教學課程：在 SQL Server 上的 R 中建立資料分割模型

發行項
05/04/2023

適用於： SQL Server 2016 (13.x) 和更新版本

在 SQL Server 2019 中，資料分割模型是透過分割資料來建立與定型模型的能力。針對自然分割成指定分類配置的分層資料 (例如地理區域、日期和時間、年齡或性別)，您可以在整個資料集上執行指令碼，並能夠對維持不變的資料分割區進行模型化、定型並評分所有這些作業。

資料分割模型會透過 sp_execute_external_script 上的兩個新參數來啟用：

input_data_1_partition_by_columns，指定分割依據的資料行。
input_data_1_order_by_columns 指定要作為排序依據的資料行。

在本教學課程中，您將了解使用傳統 NYC 計程車範例資料和 R 指令碼的資料分割模型。資料分割資料行是付款方法。

資料分割是以付款類型 (5) 為基礎。
在每個資料分割上建立和定型模型，並將物件儲存在資料庫中。
使用針對該用途保留的範例資料，預測每個資料分割模型的提示結果機率。

Prerequisites

若要完成本教學課程，必須具備下列項目：

足夠的系統資源。資料集很大，且定型作業會耗用大量資源。可能的話，請使用至少具有 8 GB RAM 的系統。或者，您可以使用較小的資料集來因應資源條件約束。縮減資料集的指示是內嵌的。
適用於 T-SQL 查詢執行的工具，例如 SQL Server Management Studio (SSMS)。
NYCTaxi_Sample.bak，您可以下載並還原至本機 SQL Server 執行個體。檔案大小約為 90 MB。
SQL Server 2019 資料庫引擎執行個體，包含機器學習服務和 R 整合。
本教學課程使用透過 ODBC 從 R 指令碼對 SQL Server 的回送連線。所以，您需要為 SQLRUserGroup 建立登入。
藉由傳回目前與您資料庫引擎執行個體一起安裝的所有 R 套件格式正確清單，以檢查 R 套件的可用性：

EXECUTE sp_execute_external_script
  @language=N'R',
  @script = N'str(OutputDataSet);
  packagematrix <- installed.packages();
  Name <- packagematrix[,1];
  Version <- packagematrix[,3];
  OutputDataSet <- data.frame(Name, Version);',
  @input_data_1 = N''
WITH RESULT SETS ((PackageName nvarchar(250), PackageVersion nvarchar(max) ))

連接至資料庫

啟動 SSMS 並連線至資料庫引擎執行個體。在 [物件總管] 中，驗證 NYCTaxi_Sample 資料庫是否存在。

建立 CalculateDistance

示範資料庫隨附用來計算距離的純量函式，但我們的預存程序更適合使用資料表值函式。執行下列指令碼以建立稍後會在定型步驟中使用的 CalculateDistance 函式。

若要確認已建立函式，請在 [物件總管] 中，檢查 NYCTaxi_Sample 資料庫下的 \Programmability\Functions\Table-valued Functions

USE NYCTaxi_sample
GO

SET ANSI_NULLS ON
GO

SET QUOTED_IDENTIFIER ON
GO

CREATE FUNCTION [dbo].[CalculateDistance] (
    @Lat1 FLOAT
    ,@Long1 FLOAT
    ,@Lat2 FLOAT
    ,@Long2 FLOAT
    )
    -- User-defined function calculates the direct distance between two geographical coordinates.
RETURNS TABLE
AS
RETURN

SELECT COALESCE(3958.75 * ATAN(SQRT(1 - POWER(t.distance, 2)) / nullif(t.distance, 0)), 0) AS direct_distance
FROM (
    VALUES (CAST((SIN(@Lat1 / 57.2958) * SIN(@Lat2 / 57.2958)) + (COS(@Lat1 / 57.2958) * COS(@Lat2 / 57.2958) * COS((@Long2 / 57.2958) - (@Long1 / 57.2958))) AS DECIMAL(28, 10)))
    ) AS t(distance)
GO

定義建立和定型每個資料分割模型的程序

本教學課程會將 R 指令碼包裝在預存程序中。在此步驟中，您會建立使用 R 建立輸入資料集的預存程序、建立用於預測提示結果的分類模型，然後將模型儲存在資料庫中。

在此指令碼使用的參數輸入中，您會看到 input_data_1_partition_by_columns 和 input_data_1_order_by_columns。回想一下，這些參數是進行資料分割模型所使用的機制。參數會作為輸入傳遞至 sp_execute_external_script 來處理資料分割，而外部指令碼會針對每個資料分割執行一次。

針對此預存程序，使用平行處理原則以加快完成的時間。

在您執行此指令碼之後，於 [物件總管] 中，您應該會在看到 NYCTaxi_Sample 資料庫下的 \Programmability\Stored Procedures中看到 train_rxLogIt_per_partition 您也應該會看到用來儲存模型的新資料表：dbo.nyctaxi_models。

USE NYCTaxi_Sample
GO

CREATE
    OR

ALTER PROCEDURE [dbo].[train_rxLogIt_per_partition] (@input_query NVARCHAR(max))
AS
BEGIN
    DECLARE @start DATETIME2 = SYSDATETIME()
        ,@model_generation_duration FLOAT
        ,@model VARBINARY(max)
        ,@instance_name NVARCHAR(100) = @@SERVERNAME
        ,@database_name NVARCHAR(128) = db_name();

    EXEC sp_execute_external_script @language = N'R'
        ,@script =
        N'
    
    # Make sure InputDataSet is not empty. In parallel mode, if one thread gets zero data, an error occurs
    if (nrow(InputDataSet) > 0) {
    # Define the connection string
    connStr <- paste("Driver=SQL Server;Server=", instance_name, ";Database=", database_name, ";Trusted_Connection=true;", sep="");
    
    # build classification model to predict a tip outcome
    duration <- system.time(logitObj <- rxLogit(tipped ~ passenger_count + trip_distance + trip_time_in_secs + direct_distance, data = InputDataSet))[3];

    # First, serialize a model to and put it into a database table
    modelbin <- as.raw(serialize(logitObj, NULL));

    # Create the data source. To reduce data size, add rowsPerRead=500000 to cut the dataset by half.
    ds <- RxOdbcData(table="ml_models", connectionString=connStr);

    # Store the model in the database
    model_name <- paste0("nyctaxi.", InputDataSet[1,]$payment_type);
    
    rxWriteObject(ds, model_name, modelbin, version = "v1",
    keyName = "model_name", valueName = "model_object", versionName = "model_version", overwrite = TRUE, serialize = FALSE);
    }
    
    '
        ,@input_data_1 = @input_query
        ,@input_data_1_partition_by_columns = N'payment_type'
        ,@input_data_1_order_by_columns = N'passenger_count'
        ,@parallel = 1
        ,@params = N'@instance_name nvarchar(100), @database_name nvarchar(128)'
        ,@instance_name = @instance_name
        ,@database_name = @database_name
    WITH RESULT SETS NONE
END;
GO

平行執行

請注意，sp_execute_external_script 輸入包含用來啟用平行處理的 @parallel=1。與舊版不同的是，從 SQL Server 2019 開始，設定 @parallel=1 會對查詢最佳化工具提供更強的提示，讓平行執行成為更有可能的結果。

根據預設，查詢最佳化工具通常會在具有超過 256 個資料列的資料表上執行 @parallel=1，但如果您可以如本指令碼所示來藉由設定 @parallel=1 明確地處理此項作業。

提示

針對定型工作負載，您可以使用 @parallel 搭配任何任意的定型指令碼，甚至是使用非 Microsoft-rx 演算法的指令碼。一般來說，只有 RevoScaleR 演算法 (具有 rx 前置詞) 在 SQL Server 的定型案例中提供平行處理原則。但是，透過新的參數，您可以平行化呼叫函式的指令碼 (包括開放原始碼 R 函式)，而不是特別使用該功能進行設計。這是因為資料分割與特定執行緒具有同質性，所以在指令碼中呼叫的所有作業都是根據指定執行緒上的每個資料分割來執行。

執行程序並定型模型

在本節中，指令碼會定型您在上一個步驟中建立與儲存的模型。下列範例示範兩種用來定型模型的方法：使用整個資料集或部分資料。

此步驟會需要一些時間。定型需要大量運算，需花費數分鐘的時間才能完成。如果系統資源 (特別是記憶體) 不足以用於負載，則請使用資料的子集。第二個範例提供語法。

--Example 1: train on entire dataset
EXEC train_rxLogIt_per_partition N'
SELECT payment_type, tipped, passenger_count, trip_time_in_secs, trip_distance, d.direct_distance
  FROM dbo.nyctaxi_sample CROSS APPLY [CalculateDistance](pickup_latitude, pickup_longitude,  dropoff_latitude, dropoff_longitude) as d
';
GO

--Example 2: Train on 20 percent of the dataset to expedite processing.
EXEC train_rxLogIt_per_partition N'
  SELECT tipped, payment_type, passenger_count, trip_time_in_secs, trip_distance, d.direct_distance
  FROM dbo.nyctaxi_sample TABLESAMPLE (20 PERCENT) REPEATABLE (98074)
  CROSS APPLY [CalculateDistance](pickup_latitude, pickup_longitude,  dropoff_latitude, dropoff_longitude) as d
';
GO

注意

如果您正在執行其他工作負載，且如果您想要將查詢處理限制為只有 2 個核心，您可以將 OPTION(MAXDOP 2) 附加至 SELECT 陳述句。

檢查結果

模型資料表中的結果應該是五個不同模型，以五個付款類型所分割的五個資料分割為基礎。模型位於 ml_models 資料來源中。

SELECT *
FROM ml_models

定義預測結果的程序

您可以使用相同的參數來進行評分。下列範例包含 R 指令碼，該指令碼會針對目前正在處理的資料分割使用正確模型進行評分。

如先前所述，請建立預存程序來包裝 R 程式碼。

USE NYCTaxi_Sample
GO

-- Stored procedure that scores per partition.
-- Depending on the partition being processed, a model specific to that partition will be used
CREATE
    OR

ALTER PROCEDURE [dbo].[predict_per_partition]
AS
BEGIN
    DECLARE @predict_duration FLOAT
        ,@instance_name NVARCHAR(100) = @@SERVERNAME
        ,@database_name NVARCHAR(128) = db_name()
        ,@input_query NVARCHAR(max);

    SET @input_query = 'SELECT tipped, passenger_count, trip_time_in_secs, trip_distance, d.direct_distance, payment_type
                          FROM dbo.nyctaxi_sample TABLESAMPLE (1 PERCENT) REPEATABLE (98074)
                          CROSS APPLY [CalculateDistance](pickup_latitude, pickup_longitude,  dropoff_latitude, dropoff_longitude) as d'

    EXEC sp_execute_external_script @language = N'R'
        ,@script =
        N'
    
    if (nrow(InputDataSet) > 0) {

    #Get the partition that is currently being processed
    current_partition <- InputDataSet[1,]$payment_type;

    #Create the SQL query to select the right model
    query_getModel <- paste0("select model_object from ml_models where model_name = ", "''", "nyctaxi.",InputDataSet[1,]$payment_type,"''", ";")
    

    # Define the connection string
    connStr <- paste("Driver=SQL Server;Server=", instance_name, ";Database=", database_name, ";Trusted_Connection=true;", sep="");
        
    #Define data source to use for getting the model
    ds <- RxOdbcData(sqlQuery = query_getModel, connectionString = connStr)

    # Load the model
    modelbin <- rxReadObject(ds, deserialize = FALSE)
    # unserialize model
    logitObj <- unserialize(modelbin);

    # predict tipped or not based on model
    predictions <- rxPredict(logitObj, data = InputDataSet, overwrite = TRUE, type = "response", writeModelVars = TRUE
        , extraVarsToWrite = c("payment_type"));
    OutputDataSet <- predictions
    
    } else {
        OutputDataSet <- data.frame(integer(), InputDataSet[,]);
    }
    '
        ,@input_data_1 = @input_query
        ,@parallel = 1
        ,@input_data_1_partition_by_columns = N'payment_type'
        ,@params = N'@instance_name nvarchar(100), @database_name nvarchar(128)'
        ,@instance_name = @instance_name
        ,@database_name = @database_name
    WITH RESULT SETS((
                tipped_Pred INT
                ,payment_type VARCHAR(5)
                ,tipped INT
                ,passenger_count INT
                ,trip_distance FLOAT
                ,trip_time_in_secs INT
                ,direct_distance FLOAT
                ));
END;
GO

建立資料表來儲存預測

CREATE TABLE prediction_results (
    tipped_Pred INT
    ,payment_type VARCHAR(5)
    ,tipped INT
    ,passenger_count INT
    ,trip_distance FLOAT
    ,trip_time_in_secs INT
    ,direct_distance FLOAT
    );

TRUNCATE TABLE prediction_results
GO

執行程序並儲存預測

INSERT INTO prediction_results (
    tipped_Pred
    ,payment_type
    ,tipped
    ,passenger_count
    ,trip_distance
    ,trip_time_in_secs
    ,direct_distance
    )
EXECUTE [predict_per_partition]
GO

檢視預測

因為會儲存預測，所以可以執行簡單的查詢來傳回結果集。

SELECT *
FROM prediction_results;

後續步驟

在本教學課程中，您已使用 sp_execute_external_script 來反覆運算分割資料的作業。如需深入了解如何在預存程序中呼叫外部指令碼，以及如何使用 RevoScaleR 函式，請繼續進行下列教學課程。

R 和 SQL Server 的逐步解說

共用方式為