Creación de objetos de datos de SQL Server con RxSqlServerData (tutorial de SQL Server y RevoScaleR)

Artículo
01/02/2025

Se aplica a: SQL Server 2016 (13.x) y versiones posteriores

Este es el tutorial 2 de la serie de tutoriales de RevoScaleR sobre el uso de las funciones de RevoScaleR con SQL Server.

Este tutorial es una continuación de la creación de bases de datos: agregar tablas y cargar datos. Si un administrador de base de datos (DBA) ha creado la base de datos e inicia sesión en el tutorial dos, puede agregar tablas mediante un IDE de R como RStudio o una herramienta integrada como Rgui.

Desde R, conéctese a SQL Server y use las funciones de RevoScaleR para realizar las tareas siguientes:

Creación de tablas para los datos de entrenamiento y las predicciones
Carga de tablas con datos de un archivo .csv local

Los datos de ejemplo son datos simulados de fraude de tarjetas de crédito (el conjunto de datos ccFraud), particionados en conjuntos de datos de entrenamiento y puntuación. El archivo de datos se incluye en RevoScaleR.

Use un IDE de R o Rgui para completar estas tareas. Asegúrese de usar los ejecutables de R que se encuentran en esta ubicación: C:\Archivos de programa\Microsoft\R Client\R_SERVER\bin\x64 (Rgui.exe si usa esa herramienta o un IDE de R que apunte a C:\Archivos de programa\Microsoft\R Client\R_SERVER). Disponer de una estación de trabajo de cliente de R con estos ejecutables se considera un requisito previo de este tutorial.

Creación de la tabla de datos de entrenamiento

Almacene la cadena de conexión de base de datos en una variable de R. Aquí se ofrecen dos ejemplos de cadenas de conexión ODBC válidas para SQL Server: una que usa un inicio de sesión de SQL y otra para la autenticación integrada de Windows.

Asegúrese de modificar el nombre del servidor, el nombre de usuario y la contraseña según corresponda.

Inicio de sesión de SQL
```
sqlConnString <- "Driver=SQL Server;Server=<server-name>; Database=RevoDeepDive;Uid=<user_name>;Pwd=<password>"
```
Autenticación de Windows
```
sqlConnString <- "Driver=SQL Server;Server=<server-name>;Database=RevoDeepDive;Trusted_Connection=True"
```
Especifique el nombre de la tabla que quiere crear y guárdelo en una variable de R.
```
sqlFraudTable <- "ccFraudSmall"
```
Como la instancia del servidor y el nombre de la base de datos ya se han especificado como parte de la cadena de conexión, cuando se combinan las dos variables, el nombre completo de la nueva tabla se convierte en instance.database.schema.ccFraudSmall.
Opcionalmente, especifique el parámetro rowsPerRead para controlar cuántas filas de datos se leen en cada lote.
```
sqlRowsPerRead = 5000
```
Aunque este parámetro es opcional, su configuración puede traducirse en cálculos más eficientes. La mayoría de las funciones analíticas mejoradas en RevoScaleR y MicrosoftML procesan los datos en fragmentos. El parámetro rowsPerRead determina el número de filas de cada fragmento.

Es posible que tenga que experimentar con esta configuración para encontrar el equilibrio adecuado. Si el valor es demasiado grande, puede que el acceso a los datos sea lento cuando no haya memoria suficiente para procesar los datos en fragmentos de ese tamaño. Por el contrario, en algunos sistemas, si el valor de rowsPerRead es demasiado pequeño, el rendimiento también puede disminuir.

Como valor inicial, utilice el tamaño predeterminado de proceso por lotes definido por la instancia del motor de base de datos para controlar el número de filas de cada fragmento (5000 filas). Guarde el valor en la variable sqlRowsPerRead.
Defina una variable para el nuevo objeto de origen de datos y pase los argumentos definidos previamente al constructor RxSqlServerData. Tenga en cuenta que esto solo crea el objeto de origen de datos y no lo rellena. La carga de datos es un paso independiente.
```
sqlFraudDS <- RxSqlServerData(connectionString = sqlConnString,
   table = sqlFraudTable,
   rowsPerRead = sqlRowsPerRead)
```

Creación de la tabla de datos de puntuación

Siguiendo los mismos pasos, cree la tabla que contiene los datos de puntuación con el mismo proceso.

Cree una nueva variable de R, sqlScoreTable, para almacenar el nombre de la tabla usada para la puntuación.
```
sqlScoreTable <- "ccFraudScoreSmall"
```
Proporcione esa variable como argumento a la función RxSqlServerData para definir un segundo objeto de origen de datos, sqlScoreDS.
```
sqlScoreDS <- RxSqlServerData(connectionString = sqlConnString,
   table = sqlScoreTable, rowsPerRead = sqlRowsPerRead)
```

Como ya se ha definido la cadena de conexión y otros parámetros como variables en el área de trabajo de R, se puede reutilizar con nuevos orígenes de datos que representen diferentes tablas, vistas o consultas.

Nota:

La función utiliza distintos argumentos para definir un origen de datos en función de una tabla completa que para definir un origen de datos en función de una consulta. Esto se debe a que el motor de base de datos de SQL Server debe preparar las consultas de manera diferente. Más adelante en este tutorial aprenderá a crear un objeto de origen de datos en función de una consulta SQL.

Carga de datos en tablas de SQL con R

Ahora que ha creado las tablas de SQL Server , puede cargar los datos en ellas mediante la correspondiente función Rx .

El paquete RevoScaleR contiene funciones específicas de los tipos de orígenes de datos. Con datos de texto, utilice RxTextData para generar el objeto de origen de datos. Existen funciones adicionales para crear objetos de origen de datos a partir de datos de Hadoop, datos ODBC y así sucesivamente.

Nota:

En esta sección, debe tener permisos para Ejecutar DDL en la base de datos.

Carga de datos en la tabla de entrenamiento

Cree una variable de R, ccFraudCsv, y asígnele la ruta de acceso del archivo CSV que contiene los datos de ejemplo. Este conjunto de datos se proporciona en RevoScaleR. "sampleDataDir" es una palabra clave en la función rxGetOption.
```
ccFraudCsv <- file.path(rxGetOption("sampleDataDir"), "ccFraudSmall.csv")
```
Observe la llamada a rxGetOption, que es el método GET asociado a rxOptions en RevoScaleR. Use esta utilidad para establecer y mostrar opciones relacionadas con contextos de proceso locales y remotos, como el directorio compartido predeterminado o el número de procesadores (núcleos) que se utilizarán en los cálculos.

Esta llamada en particular obtiene los ejemplos de la biblioteca correcta, independientemente de dónde se ejecute el código. Por ejemplo, pruebe a ejecutar la función en SQL Server y en su equipo de desarrollo para ver cómo difieren las rutas de acceso.
Defina una variable para almacenar los nuevos datos y use la función RxTextData para especificar el origen de datos de texto.
```
inTextData <- RxTextData(file = ccFraudCsv,      colClasses = c(
    "custID" = "integer", "gender" = "integer", "state" = "integer",
    "cardholder" = "integer", "balance" = "integer",
    "numTrans" = "integer",
    "numIntlTrans" = "integer", "creditLine" = "integer",
    "fraudRisk" = "integer"))
```
El argumento colClasses es importante. Se usa para indicar el tipo de datos para asignar a cada columna de datos cargada desde el archivo de texto. En este ejemplo, todas las columnas se tratan como texto, excepto las columnas con nombre, que se tratan como enteros.
Llegados a este punto, tal vez quiera hacer una pausa y ver la base de datos en SQL Server Management Studio. Actualice la lista de tablas de la base de datos.

Puede ver que, aunque los objetos de datos de R se han creado en el área de trabajo local, las tablas no se han creado en la base de datos de SQL Server. Además, tampoco se ha cargado ningún dato del archivo de texto en la variable de R.
Inserte los datos llamando a la función rxDataStep.
```
rxDataStep(inData = inTextData, outFile = sqlFraudDS, overwrite = TRUE)
```
Suponiendo que no existen problemas con su cadena de conexión, después de una breve pausa, debería ver resultados como estos:

Total de filas escritas: 10 000, tiempo total: 0,466Filas leídas: 10 000, total de filas procesadas: 10 000, tiempo total de fragmentos: 0,577 segundos
Actualice la lista de tablas. Para comprobar que cada variable tiene los tipos de datos correctos y que se ha importado correctamente, también puede hacer clic con el botón derecho en la tabla en SQL Server Management Studio y elegir Seleccionar las 1000 primeras filas.

Carga de datos en la tabla de puntuación

Repita los pasos necesarios para cargar en la base de datos el conjunto de datos usado para puntuación.

Primero proporcione la ruta de acceso al archivo de origen.
```
ccScoreCsv <- file.path(rxGetOption("sampleDataDir"), "ccFraudScoreSmall.csv")
```

Use la función RxTextData para obtener los datos y guardarlos en la variable inTextData.

inTextData <- RxTextData(file = ccScoreCsv,      colClasses = c(
    "custID" = "integer", "gender" = "integer", "state" = "integer",
    "cardholder" = "integer", "balance" = "integer",
    "numTrans" = "integer",
    "numIntlTrans" = "integer", "creditLine" = "integer"))

Llame a la función rxDataStep para sobrescribir la tabla actual con el nuevo esquema y los datos.
```
rxDataStep(inData = inTextData, sqlScoreDS, overwrite = TRUE)
```
- El argumento inData define el origen de datos que usar.
- El argumento outFile especifica la tabla de SQL Server donde quiere guardar los datos.
- Si la tabla ya existe y no se usa la opción sobrescribir, los resultados se insertarán sin truncamiento.

De nuevo, si la conexión se ha realizado correctamente, debería ver un mensaje indicando la finalización y el tiempo requerido para escribir los datos en la tabla:

Total de filas escritas: 10 000, Tiempo total: 0,384Filas leídas: 10 000, Total de filas procesadas: 10 000, Tiempo total de fragmentos: 0,456 segundos

Más información sobre rxDataStep

rxDataStep es una función eficaz que puede realizar varias transformaciones en una trama de datos de R. También puede usar rxDataStep para convertir los datos en la representación requerida por el destino: en este caso, SQL Server.

Opcionalmente, puede especificar transformaciones en los datos mediante funciones de R en los argumentos para rxDataStep. Más adelante en este tutorial se ofrecen ejemplos de estas operaciones.

Pasos siguientes

Consultar y modificar los datos de SQL Server

Compartir a través de