Use o Python com revoscalepy para criar um modelo executado remotamente no SQL Server

Aplica-se a: SQL Server 2017 (14.x) e versões posteriores

A biblioteca revoscalepy do Python da Microsoft fornece algoritmos de ciência de dados para exploração de dados, visualização, transformações e análise. Essa biblioteca tem importância estratégica em cenários de integração do Python no SQL Server. Em um servidor de vários núcleos, funções do revoscalepy podem ser executadas em paralelo. Em uma arquitetura distribuída com um servidor central e estações de trabalho cliente (computadores físicos separados, todos com a mesma biblioteca revoscalepy), você pode escrever um código Python que inicie localmente, mas, em seguida, leve a execução para uma instância remota do SQL Server na qual os dados residam.

Você pode encontrar revoscalepy nos seguintes produtos e distribuições da Microsoft:

• Serviços de Machine Learning do SQL Server (no banco de dados)
• Bibliotecas Python do lado do cliente (para estações de trabalho de desenvolvimento)

Este exercício demonstra como criar um modelo de regressão linear baseado em rx_lin_mod, um dos algoritmos no revoscalepy que aceita contexto de computação como entrada. O código que você executará neste exercício leva a execução de código de um ambiente de computação local para remota, habilitado por funções revoscalepy que habilitam um contexto de computação remota.

Ao acompanhar este tutorial, você aprenderá a:

Pré-requisitos

Os dados de exemplo usados neste exercício são o banco de dados flightdata.

Você precisa de um IDE para executar o código de exemplo neste artigo e o IDE deve estar vinculado ao executável do Python.

Para praticar uma mudança de contexto de computação, você precisa de uma estação de trabalho local e uma instância do mecanismo de banco de dados do SQL Server com Serviços de Machine Learning e Python habilitados.

Contextos de computação remota e revoscalepy

Este exemplo demonstra o processo de criação de um modelo do Python em um contexto de computação remota, que permite que você trabalhe em um cliente, mas escolha um ambiente remoto, como o SQL Server ou o Spark, no qual as operações são de fato executadas. O objetivo do contexto de computação remota é trazer a computação para o local em que os dados residem.

Executar o código Python no SQL Server exige o pacote revoscalepy. Esse é um pacote especial do Python fornecido pela Microsoft, semelhante ao pacote RevoScaleR para a linguagem R. O pacote revoscalepy dá suporte à criação de contextos de computação e fornece a infraestrutura para passar dados e modelos entre uma estação de trabalho local e um servidor remoto. A função revoscalepy que dá suporte à execução de código no banco de dados é RxInSqlServer.

Nesta lição, você usa dados no SQL Server para treinar um modelo linear baseado em rx_lin_mod, uma função no revoscalepy que dá suporte à regressão em conjuntos de dados muito grandes.

Esta lição também demonstra as noções básicas de como configurar e usar um contexto de computação do SQL Server em Python.

Execute o código de exemplo

Depois de preparar o banco de dados e armazenar os dados para treinamento em uma tabela, abra um ambiente de desenvolvimento do Python e execute o exemplo de código.

O código realiza as seguintes etapas:

1. Importa as bibliotecas e funções necessárias.
2. Cria uma conexão com o SQL Server. Cria objetos da fonte de dados para trabalhar com os dados.
3. Modifica os dados usando transformações para que eles possam ser usados pelo algoritmo regressão logística.
4. Chama rx_lin_mod e define a fórmula usada para adequar-se ao modelo.
5. Gera um conjunto de previsões com base nos dados originais.
6. Cria um resumo com base nos valores previstos.

Todas as operações são executadas usando uma instância do SQL Server como o contexto de computação.

Código de exemplo

from revoscalepy import RxComputeContext, RxInSqlServer, RxSqlServerData
from revoscalepy import rx_lin_mod, rx_predict, rx_summary
from revoscalepy import RxOptions, rx_import

import os

def test_linmod_sql():
    sql_server = os.getenv('PYTEST_SQL_SERVER', '.')
    
    sql_connection_string = 'Driver=SQL Server;Server=' + sqlServer + ';Database=sqlpy;Trusted_Connection=True;'
    print("connectionString={0!s}".format(sql_connection_string))

    data_source = RxSqlServerData(
        sql_query = "select top 10 * from airlinedemosmall",
        connection_string = sql_connection_string,

        column_info = {
            "ArrDelay" : { "type" : "integer" },
            "DayOfWeek" : {
                "type" : "factor",
                "levels" : [ "Monday", "Tuesday", "Wednesday", "Thursday", "Friday", "Saturday", "Sunday" ]
            }
        })

    sql_compute_context = RxInSqlServer(
        connection_string = sql_connection_string,
        num_tasks = 4,
        auto_cleanup = False
        )

    #
    # Run linmod locally
    #
    linmod_local = rx_lin_mod("ArrDelay ~ DayOfWeek", data = data_source)
    #
    # Run linmod remotely
    #
    linmod = rx_lin_mod("ArrDelay ~ DayOfWeek", data = data_source, compute_context = sql_compute_context)

    # Predict results
    # 
    predict = rx_predict(linmod, data = rx_import(input_data = data_source))
    summary = rx_summary("ArrDelay ~ DayOfWeek", data = data_source, compute_context = sql_compute_context)

Como definir uma fonte de dados versus definir um contexto de computação

Uma fonte de dados é diferente de um contexto de computação. A fonte de dados define os dados usados em seu código. O contexto de computação define o local em que o código será executado. No entanto, ambos usam algumas das mesmas informações:

• As variáveis do Python, como sql_query e sql_connection_string, definem a origem dos dados.

  Passe essas variáveis para o construtor RxSqlServerData para implementar o objeto de fonte de dados chamado data_source.

• Você cria um objeto de contexto de computação usando o construtor RxInSqlServer. O objeto de contexto de computação resultante é chamado de sql_cc.

  Este exemplo reutiliza a mesma cadeia de conexão que você usou na fonte de dados, supondo que os dados estejam na mesma instância do SQL Server que você usará como o contexto de computação.

  No entanto, a fonte de dados e o contexto de computação podem estar em servidores diferentes.

Como alterar contextos de computação

Depois de definir um contexto de computação, defina o contexto de computação ativo.

Por padrão, a maioria das operações é executada localmente, o que significa que, se você não especificar um contexto de computação diferente, os dados serão buscados da fonte de dados e o código será executado no ambiente atual do Python.

Há duas maneiras de definir o contexto de computação ativo:

• Como um argumento de um método ou função
• Chamando rx_set_computecontext

Definir o contexto de computação como um argumento de um método ou função

Neste exemplo, você define o contexto de computação usando um argumento da função rx individual.

linmod = rx_lin_mod_ex("ArrDelay ~ DayOfWeek", data = data, compute_context = sql_compute_context)

Esse contexto de computação é reutilizado na chamada para rxsummary:

summary = rx_summary("ArrDelay ~ DayOfWeek", data = data_source, compute_context = sql_compute_context)

Definir um contexto de computação explicitamente usando rx_set_compute_context

A função rx_set_compute_context permite que você alterne entre contextos de computação já definidos.

Depois de definir o contexto de computação ativo, ele permanecerá ativo até você alterá-lo.

Como usar processamento paralelo e streaming

Ao definir o contexto de computação, você também pode definir parâmetros que controlam como os dados são processados pelo contexto de computação. Esses parâmetros diferem dependendo do tipo de fonte de dados.

Para contextos de computação do SQL Server, você pode definir o tamanho do lote ou fornecer dicas sobre o grau de paralelismo a ser usado nas tarefas em execução.

• O exemplo foi executado em um computador com quatro processadores, portanto, o parâmetro num_tasks está definido como 4 para permitir o uso máximo de recursos.
• Se você definir esse valor como 0, o SQL Server usará o padrão, que é executar o máximo de tarefas em paralelo, nas configurações MAXDOP atuais para o servidor. No entanto, o número exato de tarefas que podem ser alocadas depende de vários outros fatores, como configurações do servidor e outros trabalhos em execução.

Próximas etapas

Esses tutoriais e exemplos adicionais do Python demonstram cenários de ponta a ponta usando fontes de dados mais complexas, assim como o uso de contextos de computação remota.

• Python no banco de dados para desenvolvedores do SQL
• Criar um modelo de previsão usando Python e SQL Server