OJ Sales Simulated

Artículo
09/03/2024

Este conjunto de datos se deriva del conjunto de datos OJ de Dominick e incluye datos simulados adicionales para entrenar de manera simultánea miles de modelos en Azure Machine Learning.

Nota

Microsoft proporciona Azure Open Datasets "tal cual". Microsoft no ofrece ninguna garantía, expresa o implícita, ni condición con respecto al uso que usted haga de los conjuntos de datos. En la medida en la que lo permita su legislación local, Microsoft declina toda responsabilidad por posibles daños o pérdidas, incluidos los daños directos, consecuenciales, especiales, indirectos, incidentales o punitivos, que resulten de su uso de los conjuntos de datos.

Este conjunto de datos se proporciona bajo los términos originales con los que Microsoft recibió los datos de origen. El conjunto de datos puede incluir datos procedentes de Microsoft.

Los datos contienen las ventas semanales de zumo de naranja a lo largo de 121 semanas. Hay 3991 tiendas incluidas y 3 marcas de zumo de naranja por tienda, por lo que se pueden entrenar 11 973 modelos.

Vea la descripción del conjunto de datos original o descargue el conjunto de datos.

Columnas

Nombre	Tipo de datos	Valores (ejemplo)	Descripción
Anuncio	int	1	Valor que indica si durante la semana ha habido anuncios de ese zumo de naranja. 0: sin anuncios. 1: anuncios.
Marca	string	dominicks tropicana	Marca del zumo de naranja
Price	double	2.6 2.09	Precio del zumo de naranja (en USD)
Quantity	int	10939 11638	Cantidad de zumo de naranja vendida durante esa semana
Ingresos	double	38438.4 36036.0	Ingresos por las ventas de zumo de naranja en esa semana (en USD)
Tienda	int	2658 1396	Número de la tienda donde se vendió el zumo de naranja
WeekStarting	timestamp	1990-08-09 00:00:00 1992-02-20 00:00:00	Fecha que indica la semana a la que se refieren las ventas

Vista previa

WeekStarting	Tienda	Marca	Quantity	Anuncio	Price	Ingresos
10/1/1992 12:00:00 AM	3571	minute.maid	13247	1	2,42	32057.74
10/1/1992 12:00:00 AM	2999	minute.maid	18461	1	2.69	49660.09
10/1/1992 12:00:00 AM	1198	minute.maid	13222	1	2.64	34906.08
10/1/1992 12:00:00 AM	3916	minute.maid	12923	1	2.45	31661.35
10/1/1992 12:00:00 AM	1688	minute.maid	9380	1	2.46	23074.8
10/1/1992 12:00:00 AM	1040	minute.maid	18841	1	2.31	43522.71
10/1/1992 12:00:00 AM	1938	minute.maid	14202	1	2.19	31102.38
10/1/1992 12:00:00 AM	2405	minute.maid	16326	1	2,05	33468.3
10/1/1992 12:00:00 AM	1972	minute.maid	16380	1	2,12	34725.6

Acceso a datos

Azure Notebooks

azureml-opendatasets

from azureml.core.workspace import Workspace
ws = Workspace.from_config()
datastore = ws.get_default_datastore()

from azureml.opendatasets import OjSalesSimulated

Lectura de datos desde Azure Open Datasets

# Create a Data Directory in local path
import os

oj_sales_path = "oj_sales_data"

if not os.path.exists(oj_sales_path):
    os.mkdir(oj_sales_path)

# Pull all of the data
oj_sales_files = OjSalesSimulated.get_file_dataset()

# or pull a subset of the data
oj_sales_files = OjSalesSimulated.get_file_dataset(num_files=10)

oj_sales_files.download(oj_sales_path, overwrite=True)

Carga de conjuntos de datos individuales a Blob Storage

Los datos se cargan en el blob y FileDataset se crea a partir de esta carpeta de archivos csv.

target_path = 'oj_sales_data'

datastore.upload(src_dir = oj_sales_path,
                target_path = target_path,
                overwrite = True, 
                show_progress = True)

Creación del conjunto de datos de archivo

Es necesario definir la ruta de los datos para crear el objeto FileDataset.

from azureml.core.dataset import Dataset

ds_name = 'oj_data'
path_on_datastore = datastore.path(target_path + '/')

input_ds = Dataset.File.from_files(path=path_on_datastore, validate=False)

Registro del conjunto de datos de archivo en el área de trabajo

El objetivo es registrar el conjunto de datos en el área de trabajo para poder llamarlo como entrada en la canalización para la previsión.

registered_ds = input_ds.register(ws, ds_name, create_new_version=True)
named_ds = registered_ds.as_named_input(ds_name)

Azure Databricks

azureml-opendatasets

# This is a package in preview.
# You need to pip install azureml-opendatasets in Databricks cluster. https://learn.microsoft.com/azure/data-explorer/connect-from-databricks#install-the-python-library-on-your-azure-databricks-cluster
# Download or mount OJ Sales raw files Azure Machine Learning file datasets.
# This works only for Linux based compute. See https://learn.microsoft.com/azure/machine-learning/service/how-to-create-register-datasets to learn more about datasets.

from azureml.opendatasets import OjSalesSimulated

ojss_file = OjSalesSimulated.get_file_dataset()
ojss_file

ojss_file.to_path()

# Download files to local storage
import os
import tempfile

mount_point = tempfile.mkdtemp()
ojss_file.download(mount_point, overwrite=True)

# Mount files. Useful when training job will run on a remote compute.
import gzip
import struct
import pandas as pd
import numpy as np

# load compressed OJ Sales Simulated gz files and return numpy arrays
def load_data(filename, label=False):
    with gzip.open(filename) as gz:
        gz.read(4)
        n_items = struct.unpack('>I', gz.read(4))
        if not label:
            n_rows = struct.unpack('>I', gz.read(4))[0]
            n_cols = struct.unpack('>I', gz.read(4))[0]
            res = np.frombuffer(gz.read(n_items[0] * n_rows * n_cols), dtype=np.uint8)
            res = res.reshape(n_items[0], n_rows * n_cols)
        else:
            res = np.frombuffer(gz.read(n_items[0]), dtype=np.uint8)
            res = res.reshape(n_items[0], 1)
    return pd.DataFrame(res)

import sys
mount_point = tempfile.mkdtemp()
print(mount_point)
print(os.path.exists(mount_point))
print(os.listdir(mount_point))

if sys.platform == 'linux':
  print("start mounting....")
  with ojss_file.mount(mount_point):
    print(os.listdir(mount_point))  
    train_images_df = load_data(os.path.join(mount_point, 'train-tabular-oj-ubyte.gz'))
    print(train_images_df.info())

Pasos siguientes

Consulte el resto de los conjuntos de datos en el catálogo de Open Datasets.

Compartir vía