OJ Sales Simulated

Artikel
09/01/2024

Den här datamängden härleds från Dominicks OJ-datauppsättning och innehåller extra simulerade data för att samtidigt träna tusentals modeller på Azure Machine Learning.

Kommentar

Microsoft tillhandahåller Azure Open Datasets i befintligt fall. Microsoft ger inga garantier, uttryckliga eller underförstådda garantier eller villkor för din användning av datauppsättningarna. I den utsträckning som tillåts enligt din lokala lag frånsäger sig Microsoft allt ansvar för eventuella skador eller förluster, inklusive direkt, följdriktig, särskild, indirekt, tillfällig eller straffbar, till följd av din användning av datauppsättningarna.

Datamängden tillhandahålls enligt de ursprungliga villkor som gällde när Microsoft tog emot källdatan. Datamängden kan innehålla data från Microsoft.

Uppgifterna innehåller veckoförsäljning av apelsinjuice under 121 veckor. Det finns 3 991 butiker inkluderade och tre märken av apelsinjuice per butik så att 11 973 modeller kan tränas.

Visa den ursprungliga datauppsättningens beskrivning eller ladda ned datauppsättningen.

Kolumner

Name	Datatyp	Värden (exempel)	beskrivning
Annons	heltal	1	Värde som anger om det fanns annonser för den apelsinjuicen under vecka 0: Inga annonser 1: Annonser
Varumärke	sträng	dominicks tropicana	Apelsinjuicens varumärke
Pris	dubbel	2.6 2.09	Pris på apelsinjuice (i USD)
Kvantitet	heltal	10939 11638	Kvantitet apelsinjuice som såldes den veckan
Intäkter	dubbel	38438.4 36036.0	Intäkter från försäljning av apelsinjuice under veckan (i USD)
Store	heltal	2658 1396	Butiksnummer för butik där apelsinjuicen såldes
WeekStarting	timestamp	1990-08-09 00:00:00 1992-02-20 00:00:00	Datum som indikerar försäljningsvecka

Förhandsversion

WeekStarting	Store	Varumärke	Kvantitet	Annons	Pris	Intäkter
10/1/1992 12:00:00	3571	minute.maid	13247	1	2,42	32057.74
10/1/1992 12:00:00	2999	minute.maid	18461	1	2.69	49660.09
10/1/1992 12:00:00	1198	minute.maid	13222	1	2.64	34906.08
10/1/1992 12:00:00	3916	minute.maid	12923	1	2.45	31661.35
10/1/1992 12:00:00	1688	minute.maid	9380	1	2.46	23074.8
10/1/1992 12:00:00	1040	minute.maid	18841	1	2.31	43522.71
10/1/1992 12:00:00	1938	minute.maid	14202	1	2,19	31102.38
10/1/1992 12:00:00	2405	minute.maid	16326	1	2.05	33468.3
10/1/1992 12:00:00	1972	minute.maid	16380	1	2,12	34725.6

Dataåtkomst

Azure Notebooks

azureml-opendatasets

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

from azureml.opendatasets import OjSalesSimulated

Läsa data från 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)

Ladda upp enskilda datauppsättningar till Blob Storage

Vi laddar upp data till Blob och skapar FileDataset från den här mappen med csv-filer.

target_path = 'oj_sales_data'

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

Skapa fildatauppsättningen

Vi måste definiera sökvägen till data för att skapa 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)

Registrera fildatauppsättningen på arbetsytan

Vi vill registrera datamängden på vår arbetsyta så att vi kan anropa den som indata i vår pipeline för prognostisering.

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())

Nästa steg

Visa resten av datauppsättningarna i katalogen Öppna datamängder.

Dela via