Exibir e resumir dados do SQL Server usando o R (passo a passo)

Aplica-se a: SQL Server 2016 (13.x) e versões posteriores

Esta lição apresenta as funções no pacote RevoScaleR e conduz você pelas seguintes tarefas:

Definir um contexto de computação do SQL Server

Execute as seguintes instruções do R em um ambiente do R na estação de trabalho cliente. Esta seção pressupõe uma estação de trabalho de ciência de dados com Microsoft R Client, pois ela inclui todos os pacotes RevoScaleR, bem como um conjunto básico e leve de ferramentas do R. Por exemplo, você pode usar Rgui.exe para executar o script do R nesta seção.

1. Se o pacote RevoScaleR ainda não estiver carregado, execute esta linha de código R:

   library("RevoScaleR")
   

   Neste caso, as aspas são opcionais, embora recomendadas.

   Se você receber um erro, verifique se o ambiente de desenvolvimento do R está usando uma biblioteca que inclui o pacote RevoScaleR. Use um comando como .libPaths() para exibir o caminho atual da biblioteca.

2. Crie a cadeia de conexão para o SQL Server e salve-a em uma variável do R, connStr.

   Você deve alterar o espaço reservado "your_server_name" para um nome de instância do SQL Server válido. Para o nome do servidor, talvez você possa usar apenas o nome da instância ou precise qualificar totalmente o nome, dependendo de sua rede.

   Para autenticação do SQL Server, a sintaxe de conexão é a seguinte:

   connStr <- "Driver=SQL Server;Server=your_server_name;Database=nyctaxi_sample;Uid=your-sql-login;Pwd=your-login-password"
   

   Para a autenticação do Windows, a sintaxe é um pouco diferente:

   connStr <- "Driver=SQL Server;Server=your_server_name;Database=nyctaxi_sample;Trusted_Connection=True"
   

   Em geral, é recomendável usar autenticação do Windows sempre que possível para evitar salvar senhas no seu código R.

3. Defina as variáveis a serem usadas em um novo contexto de computação. Depois de criar o objeto do contexto de computação, você pode usá-lo para executar o código R na instância do SQL Server.

   sqlShareDir <- paste("C:\\AllShare\\",Sys.getenv("USERNAME"),sep="")
   sqlWait <- TRUE
   sqlConsoleOutput <- FALSE
   

   • O R usa um diretório temporário ao serializar objetos de R de um lado para outro entre a estação de trabalho e o computador do SQL Server . Você pode especificar o diretório local que é usado como sqlShareDir, ou aceitar o padrão.

   • Use sqlWait para indicar se deseja que o R espere resultados do servidor. Para uma discussão de trabalhos com espera versus sem espera, confira Computação distribuída e paralela com RevoScaleR no Microsoft R.

   • Use o argumento sqlConsoleOutput para indicar que você não deseja ver a saída do console de R.

4. Chame o construtor RxInSqlServer para criar o objeto de contexto de computação com as variáveis e cadeias de conexão já definidas e salve o novo objeto na variável sqlcc do R.

   sqlcc <- RxInSqlServer(connectionString = connStr, shareDir = sqlShareDir, wait = sqlWait, consoleOutput = sqlConsoleOutput)
   

5. Por padrão, o contexto de computação é local, portanto, você precisa definir explicitamente o contexto de computação ativo.

   rxSetComputeContext(sqlcc)
   

   • rxSetComputeContext retorna o contexto de computação anteriormente ativo de forma invisível para que você possa usá-lo
   • rxGetComputeContext retorna o contexto de computação ativo

   Observe que definir esse contexto de computação só afeta as operações que usam funções no pacote RevoScaleR; o contexto de computação não afeta a maneira como as operações de software livre do R são executadas.

Criar uma fonte de dados usando o RxSqlServer

Ao usar as bibliotecas do Microsoft R como RevoScaleR e MicrosoftML, uma fonte de dados é um objeto que você cria usando funções RevoScaleR. O objeto de fonte de dados especifica um conjunto de dados que você deseja usar para uma tarefa, como treinamento de modelo ou extração de recursos. Você pode obter dados de diversas fontes, incluindo o SQL Server. Para obter a lista de fontes com suporte no momento, confira RxDataSource.

Antes, você definiu uma cadeia de conexão e salvou essas informações em uma variável do R. Você pode usar novamente essas informações de conexão para especificar os dados que deseja obter.

1. Salve uma consulta do SQL como uma variável de cadeia de caracteres. A consulta define os dados para treinar o modelo.

   sampleDataQuery <- "SELECT TOP 1000 tipped, fare_amount, passenger_count,trip_time_in_secs,trip_distance, pickup_datetime, dropoff_datetime, pickup_longitude, pickup_latitude, dropoff_longitude, dropoff_latitude FROM nyctaxi_sample"
   

   Usamos uma cláusula TOP aqui para agilizar a execução, mas as linhas reais retornadas pela consulta podem variar conforme a ordem. Portanto, os resultados de resumo também podem ser diferentes daqueles listados abaixo. Você pode remover a cláusula TOP se quiser.

2. Passe a definição de consulta como um argumento para a função RxSqlServerData.

   inDataSource <- RxSqlServerData(
     sqlQuery = sampleDataQuery,
     connectionString = connStr,
     colClasses = c(pickup_longitude = "numeric", pickup_latitude = "numeric",
     dropoff_longitude = "numeric", dropoff_latitude = "numeric"),
     rowsPerRead=500
     )
   

   • O argumento colClasses especifica os tipos de coluna a serem usados ao mover os dados entre o SQL Server e o R. Isso é importante porque o SQL Server usa tipos de dados diferentes do R e mais tipos de dados. Para obter mais informações, confira Tipos de dados e bibliotecas do R.

   • O argumento rowsPerRead é importante para gerenciar o uso de memória e cálculos eficientes. A maioria das funções analíticas avançadas noR Services (no Banco de Dados) processa dados em partes e acumula resultados intermediários, retornando os cálculos finais após a leitura de todos os dados. Ao adicionar o parâmetro rowsPerRead, você pode controlar a quantidade de linhas de dados lidas em cada bloco de processamento. Caso o valor desse parâmetro seja muito grande, o acesso a dados pode ser lento, pois você não tem memória suficiente para processar com eficiência um bloco de dados grande. Em alguns sistemas, definir rowsPerRead para um valor excessivamente pequeno também pode causar um desempenho mais lento.

3. Neste ponto, você criou o objeto inDataSource, mas ele não contém nenhum dado. Os dados não são capturados da consulta SQL para o ambiente local até você executar uma função como rxImport ou rxSummary.

   No entanto, agora que você definiu os objetos de dados, pode usá-los como o argumento para outras funções.

Usar os dados do SQL Server em resumos do R

Nesta seção, você testará várias das funções fornecidas no R Services (no Banco de Dados) que dão suporte a contextos de computação remota. Ao aplicar funções do R à fonte de dados, você pode explorar, resumir e traçar um gráfico dos dados do SQL Server.

1. Chame a função rxGetVarInfo para obter uma lista das variáveis na fonte de dados e seus tipos de dados.

   rxGetVarInfo é uma função prática. Você pode chamá-la em qualquer quadro de dados ou em um conjunto de dados em um objeto de dados remoto para obter informações como os valores mínimo e máximo, o tipo de dados e o número de níveis em colunas de fator.

   Considere a possibilidade de executar essa função após qualquer espécie de entrada de dados, transformação de recursos ou engenharia de recursos. Ao fazer isso, você pode garantir que todos os recursos que você deseja usar no modelo são do tipo de dados esperado e evitar erros.

   rxGetVarInfo(data = inDataSource)
   

   Resultados

   Var 1: tipped, Type: integer
   Var 2: fare_amount, Type: numeric
   Var 3: passenger_count, Type: integer
   Var 4: trip_time_in_secs, Type: numeric, Storage: int64
   Var 5: trip_distance, Type: numeric
   Var 6: pickup_datetime, Type: character
   Var 7: dropoff_datetime, Type: character
   Var 8: pickup_longitude, Type: numeric
   Var 9: pickup_latitude, Type: numeric
   Var 10: dropoff_longitude, Type: numeric
   

2. Agora, chame a função rxSummary do RevoScaleR para obter estatísticas mais detalhadas sobre variáveis individuais.

   O rxSummary é baseado na função summary do R, mas tem alguns recursos e vantagens adicionais. O rxSummary funciona em vários contextos de computação e dá suporte a agrupamentos. Você também pode usar o rxSummary para transformar valores ou resumir com base em níveis de fator.

   Neste exemplo, você resume o valor da tarifa com base no número de passageiros.

   start.time <- proc.time()
   rxSummary(~fare_amount:F(passenger_count,1,6), data = inDataSource)
   used.time <- proc.time() - start.time
   print(paste("It takes CPU Time=", round(used.time[1]+used.time[2],2)," seconds,
     Elapsed Time=", round(used.time[3],2),
     " seconds to summarize the inDataSource.", sep=""))
   

   • O primeiro argumento para rxSummary especifica a fórmula ou o termo no qual o resumo se baseará. Neste exemplo, a função F() é usada para converter os valores de passenger_count em fatores antes do resumo. Você também precisa especificar o valor mínimo (1) e o valor máximo (6) para a variável de fator passenger_count.
   • Se você não especificar as estatísticas a serem geradas, por padrão, rxSummary vai gerar Mean, StDev, Min, Max e o número de observações válidas e ausentes.
   • Este exemplo também inclui um código para acompanhar o tempo durante o qual a função é iniciada e concluída, para que você possa comparar o desempenho.

   Resultados

   Se a função rxSummary for executada com êxito, você deverá ver os resultados como estes, seguidos por uma lista de estatísticas por categoria.

   rxSummary(formula = ~fare_amount:F(passenger_count, 1,6), data = inDataSource)
   Data: inDataSource (RxSqlServerData Data Source)
   Number of valid observations: 1000
   

Exercício de bônus sobre Big Data

Tente definir uma nova cadeia de consulta com todas as linhas. Recomendamos configurar um novo objeto de fonte de dados para este experimento. Você também pode tentar alterar o parâmetro rowsToRead para ver como ele afeta a taxa de transferência.

bigDataQuery  <- "SELECT tipped, fare_amount, passenger_count,trip_time_in_secs,trip_distance, pickup_datetime, dropoff_datetime, pickup_longitude, pickup_latitude, dropoff_longitude, dropoff_latitude FROM nyctaxi_sample"

bigDataSource <- RxSqlServerData(
      sqlQuery = bigDataQuery,
      connectionString = connStr,
      colClasses = c(pickup_longitude = "numeric", pickup_latitude = "numeric",
      dropoff_longitude = "numeric", dropoff_latitude = "numeric"),
      rowsPerRead=500
      )

start.time <- proc.time()
rxSummary(~fare_amount:F(passenger_count,1,6), data = bigDataSource)
used.time <- proc.time() - start.time
print(paste("It takes CPU Time=", round(used.time[1]+used.time[2],2)," seconds,
  Elapsed Time=", round(used.time[3],2),
  " seconds to summarize the inDataSource.", sep=""))

Próximas etapas