu de données principal NYC Taxi est créé. Les données chargées sont un échantillon de 1% de l'ensemble de données NYC Taxi. La définition de l'index de stockage de colonnes en cluster améliore l'efficacité du stockage et les performances des requêtes. table`nyc_taxi_models`:Un modèle analytique avancé formé est enregistré. table`nyctaxi_sample_training`:L'ensemble de données utilisé pour entraîner le modèle est créé. table`nyctaxi_sample_testing`:L'ensemble de données utilisé pour tester le modèle est enregistré.
fnCalculateDistance.sql	Fonction de valeur scalaire qui calcule la distance directe entre la position d'embarquement et la position de débarquement`fnCalculateDistance`Créer un.
fnEngineerFeatures.sql	Une fonction table qui renvoie un jeu de valeurs de fonction pour l'entraînement du modèle`fnEngineerFeatures`Créer un.
TrainingTestingSplit.sql	nyctaxi_Données dans l'exemple de table, nyctaxi_sample_formation et nyctaxi_sample_Procédure pour diviser en deux tests`TrainingTestingSplit`Créer un.
PredictTipSciKitPy.sql	Scikit pour la prédiction à l'aide du modèle-Procédure pour appeler le modèle entraîné créé par learn`PredictTipSciKitPy`Créer un. La procédure accepte une requête comme paramètre d'entrée et renvoie une colonne de nombres contenant le score de la ligne d'entrée.
PredictTipRxPy.sql	Procédures pour appeler des modèles entraînés créés avec RevoScalePy pour la prédiction basée sur un modèle`PredictTipRxPy`Créer un. La procédure accepte une requête comme paramètre d'entrée et renvoie une colonne de nombres contenant le score de la ligne d'entrée.
PredictTipSingleModeSciKitPy.sql	Scikit pour la prédiction à l'aide du modèle-Procédure pour appeler le modèle entraîné créé par learn`PredictTipSingleModeSciKitPy`Créer un. Cette procédure stockée prend de nouvelles observations en entrée, accepte des valeurs de caractéristiques individuelles en tant que paramètres en ligne et renvoie des prédictions pour les nouvelles observations.
PredictTipSingleModeRxPy.sql	Scikit pour la prédiction à l'aide du modèle-Procédure pour appeler le modèle entraîné créé par learn`PredictTipSingleModeRxPy`Créer un. Cette procédure stockée prend de nouvelles observations en entrée, accepte des valeurs de caractéristiques individuelles en tant que paramètres en ligne et renvoie des prédictions pour les nouvelles observations.
SerializePlots.sql	Procédure de récupération des données`SerializePlots`Créer un. Cette procédure stockée utilise Python pour créer des graphiques et sérialiser des objets graphiques.
TrainTipPredictionModelSciKitPy.sql	scikit-Procédure de formation d'un modèle de régression logistique par learn`TrainTipPredictionModelSciKitPy`Créer un. Ce modèle est entraîné en utilisant 60% de données sélectionnées au hasard pour prédire la valeur exploitée (s'il faut ou non obtenir une puce). La sortie de la procédure stockée est un modèle entraîné, une table`nyc_taxi_models`Sera enregistré dans.
TrainTipPredictionModelRxPy.sql	Procédure de formation d'un modèle de régression logistique avec RevoScalePy`TrainTipPredictionModelRxPy`Créer un. Ce modèle est entraîné en utilisant 60% de données sélectionnées au hasard pour prédire la valeur exploitée (s'il faut ou non obtenir une puce). La sortie de la procédure stockée est un modèle entraîné, une table`nyc_taxi_models`Sera enregistré dans.

[!NOTE]

Le script T-SQL ne recrée pas l'objet de base de données, donc s'il existe déjà, les données seront dupliquées. Par conséquent, supprimez l'objet existant avant d'exécuter à nouveau le script.

Important : Redéfinition de certains objets

Après avoir effectué les étapes ci-dessus, exécutez le SQL suivant pour redéfinir certains objets. ** Les spécifications de RevoScalePy ont changé lors de la mise à niveau de SQL Server 2017 CTP vers SQL Server 2017 RC, et la principale raison de cette redéfinition est de s'adapter à ces changements. ** **